Применение адаптивных систем для прогнозирования технического состояния судового электрооборудования

Размещено на http://www.allbest.ru/

Применение адаптивных систем для прогнозирования технического состояния судового электрооборудования

адаптивный судовой электрооборудование

В настоящее время развитие морского флота неразрывно связано с использованием современных информационных технологий. Количество информации, обрабатываемой судовыми информационными системами, с каждым годом повышается, снижая риски, вызванные человеческим фактором, повышая надежность электроснабжения судна и безопасность плавания. Большое значение для повышения эффективности технической эксплуатации судового электрооборудования является техническое обслуживание и ремонт по фактическому состоянию. По сравнению с регламентированным техническим обслуживанием, техническое обслуживание по фактическому состоянию несёт следующие преимущества:

? снижение затрат на обслуживание и ремонт;

? эффективное использование ресурса оборудования;

? повышенная безопасность мореплавания;

? снижение риска возникновения аварийных ситуаций;

? минимальные затраты на обучения обслуживающего персонала.

Данные преимущества появляются за счет использование специализированных комплексов для контроля технического состояния, специальным образом настраиваемых на контролируемое электрооборудование. Такие аппаратно-программные комплексы повышают начальную стоимость электрооборудования, но в перспективе затраты окупаются достаточно быстро за счет снижения многочисленных издержек на обслуживание и ремонт.

Сложность современных судовых информационных систем возрастает с каждым годом. Каждая единица электрооборудования может иметь несколько десятков контролируемых параметров, а общее поведение системы может описываться системой дифференциальных уравнений высокой степени. В то же время, требования к точности и скорости производимых комплексом вычислений могут быть весьма высоки, что зачастую не позволяет использовать отработанные технологии математического анализа для обработки данных с объекта в реальном времени. К счастью, современные математические технологии позволяют нам существенно повысить эффективность подобных комплексов за счет внедрения новых инновационных методов обработки информации. Помочь в деле сбора и анализа многочисленных данных, поступающих от конкретных электроэнергетических устройств, нивелировать человеческий фактор, а также снизить или полностью исключить зависимость в контроле и управлении этой информации от человека могут современные математические технологии на основе искусственных нейронных сетей. Искусственные нейронные сети обладают рядом ценных особенностей, выгодно отличающих их от других адаптивных систем [1].

Нейронные сети особенно эффективны при прогнозировании сложных функций, технический анализ которых другими средствами крайне затруднен в виду неопределенностей в тренде развития. Для примера, можно взглянуть на участок функции, описывающей изменение во времени одного из диагностических параметров (рис. 1):

Рис. 1. График изменения диагностического параметра во времени.

Из графика видно, что изменение параметра во времени является периодическим, однако аналитически определить зависимость представляется весьма затруднительной задачей. Тем не менее, в рамках контроля по фактическому состоянию, у обслуживающего судовое электрооборудование персонала во время плавания может появиться необходимость выполнять краткосрочное прогнозирования для различных параметров электрооборудования с целью определения степени его изношенности. Если поставлена задача определения приблизительного значения этого параметра через определенный промежуток в ближайшем будущем, то выполнение прогнозирования с помощью методов регрессионного анализа - очень трудоёмкая задача. В то же время, накопленная информация об изменении этого параметра содержит в себе достаточно сведений о тенденциях его развития, но аналитически эту информацию выделить затруднительно.

Нейронная сеть, благодаря своей способности обучаться, способна выделять внутренние закономерности развития, что позволяет ей выполнять прогнозирование подобных функций с достаточно высокой точностью. Но каждая задача прогнозирования должна быть предварительно исследована для того, чтобы можно было задать оптимальные параметры для нейронной сети, которая будет выполнять прогнозирование.

Данное ограничение не позволяет эффективно применять данный аппарат для автоматизации прогнозирования, т.к. он требует предварительной подготовки и привлечения экспертных знаний для достижения наилучшего результата, что представляется маловероятных в реальных условиях на судах, так как обслуживающий персонал должен обязательно понимать, как работают нейронные сети. Но есть и другой способ - использование оптимизаторов - поисковых алгоритмов, способных автоматизировать подбор параметров нейронной сети, и минимизировать привлечение экспертов [2]. На рисунке 2 можно увидеть результаты выполнения прогнозирования приведенного ранее временного ряда в различных условиях.

Рис. 2. Прогнозирование временного ряда в различных условиях.

На рисунке 2а представленные результаты прогнозирование без каких-либо оптимизаций и подбора оптимальных параметров сети и её обучения - все значения сети были использованы по умолчанию. Результат прогнозирования позволяет приблизительно описать поведение прогнозируемого временного ряда, но его точность оставляется желать лучшего. Если применить экспертные знания для оптимизации состояния сети и процесса её обучения, то можно добиться значительно лучших результатов (рис. 2б), но даже в таком случае ошибка прогнозирования по-прежнему остается существенной. Генетические оптимизаторы способы самостоятельно вести поиск оптимальных параметров для прогнозирования, без какого-либо вмешательства из вне. На рисунках 2в и 2д представлены результаты прогнозирования после того, как оптимизатор на основе генетического алгоритма провел поиск оптимального состояния сети в течении 8 и 48 часов соответственно.

Как можно видеть из графиков, применение генетических алгоритмов позволяет добиться результатов, более чем в 30 раз улучшающих результат прогнозирования при стандартных настройках. Применение оптимизаторов для поиска оптимальных условий прогнозирования позволяет применять нейросетевое прогнозирование непосредственно в реальных условиях на судне, и не требует от обслуживающего персонала глубоких знаний устройства адаптивных систем.

Литература

1. Круглов В.В., Борисов В. В., Искусственные нейронные сети. Теория и практика. -2-е изд., стереотип.,- М.: Горячая линия-Телеком, 2002. -382 с: ил., ISBN 5-93517-031-0.

2. Рутковская Д., Пилиньский М., Рутковский Л., Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 с.:ил., ISBN 5-93517-103-1.

Размещено на Allbest.ru