Содержание к диссертации
Введение
1 Анализ маломасляных высоковольтных выключателей и их систем диагностики. постановка задач исследования 18
1.1 Формализация описания ВВ как объекта исследования 18
1.2 Обзор и анализ известных систем диагностики ВВ 21
1.3 Анализ известных методов измерения скорости перемещения подвижного контакта высоковольтных выключателей 26
1.4 Исследование эталонных характеристик «межконтактная емкость -межконтактное расстояние» 34
1.5 Исследование комплексной модели «объект - измерительное устройство» 39
1.6 Постановка задач 46
Выводы к главе 1 47
2 Разработка и исследование алгоритмов диагностики высоковольтных выключателей по скоростным характеристикам на базе нейронных сетей 49
2.1 Анализ и выбор оптимальных спектральных методов обработки характеристик высоковольтных выключателей 49
2.1.1 Исследование спектральных методов анализа сигналов для применения в первичной обработке сигнала 49
2.1.2 Непараметрические методы. Быстрое преобразование Фурье 52
2.1.3 Непараметрические методы. Периодограммный анализ 56
2.1.4 Параметрические методы. Авторегрессионный анализ 61
2.1.5 Кепстральный анализ з
2.1.6 Методы частотного-временного развертывания сигнала 65
2.1.7 Сравнение и выбор оптимального метода обработки скоростных характеристик ВВ 68
2.2 Выбор и обоснование оптимальных вейвлетов для вейвлет-спектральной обработки сигналов 69
2.2.1 Математическая обработка динамических характеристик подвижного контакта ВВ с использованием непрерывного вейвлет-анализа 69
2.2.2 Вейвлет-спектральный анализ динамических характеристик подвижного контакта ВВ с использованием предварительного вейвлет фильтра 70
2.3 Алгоритм диагностики ВВ по скоростным характеристикам на базе вейвлет-анализа и нейронных сетей 74
2.4 Оптимизация алгоритма диагностики ВВ на базе вейвлет-анализа и нейронных сетей. Алгоритм выбора информативного диапазона из вейвлет-спектра 79
2.5 Оптимизация алгоритма диагностики ВВ на базе вейвлет-анализа и нейронных сетей. Решение задачи оптимизации структуры нейронной сети с помощью генетических алгоритмов 82
Выводы к главе 2 85
3 Разработка и исследование алгоритма контроля высоковольтных выключателей по временным параметрам на базе технологии обнаружения аномалий 86
3.1 Алгоритм контроля по временным параметрам. Нечеткая модель 87
3.2 Алгоритм контроля по временным параметрам. Статистическая модель обнаружения аномалий 92
3.3 Алгоритм контроля по временным параметрам. Сравнение нечеткой и
статистической моделей для контроля 94 3.4 Сравнение алгоритмов контроля ВВ по временным параметрам и диагностики ВВ по скоростным характеристикам. Двухэтапный метод диагностики ВВ 96
3.5 Апробация алгоритма выбора информативного диапазона из вейвлет-спектра в задаче диагностики электромагнитных механизмов 99
Выводы к главе 3 109
4 Разработка комплекса диагностики высоковольтных выключателей
4.1 Анализ источников возникновения методической погрешности измерения скорости ПО
4.2 Проектирование системы диагностики ВВ 111
4.3 Разработка встроенного программного обеспечения системы диагностики ВВ 113
4.4 Разработка испытательного стенда 126
4.5 Результаты проектирования системы диагностики и испытательного стенда 130
Выводы к главе 4 132
Заключение 134
Список литературы 136
- Анализ известных методов измерения скорости перемещения подвижного контакта высоковольтных выключателей
- Исследование спектральных методов анализа сигналов для применения в первичной обработке сигнала
- Алгоритм контроля по временным параметрам. Статистическая модель обнаружения аномалий
- Проектирование системы диагностики ВВ
Введение к работе
Актуальность темы исследований. Обеспечение высокой надежности высоковольтной коммутационной аппаратуры электрических подстанций предприятий, электростанций, электрических сетей и городов является важной проблемой современной электроэнергетики и одним из условий предупреждения системных техногенных аварий и катастроф. Наиболее ответственным видом коммутационной аппаратуры на предприятиях электроэнергетики являются высоковольтные выключатели (ВВ) 6 кВ -220 кВ. Качество их функционирования определяет степень надёжности работы всей системы передачи и распределения электроэнергии, как в нормальных, так и в аварийных режимах. К настоящему времени в отечественной электроэнергетике сложилась критическая ситуация, связанная с предельным износом (до 70 %) парка ВВ, эксплуатирующихся в энергосистемах и, вследствие чего, существует повышенная опасность возникновения не только аварийных ситуаций, но и техногенных катастроф в энергосистемах из-за отказов ВВ. Полная и одновременная замена ВВ на всех энергетических предприятиях страны является слишком дорогостоящей процедурой, более выгодным вариантом является контроль и диагностика состояния ВВ и выявление подлежащей ремонту или замене части общего парка ВВ.
