Математические модели идентификации технического состояния турбоустановок на основе нечеткой информации

, (39)

при выполнении условия

(40)

Решение этой задачи выполняется с применением метода множителей Лагранжа Ж.-Л. из программного модуля OPTIMIZATOR ПК . Далее выполняется оценивание технического состояния турбоустановки. Если каждый параметр (где ) попадает в поле допуска , то объект контроля и диагностики признается работоспособным. В противном случае необходимо вводить ограничения и определять области работоспособности агрегата для отдельных режимов.

В третьей главе решается задача «оценивания состояния при диагностике турбоустановок», как задача распознавания образов, выделенных автором в процессе экспериментов. Впервые решены задачи распознавания дефектных состояний турбоустановки с использованием нечеткой информации, обрабатываемой в SKAIS. Решение задачи выполняется в три этапа:

Этап 1. Контроль работоспособности объекта с оценкой результата: «годен», «годен с ограничениями», «не годен»;

Этап 2. Установление места неисправности и поиск дефекта при отрицательном результате первого этапа;

Этап 3. Выделение области и ограничения режимов эксплуатации по состоянию и определение признаков.

Задача решается по следующему алгоритму:

Шаг 1. Определение действительной работоспособности энергетической установки;

Шаг 2. Локализация места нахождения и распознание неисправности в элементах турбоустановки.

Шаг 3. Определение области работоспособности и ограничения режимов эксплуатации по состоянию (рис. 2), и определение признаков состояния (рис. 4).

Выбор исходных параметров, для определения работоспособности объекта, сводится к нахождению состава множества параметров контроля , а для определения неисправности - множества параметров диагностики .

Таким образом, выбор используемых параметров для определения работоспособности объекта сводится к нахождению состава ранее упомянутого (рис. 3) множества параметров контроля , а для определения неисправности - множества параметров диагностики . Состояния элементов турбоустановки могут быть исправными, неисправными или находиться в промежуточном состоянии. Форма кривой состояния турбоустановки, получаемая в процессе её функционирования, будет характеристикой того, исправна машина (по элементам) или неисправна. Для классификации измеренных признаков вначале "закодируем" турбоустановку. Измеряем некоторые наблюдаемые параметры её энергетической характеристики. Выбираем значения ординат кривой (функции измерений) выходных параметров турбоустановки (или её рабочего тела), полученные в различные моменты времени и при разных режимах: мощность, расход, давление, температура и др. Полученные в эксперименте измерения образуют вектор (для одной нагрузки):

 (41)

Таким образом, характеристика турбоустановки будет описана матрицей из векторов признаков. Состояние элемента, узла или всей турбоустановки, выражается вектором в мерном пространстве, а множество, составленное из таких кривых (отрезков), образует распределение вектора в мерном пространстве состояния (здесь принято ). На рис. 6 представлен двумерный случай двух распределений, соответствующих исправному и неисправному состояниям турбоустановки, а на рис. 7 решающая функция для случая разделения образов на два класса. Если из прошлого опыта эти два распределения вектора известны, и между ними можно провести границу , разделяющую получаемое двумерное пространство на две части, то можно выделить в пространстве исправное и неисправное состояния механизма. Функцию называют дискриминантной функцией, а техническое устройство, определяющее значение функции - блоком распознавания или классификатором для распознавания образов состояний механизма в - мерном пространстве признаков.

Рис. 6. Распределение вектора для исправного и неисправного состояний турбоустановки

Рис. 7. Решающая функция для случая разделения образов на два класса

При проведении натурных экспериментов автором установлено, что в диагностируемой турбоустановке невозможно опознать каждое из бесконечного числа её возможных состояний (без большого риска для всего механизма). Поэтому отдельные состояния остаются неопределенными, нечеткими или размытыми. Все состояния разделяются на определенное число классов. Переходные состояния не учитываются как классы, но информация о них накапливается в базе данных. Для выполнения проекта классификатора получены характеристики распределения вектора для каждого класса технических состояний и определены дискриминантные функции. Задача выбора и оценки информативных признаков решается с помощью программы из SKAIS. Задача «распознавание дефектного состояния по его образу» выполнена в два этапа: выбор информативных признаков и проектирование классификатора. После выполнения набора решающих функций (линейных и нелинейных) определяются их коэффициенты. Для этого производится выборка образов. После определения коэффициентов всех решающих функций проектируется система распознавания. Диагностические признаки определяются в виде , (42) согласно алгоритму выбора (перебора и составления) признаков, построенного с использованием граф - модели (45). Здесь - неисправности, соответствующие множеству их распознающих параметров, ; - подмножество структурных параметров. Распознающими называем здесь внутренние параметры механизма, чувствительные к появлению той или иной неисправности

, (43)

где - множество вершин ориентированного графа , равное множеству информативных параметров механизма; множество дуг - множество существенных связей между параметрами. Множество складывается из подмножеств

, (44)

где - подмножество входных параметров; - подмножество характеристик агрегата (энергетических); - подмножество параметров основных (технологических) процессов; - подмножество параметров сопутствующих процессов; - подмножество структурных параметров.

Таким образом, граф - моделью объекта диагностики является конечный ориентированный граф . (45) В таком графе каждая вершина связана дугой с вершиной , если параметр отображается в параметре . Неисправностью называем существенное нарушение нормального функционирования всего механизма (или отдельных его элементов). Причиной возникновения неисправности может быть либо один серьезный дефект, либо комплекс дефектов. Дефектами считаем такие численные значения структурных параметров , которые не соответствуют установленным нормам. В результате, решение задачи сводится к отысканию оптимального набора признаков для каждого элемента диагностируемого механизма (согласно убыванию информативности).

