ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ ЭЛЕКТРОТЕХНИЧЕСКИХ СИСТЕМ НА ОСНОВЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
Саушев А.В.1, Гаспарян К.К.2
1Кандидат технических наук, доцент 2Аспирант, государственный университет морского и речного флота имени адмирала С. О. Макарова
ПРОГНОЗИРОВАНИЕ СОСТОЯНИЯ ЭЛЕКТРОТЕХНИЧЕСКИХ СИСТЕМ НА ОСНОВЕ ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
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.
Saushev A.V.1, Gasparyan K.K.2
1Candidate of Technical Sciences, Associate professor 2 Postgraduate student, state university of sea and river fleet of a name of the admiral S. O. Makarov
FORECASTING OF THE CONDITION OF ELECTROTECHNICAL SYSTEMS ON THE BASIS OF INFORMATION TECHNOLOGIES
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 σj=φ(t) - дисперсия; Хном – номинальные значения, Хапс – аварийно-предупредительные значения, Хаз – аварийные значения и Хкр – 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), …, (XN,YN), для которых Yk = F(Xk) 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 (Xk, Yk) (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.
Вывод
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.
Литература
- Саушев А. В. Основы управления состоянием электротехнических систем объектов водного транспорта. СПб.: ГУМРФ им. адм. С. О. Макарова, 2015. – 222 с.
- Саушев А. В. Планирование эксперимента в электротехнике. СПб.: СПГУВК, 2012. – 272 с.
- Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. – М.: Физматлит, 2001. – 61 с.
References
- Saushev A. V. Bases of management of a condition of electrotechnical systems of objects of a water transport. SPb.: GUMRF of atm. S. O. Makarova, 2015. – 222 s.
- Saushev A. V. Planning of experiment in electrical equipment. SPb.: SPGUVK, 2012. – 272 s.
- Kruglov V. V., Dli M. I., R. Yu Laces. Fuzzy logic and artificial neural networks. – M.: Fizmatlit, 2001. – 61 s.