Автоматизированная диагностика

Главная > Технологии > Автоматизированная диагностика
Автоматизированная диагностика Технологии

Одним из наиболее важных свойств сложных технических объектов как продукции производственно-технического назначения, включая оборудование энергосети и сеть в целом, является надежность [1]. При проектировании, изготовлении и эксплуатации, например, крупных энергетических, металлургических, горнодобывающих, а также нефтяных и газопромысловых станций, машин, систем и установок она обеспечивается методами и средствами характерными для каждого этапа "жизненного цикла" объекта-изделия. При этом эксплуатационная надежность восстанавливаемых систем наиболее эффективно достигается прогрессивными стратегиями технической эксплуатации объектов "по состоянию" с контролем уровня надежности (стратегии функциональной диагностики) и/или с контролем технического состояния (стратегии технического мониторинга), для осуществления которых необходимы системы технической диагностики и системы технического мониторинга соответственно. Информационно – аналитические и интеллектуальные возможности этих систем позволяют также, уже вне формата реального времени, проводить полноценное техническое обслуживание, планировать и осуществить необходимые ремонтные мероприятия с учетом реального состояния оборудования и остаточных системных ресурсов.

Эффективное выполнение этих функций достигается благодаря широкому внедрению достижений современных информационных и интеллектуальных технологий, в частности, технологий Экспертных Систем (ЭС), основанных на базах знаний и машинном выводе на знаниях. Концептуальным основанием для интеллектуализации решения взаимосвязанных задач диагностики, прогнозирования и управления служат традиционные для класса неструктурированных и плохо формализуемых задач:

- невозможность получения полной и объективной информации для принятия адекватных решений и обусловленная этим обстоятельством необходимость привлечения неформальной (субъективной, эвристической) информации;

- наличие неопределенности в исходных данных, а также присутствие неоднозначности (многовариантности) процесса поиска решения;

- необходимость выработки и обоснования искомых решений проблемы в условиях жестких временных ограничений, которые определяются ходом управляемых процессов;

- необходимость корректировки и введения дополнительной информации в процесс поиска решений, интерактивный (диалоговой, человек – машинной) характер логического вывода решений. Учет этих факторов заставляет отказаться от традиционных алгоритмических методов и моделей принятия решений и управления и перейти к технологиям интеллектуальных систем. Интеллектуализация автоматизированной диагностики предполагает решение ряда взаимосвязанных задач структурного, функционального, информационного и организационного характера, которые должны быть предусмотрены еще на этапе проектирования программного обеспечения.

Оборудование энергосети с технической точки зрения представляет собой систему, характеризующееся ресурсом работоспособности. Техническое состояние в процессе эксплуатации изменяется под действием эксплуатационных факторов (внешних и внутренних) вследствие изнашивания деталей и механизмов, нарушения регулировок, ослабления креплений, поломок и других неисправностей. В электрических машинах и аппаратах ухудшаются электрические и механические свойства изоляции и т.п. В результате снижается надёжность узлов, агрегатов и сети в целом. Таким образом, ресурс надёжности, заложенный в конструкции при проектировании и постройке, постепенно расходуется, и при его значении ниже определённого уровня может произойти отказ.

Это может стать причиной аварии, нарушения графика подачи энергии, перерасхода топлива или электроэнергии и т.п. Важнейшими задачами системы технической диагностики являются предупреждение перечисленных явлений и обеспечение безопасности.

В настоящее время для мониторинга и анализа работы сложных технических систем, включая энергосети, широко используются статистические методы, оценивающие отклонение критичных параметров системы от некоторых эмпирически или априорно заданных «нормальных» состояний. При этом полагают, что изменение контролируемых в технической системе параметров подчинено некоторому случайному процессу, однако предположения о виде и структуре случайного процесса, его параметрах, доверительном интервале, ошибках первого и второго рода строятся в предположении того, что анализируемые случайные процессы являются гауссовскими (имеющими нормальное распределение).

Широкое распространение использования нормального закона распределения в природе и технике объясняется тем, что при суммировании достаточно большого числа независимых или слабо зависимых случайных величин распределение суммы близко к нормальному при любом распределении отдельных слагаемых.

Это положение, сформулированное в 1901 г. А.М. Ляпуновым, получило название центральной предельной теоремы.

Однако на практике предположение о «нормальности» закона распределения контролируемых величин выполняется достаточно редко. В первую очередь это связано с зависимостью параметров друг от друга, поскольку техническая система представляет собой совокупность взаимосвязанных и взаимозависимых процессов, объединенных к тому же системами автоматического или автоматизированного регулирования.

К сожалению, в настоящее время в методологии мониторинга технических систем наметился ошибочный подход, связанный с некорректным использованием модели случайного процесса. Так, например, статья [2], содержит принципиальную методическую и теоретическую ошибку, связанную с использованием спекулятивной (ложной) исходной модели случайного процесса и вытекающими из нее неверными оценками параметров системы мониторинга.

Кроме того, зарубежная технология MSET(MultivariateStateEstimationTechnique), используемая для реализации гауссовских подходов к анализу статистик и построения моделей в технике, как было описано выше, ИМЕЕТ РЯД НЕДОСТАТКОВ, включая дополнительно патентную непригодность для реализации в отечественных системах. Соответственно, использующие описанные методы системы типа «ПРАНА» и ее зарубежные аналоги (AvantisPRiSMSchneiderElectric, PlantMonitorSiemens, PredixGE) имеют ограниченную применимость.

В связи с этими разработан «Комплекс анализа состояния технической системы (CATS) (рабочее название PrognoTech), свободный от недостатков существующих систем.

Предложен и реализован принципиально новый и патентно-чистый комплекс анализа технической системы по технологии BigData, который проводит развернутый математический анализ процессов в технической системе и обеспечивает:

- уточнение вида случайного процесса,

- определение параметров случайного процесса,

- построение аппроксимирующих функций для предсказания состояний отдельных узлов и энергосистемы в целом,

- построение спектров и плотностей распределения случайных величин и матриц переходных вероятностей дискретных случайных процессов в энергосистеме,

- анализ дискретных производных и трендов изменения параметров энергосистемы,

- определение границ безопасного поведения энергосистемы и доверительных интервалов параметров,

- определение точек «нестандартного» поведения узлов энергосистемы,

- подготовка данных для анализа экспертом,

- технологии анализа параметров технической энергосистемы, как Big Data,

- анализ при помощи технологий семантического искусственного интеллекта.

 

Предложенные решения связаны с глубоким анализом информации об оборудовании энергосети и ее параметрах с использованием классических инструментов функционального анализа и построением весьма близкой к реальности и адекватной модели случайных процессов.

Комплекс включает в себя следующие модули:

1. Модуль реализация универсальной структуры хранения данных, которую можно использовать для анализа данных, программное обеспечение (ПО) преобразования выгруженных из системы файлов данных к разработанному формату, реализована индексированная структуру хранения данных (Linked BigData) в цифровом виде, которая позволяет выбирать любые совокупности данных из базы с максимальной скоростью и подключать внешние экспертные системы и модули.

ПО представляет собой исполняемый модуль, который трансформирует файлы данных в БД.

2. ПО удобной визуализации данных, позволяет визуализировать любую выборку по времени и сенсору (сенсорам) для построенной базы данных. Это поможет в работе эксперту и оператору с точки зрения быстрого визуального анализа данных или экспертизы полученных результатов.

3. ПО гладкой аппроксимацию параметров с заданной детализацией – позволяет вычислить аппроксимирующие полиномы для каждого сенсора и оценить их качество (приближение к реальным данным). Коэффициенты полиномов также пополняют базу данных. Возможно получить состояние энергосистемы с любой детализацией по времени, а также выполнять прогнозирование состояний системы.

4. Разработка ПО анализа аппроксимированных функций (экстремумы, производные, периодичность) – возможно проанализировать полученные функции с точки зрения классического математического анализа. Это позволит построить полную математическую модель энергосистемы в непрерывных функциях, а также получить перечень критичных событий (максимумы, периоды максимального роста или снижения и т.д.).

ПО представляет собой исполняемый модуль, вычисляющий дискретные производные, максимумы и минимумы, периоды и псевдопериоды и выгружающий их в базу данных, а также фиксирующий моменты времени наступления заданных событий.

5. ПО построение доверительных интервалы для групп параметров.

6. ПО вычисления разностных и корреляционных функции для попарных выборок параметров.

Построенная БД и экспертная система может расширяться любыми модулями, как собственной, так и сторонними, например GoogleBrain (TenzorFlow), поскольку структура БД полностью и детально описана.

Разработка выполнена на мировом уровне, содержит новые и оригинальные математические идеи и методы (построение спектров и плотностей распределения случайных величин и матриц переходных вероятностей дискретных случайных процессов в энергосистеме, анализ дискретных производных и трендов изменения параметров системы), методы практически реализованы и апробированы на реальных технических системах, в том числе в энергетике. Комплекс позволяет проводить автоматизированную диагностика и прогнозирование неполадок и проблем в энергосети в реальном времени и позволяет выработать рекомендации по ее реконфигурации.

Кроме того, разработанный комплекс интегрируется с системами хранения данных в блокчейне и содержит собственную библиотеку для работы с закрытыми звеньями блокчейна с использованием российских криптографических алгоритмов.

Литература

1. Стадниченко С. Ю. Интеллектуальные компоненты для системы автоматизированного мониторинга и диагностики на железнодорожном транспорте // Молодой ученый. — 2012. — №11. — С. 98-102.

2. Громак Е.В., Наумов С.А. Шишов В.А. Система удаленного мониторинга и прогностики АО «Ротек» как элемент энергетической безопасности – М: НРЭ, №6, 2016 – с.36-46.