Нечеткие множества в распознавании образов

При работе с размытыми образами определяются способы их разделения и решаются следующие задачи.

Описание нечетких образов. Информацию об образах состояния механизма (или его элементов) представляем в виде многомерных векторов , с функциями принадлежности для каждого из разделяемых образов состояния. Для этого применяем один из алгоритмов восстановления функций многих переменных по конечной выборке. При рассмотрении в пространстве описаний числа классов возможны различные попарно расположенные образы, трудность разделения которых предварительно оцениваем по максимуму показателя степени принадлежности к пересечению размытых образов

(46)

где - функции принадлежности образов и . Для уменьшения зоны неопределенности при разделении образов предложены следующие решения:

1) поиск решающего правила, которое отнесет объекты к пересекающимся множествам;

2) поиск отображения, в соответствии с которым пространство описаний размытых образов будет трансформироваться в пространство с меньшей неопределенностью.

Формирование признаков нечетких образов. Установлено, что диагностические признаки необходимо отыскивать среди различных функций пространства описаний. Но при этом требуются дополнительные характеристики в виде функций принадлежности по каждому из параметров (признаку). Получить их в явном виде на функционирующем объекте невозможно, поэтому характеристики параметров получены косвенным путем. При этом использована рекомендация Заде Л. - выполнение операции ортогонального проектирования размытых множеств на некоторую гиперплоскость. В результате получается ортогональная тень нечеткого множества, которую можно охарактеризовать функцией принадлежности. Получены описания размытых множеств через тени на подпространстве пространства описаний. При этом размытая тень есть размытое отношение, размерность которого соответствует размерности подпространства.

Определение разделяющих правил для нечетких образов. Отнесение объекта к одному из образов выполнено с помощью процедуры «голосования»: проверяется число выполнений признаков класса и класса для данного объекта и по большинству «голосов» принимается решение, но предварительно проводится оценивание признаков. Для этого используется унарная ортогональная тень, рис. 8.

Рис. 8. Унарная ортогональная тень

интеллектуальный информация диагностический турбоустановка

На контрольном объекте проверяется выполнение признаков каждого класса. Если при каком-то признаке проверяемый объект попадает в зону неопределенности, то по этому признаку фиксируется отказ. Это соответствует невыполнению порога ни по одному из образов.

Критерии оценки признаков. Каждый элемент - итого размытого отношения представляем кортежем длины , который принадлежит этому размытому отношению. Каждый кортеж есть набор элементов, порождающих множество (параметров), отображающих декартово произведение множеств в , т.е.

, (47)

где - функция (нечеткое отношение);

- отрезок вещественной прямой,

или структура. В качестве использовано множество лингвистических переменных и множество - мерных векторов. Такой подход к формализации анализа свойств функциональных зависимостей реализован с помощью математического аппарата теории отношений, кластерного анализа и методов анализа эмпирических данных.

Классификация нечетких состояний турбоустановки. Функция принадлежности охарактеризована, по Заде Л., как функция, характеризующая степень уверенности появления события при наблюдении . Функция определена для каждого и удовлетворяет условиям:

,

. (48)

В результате, в задаче классификации для двух событий и , выполненных по косвенным наблюдениям, получаем .

В четвертой главе представлены результаты использования теории нечетких множеств и нечетких логик в моделях оценивания характеристик технического обслуживания турбоэнергоустановок ТЭС.

Нечеткие модели отказов турбоустановки. Пусть задано дискретное множество состояний механизма, представительное в том смысле, что оно близко отражает возможные в будущем состояния оборудования ТЭС (например, выработка электроэнергии, вывод в ремонт, техническое перевооружение). Тогда получим решений (вариантов), характеризирующихся затратами , необходимых для реализации - го решения при - том состоянии механизма:

. (49)

В качестве варианта используем решение, для которого минимальна верхняя оценка затрат при заданной вероятности непревышения этой оценки, или решение, характеризующееся минимальными средними затратами в случаях из , или с вероятностью . Обозначим через перестановку, упорядочивающую элементы - той строки матрицы по неубыванию, т.е.

(50)

Формализуем критерии оценки качества предлагаемых решений:

, (51)

(52)

Пусть известны различные вероятности состояний механизма, а - некоторое подмножество множества состояний механизма такое, что

, (53)

где , если и - в противном случае. Представим (53) в виде:

(54)

Обозначим через множество - мерных булевых векторов, для которых выполняется (54). Тогда критерии (51) и (52) преобразуем соответственно к виду:

,

(55)

Предположим далее, что решение является комплексным, состоящим из различных частных решений из , т.е. для обеспечения предлагаемого уровня технического обслуживания будем использовать какой-то набор частных решений, обеспечивающих работоспособность механизма. Каждое из имеющихся частных решений «покрывает» некоторое множество состояний механизма, некоторую область неработоспособности так, что соответствующие затраты на его восстановление будут приемлемыми. Здесь - общее число состояний механизма; мы стремимся, согласно целевой функции, покрыть с минимальными затратами не менее состояний:

, (56)

где - требуемый (заданный) уровень надежности и обеспечения работоспособности. Если принять, что состояния механизма равновероятны, то получим модель отказов механизма:

,

(57)

Критерии (52), (53) реализованы в работе следующим образом: отбираются и рассматриваются только те решения из , каждое из которых покрывает не менее состояний механизма . При этом в качестве оценки будущих затрат, связанных с решением (где - управление), используется либо средняя, либо верхняя ( - квантильная) оценка затрат. В обоих случаях будем иметь оценки затрат при заданном (намеченном) уровне надежности и работоспособности. На основе представленных рассуждений построены топологические модели механизма, кинетики и параметров отказа. Знания о причинно-следственном формировании отказа представлены в виде функций алгебры логики и логических моделей типа продукций. Выполнены статистическое моделирование и прогнозирование отказов для турбоустановок типов Т-100-130 и К-50-90, за длительный период эксплуатации на ряде ТЭС. Обоснованы причины, положенные в основу разрабатываемой экспертной системы поддержки решений для задач диагностирования и прогнозирования технического состояния и надежности механизмов ТЭС.

