Обнаружение, изоляция и восстановление неисправностей ( FDIR ) — это подобласть техники управления , которая занимается мониторингом системы, определением момента возникновения неисправности и определением типа неисправности и ее местоположения. Можно выделить два подхода: прямое распознавание закономерностей показаний датчиков, указывающих на неисправность, и анализ несоответствия между показаниями датчиков и ожидаемыми значениями, полученными на основе некоторой модели. В последнем случае типично считается, что неисправность обнаружена, если расхождение или невязка превышают определенный порог. Тогда задача локализации неисправности состоит в том, чтобы классифицировать тип неисправности и ее местоположение в оборудовании. Методы обнаружения и изоляции неисправностей ( FDI ) можно разделить на две категории. К ним относятся ПИИ на основе моделей и ПИИ на основе обработки сигналов.
В методах прямых иностранных инвестиций, основанных на моделях, для принятия решения о возникновении ошибки используется некоторая модель системы. Модель системы может быть математической или основанной на знаниях. Некоторые из методов прямых иностранных инвестиций, основанных на моделях, включают [2] подход, основанный на наблюдателе, подход пространства четности и методы, основанные на идентификации параметров. Существует еще одна тенденция схем ПИИ, основанных на моделях, которая называется методами членства в наборе. Эти методы гарантируют обнаружение неисправности при определенных условиях. Основное отличие состоит в том, что вместо поиска наиболее вероятной модели эти методы исключают модели, несовместимые с данными. [3] [4]
Пример, показанный на рисунке справа, иллюстрирует метод FDI на основе модели 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 исполнительного механизма. Например, если в гидравлической системе 1 обнаружена неисправность, то таблица истинности отправляет в диаграмму состояний событие о том, что левый внутренний исполнительный механизм должен быть отключен. Одним из преимуществ этого метода FDI, основанного на модели, является то, что этот реактивный контроллер также можно подключить к модели гидравлики привода, работающей в непрерывном режиме, что позволяет изучать переходные процессы переключения. [5]
В FDI, основанном на обработке сигналов, над измерениями выполняются некоторые математические или статистические операции, или некоторая нейронная сеть обучается с использованием измерений для извлечения информации о неисправности. [6] [7] [8] [9]
Хорошим примером FDI на основе обработки сигналов является рефлектометрия во временной области , когда сигнал передается по кабелю или электрической линии, а отраженный сигнал математически сравнивается с исходным сигналом для выявления неисправностей. Например, рефлектометрия с расширенным спектром во временной области включает отправку сигнала с расширенным спектром по проводной линии для обнаружения неисправностей проводов. [10] Также было предложено несколько методов кластеризации для идентификации новой неисправности и разделения данного сигнала на нормальные и неисправные сегменты. [11]
Диагностика неисправностей машин — это область машиностроения , занимающаяся поиском неисправностей, возникающих в машинах. Особенно хорошо развитая его часть относится именно к вращающимся машинам, одному из наиболее распространенных типов. Для выявления наиболее вероятных неисправностей, приводящих к отказу, используются многие методы сбора данных, в том числе мониторинг вибрации , тепловидение , анализ частиц масла и т. д. Затем эти данные обрабатываются с использованием таких методов, как спектральный анализ , вейвлет-анализ , вейвлет-преобразование, краткосрочное Преобразование Фурье, расширение 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 информации о фазе) и других. Результаты этого анализа используются при анализе основной причины отказа, чтобы определить первоначальную причину неисправности. Например, если диагностирована неисправность подшипника, то вполне вероятно, что подшипник был поврежден не сам по себе при установке, а в результате другой ошибки при установке (например, несоосности), которая затем привела к повреждению подшипника. Диагностики поврежденного состояния подшипника недостаточно для целей точного технического обслуживания. Необходимо выявить и устранить первопричину. Если этого не сделать, замененный подшипник вскоре изнашивается по той же причине, и машина получит больше повреждений, оставаясь опасной. Конечно, причина также может быть 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 числом оборотов в минуту ) не является постоянной, особенно на этапах запуска и остановки машины. Даже если машина работает в установившемся режиме, скорость вращения будет варьироваться вокруг среднего установившегося значения, и это изменение зависит от нагрузки и других факторов. Поскольку звуковые и вибрационные сигналы, получаемые от вращающейся машины, тесно связаны со скоростью ее вращения, можно сказать, что по своей природе они являются изменяющимися во времени сигналами. Эти изменяющиеся во времени функции содержат признаки неисправности машины. Следовательно, то, как эти особенности извлекаются и интерпретируются, важно для исследований и промышленного применения.
Наиболее распространенным методом, используемым при анализе сигналов, является БПФ или преобразование Фурье. Преобразование Фурье и его обратный аналог предлагают две точки зрения для изучения сигнала: во временной области или в частотной области. Спектр временного сигнала, основанный на БПФ , показывает нам существование его частотного содержания. Изучая их, а также их величину 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, частотный состав которых не меняется со временем; однако, как упоминалось выше, частотный состав звуковых и вибрационных сигналов, получаемых от вращающейся машины, очень сильно зависит от времени. По этой причине спектры на основе БПФ не могут определить, как частотное содержимое меняется с течением времени. Точнее, если частота вращения машины увеличивается или уменьшается во время ее запуска или остановки, ее полоса пропускания в спектре БПФ станет намного шире, чем она была бы просто для устойчивого состояния. Следовательно, в таком случае гармоники не так различимы в спектре.
