Технология испытаний и прогнозирования технического состояния электронных средств судовых систем управления

Размещено на http://allbest.ru

Размещено на http://allbest.ru

На правах рукописи

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

доктора технических наук

Технология испытаний и прогнозирования технического состояния электронных средств судовых систем управления

Специальность:05.13.06 - «Автоматизация и управление технологическими процессами и производствами (технические системы)»

Голоскоков Константин Петрович

Санкт - Петербург

2009

Работа выполнена в Санкт-Петербургском государственном инженерно-экономическом университете

Научный консультант:доктор технических наук, профессор

Францев Роберт Эдуардович

Официальные оппоненты:

доктор технических наук, профессор Варжапетян Артемий Георгиевич

доктор технических наук, профессор Арефьев Игорь Борисович

доктор технических наук, профессор Мясников Юрий Николаевич

Ведущее предприятие: ОАО Холдинговая компания «Ленинец»

Защита состоится 29 октября 2009г. в14 часов на заседании диссертационного совета Д223.009.03 при Санкт-Петербургском государственном университете водных коммуникаций по адресу: 198035, Санкт-Петербург, ул. Двинская, д.5/7.,ауд. 235.

С диссертацией можно ознакомиться в библиотеке Университета.

Автореферат разослан « » _____________2009 г.

Ученый секретарь диссертационного совета

кандидат технических наук, доцент Барщевский Е.Г.

Общая характеристика работы

Актуальность проблемы. В последнее время судовые электронные системы и средства управления ими достигли значительной сложности. Высокие требования к качеству и эффективности электроники, определяемые стандартами: ГОСТ 27.003-90 - «Надежность в технике. Состав и общие правила задания требований по надежности»; ГОСТ 27.005-97- «Надежность в технике. Модели отказов»; ГОСТ 27.002-89 - «Надежность в технике. Основные понятия. Термины и определения», повлекли за собой разработку методов проверки и испытаний технического состояния, а также восстановления исправности, работоспособности и правильности функционирования как систем в целом, так и отдельных их компонент.

Определение технического состояния судовой электронной техники и характера его изменения с течением времени является основной задачей в управлении качеством продукции.

Повышение требования к изделиям электроники по стойкости к воздействиям внешних факторов, безотказности, долговечности и другим параметрам качества привело к увеличению трудоемкости испытаний и прогнозированию. Только на долю приемосдаточных испытаний долговечности приходится около 10% трудоемкости изготовления изделий электроники. Опыт показывает, что объем испытаний за пять лет возрастает в среднем в два - три раза. Таким образом, назрела необходимость в автоматизации испытаний и прогнозирования технического состояния.

Автоматизация испытаний дает возможность совместно с прогнозированием:

- повысить техническую эффективность разработок объектов испытаний и уменьшить затраты на их разработку;

- сократить сроки испытаний образцов новой техники;

- повысить оперативность в получении, обработке и использовании информации о качестве изделий электронной техники.

Являясь составной частью автоматизированной системы управления качеством продукции АСУК, автоматизация прогнозирования также как и автоматизация испытаний может рассматриваться как система, выполняющая информационную функцию - обеспечение объективной и достоверной информацией о техническом состоянии судовых электронных изделий, т.е. о качестве изделий электронной техники.

Известно, что изделия, комплектующие электронную аппаратуру на различных этапах их освоения, характеризуются различными показателями надежности. Основные изменения интенсивности отказов происходят в период освоения изделий в опытном производстве. Поэтому возникает проблема раннего выявления и использования резервов качества электронной аппаратуры.

В связи с этим очевидно, что в рамках автоматизированной системы прогнозирования необходимо разработать метод прогнозирования позволяющий ускорить испытания электронной техники. При этом возникает необходимость в разработке теоретических аспектов методов прогнозирования технического состояния изделий судовой электронной техники, а также адаптация их к системе испытаний и прогнозирования. Повышение качества судовой электронной техники является одной из узловых проблем дальнейшего совершенствования продукции.

Цель работы и задачи исследования. Цель работы повышение достоверности принятия решений при испытаниях и прогнозировании технического состояния средств электронной техники в судовых автоматизированных системах управления.

Для достижения поставленной цели в работе решены следующие основные задачи:

Разработка методологических аспектов формирования системы испытаний и прогнозирования технического состояния электронных средств судовых АСУ.

Классификация способов и методов распознавания технического состояния электронных средств судовых АСУ.

Разработка метода прогнозирования технического состояния, электронных средств систем управления судовыми комплексами, с использованием искусственных нейронных сетей и теории математического программирования.

Разработка метода формирования информационного обеспечения испытаний и прогнозирования электронных средств автоматизации управления судовыми техническими комплексами.

Разработка комплекса математических моделей динамики изменения технического состояния электронных средств АСУ на базе методов динамического программирования для судовых средств радиоэлектроники.

Объектом исследования является типовой комплекс электронных средств, реализующих функционирование судовых автоматизированных систем управления.

Предметом исследования являются алгоритмы, методы и программное обеспечение технологических процессов управления судовыми комплексами при описании и прогнозировании их технического состояния.

Методы исследования. Методологической и общетеоретической основой исследования являлись методы системного анализа, математического моделирования и программирования, теория интеллектуальных информационных систем, методы планирования эксперимента, теория надежности, математическая статистика, теория распознавания образов, и другие.

Научная новизна результатов, полученных в работе и выносимых на защиту:

o Разработаны методологические аспекты формирования системы испытаний и прогнозирования технического состояния электронных средств судовых АСУ.

o Классифицированы способы и методы распознавания технического состояния электронных средств судовых АСУ.

o Разработан метод прогнозирования технического состояния электронных средств систем управления судовыми комплексами, с использованием искусственных нейронных сетей и теории математического программирования.

o Разработан метод формирования информационного обеспечения испытаний и прогнозирования электронных средств автоматизации управления судовыми техническими комплексами.

Ш Обоснован комплекс информативных параметров.

Ш Разработаны методики распознавания образов неисправностей (отличие параметров электронных средств управления от требуемых значений).

Ш Сформированы способы принятия решений по восстановлению работоспособности, долговечности, и сохраняемости электронных изделий.

o Разработан комплекс математических моделей динамики изменения технического состояния электронных средств АСУ с применением методов динамического программирования для судовых средств радиоэлектроники при оценке их возможного срока службы.

o Организован вычислительный эксперимент по оценке эффективности и работоспособности предлагаемой технологии испытаний и прогнозирования технического состояния судовых электронных средств в автоматизированной системе управления судном.

Практическая ценность работы заключается в создании: совокупности методов, алгоритмов и методик, обеспечивающих решение задач автоматизации испытаний и прогнозирования технического состояния электронных средств системах управления.

Реализация результатов работы. Результаты диссертационной работы нашли практическое применение: в создании приборов для измерения вертикального профиля ветра в НПП «Лазерные системы»; при проектировании и запуске в производство современных средств железнодорожной автоматики и телемеханики - систем микропроцессорной централизации стрелок и сигналов, а также совмещенных питающих установок для устройств в ОАО «Радиоавионика.

Материалы диссертационного исследования реализованы также при оценке технического состояния приборов учета в ОАО «Ленпромгаз».

Кроме того, результаты диссертационной работы использованы в СПГИЭУ при формировании рабочих программ, курса лекций, сборника заданий для практических работ, методических указаний к курсовым работам, учебных пособий по дисциплинам «Надежность информационных систем» и «Информационные технологии» для подготовки инженеров по специальности 230201 «Информационные системы и технологии».

Апробация работы. Основные положения работы по мере её выполнения представлялись на Всесоюзных и Международных конференциях, симпозиумах, в том числе:

на всесоюзном научно-техническом симпозиуме «Надежность и качество в приборостроении и радиоэлектронике», г.Ереван, 1986г.;

II всесоюзной научно-технической конференции «Моделирование отказов и имитация на ЭВМ статистических испытаний изделий электронной техники» г. Суздаль 1985г.;

I и II научно - практических конференциях «Современные методы прикладной информатики» 2005, 2006 гг., г.Санкт-Петербург;

5-й международной конференции «Авиация и космонавтика-2006» 2006г., г. Москва;

6-й международной конференции «Авиация и космонавтика-2007», 2007г., г. Москва;

Международной научно-практической конференции «Инновационные процессы в экономике региона» 2008г., г. Вологда.

Публикации. Основные положения диссертационной работы опубликованы в 44-х научно - технических изданиях, в том числе, в 2-х монографиях, 12-ти статьях в журналах, рекомендованных ВАК для докторантов, в 19-и статьях (кроме «ваковских»), в 1 учебном пособии и 10-ти докладах (труды Всесоюзных, Международных и отраслевых научно - технических и научно- методических конференций).

Структура и объём работы. Диссертация представлена в форме рукописи, состоящей из введения, шести глав и заключения. Общий объём работы составляет 314 страниц, в т.ч. рисунки, таблицы и список используемых источников из 249 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В 1-й главе рассмотрены основные виды испытаний технического состояния средств судовой электронной техники.

Поставлены вопросы о необходимости определения места системы испытаний и прогнозирования и необходимости выявления специфических особенностей и проблем, возникающих при их создании.

Показано, что необходимость большого объема испытаний в процессе производства, в том числе испытаний на надежность, вызвана тем, что производственно-технологические операции все еще не поддаются строгому управлению. Физико-химические свойства материалов, качество поверхностного слоя, свойства внутренних областей, точность геометрических размеров, прочность соединений и другие характеристики, определяющие надежность изделия, получаются различными при одних и тех же условиях, предписанных технологической документацией. Поэтому необходим контроль, проверка и испытания на отдельных этапах производства готовых изделий.

Исследования Гаскарова Д.В., Горлова М.А., Стрельникова М.П., Лидского Э.А., Алексаняна И.Т., А.Г. Варжапетяна и других авторов создают необходимые предпосылки для успешного решения этих проблем.

Усиление контроля качества в значительной степени связано с ориентацией производства на конкретного потребителя.

ГОСТ 27.003-90 Надежность в технике. Состав и общие правила задания требований по надежности - является основным стандартом для изделий электронной техники.

Испытания - одна из наиболее трудоемких и дорогостоящих процедур программ обеспечения надежности РЭА. В комплекс государственных военных стандартов "Мороз-6" (введен в действие с 01.01.99 г.) включены пять категорий контрольных испытаний (предварительные и государственные - для опытных образцов; периодические, приемосдаточные и типовые - для серийной продукции) и несколько десятков видов испытаний, в том числе 23 - на устойчивость к воздействию климатических и 18 - механических факторов, а также испытания на надежность - безотказность, долговечность и сохраняемость, испытания на устойчивость к биологическим и специальным средам, к воздействию ионизирующих и электромагнитных излучений и испытания на безопасность. При этом для обеспечения требуемого уровня надежности режимы достоверных испытаний должны быть, с одной стороны, адекватны эксплуатационным, а с другой - за сравнительно короткое время подтверждать возможность выполнения заданных требований в течение всего установленного срока эксплуатации. автоматизированный судовый аппаратура качество

Оценку современного состояния нормативно-методического обеспечения системы испытаний на надежность и устойчивость к воздействию внешних факторов можно провести на основе анализа перспективных требований к испытаниям и методов испытаний РЭА на воздействие климатических и механических факторов, регламентированных комплексом государственных военных стандартов (КС) "Мороз-6".

КС "Мороз-6" выдвинул новые требования к проведению контрольных испытаний, в частности на комплексное воздействие внешних факторов (температуры, влажности, вибрации), на воздействие широкополосной случайной вибрации, на прочность при воздействии акустического шума, а также повышенные требования к точности задания и поддержания режимов воздействия температуры, вибрации и др.

Важнейшими факторами, обеспечивающими снижение сроков и затрат на проектирование и отработку нового изделия на надежность, являются стандартизация и унификация продукции

Стандартизация в области надежности носит комплексный характер и взаимоувязана со стандартизацией в областях безопасности, живучести, технической диагностики, применения статистических методов и т.д. Одновременно она должна рассматриваться как составная часть общей проблематики стандартизации качества.

Концепция всеобщего менеджмента качества требует нового подхода к разработке продукции, основанного на непрерывном улучшении качества, что, прежде всего, определяется отсутствием дефектов изделия при его эксплуатации. Если в первой половине XX в. проверка изделия на надежность производилась, как правило, на этапе изготовления опытного образца, то во второй половине века большое внимание стали уделять проверке на надежность на стадии разработки конструкторской и технологической документации -- проектировании.

Наибольшее распространение в практике ведущих зарубежных и отечественных предприятий получили следующие современные методы обеспечения качества на стадии проектирования:

функционально-стоимостный анализ (ФСА);

функционально-физический анализ (ФФА);

анализ видов, последствий и критичности отказов (FMEA);

структурирование функции качества (QFD);

метод «Шесть сигм».

Начальным уровням качества Сигма соответствуют сотни и десятки дефектов на тысячу, более высоким, пятому и шестому - десятки и единицы на миллион. Цель «6 Сигма» - увеличить качество и уменьшить количество дефектов. Таким образом, достигается снижение расходов (меньше гарантийных претензий по качеству), экономится время и упрочняется позиция компании на рынке.

Задачи, решаемые в данной диссертационной работе относятся к одной из последовательностей «6-ти Сигм», применяющейся для улучшения существующего процесса (рис.1.), DMAIC: Define, Measure, Analyze, Improve, Control. Процесс применения последовательности DMAIC состоит в выполнении комплекса мер, назначенного для каждого из 5-ти этапов, по начальным буквам названия.

Рис.1. Обзор процессов 6-сигма.

Использование ERP-системы также направлено на оптимизацию организации производства и управления предприятием, то есть на улучшение бизнес-процессов предприятия BPI (Business Process Imrovement). Концепция в BPI констатирует, что достичь совершенства невозможно, но к нему нужно все время приближаться. BPI определяет уровни совершенства, или иначе уровни непрерывного улучшения бизнес- процессов предприятия (рис. 2).

Динамик-Хаос - дисбаланс коммерческих, производственных и финансовых целей. Хаос характеризуется отсутствием системного взгляда, предприятие рассматривается как совокупность отдельных элементов;

Контроль - балансировка коммерческих, производственных и финансовых целей предприятия. Данный уровень подразумевает «налаженный» учет и контроль основных мероприятий на предприятии;

Оптимизация - оптимизация (упрощение) основных бизнес-процессов на предприятии, что ведет к снижению издержек;

Адаптация - адаптивность бизнес-процессов к условиям внешней среды;

Мировой класс - возможность предприятия формировать рынок.

Каждый BPI уровень можно охарактеризовать с точки зрения качества Готовой Продукции (ГП) и критериев управляемости процессов (то есть оценки бизнес - процессов на полноту и точность).

Рис. 2. Уровни непрерывного улучшения бизнес- процессов предприятия.

FMEA - Failure Mode and Effects Analysis - систематический метод профилактики дефектов применяют на ранних стадиях планирования и создания, как продукции, так и производственных процессов. Это один из наиболее эффективных методов аналитической оценки результатов конструкторской деятельности, процессов (в том числе и испытаний) на таких важнейших стадиях жизненного цикла продукции, как ее создание и подготовка к производству.

Прогнозирование дефектов и предупреждение их появления на этапе создания новой техники на основе теории проб и ошибок является важной задачей этого метода. Этот метод нацелен на внедрение качества в продукцию, поэтому он должен применяться как можно раньше, по крайней мер, до начала производства.

Этот метод сначала применяется в основном при конструировании и создании процессов во всех технических сферах. Этот метод определяет технический уровень продукции с точки зрения предотвращения ошибок, то есть выявления потенциальных ошибок и оценки тяжести последствий для заказчика (внешней стороны), а также устранения ошибок или уменьшение степени их влияния на качество. Анализ основан на теоретических знаниях и информации о прошлом опыте.