Разработка алгоритма нечеткого регулятора. Здесь применен принцип неподвижной точки для проектирования нечеткого регулятора, описываемого отображением из пространства в пространство входов , т.е.

, (58)

генерирующее детерминированный сигнал управления из нечеткого выходного сигнала (о состоянии механизма). Здесь - информационное расстояние по Шеннону. Тогда нечеткая система, для которой выполняется аналог условий - Липшица П., будет иметь свойства “ -управляемости” в точке , а выходные сигналы

, (59)

является - устойчивой в точке . Это определяет существование нечеткого регулятора , который переведет выходной сигнал в - окрестность точки . Поставленное условие “ - управляемости” будет обеспечивать существование такого алгоритма управления , при котором

. (60)

Предположим далее, что нечеткий регулятор выбран таким образом, что для имеется , т.е.

. (61)

Тогда есть неподвижная точка отображения , где - композиционное правило нечеткого вывода. В результате, получим управление

. (62)

Представим неподвижную точку как точку притяжения оператора сжатия в пространстве . Принимая условие, что сама точка лежит в своей - окрестности, получим доказательство существования такого нечеткого регулятора

(63)

и необходимые условия для проектирования нечеткого регулятора. Представлен пример проектируемого нечеткого регулятора разрежения в конденсаторе для экспертной системы поддержки принятия решений управления турбоустановки.

Нечеткое управление турбоустановкой

Управляемая система (турбоэнергоустановка) представляется в виде модели

, (64)

в которую введены нечеткие параметры (например, нечеткие числа - типа, или в параметрическом виде) в параметрическое пространство агрегата . Нечеткие числа допускают более простую интерпретацию расширенных бинарных операций и могут быть заданы с помощью функции принадлежности - типа. Отображение переводит декартово произведение метрического пространства входных сигналов и параметрического пространства в пространство выходных сигналов . Нечеткое отношение для декартова произведения , определим как

, (65)

где - единичная функция, - управление, - базовое множество параметров содержательного описания механизма. Предположим при этом существование обратного отображения вида

. (66)

В результате такого представления получим - идентификацию системы.

Выполняя редуцирование параметрического пространства к метрическому пространству , идентифицируем систему практически полностью, в смысле определенных метрических пространств. В результате, используя приведенные выше понятие - окрестности и принцип неподвижной точки, осуществляем проектирование нечеткого адаптивного регулятора для нечеткой системы -турбоэнергоустановки.

Нечеткие модели идентификации состояния турбоустановки. Для заданных пространств входов и выходов функционирующего агрегата с элементами и метриками и используется модель «вход-выход» управляемой системы, описываемая отображением из в . Реальная модель управляемой системы содержит множество неопределенностей в определении параметров структуры, неточностей измерений выходного процесса , состояния механизма и т.п. Поэтому предложено учитывать подобного рода «НЕ - факторы» путем введения нечеткого отношения для выходных сигналов , которое можно интерпретировать как степень принадлежности пары сигналов отношению для неотрицательного действительного числа (критерий точности). Неравенство характеризует влияние неучтенных факторов в модели на отклонение выходных сигналов с заданной функцией принадлежности .

Прогнозирование технического состояния и отказов турбоустановки.

Прогнозирование технического состояния и отказов выполняется по:

- диагностическим параметрам, оценивающим техническое состояние механизма;

- экспериментальным данным о зависимости момента отказа от наработки.

Диагностирование и прогнозирование параметров осуществляются в работе с помощью алгоритма распознавания образов, (рис. 9).

Рис. 9. Прогнозирование параметров «методом распознавания образов»

Здесь, - «образы» параметров; - «классы» параметров; - время; MC - обозначающая выборка из статистики о работе механизма.

Разработка алгоритма состоит из двух стадий.

Первая стадия заключается в формализации эмпирического смысла процесса формирования отказа и состоит из следующих этапов:

1) синтез формализованного описания свойств процесса, который вызывает отказ или аварию;

2) формализация конечного набора свойств и параметров, обусловливающих и характеризующих тот или иной вид повреждения, отказа или разрушения, в виде функций алгебры логики.

Вторая стадия состоит из этапов формализованного описания процесса формирования отказов и отнесения их к тому или иному классу, и включает:

1) представление параметров (образов) повреждения, разрушения или отказа к тому или иному «классу», характеризующему состояние системы - идентификация;

2) сравнение выделенных параметров с соответствующими параметрами, которые будут иметь значение через определенный интервал времени - прогнозирование.

Для прогнозирования технического состояния механизма на стадии его проектирования необходимо ввести назначенные свойства и внешние воздействующие факторы. На стадии эксплуатации механизма оцениваются техническое состояние и остаточный ресурс, т.е. возможность дальнейшей эксплуатации, или введение ограничений. В результате моделирования получим параметры, характеризующие деградационные процессы, виды разрушения, отказов, аварийных ситуаций и аварий.

Оценка долговечности турбоустановки.

Под долговечностью понимается свойство объекта сохранять работоспособность до предельного состояния с учетом перерывов на техническое обслуживание и ремонт. На долговечность турбоустановок влияют различные факторы, содержащие элементы нечеткости которые невозможно определить традиционными методами анализа. Пусть - некоторые множества, а - отображение множества . Тогда, если - размытое отображение или - размытое множество, то отношение будет размытой функцией, которую обозначим в виде . Условимся далее, что если представляет мерный размытый вектор, то функция - есть мерная размытая функция (функция). Рассмотрим следующие случаи:

1) размытое отображение; - размытое множество, тогда ;

2) неразмытое отображение; - размытое множество, тогда ;

3) размытое отображение; - неразмытое множество, тогда .