В то же время применяемые десятки лет в массовом порядке диагностические средства на основе примитивных электромагнитных вибрографов не обеспечивают приемлемой точности измерений параметров, требуемой надежности и автоматизации диагностических процедур.
На протяжении последних 20-25 лет большой вклад в создание современных методов и средств диагностики ВВ с использованием микропроцессорной техники внесли отечественные и зарубежные ученые Апольцев Ю.А., Власов А.Б., Воробьев М.Н., Григорьев В.И., Долгих В.В., Кириевский В.Е., Кириевский Е.В., Константинов А.Г., Лапо-нов С.Н., Михеев Г.М., Минкина И.С., Моисеев В.А., Суровцев В.Г., Чернышев В.А., Шевцов В.М. и др. [1-29], Beierl О., Dongyan L., Hillers Т., Lithgow B.L., Miao X., Mingzhe R., Morrison R.E., Wang Y., Weifeng H., Zezhong Z. и др.[30-34].
Однако современные диагностические системы, пришедшие в последние годы на смену морально устаревшим вибрографам, не используют в полной мере возможности используемой микропроцессорной техники, поскольку алгоритмы диагностики остаются простейшими и потому далеко не оптимальными. В частности, существующие методы и средства диагностики высоковольтного коммутационного оборудования не используют хорошо зарекомендовавшие себя в других областях техники современные методы обработки сигналов, вейвлет-анализа, методов искусственного интеллекта, машинного обучения, которые могли бы существенно повысить точность измерений и надежность диагностических процедур, а также степень их автоматизации. Значительный вклад в развитие диагностических систем могло бы внести применение современных наработок в области системного анализа, где в последние годы большую работу провели такие ученые как Веселов Г.Е., Кириченко А.В., Курейчик В.В., Курейчик В.М., Пиль Э.А., Пьявченко О.Н., Самойлов Л.К., Сольницев Р.И., Фетисов В.А., Ritchey Т., Bentley L.D. и др.
Назрела необходимость разработки систем диагностики энергетического оборудования нового поколения на базе аппарата искусственного интеллекта с использованием методологии системного анализа, что станет важным шагом в решении проблемы обеспечения безопасности эксплуатации электрических подстанций и снижения опасности техногенных аварий и катастроф в электроэнергетике за счет повышения надежности
выявления неисправного и потенциально ненадежного высоковольтного коммутационного оборудования. Такие диагностические системы могут выполнять функции нижнего уровня информационно-телекоммуникационных систем, составляющих основу перспективных АСУ подстанций и электроэнергетических систем. В этом случае диагностические системы нового поколения будут работать в режиме непрерывного мониторинга и предполагают встраивание в заводских условиях непосредственно в само коммутационное оборудование. Режим непрерывного мониторинга позволит выявлять не только неисправности ВВ, но и оценивать их остаточный ресурс и передавать автоматически на верхний уровень информационно-телекоммуникационной системы (АСУ) рекомендации о необходимости вывода в ремонт или полной замены соответствующего коммутационного оборудования участка энергосистемы с целью предотвращения в ней техногенных аварий и катастроф.
Основание для выполнения работы. Диссертационная работа выполнена на кафедре «Информационные и измерительные системы и технологии» Южно-Российского государственного политехнического университета (НПИ) имени М.И. Платова» - ЮРГПУ (НПИ).