В процессе разработки, производства и эксплуатации проводятся разнообразные испытания для оценки и обеспечения надежности. Контролирующими испытаниями на надежность по литературным источникам называют следующие два вида испытаний:

1. Испытания и проверки, служащие средством контроля над факторами, влияющими на надежность изделий. В результате таких испытаний устанавливается, например, что нагрузка на элементы изделия не превышает допустимую или, что при работе изделия не возникает резонансных колебаний, помехозащищенность достаточно эффективна, качество присоединения навесных элементов не ниже требуемых норм и т. д.

Если можно было бы контролировать все действующие на надежность факторы и не только каждый из них в отдельности, но и совместное влияние их, то отпала бы необходимость во всех других испытаниях на надежность. Однако, к сожалению, это сделать практически невозможно. Поэтому, наряду с указанным видом контролирующих испытаний необходим и другой вид испытаний.

2. Испытания, в результате которых с определенной доверительной вероятностью устанавливается, что изделия по уровню своей надежности относятся к определенной группе изделий или, что надежность их не ниже некоторого уровня.

В дальнейшем под контролирующими испытаниями на надежность будем понимать именно этот вид испытаний, так как первый хотя и имеет непосредственное отношение к контролю надежности, но сливается (совпадает) с конструкторскими и техническими проверками, выделяемыми обычно в особую группу.

Контролирующие испытания в общей системе испытаний занимают важное место. Они играют роль своеобразного фильтра на пути движения изделий от изготовителя к потребителю. Не отвечая непосредственно на вопрос о том, какова надежность испытуемых изделий, они обеспечивают выполнение условия: если надежность изделия ниже некоторого уровня, то оно будет забраковано с определенной вероятностью.

Все виды контролирующих испытаний по существу своему являются прогнозирующими. При проведении их используют аппарат теории прогнозирования, а именно:

-- предварительно изучают закономерности отказов контролируемого объекта и определяют наиболее подходящий вид функции распределения отказов. Затем устанавливают такие контрольные значения параметров, которые позволяют предполагать (прогнозировать), что изделия, прошедшие контроль, относятся к той или другой группе с определенной, заранее установленной вероятностью.

Выявлены проблемы прогнозирования долговечности по результатам ускоренных испытаний, интенсивность отказов FIT.

Зависимость интенсивности отказов от времени работы ИС имеет вид кривой), которая характеризуется тремя периодами: периодом приработки, в котором интенсивность отказов вначале велика, а затем быстро падает; периодом нормальной работы, то есть основной, в котором значение интенсивности отказов постоянно, и периодом старения (примерно через 25-30 лет нормальной работы), в котором интенсивность отказов начинает вначале медленно, а затем более быстро возрастать.

Ранние отказы возникают, как правило, вследствие конструктивных и технологических недостатков. В нормальных условиях работы этот период длится до 1000 ч. На окончание этого этапа указывает выравнивание кривой интенсивности отказов. Интенсивность отказов в период приработки имеет тенденцию к уменьшению по мере усовершенствования конструкции и технологии.

Для периода нормальной работы в отечественной практике установлено, что интенсивность отказов для ИС высокой надёжности характеризуется величиной от 10-6 до 10-9 1/ч. и сверхвысокой надёжностью от 10-9 1/ч. и ниже.

В зарубежной практике за основной показатель надёжности применяется среднее время наработки на отказ: MTTF = 109/FIT, 1 FIT = 1 отказ / (109 приборо-часов), то есть 1 отказ на 109 ИС.

Выявлено, что одной из важнейших задач совершенствования производственного процесса является внедрение таких систем автоматизированного и автоматического управления технологическими процессами, которые устраняли бы их случайный характер. Тогда роль и значение испытаний готовых изделий будет снижаться.

Известно, например, что внедрение автоматизации проектирования вычислительных машин существенно снижает объем контрольных операций. Однако на данном этапе производства эта задача далеко еще не решена.

Автоматизированная система испытаний может быть представлена моделью (рис. 3) здесь - рабочие места испытаний, оснащенные специальным оборудованием и средствами контроля и измерений , фиксирующие режимы испытаний и параметры испытываемых изделий .

Управление режимами испытаний и контроля параметров изделий осуществляется как автономно, так и централизовано с помощью ЭВМ и исполнительных устройств .

Рис.3. Модель автоматизированной системы испытаний изделий электронной техники.

Таким образом, производственные испытания играют чрезвычайно важную роль в решении проблемы обеспечения качества изделий. Одним из важнейших направлений совершенствования производственных испытаний является повышение их информативности с помощью методов прогнозирования.

Сделано общее, заключение по рассмотренным методам испытаний, содержащим элементы прогнозирования, которое можно сформулировать следующим образом:

- основная идея прогнозирования в процессе испытаний заключается в увеличении информативности испытаний, в использовании кроме числа зафиксированных отказов, закономерностей изменения прямых и косвенных параметров, обусловливающих возникновение отказов.

Прогнозирование в процессе испытаний позволяет проводить испытания малого числа объектов и даже одиночных объектов, а также существенно сократить либо число испытуемых объектов, либо время испытаний в условиях массового производства.

Во второй главе указывается на необходимость рассмотрения основных технические средства автоматизации испытаний и прогнозирования технического состояния изделий электронной техники.

Требуется больший объем работ, обеспечивающих прогнозирование, а именно: необходимо собирать информацию непрерывно на некотором отрезке времени по ряду параметров, необходимо не только фиксировать отказовые состояния, но измерять значения параметров, и не только основных, но и косвенных, необходим переход от датчиков, работающих по признаку «да -- нет» к датчикам - измерителям. Информацию необходимо практически мгновенно обработать, с тем, чтобы можно было выявить закономерности изменения процессов без искажений, вызываемых запаздыванием ввода входных данных.

Рассмотрим устройство, в основу которого положен математический аппарат метода обобщенного параметра. В этом случае все входные величины (контролируемые параметры) нормируются и получается нормированный ряд . Степень работоспособности СТД и ее изменение можно оценить с помощью следующего обобщенного выражения:

представляющего собой линейное среднее, где -- веса контролируемых параметров. Естественно, при прогнозировании интересует момент, когда обобщенный параметр достигнет допустимого значения . Прогнозирование изменения позволяет определить наиболее вероятное время , в течение которого контролируемая система будет сохранять свою работоспособность. Однако какой-то из параметров достигнет раньше остальных допустимого значения , а так как выход любого параметра за допустимые пределы ведет к отказу системы, то прогнозируемое первое достижение допуска будет определять минимальное время работоспособного состояния системы. Таким образом, целесообразно прогнозировать величины как , так и . Для этого необходимо прогнозировать изменения как обобщенного, так и отдельного параметра с максимальной скоростью изменения.

Рассмотрим работу устройства автоматического прогнозирования (УАП) (рис.4). С помощью датчиков, находящихся на диагностируемом объекте или подключаемых к нему, в УАП подаются значения прогнозирующих параметров . В момент времени оператор дает команду: «Пуск», в результате чего напряжение с датчиков поступает в каналы определения конечных разностей , . В канале предварительно параметр нормируется, затем преобразуется в двоичный код и запоминается. При большом интервале контроля, УАП выключается, поэтому, значение необходимо запомнить в долговременном ЗУ, или занести в карточку учета. Во втором случае требуется вмешательство оператора, но в тоже время отпадает необходимость в ЗУ и оператор имеет представление о величинах параметров.

В момент времени оператор опять нажимает кнопку «Пуск» и тем самым вводит напряжение с датчиков в те же каналы, где получаются безразмерные значения параметров . Затем вычисляется первая конечная разность , которая поступает на блоки сравнения, имеющиеся в каждом канале. В блоках сравнения выделяется и указывается номер канала (параметра) , где скорость изменения максимальна. В канал тут же подается напряжение и определяется . Это равенство справедливо с большой точностью, так как .

В блоке распознавания на основе и определяется время выхода параметра системы за допустимые пределы. Его основой (рис.5) является диодный дешифратор, который управляет схемой индикации, где и фиксируется время выхода параметра за допустимый предел.

Рассмотрены и проанализированы общие принципы построения автоматизированных устройств, предназначенных для диагностики технического состояния изделий электронной техники.

Рассмотренные устройства позволяют оценить степень и запас работоспособности диагностируемого объекта, что является исходной информацией для прогнозирования. Таким образом, подобные устройства можно рассматривать как составные части автоматических устройств прогнозирования.

Современные АСУ характеризуются сложной, разветвленной иерархической структурой, большим количеством отдельных подсистем, которые часто отстоят друг от друга на большие расстояния, и для их объединения требуются специальные каналы связи. Они работают, как правило, в реальном или близком к реальному масштабу времени. Решение задачи создания средств контроля АСУ требует системного подхода.

В отличие от ранее применяемых средств и методов контроля, когда основными контролируемыми параметрами являлись различные технические параметры аппаратуры, при контроле АСУ в качестве главных контролируемых параметров выбираются алгоритмы функционирования, контролируется способность комплекса средств автоматизации нормально функционировать в соответствии с возложенными на них алгоритмами.

Рис.4. Функциональная схема устройства автоматического прогнозирования

Рассмотренные устройства позволяют оценить степень и запас работоспособности диагностируемого объекта, что является исходной информацией для прогнозирования.

Таким образом, подобные устройства можно рассматривать как составные части автоматических устройств прогнозирования.

Рис.5. Блок распознавания УАП.

Современные АСУ характеризуются сложной, разветвленной иерархической структурой, большим количеством отдельных подсистем, которые часто отстоят друг от друга на большие расстояния, и для их объединения требуются специальные каналы связи. Они работают, как правило, в реальном или близком к реальному масштабу времени.

Решение задачи создания средств контроля АСУ требует системного подхода. В отличие от ранее применяемых средств и методов контроля, когда основными контролируемыми параметрами являлись различные технические параметры аппаратуры, при контроле в АСУ главных контролируемых параметров выбираются алгоритмы функционирования, контролируется способность комплекса средств автоматизации нормально функционировать в соответствии с возложенными на них алгоритмами.

В главе 3 анализируются методы прогнозирования технического состояния изделий электронной техники, применительно к подсистеме испытаний и прогнозирования в АСУ качеством.

Все рассмотренные методы в той или иной степени могут быть применены для решения задачи прогнозирования изменения состояния изделий электронной техники, а, следовательно и для сокращения производственных испытаний.

Анализ показал, что метод Колмогорова -Винера трудно применим по следующим причинам: во-первых, исследуемые процессы не удовлетворяют условиям стационарности как в узком так и в широком смысле; во-вторых, невозможно, как правило, вычислить автокорреляционную функцию с приемлемой точностью из-за не стационарности процесса и ограниченной информации.

Метод Заде-Рагаззини уже учитывает необратимую составляющую в контролируемом процессе и вводит детерминированную часть в виде полинома, что позволяет применять его к не стационарным процессам. Однако стохастическая составляющая экстраполируется с помощью весовой функции фильтра, которая определяется через автокорреляционную функцию процесса.

Для прогнозирования исследуемых процессов использование метода затруднено по следующим причинам: во-первых, достаточно точные вычисления автокорреляционных функций, возможно, как правило, по более сотни точкам случайного процесса, но такой объем информации практически довольно трудно получить в рассматриваемом классе задач; во-вторых, автокорреляционная функция процессов изменения состояния изделия электронной техники имеет период корреляции на уровне 0,1 равным 150 - 200 часов, что явно недостаточно для прогнозирования на продолжительный период времени вперед.

Метод Салодовникова-Матвеева также решает задачу Заде-Рагаззини и отличие заключается в способе выбора ограничений, налагаемых на весовую функцию фильтра. В связи с тем, что автокорреляционная функция по прежнему вычисляется, то ограничения на применение этого метода к рассматриваемому классу задач остаются.

Необходимость решения корреляционного уравнения также не позволяет применить метод Калмана для сокращения производственных испытаний. Необходимость определения координатных функций в методе Пугачева связано с определением корреляционных моментов, что требует множество наблюдений на длительном интервале времени. Это условие существенно затрудняет применение этого метода.

Два недостатка метода экспоненциального сглаживания ограничивают его возможности в решении рассматриваемой задачи: во-первых, сглаживание с весами предшествующих данных в случае нестационарных процессов приводит к потери информации о тенденции изменения состояния изделия; во-вторых, двухступенчатая система вычислений не только усложняет процедуру вычислений, но и вносит ошибку в прогноз за счет «искажения» тенденций изменения процессов.

Основными ограничениями метода Бокса-Дженкенса являются:

необходимость достаточно длительной реализации (несколько десятков точек),

· обладающей свойством авторегрессии;

· полученные модели неприменимы к многомерным процессам.

Кроме того, предъявляется ряд требований к поступающей информации. Таким образом, можно констатировать, что этот метод имеет серьезные ограничения по применению.

Те или иные ограничения не позволяют использовать метод МГУА метод прогнозирования предложенный Я.Б.Шором и метод прогнозирования Марковских процессов.

Достаточно серьезных успехов в решении задачи прогнозирования технического состояния можно достичь при применении методов статической классификации (теории распознавания образов).

Как показал анализ методов прогнозирования, надежность изделий электронной техники в последние годы наибольшее развитие получили два принципа прогнозирования: экстраполяция изменения значений контролируемых параметров изделий во времени и статистическая классификация технического состояния по классам долговечности или работоспособности на основе контроля совокупности параметров. Оба эти подхода имеют как достоинства, так и недостатки. Композиционное сочетание этих подходов с использованием их индивидуальных преимуществ позволяет достичь существенного эффекта при прогнозировании. Большие потенциальные возможности открываются при решении задачи прогнозирования технического состояния с помощью аппарата дискриминантного анализа.

Наиболее четкой постановкой задачи представляется постановка с позиции теории статистических решений .

Пусть - образы или классы, которые должны быть распознаны. Предположим, что - плотность вероятности описания при условии, что описания принадлежат к классу . Далее пусть - априорные вероятности классов , где ,. Обозначим . Пространство решений состоит из решений возможных решений при этом есть решение, что распознаваемый класс есть , - решение, обозначающее отказ от распознавания.

Задача состоит в выборе некоторого решающего правила , которое может быть представлено, как распределение вероятностей на пространстве решений .

При наблюдаемом описании (рандомизированный вид правила)

;

при условии что

, ,

, , .

Для оценки относительного качества решающих правил вводится весовая функция (функция потерь) , позволяющая определить потери, понесенные в результате того, что сделанное решение , в то время когда истинно .

Решающее правило выбирается так, чтобы минимизировать математическое ожидание функции потерь , так называемый ожидаемый риск.

,

где - все пространство наблюдений.

Получаемое решающее правило известно как правило Бейеса. Минимум среднего риска достигается при решении , определяемом следующим образом

 ;

Всякий раз когда

Как видно, Бейесово правило получается не рандомизированным. Отметим, что введение в качестве возможного решения отказ от распознавания позволяет в некоторых случаях уменьшить риск.

Для применения теории статистических решений к задачам распознавания появляется необходимость в оценке условных плотностей распределения - (в предложении, конечно, их существования) и априорных вероятностей . В этом заключается смысл этого обучения. Собственно распознавание состоит в сопоставлении уже полученных условных плотностей распределений вероятности каждого класса для той точки векторного пространства, которое соответствует данному введенному для классификации входному описанию.

Как показали исследования разделяющую классы состояний гиперповерхность можно построить с помощью методов линейного программирования, которые ранее не применялись для решаемого класса задач.

В главе 4 рассматривается прогнозирование технического состояния на основе построения нейронной сети методом машины опорных векторов. Архитектура интеллектуальной информационной системы управления представлена следующим образом (рис. 6).



Рис.6. Функциональная архитектура интеллектуальной системы управления

Рассмотрим множество обучающих примеров , где x_i - входной образ для примера i; d_i - соответствующий ему желаемый отклик (целевой выход).

Для начала предположим, что класс, представленный подмножеством , и класс, представленный подмножеством , линейно-разделимы. Уравнение поверхности решений в форме гиперплоскости, выполняющей это разделение, записывается следующим образом:

, (1)

где x - входной вектор; w - настраиваемый вектор весов; b - порог. Таким образом, можно записать:

 для (2)

для

Пусть и - оптимальные значения вектора весов и порога соответственно.

Исходя из этого, оптимальную гиперплоскость, представляющую многомерную линейную поверхность решений в пространстве входных сигналов, можно описать уравнением.

(3)

Оно является аналогом уравнения (1). При этом дискриминантная функция

(4)

Определяет алгебраическую меру расстояния от до гиперплоскости. Это легко увидеть, если выразить следующим образом:

,

где - нормальная проекция точки на оптимальную гиперплоскость; - желаемое алгебраическое расстояние.

Величина является положительной, если находится с положительной стороны оптимальной гиперплоскости, и отрицательным в противном случае.

Так как по определению , следовательно,

или

. (5)

В частности, расстояние от начала координат (т.е ) до оптимальной гиперплоскости равно . Если , то начало координат находится с положительной стороны гиперплоскости, если же - то с отрицательной.

Требуется найти параметры и оптимальной гиперповерхности на основе данного множества примеров . Пара должна удовлетворять следующим ограничениям:

для (6)

для

Заметим, что если выполняется уравнение (2), то множество являются линейно-разделимыми. В этом случае значения и можно масштабировать так, чтобы выполнялось условие (6). Такая операция масштабирования не влияет на соотношение (3).

Конкретные точки , для которых первое и второе ограничение выполняются со знаком равенства, называются опорными векторами. Отсюда и получили свое название машины опорных векторов. Эти векторы играют решающую роль в работе обучаемых машин. А именно, опорные векторы являются теми точками данных, которые лежат ближе всего к поверхности решений, и, таким образом, являются самыми сложными для классификации.

Граница разделения классов считается мягкой, если некоторая точка нарушает следующее условие:

для

Такое нарушение может иметь две формы.

Точка попадает в область разделения с нужной стороны поверхности решений

Точка попадает в область разделения с другой стороны поверхности решений

Заметим, что в первом случае классификация будет правильной, а во втором - ошибочной.

Для того, чтобы подготовить почву для формального рассмотрения неразделимых образов, введем в определение разделяющей гиперплоскости (поверхности решений) новое множество неотрицательных скалярных переменных :

для

Величина называется фиктивной переменой, определяющей отклонение точек от идеального состояния линейной разделимости. Если , то точка попадает в область границы разделения, но с нужной стороны поверхности решений. Если же , то точка попадает в область с неверной стороны разделяющей гиперплоскости. Опорные векторы являются теми точками, которые точно удовлетворяют неравенству при . Заметим, что если образ с выбросить из обучающего множества, то поверхность решения изменится. Таким образом, опорные векторы определяются одинаково как в случае разделимых, так и в случае неразделимых образов.

Задача сводится к поиску разделяющей гиперплоскости, минимизирующей ошибку классификации на множестве обучающих примеров. Это можно обеспечить, минимизируя функционал

по вектору весовых коэффициентов w и ограничениях . Здесь - функция индикатора, определяемая следующим образом:

Чтобы обеспечить математическую трактовку такой задачи минимизации, аппроксимируем функционал следующим образом:

Более того, упростим вычисления, записав минимизируемый функционал относительно вектора весов :



Как и ранее, минимизация первого слагаемого связана с минимизацией размерности машины опорных векторов. Что же касается второго слагаемого, то оно представляет верхнюю границу количества ошибок тестирования. Таким образом, представление функции стоимости полностью согласуется с принципом минимизации структурного риска.

Какой бы ни была задача обучения, машины опорных векторов реализуют метод управления сложностью модели, независящий от ее размерности. В частности, в пространстве высокой размерности задачи сложности модели решается за счет использования «штрафной» гиперплоскости, определенной в пространстве признаков и применяемой в качестве поверхности решения.

Обычно обучение машины опорных векторов сводится к задаче квадратичного программирования, что привлекательно по двум причинам.

1. Процесс обучения гарантировано сходится к глобальному минимуму на поверхности ошибки (ошибкой является разность между желаемым откликом и фактическим выходом машины опорных векторов).

2. Вычисления могут быть реализованы достаточно эффективно.

Более того, при использовании подходящего ядра скалярного произведения машина опорных векторов автоматически вычисляет необходимые параметры сети, относящиеся к выбору ядра. Для решения задачи квадратичного программирования можно использовать некоторые коммерческие библиотеки, предназначенные для решения задач оптимизации.

В главе 5 рассматривается разработка композиционного метода прогнозирования технического состояния, основанного на методах математического программирования, а также выбор информационной базы для подсистемы испытаний и прогнозирования.

Методы математического программирования в задачах прогнозирования технического состояния ранее не использовались, их преимущество заключается в том, что для этих методов не требуется привязка к законам распределения контролируемых параметров.

Как отмечалось ранее, обычная статистическая постановка задачи не всегда может быть применима, из-за сложностей в определении законов распределения.

Сформулируем критерий максимизации количества правильно распознаваемых точек обучающей выборки с помощью разделяющей классы состояний гиперповерхности.

Сопоставим каждой точке и переменный и соответственно, которые могут принимать значение 0 и 1.

Значения 1 будем приписывать правильно распознаваемым объектом, а значение 0 - неверно распознаваемым.

Тогда в соответствии с указанным критерием задачу можно представить в следующем виде:

,

где определяются по правилу

а по правилу:

Эту задачу преобразуем к задаче частично-целочисленного программирования:

Соотношения формируют, поставленную задачу, в результате решения которой найдем неизвестные параметры и , разделяющей гиперповерхности .

Выбор признаков (измерений), свойств, на которых основывается решение задачи прогнозирования и диагностирования технического состояния изделий электронной техники, является одним из наиболее важных вопросов.

Точное решение задачи распознавания с помощью гиперповерхности представляет собой решение задачи частично-целочисленного программирования:

максимизировать

Здесь, как и прежде - булевы переменные;

- соответственно верхняя и нижняя границы для неравенств

- принимает значение 1, если входит (попадает) в свой класс и 0 - в противном случае.

Сопоставим каждому k-му признаку булеву переменную . Положим =1, если входит в описание объекта и =0 - в противном случае.

Потребуем минимизировать количество признаков описания объектов, обеспечивающих значение показателя качества не ниже заданного значения . Очевидно, для этого необходимо, чтобы выполнялось условие .

Тогда задача выбора информативных параметров примет вид:

при ограничениях

Очевидно, что поставленная задача поиска информативных параметров для оценки технического состояния изделий электронной техники, так же является задачей частично-целочисленного линейного программирования с булевыми переменными, которая может быть решена с помощью тех же программных средств, что и задача отыскания разделяющей классы состояний гиперповерхности.

В заключение следует отметить, что приведенный выше алгоритм выбора информативных параметров для формирования информационной базы подсистем испытаний для оценки технического состояния является наиболее приемлемым. Так, как он непосредственно упрощает модель прогнозирования, не ухудшая качества.

Построение динамической модели прогнозирования с учетом «дрейфа» классов работоспособности в пространстве - временных координатах. При обычной постановке задачи прогнозирования работоспособности или долговечности изделий электронной техники, как задачи распознавания часть изделий, которая включается в обучающую выборку , проходит испытания на время, равное времени прогноза . Остальная часть объектов , предъявляется для распознавания, испытывается (измеряются признаки ) в течение значительно меньшего времени .

Однако следует отметить, что осуществляя прогнозирование как классификацию, производится «грубый» прогноз, так, как выносится решение - относится данный объект к данному классу по степени технического состояния (работоспособности или долговечности) или нет.

Границы же классов, как правило, имеют следующий вид:

, ,

где - граничное время, разделяющее между собой различные по техническому состоянию классы.

На практике же более ценным является «точечная» оценка срока службы каждого индивидуального изделия, тогда равно определенному значению времени с некоторой точностью.

Решающее правило, с помощью которого производится распознавание (оценка технического состояния изделий) при форсированном разбиении на классы и определяется векторным параметром .

В ходе эксплуатации изделий, а также при хранении векторный параметр , очевидно, изменяется, т.е. является векторной функцией времени.

Итак, на основании изложенного выше сформулируем задачу учета динамики решающего правила при использовании методов распознавания образов для прогнозирования технического состояния изделий электронной техники в процессе испытаний для управления качеством.

Пусть на момент времени имеются выборки изделий, по которым можно провести обучение «с учителем» в момент времени, т.е. не проводя каких-либо испытаний в промежутке времени .

Для решения этой задачи можно предложить следующий алгоритм.

На каждый момент времени множество объектов обучающей выборки разбиваются в пространстве измерений на два класса.

Принимается, что к 1-ому классу относятся объекты «надежные», а ко второму «не надежные» для данного момента времени.

Для момента времени разделяющая классы технического состояния гиперповерхность будет делить изделия на , и определяться из решения задачи:

Разделяющая классы состояний гиперповерхность в этом случае будет иметь вид:

Построенная таким образом, прогнозирующая модель позволяет не только осуществлять прогноз технического состояния изделий электронной техники, но и позволяет по начальным измерениям параметров определять граничный срок службы каждого индивидуального изделия.

Разработан метод построения динамической модели прогнозирования с учетом «дрейфа» классов технического состояния изделий в пространственно-временных координатах, основанный на введении фактора времени в само решающее правило.

Построенная модель прогнозирования позволяет определить «точечную» границу срока службы каждого изделия судовой электронной техники.

Разработан композиционный алгоритм решения задачи прогнозирования работоспособности изделий электронной техники, основанный на сочетании методов математического программирования и многомерной экстраполяции, что позволяет осуществлять долгосрочное прогнозирование на 10-15 лет вперёд.

Обоснован подход, позволяющий в рамках подсистемы испытаний для задач дискриминантного анализа применять аппарат линейного программирования к оценке технического состояния электронной техники.

Разработан алгоритм построения разделяющей классы составляющей классы состояния гиперповерхности методом частично-целочисленного программирования для прогнозирования технического состояния электронных изделий

Разработан алгоритм выбора наиболее информативных параметров, т.е минимизация пространства описания состояния изделий с целью формирования информационной базы для подсистемы прогнозирования в АСУ качеством изделий электронной техники.

В главе 6 рассматривается исследование методического обеспечения применяемого для подсистемы испытаний и прогнозирования технического состояния изделий электронной техники.

Исследования прогнозирования долговечности работы стабилитронов показали, что наиболее информативными параметрами являются напряжение стабилизации при различных силах тока.

Рассматривалось построение модели прогнозирования работоспособности стабилитронов при контроле двух параметров Uст₁ и Uст₂ - напряжение стабилитронов в различных точках.

Точечная оценка времени безотказной работы равна 15500 часов. здесь выполнены вычисления для приборов со следующими параметрами (табл. 1)

Табл. 1

700	2100	4200	6300	8600
-680	-2280	-180	1920	4220
148,8	148,8	148,8	151,4	152,6
148,5	148,9	149,1	153,8	153,8

Получена модель разделяющей классы состояний поверхности:

...