Далее, пусть за интервал времени известны статистические данные, характеризующие функционирование турбоустановки, на основании которых можно приблизительно прогнозировать время вывода турбоустановки в ремонт. Назовем нормальным функционированием способность турбоустановки выполнять свои функции в пределах нормы в интервале . Это характеризуется функцией , где

,

(67)

Здесь , некоторый параметр, характеризующий состояние.

В зависимости от факторов, влияющих на состояние турбоустановки, можно построить различные функции , которые характеризуют ее нормальное функционирование. Разделим параметр на две группы: параметры ухудшающих векторов; параметры улучшающих векторов. Тогда вместо функции получим . Известно, что мерные размытые векторы, т.е.

, (68)

Пусть, далее, - функция, характеризующая нормальное функционирование агрегата при заданной норме . При значениях агрегат будет считаться выработавшим ресурс и ремонтироваться за время . Тогда

(69)

где - интервал функционирования агрегата при заданной норме; - интервал времени ремонта агрегата. Условие (69) можно представить следующим образом: после выработки ресурса элементов агрегат ремонтируется, однако функционирует уже несколько хуже. Иначе, агрегат или ремонтируется, или изношенные элементы заменяются новыми. Очевидно, что размытые функции взаимосвязаны некоторым отношением:

(70)

Необходимо найти такой интервал функционирования агрегата, что

, (71)

где - заданное время ремонта, т.е. из множества интервалов функционирования найдем такой интервал , после которого во всех случаях агрегат отремонтируется за время . Таким образом, в качестве количественного показателя долговечности технических систем принимается такое время, после которого на ремонт агрегата затрачивается время больше заданного. После этого состояние агрегата считается предельным. В результате, решение задачи сводится к следующему виду: строится функция принадлежности , где - условная функция принадлежности. Тогда решение задачи (70), (71) имеет вид

(72)

Итак, долговечность турбоагрегата будет определяться по модели

(73)

В пятой главе рассмотрены подходы к моделированию задач технического обслуживания и ремонта, учитывающие фактическое состояние теплоэнергетического оборудования и информацию, получаемую в процессе технической диагностики, а также знаний экспертов-диагностов и ремонтников.

Моделирование ресурса и надежности турбоустановки с учетом стратегии технического обслуживания.

Предельное состояние турбоустановки, ее структура и решаемые проблемные задачи - состояние, при котором ее дальнейшая эксплуатация по назначению недопустима или нецелесообразна, либо восстановление исправного или работоспособного состояния невозможно или неэффективно. В этом случае доремонтный ресурс любого узла турбоустановки определяем как оставшуюся его наработку до ремонта - . Считаем эту наработку средней от начала работы выбранного узла (после последнего ремонта), до наступления предельного состояния . Обозначим получившуюся величину(как оставшийся ресурс, в относительных единицах), т.е.

. (74)

Предположим, что предельное состояние узла совпадает с его отказом. Тогда фактический ресурс будет случайной величиной и графически его можно представить как совокупность случайных реализаций, (рис. 10). Плотность точек пересечения такой совокупности прямых с осью времени будет определяться законом распределения времени до отказа узла, рис. 10,а. С достаточной для практики точностью, закон распределения времени до отказа изнашивающегося узла может моделироваться нормальным законом

а) б)

Рис. 10, а, б. Изменения значений остаточного ресурса узла от времени эксплуатации и законы распределения времени до отказа

, (75)

а интенсивность отказа

, (76)

где - дисперсия срока работы до отказа узла.

Если нет никакой информации об этой величине, то в первом приближении можно допустить, что

. (77)

В действительности, срок работы узла до ремонта не планируется равным , а принимается с запасом (рис. 10,а), т.е.

. (78)

Это обеспечивается тем, что устанавливаются границы допустимого изменения значений тех параметров узла, которые отражают износ, сработку его ресурса (отслаивание баббита в подшипниках, износ уплотнений в проточной части турбины и др.). Если износ узла превышает заданный диапазон границ допуска, то узел (или его деталь) выводится в ремонт для восстановления ресурса узла или его замены. На рис. 11 представлено изменение вероятности отказа и интенсивность отказа узла в зависимости от назначенного срока ремонта :



Рис. 11 Рис. 12

Эта связь позволяет оценить статистически параметры законов распределения и соотношения к . Обозначим долю, составляющую с.к.о. ресурса, от его среднего значения через , т.е.

(79)

Строим зависимость от сработанного ресурса в относительных единицах, (рис. 12). Максимальные значения, видимо, следует ожидать при . Оценки сработанного ресурса можно получить путем перестроения зависимостей рис. 12 в статистически известные средние частоты отказов на межремонтном интервале , используя связь

. (80)

Если исходить из того, что узел срабатывает свой полный (средний) ресурс за ремонтный цикл агрегата, то очевидно, что на предыдущем м ремонтном цикле, если происходило восстановление ресурса узла (ремонт), то его сработанный ресурс был не менее допустимого.

Следовательно,

, и

. (81)

Здесь - длительность межремонтного цикла, - количество ремонтных циклов между двумя восстановительными ремонтами данного узла.

Последняя оценка подтверждается при условии, что от го до ремонтного цикла рассматриваемый узел не откажет. Переходя к ресурсу и его изменению для агрегата в целом, надо условиться, что под ним будем понимать. Ресурс агрегата будет зависеть, прежде всего, от ремонтных воздействий на него. Один из вариантов оценки ресурса агрегата, это построение нижней огибающей изменений ресурсов всех узлов агрегата во времени. На рис. 13 построена такая зависимость. Надежность агрегата будем определять, исходя из того, что все узлы, его составляющие, в смысле надежности соединены последовательно.

Рис. 13

Тогда интенсивность отказа агрегата будет равна

, (82)

где - межремонтный период го узла; целое число ремонтов го узла, укладывающихся на интервале времени ; - определяется по зависимостям , на основе выше рассчитанных данных и др. При первой стратегии ремонтов зависимость будет иметь вид как на рис. 14. При второй стратегии можно полагать, что и . Тогда зависимость интенсивности отказа от знака будет изменяться пилообразно около некоторого постоянного среднего значения (рис. 15).

Рис. 14

Рис. 15

Полученные модельные зависимости позволяют оценить влияние на надежность и ресурс стратегии ремонтов. Например, увеличение межремонтного периода будет приводить к увеличению частоты отказов агрегата, но к сокращению относительной длительности нахождения агрегата в плановых простоях.

Нечеткие модели принятия решений о продлении эксплуатации, выводе в ремонт или введении ограничений.

В задачах ремонта сравнение между альтернативами при выборе решения производится с учетом многих критериев. В работе реализован следующий подход к решению таких задач. Пусть - множество всех допустимых решений. Его элементы оцениваются вектором

где , (83)

который описывает эффективность альтернативы по отношению к - тому критерию. Сформулируем многокритериальную задачу принятия решения: найти при , (84)

что математически представляет собой задачу максимизации векторной функции. Для решения этой задачи в работе применен метод построения агрегированной функции полезности:

. (85)

Под полезностью здесь понимается степень удовлетворения достижения заданной стратегии управления принимающим решения, т.е. ЛПР. Представим, например, как достижимые и заслуживающие внимания цели в прогнозируемый период времени. Тогда для каждого элемента множества

(86)

достижение и недостижение целей будет в виде функций:

(87)

Принимая функцию полезности линейной (для упрощения),

(88)

представим (87) как задачу математического программирования:

(89)

Таким образом, мы построили линейную целевую функцию, опираясь на множество достижения и недостижения целей, и расширили исходное множество ограничений за счет целей, выраженных в особой форме. Однако составление надежной функции полезности на практике оказывается более сложным. Ввиду этого допустим, что частично или полностью неизвестна и, что любое хорошее решение, полученное при этом, не должно быть хуже любого другого допустимого решения. Пусть далее основой одноцелевой задачи будет целевая функция

(90)

Целевая функция позволит ЛПР ранжировать альтернативы .

Так как можно определить отношение строгого порядка на , то существуют или . Если рассматриваемая целевая функция есть векторная функция

, (91)

то мы не можем говорить о строгом порядке на . Вследствие этого будем утверждать, что две точки и сравнимы между собой только тогда, когда

. (92)

В многоцелевой задаче понятие оптимальности заменяем понятием ''недоминируемости''. В результате решение многоцелевой задачи линейного программирования будет определять множество недоминируемых альтернатив. Оптимальное решение при выборе остается за ЛПР. Для решения задачи в работе использован обобщенный вариант симплекс-метода. Нахождение множества всех недоминируемых решений будет сводить допустимое множество ко всем тем точкам, которые могут служить в качестве оптимальных решений. Например, пусть каждая отдельная составляющая (какой-либо аргумент) имеет максимум при некотором , т.е. достигает своего максимума при . Запишем это в виде:

. (93)

Тогда есть идеальная точка, т.е. вектор всех максимальных допустимых значений, достигаемых отдельными целевыми функциями на множестве . Но такое идеальное решение в общем случае невозможно. Однако, ввиду доминирующего значения этой идеальной точки, можно утверждать, что ЛПР стремится найти все же такое решение, которое находиться как можно ближе к такой идеальной точке. Это решение также относится к области нечетких множеств. В такой интерпретации эта проблема впервые представляется автором как новая парадигма плохо формализуемых задач технического обслуживания в теплоэнергетике.

В шестой главе диссертации и Приложениях 1-4 на отдельных примерах представлены результаты проектирования и внедрения экспертной диагностической системы функционально-гибридного типа с именем SKAIS.

Диагностический контроль турбоустановок ТЭС осуществляется с помощью экспертной диагностической системы функционально-гибридного типа с именем SKAIS, разработанной под руководством и участием автора. SKAIS - «Система контроля, анализа и слежения за изменением состояния турбоустановки» - представляет собой управляемый в диалоговом режиме комплекс, ориентированный на диагностирование и экспертизу энергоустановок любого типа. SKAIS позволяет на ранней стадии (с использованием экспресс-испытаний) диагностировать снижение экономичности, определять величину, причины и риск происходящих изменений, прогнозировать состояние, оценивать надежность, остаточный ресурс, долговечность и ущерб от продолжения дальнейшей эксплуатации турбоустановки. «Искусственный интеллект» комплекса (SKAIS и ПЭВМ с интерфейсом «человек-машина-объект»), на основе накопления опыта и самообучения (с использованием продукционной базы знаний SKAIS и экспертной системы CLIPS), обеспечивают реализацию диагностического контроля состояния, обнаружение, распознавание и анализ предаварийных и аварийных ситуаций в турбоустановках.

Система SKAIS осуществляет принятие решений на выходе из создавшейся конфликтной ситуации (вывод в ремонт или введение ограничения) с представлением подготовленных в базе знаний рекомендаций (в виде готовых продукций) оперативному и ремонтному персоналу ТЭС. Для этого создается база данных и знаний (БД и З) обо всех вынужденных остановах и дефектах оборудования, отклонениях от правил его нормальной эксплуатации.

Опытный вариант такой БД и З (рис. 16) прошел апробацию на турбоустановках с турбинами типов К-50-90 ЛМЗ и Т-100/120-130 ТМЗ. SKAIS создается применительно для блочных, или общестанционных ИВК и АСУ ТП ТЭС, и является весьма перспективной экспертной диагностической системой, благодаря своей многозадачности и многорежимности. Представлена модульная схема решаемых задач. Архитектура базы данных SKAIS отражает структуру данных о состоянии технологического оборудования ТЭС с турбоустановками любого типа сложности, а также имена записей, имена и форматы полей. Для работы с данными разработан индивидуальный язык описания данных и язык манипулирования данными. Запросы к данным из БД выражаются в прикладных программах (ПП) пользователей с помощью языков и терминов принятой модели данных (т. е. прикладная программа работает только с записями модели).

Записи модели создаются системой на момент, когда они затребованы прикладной программой (при чтении данных из БД) либо формируются в ПП, а затем данные из этих записей переносятся в БД в хранимые записи (при вводе данных в базу). Для образования записей модели система управления БД (СУБД) располагает информацией о том, как записи, их поля строятся из хранимых в физической базе данных записей и полей (и, аналогично, обратные преобразования при вводе данных в БД). Эта информация задана в архитектуре БД в виде специального отображения (преобразования) данных из физической базы данных в данные для принятой модели (т.е. СУБД решает задачу реализации отображения прямого и обратного между моделью и физической базой данных).

В описании отображения, кроме указания соответствий между полями записей модели и полями хранимых данных записей, указываются все необходимые сведения о хранимых данных: в каком коде они представлены, как упорядочены, какие существуют индексы, где расположены те или иные данные, с какими данными они связаны, какие методы доступа необходимо использовать для манипулирования хранимыми данными и т. д. Часть задачи обработки данных возлагается на операционную систему ПЭВМ IBM РС/АТ. Создана единая информационная база, включающая постоянную и оперативную информацию и объединяющая программы диалоговой среды комплекса. Диалоговая среда комплекса SKAIS реализуется в виде exe-файла и библиотеки функций, подключаемых из программ на языках MS C - 5.0 и MS FORTRAN - 5.0 и выше. Программы вычислительного комплекса (ВК) реализуются на языке MS C (версия 5.0 и выше). Для стыковки расчетных программ, входящих в комплекс SKAIS, используются оверлейные программы и bat-файлы. Разработанные программы ВК ориентированы на использование стандартных средств защиты от компьютерной памяти под диалоговую среду не более 35 Кбайт. Возможна переустановка основных характеристик размерности ОЗУ - резидентных меню и текстовых файлов.

20

Размещено на http://www.Allbest.ru/

20

Размещено на http://www.Allbest.ru/

Рис. 16

Функционируют следующие режимы работы комплекса, рис. 16:

1) обработки и интеллектуального анализа исходных данных и данных экспресс-испытаний и диагностики оборудования турбоустановок с определением неопределенности исходной информации;

2) диагностирования причин снижения экономичности агрегата, распознавания дефектных состояний, отказов и неисправностей оборудования при различных режимах работы в целом и по отдельным узлам, с учетом нечеткой исходной информации;

3) принятия решений на ремонт, определения области устойчивости и допустимости режимов работы турбоустановки;

4) оценки и прогнозирования технического состояния, работоспособности, готовности, остаточного ресурса и долговечности оборудования;

5) оценки риска эксплуатации при данном состоянии оборудования;

6) накопления и использование четких и размытых знаний о состоянии и отказах оборудования (в виде продукционных и управляющих правил) в БД и З.

Подготовлено и отлажено более 100 ПП для исследовательского варианта SKAIS.

Архитектура SKAIS. Ядром информационной системы для SKAIS являются данные, организованные определенным образом с целью адекватного отображения непрерывно изменяющегося фактического состояния турбоустановки и эффективного удовлетворения информационных нужд пользователей системы. Для этого использована методология интерактивной среды CLIPS - ее экспертной оболочки, со своим способом представления знаний, языка и вспомогательными инструментами.

Архитектура базы данных. Для обеспечения независимости прикладных программ (ПП) от данных вводится модель данных, которая отражает для пользователей информационное содержание БД, но подробности организации физического хранения данных в ней отсутствуют. Модель имеет свою схему, в которой отражена структура ее данных, имена записей, имена и форматы полей.

Для работы с данными разработан язык описания данных (ЯОД) и язык манипулирования данными (ЯМД). Запросы к данным из БД выражаются в прикладных программах пользователей с помощью этих языков и терминов принятой модели данных (МД), т.е. прикладная программа работает только с записями модели. Записи модели создаются системой на момент, когда они затребованы ПП (при чтении из БД) либо формируются в ПП, а затем данные из этих записей переносятся в БД в хранимые записи (при вводе в базу). В результате, получена трехуровневая архитектура банка данных. Этим объясняется поэтапность ввода в эксплуатацию такой сложной системы, как БД SKAIS.

Интеллектуальная база знаний SKAIS. При разработке интеллектуальной базы знаний (ИБЗ SKAIS) автором было подготовлено инструментальное средство, применяемое при идентификации и диагностике технического состояния оборудования турбоэнергоустановок ТЭС. Инструментальное средство способствовало созданию программно-диагностического комплекса SKAIS, используемого при диагностике причин изменения технического состояния и вызываемых этим изменением отказов и аварий в турбоэнергоустановках.

Инструментальное средство включает интегрированные и формализованные (в виде управляющих и продукционных правил) знания экспертов-технологов, обслуживающих энергетическое оборудование ТЭС, эмпирические знания из различных предметных областей связанных с теплоэнергетикой и используемых для оценивания технического состояния, определения причин отказов и аварий при эксплуатации, техническом обслуживании и ремонте. Интеллектуальная (интегрированная) диагностическая система SKAIS, разрабатываемая с помощью инструментального средства определения причин отказов и аварий, и распознавания дефектов, обладает следующими функциями:

1) описание предотказового состояния (инцидента или аварии) по имеющейся информации;

2) выявление причинно-следственного комплекса факторов, вызвавших инцидент или аварию;

3) обоснование и рекомендация необходимых мероприятий по предотвращению повторных инцидентов и аварий; по восстановлению объекта (системы);

4) идентификация и интерпретация инцидента или аварии, запоминание его в ИБЗ;

5) прогнозирование инцидентов и аварий с более высоким уровнем последействий;

6) генерация стандартной, краткой и полной отчетной информации об инциденте или аварии.

Ядром интеллектуальной системы, обеспечивающим решение задач исследования технического состояния турбоустановок и определения причин отказов и аварий, является гибридная экспертная система. Гибридность экспертной системы характеризуется наличием в ее составе двух модулей: первый - обеспечивает поддержку принятия решений на основании прецедентов в группе функциональных структурно-связанных элементов конкретной турбоустановки, второй - на основании причинно-следственного комплекса возникновения отказов и аварий (матрицы действий). Второй Модуль, обеспечивает решение задачи идентификации на основании прецедентов, используя накопленные в базе опыт и знания (аналогии, т.е. принятые ранее решения) и реализуется в соответствии с методологией рассуждения на основе прецедентов.

В результате, процесс решения задачи представляет собой последовательность этапов поиска (выбора) аналогов и повторного использования информации, содержащейся в выбранных аналогах. При этом требуемые теоретические знания концентрируются в пределах прецедентов. Таким образом, каждый прецедент - это интегрированная (систематизированная и классифицированная) информация о причинах конкретного повреждения, отказа или разрушения узла или агрегата турбоустановки. Модуль, обеспечивающий решение задачи идентификации на основе модели, представляет собой продукционную экспертную систему, состоящую из продукционной базы знаний и интерпретатора .

Продукционная система SKAIS. Знания, используемые в системе SKAIS, представляются в виде правил и продукций. Модель знаний, использующая продукции, является продукционной моделью знаний, в которой знания представляются совокупностью правил вида «ЕСЛИ…, ТО…, ИНАЧЕ…, ИЛИ…, И…», или «УСЛОВИЕ - ДЕЙСТВИЕ». Условие (или антецедент, или посылка правил) состоит из одного или нескольких предложений, соединенных логическими связками И, ИЛИ, образуя выдаваемое правилом решение, либо указывают на действие, подлежащее выполнению. Действие (или консенквент, или заключение) состоит из одного или нескольких предложений, и образует выдаваемое правилом решение, либо указывает на действие, подлежащее выполнению. Для представляемого варианта SKAIS подготовлено 400 управляющих правил и соответствующие диагнозам рекомендации по устранению неполадок.

Программы комплекса SKAIS. Программный комплекс SKAIS предназначен для решения технологических и интеллектуальных задач повышения эффективности турбоэнергоустановок ТЭС (или ТЭЦ) любой схемой сложности. Представлены структурная схема программного комплекса и принципиальная модульно - структурная схема ВК для SKAIS ТЭС с теплофикационными установками.

Разработанное математическое и программное обеспечение построено с применением методологии и методов теории искусственного интеллекта, системного анализа и теории исследования операций, может стать базой при разработке нового поколения гибридных систем диагностики для теплоэнергетики.

В приложении диссертации (Приложения 1-4) представлены примеры результатов и Акты использования в практике проектирования и эксплуатации экспертной системы технической диагностики в теплоэнергетике, для обнаружения, распознавания и анализа неисправностей в оборудовании и узлах турбоэнергоустановок, а также разработанного математического и программного обеспечения SKAIS.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

В диссертационной работе выполнена разработка методологии и средств реализации интеллектуальных экспертных диагностических систем распознавания состояния сложных теплоэнергетических установок, с использованием четкой и нечеткой информации и знаний, повышения качества диагностики и идентификации состояния в процессах управления, эксплуатации и технического обслуживания. Выполнена разработка математических моделей диагностики технического состояния турбоустановок электростанций. Впервые разработаны методологические основы и принципы нового для турбоэнергоустановок научного направления - средства реализации интеллектуальных систем для контроля и анализа функционирования турбоустановок с использованием экспертной, стохастической, четкой и нечеткой информации.

Основные научные результаты состоят в следующем:

1. Разработаны методологические основы и принципы нового для турбоэнергоустановок научного направления - интеллектуальные системы контроля и анализа функционирования турбоустановок на основе повышения качества диагностики и идентификации технического состояния в процессах эксплуатации с использованием экспертной, стохастической, четкой и нечеткой информации.

2. Сконструированы информационные модели эксплуатационного и технического состояния турбоустановки для создания новой концепции “мягкого регулирования” технического обслуживания турбоустановок с учетом времени жизни в эксплуатации и отработке, и нечеткой информации.

3. Разработаны комплексная модель и алгоритм распознавания дефектных состояний турбоустановок с использованием нечеткой информации.

4. Созданы модель и алгоритм интеллектуальной поддержки принятия решений при оперативном управлении нестационарными режимами турбоустановок с использованием нечеткой информации.

5. Разработаны модели технического обслуживания состояния турбоустановки, включая модели ресурса, надежности и долговечности турбоустановки с использованием нечеткой информации.

6. Разработаны алгоритм и управляющие правила нечеткого регулятора разрежения в конденсаторе турбоустановки.

7. Разработан и апробирован интеллектуальный программно-вычислительный диагностический комплекс («система контроля, анализа и слежения за изменением состояния турбоустановки») для турбоэнергоустановок ТЭС (исследовательский вариант).

Использование разработанной методологии интеллектуального управления, основанной на нечеткие модели идентификации технического состояния и технической диагностики механизмов ТЭС, способствует увеличению срока службы оборудования, повышению его эффективности, надежности и готовности выполнять необходимый режим нагрузки, выработке на основе этого дополнительных электро - и теплоэнергии, и позволяют получить существенный народнохозяйственный эффект.

Принятие эффективных решений и подготовленных рекомендаций для обслуживающего персонала ТЭС, при эксплуатации энергетических установок с помощью системы поддержки и мониторинга состояния в экспертном диагностическом комплексе SKAIS, обеспечивают продление срока службы и дополнительное производство электро - и теплоэнергии необходимого качества и количества. Это осуществляется за счет поддержки работоспособности, своевременного обнаружения неисправностей и предупреждения отказов.

Полученные результаты могут эффективно использоваться при решении важных задач: технико-экономического анализа, нормирования, оптимизации, управления режимами и распределения нагрузки между агрегатами ТЭС, с учетом фактического состояния и ресурса энергоустановок. Особенно эффективно применение разработанных, в виде управляющих правил и рекомендаций обслуживающему персоналу: для принятия решений при выводе в ремонт или модернизацию; определения оптимального межремонтного периода; развития и прогнозирования работоспособности на перспективу с определением оценки долговечности основных узлов; техническом перевооружении, а также проектировании новых, модернизации, или замене отработавших ресурс элементов и узлов энергоустановок. Полученные средства интеллектуальной системы контроля и анализа функционирования для турбоустановок могут быть использованы и в других непрерывных производствах с идентичной технологией.

Основные теоретические результаты проверены на основе вычислительных и натурных экспериментов, подтверждающие их достоверность. Часть результатов передана в опытное внедрение на реальных объектах. Разработанные на основе теории искусственного интеллекта, системного анализа и методологии исследования операций модели и методы технической диагностики механизмов ТЭС доведены до алгоритмической и программной реализации на ряде электростанций. Представляется, что совместно с уже внедренными подсистемами диагностики энергоустановок, они могут явиться интеллектуальной базой для создания нового поколения распределенных гибридных подсистем диагностики в теплоэнергетике.

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Г.Д. Крохин. Программа решения проблемы диагностики энергетического оборудования. // «Материалы межвузовского научного семинара по проблемам теплоэнергетики». - Саратов, СГТУ, 1996. - С. 21-25.

2. Г.Д. Крохин, В.З. Манусов. Применение нечетких моделей при диагностике состояния энергетических установок. // Труды третьей международной научно-технической конференции «Актуальные проблемы электронного приборостроения» АПЭП -96, в 11-ти томах. - Новосибирск, НГТУ, 1996. Т.5. - С. 41-43.

3. Г.Д. Крохин, М.Я. Супруненко. Диагностика состояния энергоустановок ТЭС (постановка экспериментов). // Труды третьей международной научно-технической конференции «Актуальные проблемы электронного приборостроения» АПЭП -96, в 11-ти томах. - Новосибирск, НГТУ, 1996. Т.5. - С. 105-111.

4. Г.Д. Крохин, В.З. Манусов. Измерение характеристик и анализ информации при функциональной диагностике энергоустановок электростанций. // Труды международной научно-технической конференции «Научные основы высоких технологий» в 6-ти томах. - Новосибирск, НГТУ, 1997. Т.2. - С. 118-122.

5. Г.Д. Крохин, В.З. Манусов. Нечеткие модели функциональной диагностики энергоустановок электростанций.// Научный вестник НГТУ, №3. - Новосибирск, НГТУ, 1997. - С.161-168.

6. Г.Д. Крохин, В.З. Манусов. Нечеткие модели технической диагностики энергоустановок тепловых электростанций. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научных трудов, вып.2. - Новосибирск, НГТУ, 1998. - С.129-138.

7. Г.Д. Крохин, В.З. Манусов. Исследования процессов представления и использования нечетких знаний для математических моделей диагностики энергоустановок электростанций. // Третий международный сибирский конгресс по прикладной и индустриальной математике (ИНПРИМ -98). Тезисы докладов, часть III. - Новосибирск, Ин-т математики СО РАН, 1998. - С. 63-64.

8. Г.Д. Крохин, В.З. Манусов. Нечеткие модели технической диагностики энергоустановок тепловых электростанций. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научных трудов, вып.2. - Новосибирск, НГТУ, 1998. - С.129-138.

9. Г.Д. Крохин, В.З. Манусов. Диагностика состояния турбинных установок тепловых электростанций с использованием теории нечетких множеств. // Труды IV международной конференции «Актуальные проблемы электронного приборостроения» АПЭП -98, в 16-ти томах. - Новосибирск, НГТУ, 1998. т.11. - С.48-49.

10. Prof. Dr.-Ing. V. Manusov, Dr. G. Krokhin. STU Novosibirsk / Ruland. The Diagnosis of Thermal Power Station Turbine Plants States with Application of Fuzzy sets Theory. // XXX Kraftwekstechnisches Kolloquium. ( Turbomaschinen fьr Kraftwerke. Entwicklungsprobleme, Auslegung, Konstruktion und Betriebserfahrungen). - Technische Universitдt, Dresden, Deutschland, 1998. - PA6.

11. Г.Д. Крохин, А.Р. Ходжаян, В.В. Конев, С.П. Бойкин. Мониторинговая система поддержки технического обслуживания ТЭС. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научных трудов, вып.3. - Новосибирск, НГТУ, 1999. - С. 225-235.

...