Обнаружение и устранение неисправностей - Fault detection and isolation

Обнаружение, изоляция и восстановление неисправностей (FDIR) является подполем техника управления который занимается мониторингом системы, определяя, когда вина произошла, а также определить тип неисправности и ее местонахождение. Можно выделить два подхода: прямое распознавание показаний датчика, указывающих на неисправность, и анализ несоответствия между показаниями датчика и ожидаемыми значениями, полученными на основе некоторой модели. В последнем случае обычно говорят, что неисправность обнаружена, если несоответствие или остаточный превышает определенный порог. Затем задача локализации неисправности состоит в том, чтобы классифицировать тип неисправности и ее местонахождение в оборудовании. Обнаружение и устранение неисправностей (ПИИ) методы можно условно разделить на две категории. К ним относятся FDI на основе моделей и FDI на основе обработки сигналов.

На основе модели

Пример логики FDI на основе модели для исполнительного механизма в системе управления лифтом самолета[1]

В методах FDI на основе моделей для принятия решения о возникновении неисправности используется некоторая модель системы. Системная модель может быть математический или на основе знаний. Некоторые из основанных на моделях методов ПИИ включают[2] подход на основе наблюдателя, подход на основе пространства четности и методы, основанные на идентификации параметров. Существует еще одна тенденция схем ПИИ на основе моделей, которая называется методами множественного членства. Эти методы гарантируют обнаружение неисправности при определенных условиях. Основное отличие состоит в том, что вместо поиска наиболее вероятной модели эти методы не включают модели, несовместимые с данными.[3][4]

Пример, показанный на рисунке справа, иллюстрирует основанную на модели методику 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 (пассивным, активным, резервным, выключенным и изолированным) каждого привода. Например, если в гидравлической системе 1 обнаружена неисправность, то таблица истинности отправляет в диаграмму состояний событие, что левый внутренний привод должен быть выключен. Одним из преимуществ этого метода FDI, основанного на модели, является то, что этот реактивный контроллер также может быть подключен к модели гидросистемы привода в непрерывном времени, что позволяет изучать переходные процессы переключения.[5]

Обработка сигналов на основе ПИИ

При FDI на основе обработки сигналов некоторые математические или статистические операции выполняются с измерениями, 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 где 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 повреждений проводов.[10] Было также предложено несколько методов кластеризации для идентификации нового отказа и сегментации данного сигнала на нормальные и неисправные сегменты.[11]

Диагностика неисправностей машины

Диагностика неисправностей машин - это область машиностроение занимается поиском неисправностей, возникающих в машинах. Особенно хорошо разработанная его часть относится конкретно к вращающимся машинам, одному из наиболее распространенных типов. Для выявления наиболее вероятных неисправностей, ведущих к отказу, используются многие методы сбора данных, в том числе: вибрация мониторинг, тепловидение, анализ частиц нефти и т. д. Затем эти данные обрабатываются такими методами, 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 волны (во временной области, потому что спектральный анализ обычно касается только частотного распределения, а не информация о фазе) и другие. Результаты этого анализа используются при анализе основной причины отказа, чтобы определить первоначальную причину отказа. Например, если диагностирована неисправность подшипника, то вполне вероятно, что сам подшипник был поврежден не при установке, а скорее как следствие другой ошибки установки (например, несоосность), которая затем привела к повреждению подшипника. Для прецизионного обслуживания недостаточно диагностировать поврежденное состояние подшипника. Необходимо определить и устранить первопричину. Если этого не сделать, новый подшипник скоро изнашивается по той же причине, и машина будет больше повреждена, 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 частотно-временной анализ. Для вращающейся машины скорость вращения машины (часто известная как Об / мин ), не является постоянной величиной, особенно на этапах запуска и остановки машины. Даже если машина работает в установившемся режиме, скорость вращения будет изменяться около среднего установившегося значения, и это изменение зависит от нагрузки и других факторов. Поскольку звуковые и вибрационные сигналы, полученные от вращающейся машины, сильно зависят от ее скорости вращения, можно сказать, что они по своей природе изменяются во времени. Эти изменяющиеся во времени функции содержат сигнатуры неисправностей машины. Следовательно, то, как эти особенности извлекаются и интерпретируются, важно для исследований и промышленных приложений.

Наиболее распространенным методом анализа сигналов является БПФ, или преобразование Фурье. Преобразование Фурье и его обратный аналог предлагают две перспективы изучения сигнала: через временную область или через частотную область. В БПФ Спектр временного сигнала показывает нам наличие его частотного содержания. Изучая их, а также их величину или фазовые отношения, мы можем получить различные типы информации, например: гармоники, боковые полосы, частота биений, частота отказов подшипников и т. д. Тем не менее БПФ подходит только для сигналов, частотный состав которых не меняется со временем; однако, как упоминалось выше, частотные составляющие звуковых и вибрационных сигналов, полученных от вращающейся машины, очень сильно зависят от времени. По этой причине, БПФ спектры, основанные на спектрах, не могут определить, как частотный состав изменяется во времени. Чтобы быть более конкретным, если Об / мин Если машина увеличивается или уменьшается в период ее запуска или выключения, ее полоса пропускания в спектре БПФ станет намного шире, чем это было бы просто для устойчивого состояния. Следовательно, в этом случае гармоники не так различимы в спектре.

Частотно-временный подход к диагностике неисправностей машин можно разделить на две большие категории: линейные методы и квадратичные методы. Разница в том, что линейные преобразования могут быть инвертированы для построения сигнала времени, поэтому они больше подходят для обработки сигналов, такой как уменьшение шума 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 временные истории.

Кратковременное преобразование Фурье (STFT ) и Преобразование Габора - это два алгоритма, обычно используемые как линейные частотно-временные методы. Если мы рассмотрим линейный частотно-временной анализ как эволюцию традиционного БПФ, то квадратичный частотно-временной анализ будет аналогом спектра мощности. Квадратичные алгоритмы включают спектрограмму Габора, класс Коэна и адаптивную спектрограмму. Основным преимуществом частотно-временного анализа является обнаружение закономерностей изменения частоты, которые обычно отражают природу сигнала. Пока эта модель идентифицирована, можно определить неисправность машины, связанную с этой схемой. Еще одно важное использование частотно-временного анализа - это способность отфильтровывать конкретную частотную составляющую с помощью изменяющегося во времени фильтра.

Надежная диагностика неисправностей

На практике неопределенности модели и шум измерений могут усложнить обнаружение и локализацию неисправностей.[12]

В результате, использование диагностики неисправностей для удовлетворения промышленных потребностей рентабельным способом и для снижения затрат на техническое обслуживание, не требуя больших вложений, чем стоимость того, чего следует избегать в первую очередь, требует эффективной схемы их применения. Это предмет обслуживание, ремонт и эксплуатация; различные стратегии включают:

Обнаружение и диагностика неисправностей с использованием искусственного интеллекта

Методы машинного обучения для обнаружения и диагностики неисправностей

Смотрите также: Машинное обучение

При обнаружении и диагностике неисправностей, математические модели классификации которые на самом деле принадлежат контролируемое обучение методы, обучаются на Обучающий набор маркированного набор данных для точного определения дубликатов, неисправностей и аномальных образцов. За последние десятилетия появились разные классификация и предварительная обработка модели, которые были разработаны и предложены в этой области исследований.[13] KАлгоритм ближайших соседей (kNN) - один из старейших методов, который использовался для решения проблем обнаружения и диагностики неисправностей.[14] Несмотря на простую логику этого основанного на экземплярах алгоритма, есть некоторые проблемы с большими размерность и время обработки при использовании на больших наборы данных.[15] С kNN не может автоматически извлекать функции для преодоления проклятие размерности, так часто некоторые предварительная обработка данных методы как Анализ главных компонентов (PCA), Линейный дискриминантный анализ (LDA) или Канонический корреляционный анализ (CCA) сопровождают его для достижения лучшей производительности.[16] Во многих промышленных случаях эффективность kNN сравнивали с другими методами, особенно с более сложными моделями классификации, такими как Машины опорных векторов (SVM), который широко используется в этой области. Благодаря соответствующему нелинейному отображению с использованием методы ядра, SVM имеют впечатляющую производительность в обобщении, даже с небольшими обучающими данными.[17] Однако обычные SVM не имеют автоматического извлечения функций сами по себе, как и kNN, часто сочетаются с предварительная обработка данных техника.[18] Еще одним недостатком SVM является то, что их производительность очень чувствительна к начальным параметрам, особенно к методы ядра,[19] так что в каждом сигнале набор данных, сначала необходимо провести процесс настройки параметров. Следовательно, низкая скорость фазы обучения является ограничением SVM, когда дело доходит до его использования в случаях обнаружения и диагностики неисправностей.[20]

Форма волны во временной области (вверху) и CWTS (внизу) нормального сигнала

Искусственные нейронные сети (ИНС) являются одними из наиболее зрелых и широко используемых алгоритмы математической классификации в обнаружении и диагностике неисправностей. ИНС хорошо известны своими эффективными способностями самообучения сложных отношений (которые обычно существуют в задачах обнаружения и диагностики неисправностей) и просты в эксплуатации.[18] Еще одно преимущество ИНС состоит в том, что они выполняют автоматическое извлечение признаков, присваивая незначительные веса нерелевантным функциям, помогая системе избежать работы с другим средством извлечения признаков.[21] Однако ИНС обычно чрезмерно подходящий обучающий набор, что приведет к снижению точности проверки на проверочном наборе. Следовательно, часто в модель ИНС добавляются некоторые термины регуляризации и предварительные знания, чтобы избежать переоснащение 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 общем, разные модели SVM и ANN (т.е. Нейронные сети с обратным распространением и Многослойный персептрон ) показали успешные результаты в обнаружении и диагностике неисправностей в таких отраслях, как коробка передач,[22] машины части (т.е. механические подшипники[23]), компрессоры,[24] ветер и газовые турбины[25][26] и стальные пластины.[27]

Методы глубокого обучения для обнаружения и диагностики неисправностей

Типовая архитектура сверточной нейронной сети
Смотрите также: Глубокое обучение

С развитием ИНС и появлением глубокое обучение алгоритмы, использующие глубокие и сложные слои, новый модели классификации были разработаны, чтобы справиться с обнаружением и диагностикой неисправностей.[28]Большинство из поверхностное обучение модели извлекают из сигналов несколько значений характеристик, вызывая размерность сокращение от оригинала сигнал. Используя Сверточные нейронные сети, то непрерывное вейвлет-преобразование скалограмма могут быть напрямую отнесены к нормальным и ошибочным классам. Такой метод позволяет избежать пропуска каких-либо важных сообщений о неисправности и приводит к повышению эффективности обнаружения и диагностики неисправностей.[29]Кроме того, преобразовывая сигналы в конструкции изображения, 2D Сверточные нейронные сети может быть реализован для идентификации ошибочных сигналов по признакам вибрационного изображения.[30]

Сети глубоких убеждений,[31] Ограниченные машины Больцмана[32] и Автоэнкодеры[33] другие глубокие нейронные сети архитектуры, которые успешно использовались в этой области исследований. В сравнении с традиционное машинное обучение, благодаря своей глубокой архитектуре, глубокое обучение модели могут изучать более сложные структуры из наборы данных однако для достижения более высокой точности им требуются более крупные образцы и более длительное время обработки.[18]

Смотрите также

Рекомендации

  1. ^ Джейсон Р. Гиделла и Питер Дж. Мостерман, «Тестирование на основе требований в проектировании систем управления самолетом», документ с идентификатором AIAA 2005-5886 на конференции и выставке AIAA Modeling and Simulations Technologies Conference and Exhibit 2005, 15-18 августа, Сан-Франциско, Калифорния, 2005.
  2. ^ Динг С.Х., Методы диагностики неисправностей на основе моделей, Springer 2008 г.
  3. ^ Харирчи, Фаршад; Озай, Некмие (2015). «Недействительность модели для переключаемых аффинных систем с приложениями для обнаружения сбоев и аномалий **. Эта работа частично поддерживается грантом DARPA N66001-14-1-4045». Документы IFACOnLine. 48 (27): 260–266. Дои:10.1016 / j.ifacol.2015.11.185.
  4. ^ Фаршад Харирчи и Некмий Озай, «Гарантированное модельное обнаружение неисправностей в киберфизических системах: подход к моделированию недействительности», arXiv
  5. ^ Питер Дж. Мостерман и Джейсон Гиделла, «Повторное использование модели для обучения сценариев сбоев в аэрокосмической отрасли», в материалах конференции AIAA Modeling and Simulation Technologies Conference, CD-ROM, paper 2004-4931, 16-19 августа, Конференц-центр Род-Айленда , Провиденс, Род-Айленд, 2004.
  6. ^ Лю, Цзе (2012). «Анализ вейвлет-спектра Шеннона на усеченных сигналах вибрации для обнаружения зарождающейся неисправности машины». Измерительная наука и технология. 23 (5): 1–11. Bibcode:2012MeScT..23e5604L. Дои:10.1088/0957-0233/23/5/055604.
  7. ^ Ахмадиманеш, Алиреза и С. Мохаммад Шахрташ. «Метод определения места повреждения на основе переходных процессов для многополюсных линий с использованием S-преобразования». Транзакции IEEE по доставке электроэнергии 28.3 (2013): 1373-1380.
  8. ^ Ахмадиманеш, Алиреза и Сейед Мохаммад Шахрташ. «Алгоритм определения места повреждения на основе преобразования времени для трехполюсников». IET Generation, Transmission & Distribution 7.5 (2013): 464-473.
  9. ^ Ахмадиманеш А. и С. М. Шахрташ. «Использование S-преобразования для определения места повреждения в трех терминальных линиях». Окружающая среда и электротехника (EEEIC), 2011 10-я Международная конференция по. IEEE, 2011.
  10. ^ Фурс, Синтия; Смит, Пол; Вот, Чет. "Датчики с расширенным спектром для критических Расположение неисправности В архиве 2010-05-01 в Archive.today в проводных сетях под напряжением " Структурный контроль и мониторинг здоровья 6 июня 2005 г.
  11. ^ Бахрампур, Сохейл; Мошири, Бехзад; Салахшур, Карим. "Взвешенная и ограниченная возможностная кластеризация C-средств для онлайн-обнаружения и изоляции неисправностей [1] " Прикладной интеллект, том 35, стр. 269-284, 2011 г. 6 июня 2005 г.
  12. ^ «Надежный остаточный отбор для обнаружения неисправностей», 2014 г.
  13. ^ Чен, Кунджин; Хуанг, Цауэй; Хэ, Цзиньлян (1 апреля 2016 г.). «Обнаружение, классификация и локализация неисправностей в линиях электропередачи и распределительных системах: обзор методов». Высокое напряжение. 1 (1): 25–33. Дои:10.1049 / ве.2016.0005.
  14. ^ Вердье, Гислен; Феррейра, Ариан (февраль 2011 г.). «Адаптивное расстояние Махаланобиса и правило $ k $ -ближайшего соседа для обнаружения неисправностей в производстве полупроводников». IEEE Transactions по производству полупроводников. 24 (1): 59–68. Дои:10.1109 / TSM.2010.2065531.
  15. ^ Тиан, Цзин; Морилло, Карлос; Азарян, Майкл Х .; Печт, Майкл (март 2016). «Обнаружение неисправности подшипника двигателя с использованием извлечения признаков на основе спектрального эксцесса в сочетании с анализом расстояния K-ближайшего соседа». IEEE Transactions по промышленной электронике. 63 (3): 1793–1803. Дои:10.1109 / TIE.2015.2509913.
  16. ^ Safizadeh, M.S .; Латифи, С. (Июль 2014 г.). «Использование объединения данных нескольких датчиков для диагностики неисправностей подшипников качения с помощью акселерометра и датчика веса». Информационное слияние. 18: 1–8. Дои:10.1016 / j.inffus.2013.10.002.
  17. ^ Лю, Цзе; Зио, Энрико (декабрь 2016 г.). «Векторная регрессия признаков с эффективной настройкой гиперпараметров и геометрической интерпретацией». Нейрокомпьютинг. 218: 411–422. Дои:10.1016 / j.neucom.2016.08.093.
  18. ^ а б c Лю, Руонань; Ян, Боюань; Зио, Энрико; Чен, Сюэфэн (август 2018 г.). «Искусственный интеллект для диагностики неисправностей вращающегося оборудования: обзор». Механические системы и обработка сигналов. 108: 33–47. Bibcode:2018MSSP..108 ... 33L. Дои:10.1016 / j.ymssp.2018.02.016.
  19. ^ Гентон, Марк Г. (2001). «Классы ядер для машинного обучения: перспективы статистики». Журнал исследований в области машинного обучения. 2: 299–312. Дои:10.1162/15324430260185646.
  20. ^ а б Коциантис, С.Б .; Zaharakis, I.D .; Пинтелас, П. (2006). «Машинное обучение: обзор методов классификации и комбинирования». Обзор искусственного интеллекта. 26 (3): 159–190. Дои:10.1007 / s10462-007-9052-3.
  21. ^ Верчеллис, Карло (2008). Бизнес-аналитика: интеллектуальный анализ данных и оптимизация для принятия решений ([Online-Ausg.]. Ред.). Хобокен, штат Нью-Джерси: Wiley. п. 436. ISBN  978-0-470-51138-1.
  22. ^ Saravanan, N .; Сиддабаттуни, В. Кумар; Рамачандран, К. (Январь 2010 г.). «Диагностика неисправностей в коробке передач шпоры скоса с помощью искусственной нейронной сети (ИНС) и векторной машины проксимальной поддержки (PSVM)». Прикладные мягкие вычисления. 10 (1): 344–360. Дои:10.1016 / j.asoc.2009.08.006.
  23. ^ Хуэй, Кар Хоу; Оои, Чинг Шэн; Лим, Мэн Хи; Леонг, Мохд Салман (15 ноября 2016 г.). «Гибридная искусственная нейронная сеть с теорией Демпстера-Шафера для автоматической диагностики неисправностей подшипников». Журнал виброинженерии. 18 (7): 4409–4418. Дои:10.21595 / jve.2016.17024.
  24. ^ Ци, Гуаньцю; Чжу, Чжицинь; Эрциньху, Кэ; Чен, Иньун; Чай, Йи; Сунь, Цзянь (январь 2018 г.). «Диагностика неисправностей поршневых компрессоров с использованием больших данных и машинного обучения». Практика и теория имитационного моделирования. 80: 104–127. Дои:10.1016 / j.simpat.2017.10.005.
  25. ^ Сантос, Педро; Вилла, Луиза; Реньонес, Анибал; Бустильо, Андрес; Модес, Хесус (9 марта 2015 г.). «Решение на основе SVM для обнаружения неисправностей в ветряных турбинах». Датчики. 15 (3): 5627–5648. Дои:10,3390 / с150305627. ЧВК  4435112. PMID  25760051.
  26. ^ Вонг, Пак Кин; Ян, Чжисинь; Вонг, Чи Ман; Чжун, Цзяньхуа (март 2014 г.). «Диагностика неисправностей в режиме реального времени для систем газотурбинных генераторов с использованием экстремальной обучающей машины». Нейрокомпьютинг. 128: 249–257. Дои:10.1016 / j.neucom.2013.03.059.
  27. ^ Тиан, Ян; Фу, Менгю; Ву, Фанг (март 2015 г.). «Стальные пластины Диагностика неисправностей на основе опорных векторов». Нейрокомпьютинг. 151: 296–303. Дои:10.1016 / j.neucom.2014.09.036.
  28. ^ Lv, Feiya; Вэнь, Чэнлинь; Бао, Цзэцзин; Лю, Мэйцинь (июль 2016 г.). Диагностика неисправностей на основе глубокого обучения. Американская конференция по контролю за 2016 г. (ACC). С. 6851–6856. Дои:10.1109 / ACC.2016.7526751. ISBN  978-1-4673-8682-1.
  29. ^ Го, Шэн; Ян, Дао; Гао, Вэй; Чжан, Чен (4 мая 2018 г.). «Новый метод диагностики неисправностей вращающегося оборудования на основе сверточной нейронной сети». Датчики. 18 (5): 1429. Дои:10,3390 / с18051429. ЧВК  5982639. PMID  29734704.
  30. ^ Хоанг, Дуй-Тан; Кан, Хи-Джун (2019). «Диагностика неисправностей подшипников качения с использованием сверточной нейронной сети и изображения вибрации». Исследование когнитивных систем. 53: 42–50. Дои:10.1016 / j.cogsys.2018.03.002.
  31. ^ Лэй, Ягуо; Цзя, Фэн; Линь, Цзин; Син, Сайбо; Дин, Стивен Икс (май 2016 г.). «Интеллектуальный метод диагностики неисправностей с использованием неконтролируемого изучения функций для больших механических данных». IEEE Transactions по промышленной электронике. 63 (5): 3137–3147. Дои:10.1109 / TIE.2016.2519325.
  32. ^ Шао, Хайдун; Цзян, Хункай; Чжан, Сюнь; Ниу, Маогуи (1 ноября 2015 г.). «Диагностика неисправностей подшипников качения с использованием оптимизационной сети глубоких убеждений». Измерительная наука и технология. 26 (11): 115002. Bibcode:2015MeScT..26k5002S. Дои:10.1088/0957-0233/26/11/115002.
  33. ^ Цзя, Фэн; Лэй, Ягуо; Линь, Цзин; Чжоу, Синь; Лу, На (май 2016 г.). «Глубокие нейронные сети: многообещающий инструмент для анализа характеристик неисправностей и интеллектуальной диагностики вращающегося оборудования с большим объемом данных». Механические системы и обработка сигналов. 72-73: 303–315. Bibcode:2016MSSP ... 72..303J. Дои:10.1016 / j.ymssp.2015.10.025.