Nothing Special   »   [go: up one dir, main page]

RU2779795C1 - Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов - Google Patents

Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов Download PDF

Info

Publication number
RU2779795C1
RU2779795C1 RU2021118053A RU2021118053A RU2779795C1 RU 2779795 C1 RU2779795 C1 RU 2779795C1 RU 2021118053 A RU2021118053 A RU 2021118053A RU 2021118053 A RU2021118053 A RU 2021118053A RU 2779795 C1 RU2779795 C1 RU 2779795C1
Authority
RU
Russia
Prior art keywords
industrial facility
industrial
technical condition
state
facility
Prior art date
Application number
RU2021118053A
Other languages
English (en)
Inventor
Михаил Владимирович Федотов
Владимир Васильевич Грачев
Сергей Ирленович Ким
Original Assignee
Акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (АО "ВНИКТИ")
Filing date
Publication date
Application filed by Акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (АО "ВНИКТИ") filed Critical Акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (АО "ВНИКТИ")
Application granted granted Critical
Publication of RU2779795C1 publication Critical patent/RU2779795C1/ru

Links

Images

Abstract

Изобретение относится к области мониторинга и диагностирования промышленных объектов и предназначено для диагностирования состояния промышленных объектов и прогнозирования его изменения с возможностью принятия решений о дате и объеме необходимых ремонтных работ. Согласно заявленному предложению используют в качестве диагностической модели многослойную нейронную сеть, обученную на основании массива данных, синтезированного при помощи аналитической модели промышленного объекта, построенной таким образом, что она отражает изменение параметров, контролируемых комплектом датчиков на промышленном объекте в зависимости от изменения его технического состояния в процессе эксплуатации. Полученные таким образом и наколенные количественные оценки технического состояния промышленного объекта используются в прогнозной модели для определения дальнейшего изменения технического состояния на заданный интервал времени, которое анализируется блоком принятия решений для оценки времени, оставшегося до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о дате и объеме необходимых профилактических и ремонтных работ. Техническиий результат - возможность получения количественной оценки технического состояния промышленного объекта с возможностью его прогнозирования. 2 н.п. ф-лы, 1 ил.

Description

Изобретение относится к области мониторинга и диагностирования промышленных объектов и предназначено для диагностирования состояния промышленных объектов и прогнозирования его изменения с возможностью принятия решений о дате и объеме необходимых ремонтных работ.
Известен способ диагностирования (RU, патент №2345492, МПК Н04В 17/00, опубл. 27.01.2009 г.) средств связи телекоммуникационных систем (СС ТКС), состоящий в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, причем, всю совокупность как внутренних параметров, так и выходных параметров, определяющих техническое состояние СС ТКС, сокращают за счет выявления сильной корреляционной зависимости отдельно между внутренними параметрами, отдельно между выходными и между входными параметрами СС ТКС, из сокращенного множества внутренних и выходных параметров СС ТКС определяют систему регрессионных уравнений, каждое уравнение системы регрессионных уравнений проверяют на адекватность, по заданной достоверности контроля технического состояния с учетом нормированных коэффициентов регрессии в системе регрессионных уравнений осуществляют контроль внутренних параметров СС ТКС с максимальными значениями нормированных коэффициентов регрессии, с учетом динамики изменений выделенных контролируемых параметров осуществляют прогнозирование времени наступления предотказового состояния СС ТКС.
Недостатком способа является повышенная сложность определения зависимостей внутренних и выходных параметров от технического состояния объекта. Также серьезным недостатком способа является использование в качестве эталонных признаков постоянных нормативных значений контролируемых параметров, что существенно ограничивает область применения метода, в частности, исключает возможность его использования в системах рабочего диагностирования транспортных объектов, где эталонные значения большинства информативных параметров зависят от режима движения объекта, в связи с чем постоянные нормативные значения этих параметров в документации не приводятся.
Известен способ диагностирования сложных технических объектов (RU, патент №2582876, МПК G06N 3/02, G06N 3/08, G05B 13/04, опубл. 27.04.2016 г.), заключающийся в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, в качестве признаков технического состояния объекта используют статистически обработанные характеристики разностей текущих и эталонных значений внутренних и выходных параметров объекта, в качестве эталонных признаков исходного алфавита классов используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров исправного объекта, при этом в качестве эталонных значений внутренних и выходных параметров исправного объекта используют их расчетные значения, вычисляемые для каждого режима работы объекта по измеренным текущим значениям входных параметров с помощью нейросетевых моделей.
Недостатком указанного способа является то, что в данном способе отсутствует возможность прогнозирования технического состояния диагностируемого объекта.
Известно решение, выбранное в качестве прототипа (RU №2707423, МПК G06F 11/00, G05B 23/03, G05B 17/00, опубл. 28.10.2019 г.), где для диагностирования промышленного объекта используется блок сбора данных, выполненный с возможностью сбора данных с комплекта датчиков промышленного объекта, блок модели промышленного объекта, выполненный с возможностью моделировать промышленный объект, блок анализа, выполненный с возможностью анализировать состояние промышленного объекта на основании данных, полученных от блока сбора данных и модели промышленного объекта, причем блок анализа выполнен с возможностью делать заключение о нормальном или аномальном функционировании промышленного объекта на основании анализа, причем блок анализа выполнен с возможностью принимать данные об изменениях, внесенных в промышленный объект и командовать блоку модели изменить модель в соответствии с внесенными изменениями.
Недостатком указанного решения является отсутствие возможности определения количественной оценки фактического состояния диагностируемого объекта (загрязнение, износ, заряд, емкость и т.д.), а также необходимость в периодическом изменении модели промышленного объекта в случае изменения его состояния. Кроме того, в данном способе упомянута, но не раскрыта сущность процесса прогнозирования технического состояния диагностируемого промышленного объекта.
Техническим результатом реализации предлагаемого способа является:
- возможность получения количественной оценки фактического технического состояния промышленного объекта посредством использования в качестве диагностической модели многослойной нейронной сети, обученной с использованием массива значений параметров, контролируемых комплектом датчиков на промышленном объекте, синтезированного при помощи аналитической модели промышленного объекта и выдающей результат диагностирования в виде количественного значения показателя, характеризующего техническое состояния промышленного объекта;
- отсутствие необходимости периодического изменения диагностической модели промышленного объекта за счет применения аналитической модели промышленного объекта, построенной таким образом, что она отражает значения параметров, контролируемых комплектом датчиков на промышленном объекте, во всех классах состояния промышленного объекта, а массив данных, синтезированный с использованием аналитической модели и используемый для обучения диагностической модели, включает значения параметров, контролируемых комплектом датчиков на промышленном объекте, во всех классах технического состояния промышленного объекта;
- возможность корректировки объемов и сроков проведения необходимых профилактических и ремонтных работ по результатам прогнозирования изменения технического состояния промышленного объекта посредством применения прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах количественной оценки технического состояния промышленного объекта, полученных с использованием диагностической модели.
Технический результат достигается тем, что в способе предиктивного диагностирования технического состояния промышленных объектов, заключающемся в том, что для диагностирования объекта осуществляют сбор данных с комплекта датчиков промышленного объекта, моделируют состояние промышленного объекта, анализируют состояние промышленного объекта на основании данных, полученных посредством комплекта датчиков и путем моделирования состояния промышленного объекта, по результатам анализа делают заключение о функционировании промышленного объекта, при анализе используют многослойную нейронную сеть, обученную с использованием данных, полученных при моделировании промышленного объекта и характеризующих все возможные классы его технического состояния в процессе эксплуатации, по результатам анализа делают количественную оценку технического состояния промышленного объекта, с помощью которой осуществляют периодический прогноз технического состояния промышленного объекта с помощью прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах анализа состояния промышленного объекта, полученный прогноз технического состояния промышленного объекта используют для оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых профилактических и ремонтных работ.
Также технический результат достигается тем, что устройство для предиктивного диагностирования технического состояния промышленных объектов, состоящее из блока сбора данных с комплекта датчиков промышленного объекта, блока модели промышленного объекта, блока анализа состояния промышленного объекта на основании данных, полученных от блока сбора данных и блока модели промышленного объекта для составления заключения о функционировании промышленного объекта, дополнительно оснащено блоком прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока анализа состояния промышленного объекта для осуществления прогноза технического состояния промышленного объекта, а также дополнительно оснащено блоком принятия решений для обработки данных с блока прогноза с целью оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ, причем блок модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта в процессе его эксплуатации, а блок анализа выполнен с возможностью формирования количественной оценки технического состояния промышленного объекта на заданный интервал времени.
Заявленный способ реализуется устройством для предиктивного диагностирования технического состояния промышленных объектов и поясняется чертежом.
На Фиг. изображена схема устройства для предиктивного диагностирования технического состояния промышленных объектов.
Устройство для предиктивного диагностирования технического состояния промышленных объектов состоит из блока 1 сбора данных с комплекта 2 датчиков промышленного объекта 3, блока 4 модели промышленного объекта, блока 5 анализа состояния промышленного объекта 3 на основании данных, полученных от блока 1 сбора данных и блока 4 модели промышленного объекта 3. Блок 5 анализа выполнен с возможностью формирования количественной оценки фактического состояния промышленного объекта 3, а блок 4 модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта 3 в процессе его эксплуатации. Блок 5 анализа выполнен в виде диагностической модели, построенной с использованием многослойной нейронной сети, обученной с использованием данных, полученных от блока 4 модели промышленного объекта 3 и характеризующих все возможные классы технического состояния промышленного объекта 3. Устройство для предиктивного диагностирования технического состояния промышленных объектов дополнительно оснащено блоком 6 прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока 5 анализа промышленного объекта 3 и осуществляющим прогноз технического состояния промышленного объекта 3. Также устройство для предиктивного диагностирования технического состояния промышленных объектов дополнительно оснащено блоком 7 принятия решений, выполняющим, на основании данных, полученных с блока 6 прогноза, оценку оставшегося времени до достижения спрогнозированным состоянием промышленного объекта 3 предельных значений и принятия решения о дате и объеме необходимых ремонтных работ.
Устройство для осуществления способа предиктивного диагностирования технического состояния промышленных объектов работает следующим образом. Вначале разрабатывается модель промышленного объекта 3, подлежащего диагностированию. При разработке модели промышленного объекта 3 учитывается изменение его технического состояния в процессе эксплуатации. В блоке 4 модели промышленного объекта 3, с помощью аналитической модели промышленного объекта 3 синтезируется выборка векторов исходных данных, соответствующих различным классам технического состояния промышленного объекта 3. Блок 5 анализа представляет собой диагностическую модель, построенную с использованием искусственной многослойной нейронной сети. Производится обучение диагностической модели промышленного объекта 3 по методу обратного распространения ошибки с использованием синтезированной выборки векторов исходных данных, соответствующих различным классам состояния промышленного объекта. Блок 1 сбора данных осуществляет измерение и регистрацию выходных параметров комплекта 2 датчиков, установленных на промышленный объект 3. Зарегистрированные выходные параметры комплекта 2 датчиков поступают на вход блока 5 анализа и проходят через обученную нейронную сеть. На выходе блока 5 анализа формируется количественная оценка технического состояния диагностируемого промышленного объекта 3, которая накапливается в блоке 6 прогноза. Накопленные за время эксплуатации промышленного объекта 3 значения оценок его технического состояния представляют собой временной ряд, который используется для обучения блока 6 прогноза, выполненного с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти. Обученный блок 6 прогноза периодически осуществляет прогноз изменения технического состояния промышленного объекта 3 на заданный интервал времени. С выхода блока 6 прогноза полученный результат прогноза изменения технического состояния на заданный интервал времени поступает в блок 7 принятия решений, выполняющий оценку оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ.

Claims (2)

1. Способ предиктивного диагностирования технического состояния промышленных объектов, заключающийся в том, что для диагностирования объекта осуществляют сбор данных с комплекта датчиков промышленного объекта, моделируют состояние промышленного объекта, анализируют состояние промышленного объекта на основании данных, полученных посредством комплекта датчиков и путем моделирования состояния промышленного объекта, по результатам анализа делают заключение о функционировании промышленного объекта, отличающийся тем, что при анализе используют многослойную нейронную сеть, обученную с использованием данных, полученных при моделировании промышленного объекта и характеризующих все возможные классы его технического состояния в процессе эксплуатации, по результатам анализа делают количественную оценку технического состояния промышленного объекта, с помощью которой осуществляют периодический прогноз технического состояния промышленного объекта с помощью прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах анализа состояния промышленного объекта, полученный прогноз технического состояния промышленного объекта используют для оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых профилактических и ремонтных работ.
2. Устройство для предиктивного диагностирования технического состояния промышленных объектов, состоящее из блока сбора данных с комплекта датчиков промышленного объекта, блока модели промышленного объекта, блока анализа состояния промышленного объекта на основании данных, полученных от блока сбора данных и блока модели промышленного объекта, для составления заключения о функционировании промышленного объекта, отличающееся тем, что дополнительно оснащено блоком прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока анализа состояния промышленного объекта для осуществления прогноза технического состояния промышленного объекта, а также дополнительно оснащено блоком принятия решений для обработки данных с блока прогноза с целью оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ, причем блок модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта в процессе его эксплуатации, а блок анализа выполнен с возможностью формирования количественной оценки технического состояния промышленного объекта на заданный интервал времени.
RU2021118053A 2021-06-21 Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов RU2779795C1 (ru)

Publications (1)

Publication Number Publication Date
RU2779795C1 true RU2779795C1 (ru) 2022-09-13

Family

ID=

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2563161C2 (ru) * 2013-07-18 2015-09-20 Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей
RU2582876C2 (ru) * 2014-09-18 2016-04-27 Открытое акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (ОАО "ВНИКТИ") Способ диагностирования сложных технических объектов
US20160160762A1 (en) * 2014-12-08 2016-06-09 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
RU2707423C2 (ru) * 2018-04-28 2019-11-26 Общество С Ограниченной Ответственностью "Кловер Групп" Способ и система для диагностирования промышленного объекта

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2563161C2 (ru) * 2013-07-18 2015-09-20 Федеральное государственное бюджетное учреждение науки Институт конструкторско-технологической информатики Российской академии наук (ИКТИ РАН) Способ и устройство технической диагностки сложного технологического оборудования на основе нейронных сетей
RU2582876C2 (ru) * 2014-09-18 2016-04-27 Открытое акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (ОАО "ВНИКТИ") Способ диагностирования сложных технических объектов
US20160160762A1 (en) * 2014-12-08 2016-06-09 General Electric Company System and method for predicting and managing life consumption of gas turbine parts
RU2707423C2 (ru) * 2018-04-28 2019-11-26 Общество С Ограниченной Ответственностью "Кловер Групп" Способ и система для диагностирования промышленного объекта

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ГРАЧЕВ В.В., ФЕТОВОВ М.В., КИМ С.И. ПРИМЕНЕНИЕ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ ДИАГНОСТИРОВАНИЯ ОБОРУДОВАНИЯ СОВРЕМЕННЫХ ЛОКОМОТИВОВ. ТЕХНИКА ЖЕЛЕЗНЫХ ДОРОГ, номер 3 (43), 2018, с.22-31. *
СОКОЛОВ Д.И., СОЛОВЬЕВ С.Ю. Контроль и мониторинг промышленного оборудования с использованием платформы MindSphere компании Siemens, "ИСУП", НОМЕР 4(76)_2018, с.17-22. ГОРЕВА Т.И., ПОРТНЯГИН Н.Н., ПЮККЕ Г.А. НЕЙРОСЕТЕВЫЕ МОДЕЛИ ДИАГНОСТИКИ ТЕХНИЧЕСКИХ СИСТЕМ. Вестник КРАУНЦ. Физ.-мат. науки, 2012, выпуск 1(4), с.31-43. *

Similar Documents

Publication Publication Date Title
CN110647133B (zh) 轨道交通设备状态检测维护方法及系统
CN108604360B (zh) 设施异常监测方法及其系统
US6834256B2 (en) Method and system for determining motor reliability
Yu State-of-health monitoring and prediction of lithium-ion battery using probabilistic indication and state-space model
US6694286B2 (en) Method and system for monitoring the condition of an individual machine
CN112785091B (zh) 一种对油田电潜泵进行故障预测与健康管理的方法
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
RU2014119873A (ru) Способ предупредительного обнаружения отказа в устройстве, компьютерная программа, система и модуль для предупредительного обнаружения отказа в устройстве
CN116756909A (zh) 一种基于数据模型及机理模型的火电厂预警诊断系统
CN117471346A (zh) 用于确定退役电池模组剩余寿命和健康状态的方法及系统
JP2544498B2 (ja) 余寿命診断方法及び余寿命診断装置並びに余寿命情報表示方法及び表示装置とエキスパ―トシステム
RU2779795C1 (ru) Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов
Le Contribution to deterioration modeling and residual life estimation based on condition monitoring data
Letot et al. Dynamic reliability degradation based models and maintenance optimization
RU2735296C1 (ru) Способ многопараметрического контроля состояния сложных электротехнических объектов
CN115828744A (zh) 一种白光发光二极管故障在线诊断与寿命预测方法
CN110895624A (zh) 基于最大熵谱估计的加速贮存与自然贮存退化数据一致性检验法
Chiachío et al. Integration of prognostics at a system level: A Petri net approach
RU2648413C1 (ru) Способ управления режимами на основе нейросетевого диагностирования неисправностей и технического состояния электроприводного газоперекачивающего агрегата
RU2753855C1 (ru) Способ и устройство учета выработки ресурса аппаратуры железнодорожной автоматики и телемеханики
CN117827621B (zh) 一种嵌入式软件自动化测试平台系统及方法
Darò et al. DATA‐INFORMED SAFETY ASSESSMENT OF EXISTING TRANSPORT INFRASTRUCTURES
Makis A comparison of Hidden Markov and Semi-Markov modeling for a deterioration system subject to vibration monitoring
CN117554218B (zh) 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法
CN117272844B (zh) 配电盘工作寿命的预测方法及系统