Обнаружение, изоляция и восстановление неисправностей ( FDIR ) — это подраздел инженерии управления , который занимается мониторингом системы, определением момента возникновения неисправности , а также определением типа неисправности и ее местоположения. Можно выделить два подхода: прямое распознавание образов показаний датчика, которые указывают на неисправность, и анализ несоответствия между показаниями датчика и ожидаемыми значениями, полученными из некоторой модели. В последнем случае типично, что неисправность считается обнаруженной, если несоответствие или остаток превышает определенный порог. Тогда задачей изоляции неисправностей является классификация типа неисправности и ее местоположения в оборудовании. Методы обнаружения и изоляции неисправностей ( FDI ) можно в целом разделить на две категории. К ним относятся FDI на основе модели и FDI на основе обработки сигналов.
В методах FDI на основе моделей некоторая модель системы используется для принятия решения о возникновении неисправности. Модель системы может быть математической или основанной на знаниях. Некоторые из методов FDI на основе моделей включают [2] подход, основанный на наблюдателе, подход на основе пространства четности и методы, основанные на идентификации параметров. Существует еще одна тенденция схем FDI на основе моделей, которая называется методами членства в наборе. Эти методы гарантируют обнаружение неисправности при определенных условиях. Главное отличие состоит в том, что вместо поиска наиболее вероятной модели эти методы опускают модели, которые несовместимы с данными. [3] [4]
Пример, показанный на рисунке справа, иллюстрирует модельно-ориентированный метод FDI для реактивного контроллера лифта самолета с использованием таблицы истинности и диаграммы состояний. Таблица истинности определяет, как контроллер реагирует на обнаруженные неисправности, а диаграмма состояний определяет, как контроллер переключается между различными режимами работы (пассивный, активный, резервный, выключенный и изолированный) каждого привода. Например, если обнаружена неисправность в гидравлической системе 1, то таблица истинности отправляет событие в диаграмму состояний, что левый внутренний привод должен быть выключен. Одним из преимуществ этой модельно-ориентированной методики FDI является то, что этот реактивный контроллер также может быть подключен к непрерывной во времени модели гидравлики привода, что позволяет изучать переходные процессы переключения. [5]
При обработке сигналов на основе ПИИ над измерениями выполняются некоторые математические или статистические операции, или нейронная сеть обучается с использованием измерений для извлечения информации о неисправности. [6] [7] [8] [9]
Хорошим примером обработки сигнала на основе FDI является рефлектометрия во временной области , где сигнал посылается по кабелю или электрической линии, а отраженный сигнал математически сравнивается с исходным сигналом для выявления неисправностей. Например, рефлектометрия во временной области с расширенным спектром включает отправку сигнала с расширенным спектром по проводной линии для выявления неисправностей проводов. [10] Также было предложено несколько методов кластеризации для идентификации новой неисправности и сегментации заданного сигнала на нормальные и неисправные сегменты. [11]
Диагностика неисправностей машин — это область машиностроения, занимающаяся поиском неисправностей, возникающих в машинах. Особенно хорошо развитая ее часть применяется конкретно к вращающимся машинам, одному из наиболее распространенных типов. Для выявления наиболее вероятных неисправностей, приводящих к отказу, используются многие методы сбора данных, включая мониторинг вибрации , тепловизионную съемку , анализ частиц масла и т. д. Затем эти данные обрабатываются с использованием таких методов, как спектральный анализ , вейвлет-анализ , вейвлет-преобразование, краткосрочное преобразование Фурье, разложение Габора, распределение Вигнера-Вилля (WVD), кепстр, биспектр, метод корреляции, спектральный анализ высокого разрешения, анализ формы сигнала (во временной области, поскольку спектральный анализ обычно касается только распределения частот, а не фазовой информации) и другие. Результаты этого анализа используются в анализе первопричины отказа для определения первоначальной причины отказа. Например, если диагностируется неисправность подшипника, то вполне вероятно, что подшипник не был поврежден сам при установке, а скорее в результате другой ошибки установки (например, несоосности), которая затем привела к повреждению подшипника. Диагностика поврежденного состояния подшипника недостаточна для целей точного обслуживания. Необходимо определить и устранить первопричину. Если этого не сделать, сменный подшипник вскоре износится по той же причине, а машина получит больше повреждений, оставаясь опасной. Конечно, причина может быть также видна в результате спектрального анализа, проведенного на этапе сбора данных, но это не всегда так.
Наиболее распространенным методом обнаружения неисправностей является метод частотно-временного анализа. Для вращающейся машины скорость вращения машины (часто называемая RPM ) не является постоянной величиной, особенно во время этапов запуска и выключения машины. Даже если машина работает в устойчивом состоянии, скорость вращения будет варьироваться вокруг установившегося среднего значения, и это изменение зависит от нагрузки и других факторов. Поскольку звуковые и вибрационные сигналы, полученные от вращающейся машины, тесно связаны с ее скоростью вращения, можно сказать, что они по своей природе являются сигналами, изменяющимися во времени. Эти изменяющиеся во времени характеристики несут сигнатуры неисправностей машины. Следовательно, то, как эти характеристики извлекаются и интерпретируются, важно для исследований и промышленных приложений.
Наиболее распространенным методом, используемым в анализе сигналов, является БПФ , или преобразование Фурье. Преобразование Фурье и его обратный аналог предлагают две перспективы для изучения сигнала: через временную область или через частотную область. Спектр временного сигнала на основе БПФ показывает нам существование его частотного содержимого. Изучая их и их амплитудные или фазовые соотношения, мы можем получить различные типы информации, такие как гармоники , боковые полосы , частота биений, частота неисправности подшипника и так далее. Однако БПФ подходит только для сигналов, частотное содержимое которых не меняется со временем; однако, как упоминалось выше, частотное содержимое звуковых и вибрационных сигналов, полученных от вращающейся машины, очень сильно зависит от времени. По этой причине спектры на основе БПФ не способны обнаружить, как частотное содержимое изменяется со временем. Если быть более конкретным, если обороты машины увеличиваются или уменьшаются во время периода ее запуска или выключения, ее полоса пропускания в спектре БПФ станет намного шире, чем это было бы просто для стационарного состояния. Следовательно, в таком случае гармоники не так различимы в спектре.
Частотно-временной подход к диагностике неисправностей машин можно разделить на две широкие категории: линейные методы и квадратичные методы. Разница в том, что линейные преобразования можно инвертировать для построения временного сигнала, поэтому они больше подходят для обработки сигналов, такой как шумоподавление и фильтрация, изменяющаяся во времени. Хотя квадратичный метод описывает распределение энергии сигнала в совместной частотно-временной области, что полезно для анализа, классификации и обнаружения особенностей сигнала, в квадратичном частотно-временном представлении теряется фазовая информация; кроме того, с помощью этого метода нельзя восстановить временные истории.
Краткосрочное преобразование Фурье ( STFT ) и преобразование Габора — два алгоритма, которые обычно используются в качестве линейных частотно-временных методов. Если мы считаем линейный частотно-временной анализ развитием обычного БПФ , то квадратичный частотно-временной анализ будет его аналогом спектра мощности. Квадратичные алгоритмы включают спектрограмму Габора, класс Коэна и адаптивную спектрограмму. Главное преимущество частотно-временного анализа заключается в обнаружении закономерностей изменения частоты, которые обычно отражают природу сигнала. Пока эта закономерность идентифицирована, можно идентифицировать неисправность машины, связанную с этой закономерностью. Другим важным применением частотно-временного анализа является возможность отфильтровывать определенную частотную составляющую с помощью фильтра, изменяющегося во времени.
На практике неопределенности модели и шум измерений могут усложнить обнаружение и изоляцию неисправностей. [12]
В результате, использование диагностики неисправностей для удовлетворения промышленных потребностей экономически эффективным способом и для снижения расходов на техническое обслуживание без необходимости больших инвестиций, чем стоимость того, чего следует избегать в первую очередь, требует эффективной схемы их применения. Это предмет технического обслуживания, ремонта и эксплуатации ; различные стратегии включают:
При обнаружении и диагностике неисправностей математические модели классификации , которые фактически относятся к методам контролируемого обучения , обучаются на обучающем наборе маркированного набора данных для точного определения избыточности, неисправностей и аномальных образцов. За последние десятилетия в этой области исследований были разработаны и предложены различные модели классификации и предварительной обработки . [13] Алгоритм K -ближайших соседей ( kNN ) является одним из старейших методов, который использовался для решения задач обнаружения и диагностики неисправностей. [14] Несмотря на простую логику этого основанного на экземплярах алгоритма, существуют некоторые проблемы с большой размерностью и временем обработки при его использовании на больших наборах данных . [15] Поскольку kNN не может автоматически извлекать признаки для преодоления проклятия размерности , поэтому часто некоторые методы предварительной обработки данных , такие как анализ главных компонент (PCA), линейный дискриминантный анализ (LDA) или канонический корреляционный анализ (CCA), сопровождают его для достижения лучшей производительности. [16] Во многих промышленных случаях эффективность k NN сравнивалась с другими методами, особенно с более сложными моделями классификации, такими как машины опорных векторов (SVM), которые широко используются в этой области. Благодаря их соответствующему нелинейному отображению с использованием методов ядра , SVM обладают впечатляющей производительностью в обобщении, даже с небольшими тренировочными данными. [17] Однако общие SVM сами по себе не имеют автоматического извлечения признаков и, как и k NN , часто сочетаются с техникой предварительной обработки данных . [18] Другим недостатком SVM является то, что их производительность очень чувствительна к начальным параметрам, особенно к методам ядра , [19] поэтому в каждом наборе данных сигнала сначала требуется провести процесс настройки параметров. Поэтому низкая скорость фазы обучения является ограничением SVM, когда дело доходит до его использования в случаях обнаружения и диагностики неисправностей. [20]
Искусственные нейронные сети (ИНС) являются одними из наиболее зрелых и широко используемых математических алгоритмов классификации в обнаружении и диагностике неисправностей. ИНС хорошо известны своими эффективными возможностями самообучения сложных отношений (которые обычно изначально существуют в задачах обнаружения и диагностики неисправностей) и просты в эксплуатации. [18] Еще одним преимуществом ИНС является то, что они выполняют автоматическое извлечение признаков, выделяя незначительные веса нерелевантным признакам, помогая системе избегать работы с другим извлекателем признаков. [21] Однако ИНС имеют тенденцию переобучать обучающий набор, что будет иметь последствия в виде низкой точности проверки на проверочном наборе. Поэтому часто некоторые термины регуляризации и априорные знания добавляются в модель ИНС, чтобы избежать переобучения и достичь более высокой производительности. Более того, правильное определение размера скрытого слоя требует исчерпывающей настройки параметров, чтобы избежать плохих возможностей приближения и обобщения. [20] В целом, различные модели SVM и ANN (например, нейронные сети с обратным распространением ошибки и многослойный персептрон ) показали успешную эффективность в обнаружении и диагностике неисправностей в таких отраслях, как производство коробок передач , [22] деталей машин (например, механических подшипников [23] ), компрессоров , [24] ветряных и газовых турбин [25] [26] и стальных пластин . [27]
С достижениями в исследованиях в области ИНС и появлением алгоритмов глубокого обучения , использующих глубокие и сложные слои, были разработаны новые модели классификации , чтобы справиться с обнаружением и диагностикой неисправностей. [28] Большинство моделей поверхностного обучения извлекают несколько значений признаков из сигналов, что приводит к уменьшению размерности исходного сигнала . Используя сверточные нейронные сети , непрерывную скалограмму вейвлет-преобразования можно напрямую классифицировать на нормальные и неисправные классы. Такой метод позволяет избежать пропуска любого важного сообщения об ошибке и обеспечивает лучшую производительность обнаружения и диагностики неисправностей. [29] Кроме того, преобразуя сигналы в конструкции изображений, можно реализовать двумерные сверточные нейронные сети для идентификации неисправных сигналов из особенностей изображения вибрации. [30]
Глубокие сети убеждений , [31] Ограниченные машины Больцмана [32] и Автоэнкодеры [33] — это другие архитектуры глубоких нейронных сетей , которые успешно использовались в этой области исследований. По сравнению с традиционным машинным обучением , благодаря своей глубокой архитектуре, модели глубокого обучения способны изучать более сложные структуры из наборов данных , однако им нужны более крупные выборки и большее время обработки для достижения более высокой точности. [18]
Восстановление после сбоя в FDIR — это действие, предпринимаемое после обнаружения и локализации сбоя для возврата системы в стабильное состояние. Вот несколько примеров восстановления после сбоя: