М.М Благовещенская, А.Е. Яблоков, А.М. Костин
Реферат: В статье рассмотрены аспекты использования технологии искусственного интеллекта в качестве метода распознавания образов в задаче мониторинга и технической диагностики оборудования зерноперерабатывающих предприятий. диагностики и принятия решений. Показано, что наиболее перспективным направлением развития систем мониторинга является применение интеллектуальных методов анализа исходной диагностической информации. К таким методам относятся экспертные системы на базе методов нейросетевого анализа данных. Использование интеллектуальных систем мониторинга и технического диагностирования способствует повышению показателей эффективности и надежности технологического оборудования. Для успешного применения подобных технологий необходимо иметь большой объем статистических данных по многочисленным параметрам работы машин в различных режимах работы и технических состояниях. Разработка и теоретические исследования интеллектуальной системы мониторинга проводятся в Московском государственном университете пищевых производств (МГУПП). Практические исследования по сбору информации, характеризующие различные технические состояния исследуемых машин проводятся на зерноперерабатывающих предприятиях (комбикормовых и мукомольных) Московского региона. Предложенная система контроля и сбора информации носит распределенный характер и построена с применением «облачных» технологий. При этом, контролируемое оборудование оснащается стационарной системой допускового контроля сбора телеметрической информации (вибрации, температуры, мгновенных значений тока в цепи электродвигателя, шума, излучаемой машиной в процессе ее функционирования). Далее информация транслируется на удаленный сервер посредством технологии GSM для ее хранения и математической обработки. В настоящее время создан опытный образец системы мониторинга, который осуществляет непрерывный сбор информации в режиме реального времени с функционирующего оборудования. Данный подход позволяет накапливать необходимые статистические данные по работе оборудования для создания мощной базы знаний и создания нейронных сетей. Результатами исследований является разработка программных и аппаратных средств стационарной системы сбора и обработки диагностической информации о работе исследуемого оборудования. Приведена структурная схема системы автоматизированного мониторинга технологических машин. Разработана процедура сбора и анализа диагностической информации с использованием нейросетивых инструментов анализа данных программы Statistica.
Ключевые слова: технологическое оборудование, диагностика, мониторинг, облачные технологии, зерноперерабатывающее предприятие, интеллектуальные автоматизированные системы.
DISTRIBUTED AUTOMATED SYSTEM FOR INTELLIGENT MONITORING OF THE EQUIPMENT OF GRAIN MANUFACTURE ENTERPRISES
Keywords: technological equipment, diagnostics, monitoring, cloud technology, grain manufacture enterprises, intelligent automated systems.
Технологическое оборудование представляет собой наиболее важную часть основных производственных фондов, от качества функционирования которых зависит технико-экономические показатели работы предприятия. Зерноперерабатывающие производства являются взрывопожароопасными (категория — Б), что требует введения дополнительных мер контроля за технологическим машинами, т.к. их аварийная остановка может привести к пожару и взрыву.
Показатели функциональной надежности, технологической эффективности являются важнейшими для технологического оборудования зерноперерабатывающего предприятия [1]. Эти показатели закладываются на этапе проектирования, обеспечиваются на этапе изготовления и поддерживаются во время эксплуатации.
Для обеспечения высокого уровня показателей надежности на этапе проектирования требуется большой объем информации по наработке оборудования в реальных условиях эксплуатации. До второй половины 80-х годов ресурсные испытания новых образцов техники проводились на Машиностроительных испытательных станциях (МИС) [2]. В настоящее время связи между наукой, машиностроительными и перерабатывающими предприятиями остаются разрозненными, не представляющих собой устойчивой информационно-аналитической структуры, объединяющей функции: технических средств мониторинга, информационно-аналитических средств, объекта управления. Отсутствие таких связей приводит к научно-техническому регрессу в области пищевого машиностроения, как следствие, малое количество новых разработок, отсутствие данных по показателям надежности существующих машин.
Диагностические параметры (температура, вибрация, скорость рабочих органов, мощность привода и пр.) несут в себе информацию о техническом состоянии объекта контроля. Отслеживая изменения значений диагностических параметров можно контролировать текущее техническое состояние объекта [4]. Внедрение системы на зерноперерабатывающих предприятиях позволит повысить эксплуатационную надежность оборудования, оптимизировать техническое обслуживание, предупреждать обслуживающий персонал о подходе к критическим состояниям и своевременно отключать аварийное оборудование.
Тенденцией последних лет является создание интеллектуальных систем мониторинга оборудования с использованием экспертных систем (ЭС) на базе новых методов нелинейной обработки диагностической информации. Такие системы основываются на принципе динамической самообучаемости и приспособляемости системы управления технологическим объектом (ТО) к реальным условиям производства [5]. Применение нейронных сетей дает возможность решать нелинейные задачи классификации технических состояний объекта контроля, решать задачу прогнозирования изменения параметров технологического процесса во времени, свести к минимуму субъективную составляющую оценки качества технологического процесса и показателей эффективности работы технологического оборудования [7].
Управление техническим состоянием ТО целесообразно проводить по результатам их диагностирования. Характерным для процесса диагностирования является получение знаний в виде данных, которые являются только основой для принятия решения, а не самим решением.
Решение в практических условиях сложных задач принятия решения вручную наталкивается на известные трудности, вытекающие, во-первых, из необходимости эвристической обработки большого объема информации и, во-вторых из необходимости логического анализа сложных взаимосвязанных процессов. Значение указанных фактов усиливается в условиях скоротечности рабочих процессов, опасности ошибочной и запоздалой оценки технического состояния ТО, что может привести к значительным потерям ресурсов и не позволить получить нужный эффект.
Эффективность и качество принятого оператором решения при анализе диагностических данных в процессе мониторинга и поиска неисправностей зависит от выбранной им стратегии. Представляется целесообразным иметь для пользования готовый, ранжированный набор стратегий, основанный на знаниях предметной области.
Предлагаемый метод мониторинга и поиска неисправностей, структурная система которого содержит информационную компоненту, позволяющую снизить информационную нагрузку на оператора. Сущность метода заключается в использовании Экспертных Систем (ЭС). При этом ЭС является инструментом хранения, дополнения, редактирования, тиражирования и использования знаний предметных областей: «настройки», «регулировки» и «поиск неисправностей». В общем случае ЭС является частью системы автоматического мониторинга ТО.
Часто, при проведении анализа надежности необходимо рассматривать вероятность отказа в течение малого интервала времени после момента времени t при условии, что до момента t отказа не произошло. Функция риска или функция интенсивности при этом формально определяется следующим образом: 
где -функция интенсивности отказов или функция риска на момент времени t; — плотность распределения времени отказов; — функция распределения времени отказов (интеграл от плотности по интервалу [0,t] ).
В общем виде функция интенсивности отказов записывается так: 
где>0 и >0 – некоторые числовые параметры.
При = 1функция риска равна константе, что соответствует нормальной эксплуатации машины; при < 1функция риска убывает, что соответствует переработке машины; при > 1 функция риска убывает, что соответствует старению машины.
Методы и средства искусственного интеллекта в целях диагностики и мониторинга широко используются в машиностроении и робототехнике [6]. В табл. представлены примеры применения экспертных систем в различных областях.
Таблица. Примеры применения экспертных систем в различных областях
|
Название системы |
Разработчик (страна) | Назначение |
| AFFRIM | Университетский колледж, УЭЛЬС (Великобритания) | Контроль текущего состояния производственного оборудования |
| AI-SPEAR | DEC (США) | Анализ неполадок в вычислительных системах |
| DELTA CATS | Electric (США) | Отыскание неисправностей при обслуживании и ремонте дизель-электровозов |
| Micro-Expert | ISIS Ltd (Великобритания) | Поиск отказов в электрических машинах |
К примеру, программное обеспечение «Мониторинг» успешно применяется на Саратовском подшипниковом заводе для оценки характеристик технологического процесса и оборудования за счет вибромониторинга, вихретокового контроля качества деталей и активного контроля процесса шлифования. Результаты испытаний, проведенных на предприятии-заказчике, свидетельствуют о том, что внедрение данной системы обеспечило более высокую эксплуатационную надежность подшипников ОАО «СПЗ» по сравнению с аналогичными подшипниками отечественных и зарубежных фирм. Интеллектуальные системы мониторинга нашли успешное применение для контроля качества творога [7]. Однако подобный подход еще не нашел применения на зерноперерабатывающих предприятиях.
Таким образом, задачи мониторинга и управления техническим состоянием зерноперерабатывающего оборудования, установления информационных каналов обмена информацией о результатах эксплуатации конкретных единиц оборудования между учеными, разработчиками и производственниками является актуальными.
В МГУПП ведутся научные исследования по разработке распределенных автоматизированных систем интеллектуального мониторинга оборудования зерноперерабатывающих предприятий. Целью исследования является повышение показателей функциональной надежности и технологической эффективности оборудования зерноперерабатывающих предприятий путем разработки и внедрения распределенных систем интеллектуального мониторинга на базе «облачных» технологий. Для достижения поставленной цели необходимо решить ряд задач, связанных с организацией сбора и обработки большого объема статистических данных по обслуживанию, параметрам технологических процессов, диагностическим параметрам, сопровождающих работу машины (вибрации, току, звуку, температуры).
Для решения задачи сбора, анализа и распространения информации о техническом состоянии технологических машин стало авторами статьи предложено создание на базе IT-технологий информационного пространства функционирующей машины. Для этого предлагается оснастить исследуемое оборудование системами автоматического сбора телеметрической информации об их функционировании (системами мониторинга и диагностики) и посредством «облачных» технологий обеспечить доступ заинтересованных лиц к этой информации. Способ организации связи на базе IT-технологии между системой мониторинга и ее пользователями показан на рис.1.
К примеру, программное обеспечение «Мониторинг» успешно применяется на Саратовском подшипниковом заводе для оценки характеристик технологического процесса и оборудования за счет вибромониторинга, вихретокового контроля качества деталей и активного контроля процесса шлифования. Результаты испытаний, проведенных на предприятии-заказчике, свидетельствуют о том, что внедрение данной системы обеспечило более высокую эксплуатационную надежность подшипников ОАО «СПЗ» по сравнению с аналогичными подшипниками отечественных и зарубежных фирм. Интеллектуальные системы мониторинга нашли успешное применение для контроля качества творога [7]. Однако подобный подход еще не нашел применения на зерноперерабатывающих предприятиях.
Таким образом, задачи мониторинга и управления техническим состоянием зерноперерабатывающего оборудования, установления информационных каналов обмена информацией о результатах эксплуатации конкретных единиц оборудования между учеными, разработчиками и производственниками является актуальными.
В МГУПП ведутся научные исследования по разработке распределенных автоматизированных систем интеллектуального мониторинга оборудования зерноперерабатывающих предприятий. Целью исследования является повышение показателей функциональной надежности и технологической эффективности оборудования зерноперерабатывающих предприятий путем разработки и внедрения распределенных систем интеллектуального мониторинга на базе «облачных» технологий. Для достижения поставленной цели необходимо решить ряд задач, связанных с организацией сбора и обработки большого объема статистических данных по обслуживанию, параметрам технологических процессов, диагностическим параметрам, сопровождающих работу машины (вибрации, току, звуку, температуры).
Для решения задачи сбора, анализа и распространения информации о техническом состоянии технологических машин стало авторами статьи предложено создание на базе IT-технологий информационного пространства функционирующей машины. Для этого предлагается оснастить исследуемое оборудование системами автоматического сбора телеметрической информации об их функционировании (системами мониторинга и диагностики) и посредством «облачных» технологий обеспечить доступ заинтересованных лиц к этой информации. Способ организации связи на базе IT-технологии между системой мониторинга и ее пользователями показан на рис.1.
Рис 1. Организация связи на базе IT-технологии между системой мониторинга и ее пользователями
Применение «облачных» технологий позволит минимизировать расходы на обслуживание ИТ инфраструктуры, а данные будут доступны всем, из любой точки мира, с любого компьютера. Кроме того, статистическая обработка будет осуществятся на одном компьютере (сервере), а пользователи будут иметь доступ к уже статистически обработанной и удобочитаемой информации о параметрах функционирования контролируемой машины. Применение такого подхода позволит разработчикам и производителям проводить испытания новых машин в производственных условиях путем непрерывного автоматического сбора телеметрической информации с работающего оборудования. Это даст возможность оценить надежность оборудования, накопить статистические данные по режимам работы, определить квалификационные требования к обслуживающему персоналу, получить представление об интенсивности и скорости изнашивания деталей, конкретизировать требования к видам и срокам технического обслуживания оборудования, а в случае необходимости, внести изменения в конструкцию машины. Пользователями собранной информации являются: зерноперерабатывающее предприятие (ремонтный персонал, служба главного энергетика, руководство предприятия); завод-изготовитель (разработчики, изготовители, менеджеры); организации технического надзора; ремонтные организации; независимые эксперты и пр.
Исходя из цели исследований сформулированы требования к системе мониторинга технологических машин (СМТМ) роторного типа мукомольного и комбикормового производства. К таким машинам относятся: молотковые дробилки, вальцовые станки, вымольные машины, обоечные машины, вентиляторы и пр. В настоящее время подобраны аппаратные и разработаны программные средства СМТМ. Для анализа текущего технического состояния объекта контроля используются следующие диагностические признаки: частота вращения рабочего органа; температура подшипниковых узлов; среднеквадратические значения (СКЗ) и спектр вибрации в диапазоне частот от 10 до 1000 Гц; СКЗ и спектр уровня шума в диапазоне частот от 10 до 20000 Гц; значение СКЗ и спектр мгновенных значений тока в цепи электродвигателя в диапазоне от 1 до 100 Гц, также фиксируется время наработки машины, события возникновения дефектов и их описание.
Структурная схем СМТМ представлен на рис.2. Система состоит из трех элементов: КСД – контроллер сбора данных; КИ – контроллер интерфейса; СЧ – серверная часть.
КСД базируется на 16-ти разрядном сигнальном контроллере dsPIC30F4013 и служит для измерения и обработки данных с датчиков. В качестве датчиков измерений физических параметров используются цифровые датчики вибрации (V), температуры (T), оборотов (N), тока (I) и звука (S) (рис.2). На процессоре dsPIC30F4013 реализована двухуровневая система аварийной сигнализации превышения контролируемых значений СКЗ диагностических признаков. При этом включается световая и/или звуковая сигнализации, также предусмотрено отключение машины.
КИ базируется на 8-ми разрядным контроллером PIC18F8722 и служит для настройка, отображение, хранение результатов измерений и их передачи по GSM каналу на удаленный сервер в СЧ проекта. В системе предусмотрен графический интерфейс с 4”LCD-экраном для настройки параметров работы системы и отображения текущей информации в виде графиков и гистограмм. Имеется встроенная карта памяти microSD для хранения измеренной информации.
СЧ служит для приема данных из различных источников (КИ с разными ID-номерами), и их разбор по таблицам базы данных (БД). Предполагается параллельная работа нескольких СМТМ (с разным ID). Доступ БД обеспечивается через Internet посредством пользовательского интерфейса с компьютеров пользователей из любой точки мира.
Рис. 2. Структурная схема системы автоматизированного мониторинга технологических машин (СМТМ)
Дальнейшая обработка собранной информации осуществляется в специализированных программах (Statistika, MatLab) с применением нейросетевых методов анализа данных. Предварительные исследования показали, что для решения задачи классификации технического состояния объекта контроля по входной информации, характеризующей физические процессы, сопровождающие работу машины, являются сети с архитектурой – многослойный персептрон.
Нейронная сеть создает сложное многомерное образование, собранное из простейших преобразований. С помощью таких простейших преобразований можно приближать очень сложные многомерные функции, следовательно, оценивать сложные зависимости. Текущее состояние нейрона имеет вид: 
где , j = 1,2…N – входные сигналы; — коэффициенты симпатических связей, которые могут быть положительными и отрицательными.
При обучении сети нейронов рассчитывается некоторый функционал, характеризующий качество обучения: 
где J – функционал; Q – объем выборки; M – число слоев сети; q – номер выборки; SM – число нейронов выходного слоя; — вектор сигнала на выходе сети; — вектор желаемых (целевых) значений сигнала на выходе сети для выборки с номером q.
Выводы
- На современном этапе развития IT-технологий информационные связи между наукой, разработчиками оборудования и эксплуатирующими организациями можно обеспечить путем создания информационного пространства функционирующей машины;
- Построение высокоэффективной системы мониторинга и технического диагностирования оборудования зерноперерабатывающего предприятия не возможно без применения современных математического аппарата нелинейной обработки данных. Таким аппаратом является технология нейросетевого анализа данных.
- Для успешного применения нейросетевого анализа необходимо иметь большой объем статистических данных по диагностическми параметрам работы машин в различных режимах работы и технических состояниях.
- Применение «облачных» технологий передачи, хранения и обработки телеметрической информации с контролируемого оборудования позволит существенно упростить и снизить стоимость системы мониторинга, обеспечив удобный доступ к информации всем заинтересованным субъектам;
- Разработана аппаратная часть, подобраны технические средства и ведутся работы по разработке программных средств системы мониторинга технологических машин.
Список литературы
- Технологическое оборудование и поточные линии предприятий по переработке зерна: учебник / Л.А. Глебов, А.Б. Демский, В.Ф. Веденьев, А.Е. Яблоков; I и III чисти под ред. Л.А. Глебова, II часть под ред. А.Б. Демского. — М.: ДеЛи принт, 2010. — 696 с.
- Надежность и эффективность в технике: Справочник. В 10т./Ред. Совет: В.С. Авдуевский и др. – М.: Машиностроение, 1990. Т.8.: Эксплуатация и ремонт/Под ред. В.И. Кузнецова и Е.Ю. Барзиловича. – 320 с.: ил.
- Галушкин А.И. Нейронные сети. Основы теории. – М.: Горячая линия – Телеком, 2012, – 496 с.
- Ширман А., Соловьев А. Практическая диагностика и мониторинг состояния механического оборудования. – М. 1996. – 251 с.
- Тугенгольд А. К. Интеллектуальные системы в управлении производственными и технологическими процессами. М.:ДГТУ, 2010.
- Интеллектуальные системы управления технологическими объектами: теория и практика: Федеральное агентство по образованию, Гос. образовательное учреждение высш. проф. образования «Сибирский гос. индустриальный ун-т», 2009.
- Благовещенская М.М., Давыдова Г.Р., Семина Н.А., Благовещенский И.Г. Использование интеллектуальных технологий для контроля качества творога // Вестник ВГУИТ, – Воронеж, 2014. №2. С.83-89.