Частотно-временной подход к диагностике неисправностей оборудования 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 изменяющаяся во времени фильтрация. Хотя квадратичный метод описывает распределение энергии сигнала в совместной частотно-временной области, что полезно для анализа, классификации и обнаружения характеристик сигнала, информация о фазе теряется в квадратичном частотно-временном представлении; Кроме того, с помощью этого метода невозможно восстановить временную историю.
Кратковременное преобразование Фурье ( STFT ) и преобразование Габора — это два алгоритма, обычно используемые в качестве линейных частотно-временных методов. Если мы считаем, что линейный частотно-временной анализ является развитием обычного БПФ , то квадратичный частотно-временной анализ будет аналогом спектра мощности. К квадратичным алгоритмам относятся спектрограмма Габора, класс Коэна и адаптивная спектрограмма. Основным преимуществом частотно-временного анализа является обнаружение закономерностей изменения частоты, которые обычно отражают природу сигнала. Пока этот шаблон идентифицирован, можно идентифицировать неисправность машины, связанную с этим шаблоном. Еще одним важным применением частотно-временного анализа является возможность отфильтровать определенную частотную составляющую с помощью изменяющегося во времени фильтра.
На практике неопределенности модели и шум измерений могут усложнить обнаружение и локализацию неисправностей. [12]
В результате, использование диагностики неисправностей для экономичного удовлетворения промышленных потребностей и снижения затрат 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 в себя:
При обнаружении и диагностике неисправностей модели математической классификации , которые на самом деле относятся к контролируемым методам обучения, обучаются на обучающем наборе размеченного набора данных для точного выявления избыточности, неисправностей и аномальных выборок. За последние десятилетия в этой области исследований были разработаны и предложены различные модели классификации и предварительной обработки . [13] Алгоритм K -ближайших соседей ( kNN ) — один из старейших методов, который использовался для решения задач обнаружения и диагностики неисправностей. [14] Несмотря на простую логику этого алгоритма на основе экземпляров, существуют некоторые проблемы с большой размерностью и временем обработки при его использовании с большими наборами данных . [15] Поскольку k NN не способен автоматически извлекать признаки, чтобы преодолеть проклятие размерности , его часто сопровождают некоторые методы предварительной обработки данных , такие как анализ главных компонентов (PCA), линейный дискриминантный анализ (LDA) или канонический корреляционный анализ (CCA). 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 соответствующему нелинейному отображению с использованием методов ядра SVM демонстрируют впечатляющую производительность при обобщении даже с небольшими обучающими данными. [17] Однако обычные SVM сами по себе не имеют автоматического извлечения признаков и, как и k NN , часто сочетаются с методом предварительной обработки данных . [18] Еще одним недостатком SVM является то, что их производительность очень чувствительна к исходным параметрам, особенно к методам ядра , [19] поэтому в каждом наборе сигнальных данных необходимо сначала провести процесс настройки параметров. Таким образом, низкая скорость этапа 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 алгоритмов математической классификации при обнаружении и диагностике неисправностей. ИНС хорошо известны своими эффективными возможностями самообучения сложных отношений (которые обычно присущи задачам обнаружения и диагностики неисправностей) и просты в эксплуатации. [18] Еще одним преимуществом ИНС является то, что они выполняют автоматическое извлечение признаков, присваивая незначительные веса нерелевантным признакам, помогая системе избежать работы с другим экстрактором признаков. [21] Однако ИНС имеют тенденцию переоценивать обучающий набор, что будет иметь последствия в виде низкой точности проверки на проверочном наборе. Следовательно, часто к модели ИНС добавляются некоторые условия регуляризации и предварительные знания, чтобы избежать переобучения и добиться более высокой производительности. Более того, правильное определение размера скрытого слоя требует исчерпывающей настройки параметров, чтобы избежать плохих возможностей аппроксимации и обобщения. [20] В целом, различные модели SVM и ANN (например, нейронные сети обратного распространения ошибки и многослойный персептрон ) показали успешные результаты в обнаружении и диагностике неисправностей в таких отраслях, как коробки передач , [22] детали машин (например, механические подшипники [20]). 23] ), компрессоры , [24] ветряные и газовые турбины [25] [26] и стальные пластины . [27]
Благодаря достижениям в области исследований ИНС и появлению алгоритмов глубокого обучения , использующих глубокие и сложные уровни, были разработаны новые модели классификации , позволяющие справляться с обнаружением и диагностикой неисправностей. [28] Большинство моделей поверхностного обучения извлекают из сигналов несколько значений признаков, что приводит к уменьшению размерности исходного сигнала . Используя сверточные нейронные сети , скалограмму непрерывного вейвлет-преобразования можно напрямую классифицировать на нормальные и дефектные классы. Такой метод позволяет избежать пропуска какого-либо важного сообщения о неисправности и приводит к повышению эффективности обнаружения и диагностики неисправностей. [29] Кроме того, путем преобразования сигналов в конструкции изображений можно реализовать 2D- сверточные нейронные сети для выявления ошибочных сигналов на основе вибрационных особенностей изображения. [30]
Сети глубокого доверия , [31] Ограниченные машины Больцмана [32] и автоэнкодеры [33] — это другие архитектуры глубоких нейронных сетей , которые успешно используются 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 для достижения более высокой точности им требуются более крупные выборки и более длительное время обработки. [18]
Восстановление после сбоя в FDIR — это действие, предпринимаемое после обнаружения и изоляции сбоя для возврата системы в стабильное состояние. Некоторые примеры устранения неисправностей: