Прогнозирование состояния электротехнических систем на основе информационных технологий

Размещено на http://www.allbest.ru/

Государственный университет морского и речного флота имени адмирала С.О. Макарова

Прогнозирование состояния электротехнических систем на основе информационных технологий

Саушев А.В., Гаспарян К.К.

Аннотация

В статье рассматриваются вопросы оценки состояния и прогнозирования электротехнических систем на основе современных информационных технологий с целью повышения эффективности их эксплуатации и снижения затрат.

Ключевые слова: прогнозирование, состояние, система.

Abstract

In article questions of an assessment of a state and forecasting of electrotechnical systems on the basis of modern information technologies for the purpose of increase of efficiency of their operation and decrease in expenses are considered.

Keywords: forecasting, state, system.

В последние годы проявляется все больший интерес к разработкам и внедрению средств технической диагностики электротехнических систем (ЭТС) различных объектов [1]. Это обусловлено тем, что системы планово-предупредительных ремонтов уже не могут корректно применяться к ремонту морально и физически устаревшего оборудования. Появилась необходимость совершенствования системы технического обслуживания ЭТС путём разработки и применения новых форм, обеспечивающих снижение затрат на эксплуатацию при одновременном повышении их функциональной надёжности. Этим требованиям соответствует применение технических средств диагностирования, позволяющих проводить мониторинг, диагностику и регистрацию в базах данных состояние электрооборудования в режиме реального времени.

Прогнозный модуль статистической обработки информации

Данный модуль предназначен для обработки и накопления в базах данных обобщенной статистической, эксплуатационной и технико-экономической информации о ЭТС, обеспечивающей повышение эффективности управления их техническим состоянием. Модуль упрощает отслеживание тенденций отказов оборудования и позволяет в автоматическом режиме составлять прогнозы по возможным отказам оборудования. Такие возможности достигаются благодаря базам данных, которые способны сохранять в себе большие объемы информации, накопленной за длительный период работы ЭТС.

Принцип построения модели иллюстрируется на рис. 1, на котором представлен процесс изменения характеристики системы Х в дискретных интервалах времени tj в полиномиальные зависимости простой линейной регрессии методом наименьших квадратов [2], где mj = f (t)-математическое ожидание и у_j=ц(t) - дисперсия; Х_ном - номинальные значения, Х_апс - аварийно-предупредительные значения, Х_аз - аварийные значения и Х_кр - критические значения.

Рис. 1 - График преобразования статистического описания системы

Диагностический модуль обработки состояния ЭТС

Одним из перспективных способов диагностирования ЭТС является использование искусственных нейронных сетей (ИНС) [2].

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры довольно просты. Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. Тем не менее, будучи соединёнными в большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять сложные задачи. Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения - одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. В процессе обучения происходит повышение производительности сети, это происходит со временем в соответствии с определенными правилами. В идеальном случае нейронная сеть получает знания об окружающей среде на каждой итерации процесса обучения. Существует большое множество различных алгоритмов и методов обучения. Пример процесса обучения приведен на рис. 2.

Рис. 2 - Иллюстрация процесса обучения нейронной сети

В процессе функционирования нейронная сеть, в соответствии с входным сигналом X, формирует выходной сигнал Y, реализуя некоторую функцию Y = G(X). Если архитектура нейронной сети известна, то вид функции G определяется значениями синаптических весов и смещений этой сети [3].

Пусть функция Y = F(X) является решением некоторой задачи, заданная парами входных и выходных данных (X¹, Y¹), (X², Y²), …, (X^N,Y^N), для которых Y^k = F(X^k) при (k=1, 2, …, N). Обучение нейронной сети сводится к поиску функции G, близкой к оператору F в смысле некоторой функции ошибки E. Если выбрано некоторое множество обучающих примеров - пар (X^k, Y^k) (где k = 1, 2, …, N) и способ расчета функции ошибки E, то обучение нейронной сети превращается в задачу многомерной оптимизации с очень большой размерностью. Для решения этой задачи могут быть использованы различные алгоритмы.

Современные средства и методы диагностики ЭТС, основанные на использовании информационных технологий, способны обеспечить повышение их экономической эффективности, исключая затраты на «ручную» диагностику уже вышедших из строя элементов системы.

электротехнический прогнозирование нейронный

Литература

1. Саушев А. В. Основы управления состоянием электротехнических систем объектов водного транспорта. СПб.: ГУМРФ им. адм. С. О. Макарова, 2015. - 222 с.

2. Саушев А. В. Планирование эксперимента в электротехнике. СПб.: СПГУВК, 2012. - 272 с.

3. Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. - М.: Физматлит, 2001. - 61 с.

Размещено на Allbest.ru