Алгоритм "Способ классификации объектов диагностики"

Размещено на http://www.allbest.ru/

Омск 2011

АЛГОРИТМ “СПОСОБ КЛАССИФИКАЦИИ ОБЪЕКТОВ ДИАГНОСТИКИ”

Разработчики:

Захаренко В.А.

Кликушин Ю.Н.

Кобенко В.Ю.

Орлов С.А.

Предложено использование международной температурной шкалы (МТШ-90) как инструмента классификации объектов диагностики, в качестве которых были выбраны аккумуляторные батареи для источников бесперебойного питания. Рассматриваемая технология позволила разделить группу из 20 образцов на 4 класса, соответствующих лингвистическим термам “плохой”, “удовлетворительный”, “хороший” и “отличный” аккумулятор.

Ключевые слова: аккумуляторные батареи, диагностика, источники бесперебойного питания, измерение сопротивления, классификационные деревья, международная температурная шкала, неупорядоченность.

1. Функциональное назначение продукта, область его применения, его назначение. Способ предназначен для решения задач диагностики аккумуляторных батарей. Область применения - контрольно-измерительная аппаратура. Назначение - диагностика состояний аккумуляторных батарей перед вводом их в эксплуатацию в составе источников бесперебойного питания.

2. Используемые технические средства. Средства измерения напряжения (в диапазоне от 0,5В до 20В), тока (в диапазоне от 1мА до 100А) и комплексного сопротивления (в диапазоне от 0,5мОм до 300мОм), а также устройство ввода- вывода данных измерения в компьютер, например, PCI или USB карты фирмы National Instruments или их аналоги.

3. Специальные условия и требования организационного, технического и технологического характера. Специальные условия изложены в прилагаемом ниже описании способа.

4. Условия передачи документации или её продажи. Условия передачи документации и продажи Ноу-Хау должны быть согласованы с авторами данной разработки

5. Описание способа.

ВВЕДЕНИЕ

Международная температурная шкала (МТШ-90) является важнейшим инструментом температурных измерений. Традиционный, классический подход рассматривает МТШ-90 как физическую систему, представляющую собой хранилище реперных точек температурных эталонов и ориентированную на решение задач обеспечения единства измерений и сравнения по точности различных типов термометров [1] .

Однако, такой, “физический” подход не является единственным. Так, например, в статье [2] обсуждаются некоторые возможности представления МТШ-90 как информационной структуры - типа упорядоченного по температуре списка эталонов. При измерении (получении числовой оценки) значения температуры некоторого объекта, первоначальный порядок следования эталонов меняется, что ведет к увеличению степени неупорядоченности (хаоса). Такая модель может быть использована не только для измерения температуры. В работе [3], например, предлагается использовать МТШ-90 для идентификации формы распределения мгновенных значений сигналов. В этом случае используется свойство упорядоченности МТШ-90, а также достаточно точное и стабильное положение реперных точек шкалы.

Дальнейшее развитие информационного подхода применительно к МТШ-90 связано с использованием ее классификационных свойств. Под классификацией понимается разделение группы объектов на некоторые части - подгруппы (кластеры, таксоны), внутри которых объекты имеют общие (в определенном смысле) свойства. В познавательном отношении сложность процедуры классификации состоит в том, что, с одной стороны, необходимо объекты разделить на отдельные отличающиеся кластеры, а, с другой стороны, надо сделать так, чтобы в один и тот же кластер попали те объекты, которые имеют нечто общее. Данное противоречие приводит к тому, что классификация становится оптимизационной процедурой и ее "правильность" во многом зависит от принятых пользователем критериев оптимизации. Более того, если учесть, что классификационные задачи обладают высокой степенью априорной неопределенности, становится понятным, почему решение подобных задач не может быть однозначным.

Чтобы повысить объективность результатов классификации и автоматизировать сам процесс разбиения объектов на классы, предлагается способ, который обладает несколькими основными особенностями.

Во-первых, каждый объект описывается комплексом числовых параметров.

Во-вторых, измеряется распределение этих параметров, которое представляется в виде особого, идентификационного числа.

В-третьих, идентификационные числа объектов сравниваются со шкалой эталонов, причем, в данном случае, в качестве такой шкалы предлагается использовать МТШ-90. В-четвертых, результаты сравнения представляются в виде списков эталонов, которые рассматриваются, как отдельные классы. В-пятых, отдельные списки объединяются при наличии общей части, которая называется корнем. Отличительные части списков образуют ветви, куда попадают те или иные объекты рассматриваемой группы. Таким образом, формируется классификационное дерево, важнейшим познавательным свойством которого является строгая упорядоченность расположения ветвей и, следовательно, классов, например, в направлении слева на право (при графическом отображении). Следствием такого представления является сквозная упорядоченность от первого объекта левого класса до последнего объекта крайне правого класса.

Поскольку, основным неформальным компонентом рассматриваемой технологии является упорядоченная шкала (МТШ-90) эталонов, то предлагается, подобные средства, в дальнейшем, называть виртуальными приборами со встроенными идентификационными шкалами (ВП ВИШ).

В данной работе описан конкретный пример применения технологии ВП ВИШ для решения задачи диагностики состояния аккумуляторных батарей (АБ).

МЕТОДИКА И ИНСТРУМЕНТЫ ИССЛЕДОВАНИЙ

Рассмотрим, в частности, задачу диагностики в следующей постановке. Имеется несколько, например, 20 однородных объектов - аккумуляторных батарей (АБ), предназначенных для использования в составе источников бесперебойного питания (ИБП). Прежде, чем устанавливать АБ в корпус ИБП, необходимо оценить их качество, поскольку от этого зависят надежность работы системы энергообеспечения, а также затраты времени и энергии, необходимые для проведения тренировки. Тренировка представляет собой процесс восстановления качества АБ, путем их циклической разрядки-зарядки на специальных стендах.

В настоящее время используются, в основном, две стратегии восстановления качества АБ. Первая стратегия предполагает проведение тренировки с постоянным числом циклов для всех АБ, вне зависимости от их качества [4,5]. Понятно, что в этом случае высокая надежность функционирования АБ обеспечивается за счет увеличения затрат на тренировку. Вторая стратегия использует предварительную оценку качества АБ, путем разделения их на два класса, соответствующих, например, лингвистическим термам “хорошие” и “плохие” АБ. В этом случае решение о проведении тренировки привязывается к качеству, например, следующим образом: “хорошие” АБ требуют проведения одного цикла, а “плохие” АБ - три цикла тренировки. Данная стратегия наиболее эффективна в ситуациях, когда новые АБ хранились на складе относительно недолгое время.

В последние годы ряд известных мировых производителей АБ стали переходить на новую стратегию управления качеством. Суть этой стратегии состоит в том, чтобы постоянно контролировать качество аккумуляторной батареи с помощью интегрированного в нее тестера-анализатора, выполненного в виде специализированного микроконтроллера с малым собственным потреблением [6]. Возможность практической реализации данной стратегии связана только с одним методом контроля качества АБ - с методом измерения комплексного внутреннего сопротивления на переменном токе [7, 8]. Этот метод считается наиболее перспективным, особенно для построения систем мониторинга и оперативной диагностики [9].

Достоинствами метода являются [10], во-первых, малое (порядка 1 - 5 мин.) время анализа. Во-вторых, возможность измерения сопротивления АБ в режиме холостого хода. В-третьих, возможность оценки эффективности протекания электрохимических процессов - за счет раздельного измерения активной и реактивной составляющих комплексного сопротивления. В-четвертых, высокая степень (>90%) линейной корреляции измеренных значений внутреннего сопротивления и резервной емкости, что позволяет достаточно просто, хотя и косвенно, оценивать этот важнейший эксплуатационный параметр АБ. Промышленный выпуск подобных анализаторов был налажен около 5 лет назад фирмой Midtronics Inc. Аналогичные разработки ведутся рядом отечественных фирм (ООО “МЕГАРОН”, ООО "Алекто - Электроникс", ООО “Логический Элемент” и др.).

Предлагаемая технология классификации состояний АБ основана на измерении модуля и аргумента внутреннего сопротивления на 4-х частотах 20, 100, 500 и 1000 Гц. Два дополнительных параметра относились к измерению напряжения холостого хода и тока стартерного разряда АБ, который измерялся после проведения теста на качество. В табл. 1 представлены результаты измерения указанных параметров для двух образцов АБ.

Таблица 1

Результаты измерения параметров для 2-х образцов АБ

Примем, в качестве исходной, аксиому о существовании связи между измеренными параметрами АБ и припишем параметрам соответствующие порядковые номера (ранги). Таким образом, получится структура, напоминающая выборочную реализацию некоторого “сигнала” (рис. 1), где значения рангов моделируют моменты времени, а оценки параметров задают “амплитуду” такого сигнала.

Чтобы компактно и целостно описать графики подобных “псевдосигналов”, а, следовательно, и всю систему числовых параметров объектов, воспользуемся специальными инструментами теории идентификационных измерений (ТИИ), которые называются идентификационными тестерами (ИТ) [11].

Хотя визуально, представленные на рис 1 графики очень похожи, они отличаются количественно по форме распределения, что зафиксировано (в окнах вывода Form-Num) с помощью ИТ. Различие по форме распределения составляет в данном случае примерно 20%.

Рис. 1. Примеры графического представления измеренных параметров двух АБ

Основная операционная функция ИТ состоит в преобразовании массива чисел (в данном случае 10 параметров) на входе в одно, идентификационное число (табл. 2) на выходе.

Таблица 2

Результаты измерения идентификационных параметров АБ

Для правильной работы классификационной системы необходимо, чтобы безразмерные идентификационные числа всех АБ (табл. 2) находились внутри диапазона температур МТШ-90. При этом, классическая МТШ-90 была модернизирована введением дополнительных реперных точек, количество которых увеличилось с 16 до 25.

Таблица 3

Модернизированная МТШ-90

В частности, были введены виртуальная реперная точка (Vac), соответствующая температуре абсолютного нуля, реперная точка температуры жидкого гелия (He) и реперная точка (H₂Ok) температуры кипения воды (табл. 3).

В верхней части диапазона добавлены реперные точки температур затвердевания никеля (Ni) и платины (Pt), а также температуры плавления вольфрама (W). Символом eH21 обозначена тройная точка водорода, а символами eH22 и H23 - давление паров водорода.

Все предыдущие этапы рассматриваемой технологии представляли собой подготовку данных для проведения заключительной операции - классификации АБ. Алгоритм классификации изображен на рис. 2, применительно к одному объекту из M = max(k) = 20.

В блоке 1 осуществляется ввод (k-ого) значения {Y} идентификационного параметра из табл. 2. В блоке 2 производится вычисление модуля разности идентификационного параметра и массива реперных точек МТШ-90: D_i = abs(Y_k - Z_i), где Y_k - идентификационный параметр АБ с порядковым номером (k), Z_i - значение температуры i-ой реперной точки температурной шкалы. Блок 3 является базой данных, в которой хранится виртуальная МТШ-90 в форме табл. 3.

В блоке 4 осуществляется контроль за полнотой просмотра всех N = 25 реперных точек. На выходе этого блока формируется массив {D}_k для одного (k-ого) объекта, который представляет собой список отклонений D_i по всем реперным точкам, начиная с первой (Vac), {D}_k = {D₁, D₂,.,D_i,..,D_N}. Этот массив сортируется {D^s}_k, например, по возрастанию с запоминанием порядкового номера (1?k?M) объекта в блоке 5. Перебор реперных точек эталонов производится в счетчике 6. Вывод полученного списка эталонов для (k-ого) объекта осуществляется в блоке 7. Затем данный алгоритм запускается для следующего (k+1-ого) объекта диагностики.

В полном варианте реализации рассматриваемая технология классификации позволяет сформировать для каждого объекта 3 списка. Первый список, будем называть его позиционным кодом (Position Code, PC), представляет собой перечисление порядковых номеров реперных точек температурной шкалы, полученных в результате работы алгоритма (рис. 2). Второй список, называемый лингвистическим кодом (Linguistic Code, LC), является перечислением имен эталонов реперных точек, соответствующих поразрядным значениям позиционного кода. Третий список представляет собой упорядоченный массив отклонений {D^s} (Distance).

Рис. 2. Структурная схема алгоритма классификации

На рис. 3 показаны шкалы, относящиеся к АБ с номерами №2 и №16, данные которых представлены в табл. 1, а идентификационные характеристики - на рис. 1. Указанные номера АБ задают крайний левый и крайний правый пределы расположения шкал остальных объектов. Горизонтальная линия (рис. 3), проведенная по верху ячейки с именем Ne (Неон) делит списки на две части: общую и вариативную. Общая часть содержит 20 (из 25) ячеек, поэтому можно сказать, что объекты №2 и №16 похожи на 80%. Соответственно, вариативная часть списков (ячейки с 1 по 5) определяет отличие (20%) этих объектов.

Порядок следования эталонов вариативной части задает имя класса, к которому принадлежит объект диагностики, поэтому позиционный код АБ №2 будет иметь значение “23415”, а позиционный код АБ №16 - “34251”.

Потенциально, максимальное количество классов, которое можно сформировать в системе из 5 эталонов, определяется числом перестановок без повторений С = 5! = 120. Содержательная интерпретация разделения объектов (№2 и №16) на непересекающиеся классы связана с тем, что эти объекты должны иметь взаимно противоположные качественные характеристики, подтвержденные мнением экспертов данной предметной области.

Рис. 3. Пример сравнения двух объектов с помощью температурной шкалы

В частности, экспертиза установила, что объект №2 характеризуется состоянием “плохая АБ”, в то время, как объект №16 - состоянием “отличная АБ”.

РЕЗУЛЬТАТЫ ИССЛЕДОВАНИЙ

Применив указанную технологию к остальным 18 АБ, авторы получили классификационную структуру иерархического типа, изображенную на рис. 4. Все объекты диагностики содержат общую часть в виде корня классификационного дерева, состоящего из 20 эталонов. Связь корня с 4-мя ветвями (классами) показана сплошными черными линиями. Пунктирными линиями показаны соответствия - ситуации, при которых в разных классах в одинаковых позициях содержатся одинаковые имена эталонов. Линиями со стрелками показаны направления, в которых происходит повышение качества объектов диагностики. Распределение номеров АБ по классам указано рядом с линиями со стрелками. Типовой вариант диагностических рекомендаций по режимам тренировки для разных классов АБ представлен в правой, средней части рис. 4. Количественные оценки степени связи между объектами, принадлежащими разным классам, даны в табл. 4.

Рис. 4. Классификационное дерево объектов диагностики

Таблица 4

Оценки связи между классами объектов диагностики

Свойство похожести оценивалось как сумма относительных оценок свойств общности и соответствия.

ВЫВОДЫ

Предлагаемая технология классификации имеет объективный характер и позволяет создавать иерархические структуры, отличающиеся упорядоченностью объектов диагностики и наглядностью отображения связей между ними. В свою очередь, упорядоченность объектов диагностики является следствием упорядоченности МТШ-90, которая является внутренним, виртуальным эталоном системы. Визуализация скрытых закономерностей взаимного расположения объектов диагностики с помощью классификационного дерева и возможность количественной оценки местоположения объектов в ранжированном их ряду позволяют оперативно управлять состоянием и, следовательно, качеством объектов диагностики.

Перспективы развития рассмотренной технологии классификации объектов диагностики связаны с ее обобщением на другие типы идентификационных шкал, к которым, в частности, относятся периодическая система химических элементов Д.И. Менделеева, цветовые шкалы, шкалы формы распределений случайных сигналов. Указанные шкалы имеют разные типы упорядоченности, которые проявляются в виде нелинейности их ранговых характеристик. Возможно, что это обстоятельство позволит, для одних и тех же объектов, получить более полную информацию об их качественном состоянии.

Материалы исследования получены в рамках выполнения госконтракта по теме: “Проведение поисковых научно-исследовательских работ в области разработки и создания оборудования для диагностики и эксплуатации энергетического оборудования” (шифр “2011-1.6-516-038-036”).

Размещено на Allbest.ru