Тема исследований выполнялась в соответствии с Перечнем «Приоритетные направления развития науки, технологий и техники в Российской Федерации» (разделы «3. Информационно-телекоммуникационные системы» и с «Перечнем критических технологий Российской Федерации», утвержденными (разделы «13. Технологии информационных, управляющих, навигационных систем», «21. Технологии предупреждения и ликвидации чрезвычайных ситуаций природного и техногенного характера», утвержденным указом Президента Российской Федерации от 7 июля 2011 г. № 899 и по научному направлению ЮРГПУ (НПИ) «Теория, принципы и технологии построения информационно-вычислительных и измерительных систем» (утверждено решением ученого совета университета от 28.09.11).
Актуальность создания современных интеллектных диагностических систем с использованием методов системного анализа обусловлена необходимостью повышения степени автоматизации, уровня безопасности и надежности эксплуатации высоковольтного коммутационного оборудования в электроэнергетике.
Объектом исследования является процесс диагностики ВВ.
Предметом исследования являются методы формирования и представления знаний в диагностической экспертной системе.
Целью диссертации является разработка методов и алгоритмов диагностики ВВ на базе методологии системного анализа, искусственного интеллекта и современных методов обработки информации для превентивного выявления опасности потенциальных отказов ВВ и предотвращения аварийных ситуаций на энергетических предприятиях.
Для достижения поставленной цели необходимо решить следующие задачи:
анализ существующих систем диагностики ВВ и обоснование путей их дальнейшего совершенствования;
исследование и выбор спектральных и временных методов обработки сигналов и их теоретическое обоснование для решения задачи системного анализа технического состояния ВВ;
исследование и разработка нейросетевой модели идентификации технического состояния ВВ;
исследование и разработка алгоритмов идентификации технического состояния
ВВ на базе методов идентификации аномалий;
разработка комплекса автоматической системы интеллектуальной диагностики
ВВ по параметрам движения их подвижных контактов на основе разработанных алго
ритмов диагностики.
Основные положения, выносимые на защиту:
-
Алгоритм обработки скоростных характеристик ВВ, основанный на комплексном применении непрерывного вейвлет-преобразования и высокочастотной фильтрации, обеспечивающий выделение четких признаков, отличающих исправные и неисправные ВВ.
-
Алгоритм диагностики ВВ по скоростным характеристикам, основанный на применении вейвлет-анализа и нейронных сетей (НС), обеспечивающий автоматическое определение состояния и выявление причин неисправности ВВ.
-
Алгоритм выбора информативного диапазона из вейвлет-спектра скоростных характеристик ВВ, основанный на обучении для каждого частотного диапазона вейвлет-спектра информационного сигнала нейронной сети и вычислении для каждой нейронной сети ее точности при обучении и при тестировании, обеспечивающий сокращение избыточности данных и устранение необходимости переобучения НС.
-
Алгоритм автоматического выбора структуры НС, основанный на применении генетических алгоритмов, обеспечивающий увеличение достоверности работы алгоритма диагностики ВВ на базе НС.
-
Алгоритм контроля ВВ по временным параметрам, основанный на применении нечетких и статистических моделей, обеспечивающий быстрое определение состояния ВВ.
-
Двухэтапный метод диагностики ВВ, основанный на использовании на первом этапе статистических или нечетких моделей по временным параметрам ВВ, а на втором - нейронных сетей и вейвлет-анализа скоростных характеристик ВВ, обеспечивающий преимущества обоих алгоритмов, такие как быстрое определение состояния ВВ и возможность определения причины неисправности.
-
Комплекс интеллектуальной диагностики ВВ по параметрам движения их подвижных контактов, основанный на применении предложенных алгоритмов диагностирования ВВ по временным и скоростным параметрам.
Научная новизна результатов диссертационной работы заключается в разработке теоретических основ создания двухэтапного метода идентификации технического состояния ВВ, включающих:
научное обоснование применения вейвлет-спектральных методов обработки сигналов скоростной характеристики ВВ, обеспечивающих задание четких граничных коэффициентов, отличающих исправные и неисправные выключатели (ее. 65-74);
разработку и исследование нового алгоритма выбора информативного диапазона из вейвлет-спектра скоростных характеристик ВВ, основанного на обучении для каждого частотного диапазона вейвлет-спектра информационного сигнала своей нейронной сети (НС), вычислении для каждой нейронной сети ее точности при обучении и при тестировании и обеспечивающий значительное уменьшение объема данных без потери уровня информационности с устранением проблемы переобучения НС (ее. 79-82);
разработку и исследование алгоритма диагностики ВВ, основанного на контроле скоростных характеристик с применением вейвлет-анализа и нейронных сетей и обеспечивающего не только определение состояния ВВ, но и причину неисправно-
сти (ее. 74-79);
разработку и исследование нового двухэтапного метода диагностики ВВ, основанного на использовании на первом этапе статистических или нечетких моделей по временным параметрам ВВ, а на втором - нейронных сетей и вейвлет-анализа скоростных характеристик ВВ, обеспечивающего преимущества обоих алгоритмов, такие как быстрое определение состояния ВВ и возможность определения причины неисправности (ее. 96-99).
Практическая значимость работы. Основные теоретические результаты диссертационной работы использованы при разработке программно-аппаратного комплекса для идентификации технического состояния ВВ, а предложенный алгоритм выбора информативного диапазона из вейвлет-спектра скоростных характеристик ВВ в подтверждение его универсальности был апробирован и успешно применен в смежной области (мехатронике) при разработке программы идентификации технического состояния электромагнитных механизмов.
Новизна и практическая ценность результатов диссертационных исследований подтверждена полученными свидетельствами РФ о регистрации программы для ЭВМ (всего 3 охранных документа).
Реализация результатов работы. Полученные в диссертации научные и прикладные результаты нашли применение в разработках: ЮРГПУ(НПИ) при выполнении проекта № 8.2935.2011 по госбюджетной теме № 7.12 «Теория, принципы и технологии построения информационно-вычислительных и измерительных систем», проекта № 2833 «Теоретические основы моделирования, диагностики и информационного обеспечения сложных технических систем», выполняемого в рамках базовой части государственного задания № 2014/143; Штайнбайс-центра Мехатроники г. Ильменау (ФРГ); ООО «МИП «ИИС» г. Новочеркасск; 000 «Сенкотекс» г. Новочеркасск, а также в учебной дисциплине «Измерительные информационные системы», реализуемой на кафедре «Информационные и измерительные системы и технологии» ЮРГПУ(НПИ) в рамках учебных планов подготовки специалистов по специальности 200106 «Информационно-измерительная техника и технологии» и бакалавров по направлению 12.04.01 «Приборостроение». Кроме этого, результаты диссертационной работы реализованы при непосредственном участии автора при выполнении НИР, выполняемых по грантам Программ «СТАРТ» (государственный контракт № 9151р/14977 с ООО «Сенкотекс» 2011 г.) и «УМНИК» (договор № 3139ГУ2/2014 2014 г.) Фонда содействия развитию МП в научно-технической сфере, а так же по стипендиальным программам «Леонард Эйлер» Германской службы академических обменов 2013 г., «Михаил Ломоносов» 2013-2014 гг. Министерства образования и науки РФ и Германской службы академических обменов (DAAD), «Стипендиальной программе Президента РФ молодым ученым и аспирантам, осуществляющим перспективные научные исследования и разработки по приоритетным направлениям 2013-2014 гг.».
Кроме того, предложенные алгоритмы применялись при разработке программно-аппаратного комплекса для идентификации технического состояния ВВ при выполнении выпускной работы автора по дистанционной программе «Машинное обучение» Стэнфордского университета (США) 2011 г.
Достоверность изложенных в работе результатов обеспечивается применением известных научных методов и аппаратов теории искусственного интеллекта, системного анализа и обработки сигналов, результатами вычислительного эксперимента и моделирования в стандартных пакетах прикладных программ для решения задач техниче-
ских вычислений Matlab, Octave, Lab VIEW. Апробация работы.
Основные положения диссертационной работы докладывались и обсуждались на семинарах, конференциях, конгрессах и научно-технических сессиях:
X, XI Международные научно-практические конференции «Инженерные, научные и образовательные приложения на базе технологий National Instruments 2011, 2012» (г. Москва, 2011, 2012 г.), Международный Конгресс по интеллектуальным системам и информационным технологиям «ISIT 12» (п. Голубая Даль, 2012 г.), XII Международная научно-практическая конференция «Моделирование. Теория, методы и средства» (г. Новочеркасск, 2012 г.), 61-я научная конференция профессорско-преподавательского состава, научных работников, аспирантов и студентов ЮРГТУ (НПИ) (г. Новочеркасск, 2012 г.), Международная молодежная конференция «Академические фундаментальные исследования молодых ученых России и Германии в условиях глобального мира и новой культуры научных публикаций» (г. Новочеркасск, 2012 г.), IV Международная научно-техническая конференция «Электроэнергетика глазами молодежи» (г. Новочеркасск, 2013 г.), Региональная научно-техническая конференция «Студенческая научная весна» (г. Новочеркасск, 2013 г.), // International Research and Practice Conference «Science, Technology and Higher Education» {West-wood, Canada 2013), XII Международная научно-практическая конференция «Современное состояние естественных и технических наук» (г. Москва, 2013 г.), Региональная научно-техническая конференция «Студенческая научная весна» (г. Новочеркасск, 2014 г.), Международная научно-практическая конференция «Современные энергетические системы и комплексы и управление ими» (г. Новочеркасск, 2014 г.), Международная научная конференция «Технические науки и современное производство» (г. Париж, Франция, 2014 г.).
Личный вклад автора. Автору принадлежат постановка задач исследования, способы их решения, основные научные результаты, выводы и рекомендации. Им сформулированы идеи защищаемых методов, алгоритмов и устройств диагностики ВВ. Под руководством и непосредственном участии автора разработаны зарегистрированные программные средства, реализующие полученные научные результаты. Выполненные в соавторстве работы подчинены общей постановке научной проблемы и предложенной автором концепции ее решения.
Публикации. Результаты диссертационного исследования опубликованы в 22 научных работах (общим объемом 6,42 п.л., вклад соискателя 3,778 п.л.), из них работ, опубликованных в рецензируемых научных журналах (из перечня ВАК) - 6; свидетельств на программы для ЭВМ - 3.
Соответствие паспорту научной специальности. Указанная область исследования соответствует паспорту специальностей 05.13.01 - «Системный анализ, управление и обработка информации», а именно пункту 4 - «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», пункту 5 - «Разработка специального математического и программного обеспечения систем анализа, оптимизации, управления, принятия решений и обработки информации», пункту 9 - «Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических объектов», пункту 10 -«Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических, экономических, биологических, медицинских и социальных системах», пункту 12 - «Визуализация, трансформация и анализ информации на основе
компьютерных методов обработки информации», пункту 13 - «Методы получения, анализа и обработки экспертной информации».
Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения и приложений. Общий объем диссертации составляет 157 страниц текста с 90 рисунками, 7 таблицами и 2 приложениями. Список литературы содержит 100 наименований.
Анализ известных методов измерения скорости перемещения подвижного контакта высоковольтных выключателей
Данный способ позволяет полностью избежать использования внешних датчиков. В роли емкостного датчика перемещения фактически выступает диагностируемый выключатель. Однако практическое применение емкостного способа измерения скорости требует предварительного снятия так называемых эталонных характеристик «межконтактная емкость - межконтактное расстояние», индивидуальных для каждого типа выключателей. Исследования методической погрешности данного способа до последнего времени не проводились.
Приведенный выше обзор и анализ известных способов позволяют сделать вывод о том, что наиболее перспективными являются емкостной и акселерометрический способы измерения скорости. Для выбора наилучшего из этих двух способов необходимо построение комплексной математической модели «объект измерения - измерительное устройство» с целью оценки методической погрешности каждого способа. 1.4 Исследование эталонных характеристик «межконтактная емкость - межконтактное расстояние»
Для получения исследуемых эталонных характеристик использовался измерительный стенд в составе: 1) мостовой измеритель RLC Е7-11 (относительная погрешность измерения не более 1%) в режиме измерения электрической емкости; 2) специально изготовленная измерительная штанга с нанесенной мерной шкалой (абсолютная погрешность измерения межконтактного расстояния не более ±0.5 мм).
Функциональная схема измерительного стенда показана на рис. 1.9. Положение подвижного контакта изменялось вручную с шагом 10-20 мм. После фиксации необходимого положения производилось измерение межконтактной емкости по каждой из фаз исследуемого выключателя.
Для математической обработки результатов исследований использовалась свободно распространяемое ПО математического моделирования GNU Octave версии 3.4.0 с поддержкой синтаксиса языка Matlab [46]. Структура алгоритма обработки данных показана на рис. 1.10. Для каждого типа выключателя получалась усредненная по трем фазам СА(х), СВ(х), СС(х) функция Сср(х), из каждой точки которой затем вычиталось значение наименьшего значения емкости на траектории движения подвижного контакта, соответствующей максимальному межконтактному расстоянию, для получения функции С0(х).
Затем вычислялись коэффициенты al, а2, аЗ, а4, а5, аб для аппроксимации функции С0(х) полиномом Саппр(х) [47].
В ходе исследования были получены эталонные характеристики (таблица 1.4) 21-го типа наиболее распространенных ВВ на 6-10 кВ, эксплуатирующихся на объектах ОАО «Донэнерго». Фаза выключателя
Вычислительные эксперименты по подбору эмпирической формулы для аппроксимации полученных эталонных характеристик показали, что наилучшие результаты получаются при использовании для этой цели полинома 6-й степени [47]. При этом относительная погрешность аппроксимации в точках отсчета не превышает 1% с сохранением эмпирической формулой способности удовлетворительно (с погрешностью, не превышающей 3%) экстраполировать экспериментальные данные в диапазоне межконтактных расстояний до 8 мм от крайних точек.
Графики полученных эталонных координатно-емкостных характеристик, аппроксимированных описанным выше методом, характеризуются существенной нелинейностью. Общий характер зависимостей близок к экспоненциальному, при этом у большинства из них наблюдается дополнительное нарушение линейности («горб») в диапазоне межконтактных расстояний 30-80 мм, соответствующем расположению дугогасительной камеры ВВ. Таблица 1. С, пф
Структурная схема разработанной модели «объект - измерительное устройство» приведена на рис. 1.11 [48].
Для математической обработки результатов исследований использовалась свободно распространяемое ПО математического моделирования GNU Octave версии 3.4.0 с поддержкой синтаксиса языка Matlab [46].
При моделировании емкостного способа в качестве эталонной характеристики использовалась зависимость СО), полученная для выключателя типа ВМГ- 133-Ш-1000 с аппроксимацией промежуточных значений полиномом 6-й степени.
При моделировании емкостного способа в качестве эталонной характеристики использовалась зависимость, полученная для выключателя типа ВМГ-133-III-1000 с аппроксимацией промежуточных значений полиномом 6-й степени. Для имитации неточности снятия эталонной характеристики в точки исходной зависимости до ее аппроксимации полиномом вносились случайные искажения с нормально распределенной величиной, нулевым математическим ожиданием и среднеквадратическим отклонением 1% (наилучший случай) и 5% (наихудший случай). Далее искаженная эталонная характеристика обрабатывалась по алгоритму, описанному в [27], для получения зависимости скорости, измеренной емкостным способом, от времени. Блок задания параметров движения подвижного контакта выключателя
При моделировании емкостного способа в качестве эталонной характеристики использовалась зависимость С(х), полученная для выключателя типа ВМГ-133-ІІІ-1000 с аппроксимацией промежуточных значений полиномом 6-й степени. Для имитации неточности снятия эталонной характеристики в точки исходной зависимости до ее аппроксимации полиномом вносились случайные искажения с нормально распределенной величиной, нулевым математическим ожиданием и среднеквадратическим отклонением 1% (наилучший случай) и 5% (наихудший случай). Далее искаженная эталонная характеристика Сиск(х) обрабатывалась по алгоритму, описанному в [27], для получения зависимости скорости, измеренной емкостным способом, от времени v K\t).
При моделировании акселерометрического способа в качестве эталонного (условно свободного от погрешности) измерительного сигнала использовался выходной сигнал установленного на реальном объекте (выключатель ВМГ-133-III-1000) аналогового датчика ускорения EVAL-ADXL001-70Z производства Analog Devices, переведенный в цифровую форму при помощи модуля 8-битного АЦП со встроенной памятью, демонтированного из цифрового осциллографа RIGOL DSW02D. Погрешности аналоговой обработки измерительного сигнала вышуказанным модулем, а также погрешность дискретизации АЦП не учитываются, так как в общем случае имеют заведомо меньшую величину, чем погрешность, связанная с неточной установкой датчика
Исследование спектральных методов анализа сигналов для применения в первичной обработке сигнала
Рассматривая спектральные методы анализа сигнала, не стоит пропускать и кепстральный метод вибрационной диагностики, поскольку данный анализ часто называют спектральным анализом второго порядка. Комплексный кепстр S(k) сигнала - результат обратного преобразования Фурье комплексного логарифма сигнала [51]: S(k) = — j log[x(ei(y \imda -ж где Х(п) - вектор, представляющий спектр сигнала х, п - дискретные отсчеты спектра. Результаты его вычисления из скоростных характеристик ВВ представлены на рис. 2.14, 2.15. 300
Методы кепстрального анализа имеют более сложный математический аппарат, чем другие методы спектрального анализа, полученные результаты их использования не позволили выявить четкие различия между исправными и неисправными выключателями (рис. 2.14, 2.15), поэтому данный метод нецелесообразно использовать в качестве обработки сигнала в данной задаче.
Рассматривая спектральные методы обработки сигналов, стоит также рассмотреть такие методы, как оконное преобразование Фурье (ОПФ) и вейвлет-анализ. Оба данных метода спектрального анализ обладают свойством временной локализации спектра, поэтому для выбора одного из этих методов необходимо рассмотреть их более подробно.
На рис. 2.16, 2.17 показаны различия применения ОПФ и непрерывного вейвлет-преобразования (НВП) к функциям скорости v(t) и ускорения a(t). НВП функции v(t) процесса отключения исправного выключателя На рис. 2.16, 2.17 ярко выражены проблемы использования аппарата ОПФ. На спектре графиков скорости (рис. 2.16) очень трудно выделить какую-то отдельную частоту в отдельный промежуток времени, на спектре графиков ускорения (рис. 2.17) это возможно, но возникающие «вспышки» не такие яркие, как на вейвлет-спектре того же сигнала, в то время как для увеличения надежности диагностики ВВ по спектру его сигнала, развернутого во времени, необходимы более яркие «вспышки». НВП функции a(t) процесса отключения исправного выключателя
Также следует учитывать, что вейвлет-преобразование, хоть и является относительно более сложным в реализации, но решает главную проблему использования ОПФ - наличие принципа неопределенности для параметров времени и частоты сигнала [52]. Согласно этому принципу, при применении ОПФ узкое окно обеспечивает лучшее временное разрешение и четкую фиксацию границ интервалов, но широкие пики частот в пределах интервалов. Широкое окно, напротив, четко отмечает частоты интервалов, но с перекрытием границ временных интервалов. Однако для решения поставленной задачи различные участки сигнала могут требовать применения разных окон. Вейвлетные же базисы хорошо локализованы как и по частоте, так и по времени. Еще одним преимуществом вейвлет-преобразования является наличие большого количества разнообразных базовых функций, свойства которых ориентированы на решение различных задач.
Поэтому среди методов частотно-временного развертывания сигнала в задаче диагностики ВВ следует выбрать вейвлет-преобразование.
Описанные выше исследования показали, что функция ускорения подвижного контакта ВВ от времени a(t) является более предпочтительной, чем функция скорости подвижного контакта ВВ от времени v(t) для задачи выделения информативных признаков при диагностике ВВ, поскольку во всех рассматриваемых методах обработки сигналов при использовании функции a(t) были получены более четкие различия между исправными и неисправными ВВ. Поэтому в дальнейшем, в качестве основной скоростной характеристики будет рассматриваться только функция a(f).
Из всех рассмотренных ранее методов в вычислительном эксперименте наилучшие результаты показали: авторегрессионные методы, периодограммный метод Томсона и метод, основанный на быстром преобразовании Фурье и вейвлет-анализ. Несмотря на то, что все описанные методы показали хорошие результаты вейвлет-анализ обладает одним важным преимуществом перед всеми остальными методами. Этим преимуществом является свойство временной локализации спектра, что увеличивает количество возможных информативных параметров в анализируемой характеристике ВВ. Поэтому в дальнейшем необходимо более подробно рассмотреть метод вейвлет-анализа как аппарат выделения информативных признаков из функции ускорения подвижного контакта ВВ. 2.2 Выбор и обоснование оптимальных вейвлетов для вейвлет-спектральной обработки сигналов
Для приведенных выше графиков ускорения было проведено непрерывное вейвлет-преобразование (НВП) с различными вейвлет-функциями для определения оптимального варианта применения аппарата вейвлет-анализа [53]. Результаты НВП с некоторыми из вейвлетов представлены на рис. 2.18-2.19 [54].
Вейвлет-спектр функции a(f) с применением биортогонального вейвлета порядка 3.5 Как видно из вейвлет-спектров на рис. 2.18-2.19, НВП сигналов a(t) работы исправного и неисправного ВВ не обладают существенными различиями, т.е. имеет место неопределенность при идентификации неисправности выключателя. Это объясняется тем, что обрабатываемые сигналы имеют резкий всплеск скорости в начале и спад в конце работы ВВ. На рис. 2.18-2.19 хорошо видны эти всплески, но на их фоне не видно более мелких по амплитуде деталей сигнала.
Одним из вариантов решения описанной выше проблемы, связанной с трудностью выявления визуального информативного признака неисправности ВВ по параметрам движения, является выделение из сигнала функции ускорения a(f) подвижного контакта огибающей и дальнейший анализ только высокочастотной составляющей сигнала[54].
В качестве метода высокочастотной цифровой фильтрации сигнала был применен аппарат дискретного вейвлет-преобразования (ДВП) [55]. В качестве вейвлета для ДВП выбрана симлет-функция восьмого порядка [56]. Из полученных детализирующего (рис. 2.20) и аппроксимирующего сигналов, последний был отброшен, поскольку его спектр включал в себя огибающую сигнала. детализирующий сигнал a(t) процесса отключения исправного выключателя Вейвлет-спектр детализирующего сигнала функции a(i) с применением биортогонального вейвлета порядка 3.5 Полученные результаты говорят о том, что использование вейвлет-анализа для автоматической диагностики работы ВВ в качестве алгоритмической базы для построения программного обеспечения устройств их непрерывной диагностики (мониторинга) позволяет задать четкие граничные коэффициенты, отличающие исправные и неисправные выключатели. Определение этих граничных коэффициентов может позволить использовать в качестве алгоритмической базы устройств диагностики ВВ таких разновидностей аппарата мягких вычислений, как нечеткая логика (fuzzy logic) и нейронные сети. Наиболее подходящим для фильтрации вейвлетом оказался симлет, для вейвлет-спектрального анализа -вейвлет Морле. 2.3 Алгоритм диагностики ВВ по скоростным характеристикам на базе вейвлет-анализа и нейронных сетей
Ранее было экспериментально доказано преимущество использования в задаче диагностики ВВ функции ускорения от времени подвижного контакта, поэтому далее под скоростной характеристикой будет пониматься функция a(t).
На рис. 2.23 представлена блок-схема разработанного алгоритма интеллектуальной диагностики ВВ [58, 59]. После ввода функции ускорения перемещения ВВ выделяется ее высокочастотная составляющая и вычисляется вейвлет-спектр [53].
После расчета вейвлет-спектра высокочастотной составляющей функции a(t) НС производит этап диагностики по полученным частотным диапазонам и определяет характер (место) неисправности ВВ.
Для реализации данного метода необходимо производить предварительную подготовку (настройку) системы диагностики, алгоритм которой приведен на рис. 2.24.
Алгоритм подготовки системы диагностики включает всего пару этапов. Предварительно необходимо создать библиотеку исправных/неисправных сигналов функции ускорения и временных параметров данного типа ВВ. Затем для НС, используемой в системе диагностики, определяются оптимальные параметры для достижения максимальной точности диагностирования.
Алгоритм контроля по временным параметрам. Статистическая модель обнаружения аномалий
При построении автоматической системы диагностики ВВ возникает дилемма: либо использовать более мощный аппарат диагностики для анализа скоростных характеристик ВВ с временной локализацией дефектов (оконное преобразование Фурье (ОПФ) или вейвлет -анализ) и нейронные сети для идентификации неисправности, но при этом возникают значительные затраты вычислительных ресурсов, либо использовать временные параметры ВВ в совокупности с нечеткими/статистическими моделями контроля ВВ, построенными на их основе. При этом, второй вариант требует значительно меньших вычислительных затрат, но не обладают свойством временной локализации и обеспечивает только контроль состояния ВВ.
В качестве оптимального решения предложен метод двухэтапной диагностики, представленный на рис. 3.9 [73].
Процесс диагностирования в данном случае разбивается на два этапа [74,75]. На первом этапе диагностирования в качестве параметров для построения нечеткой/статистической модели выбираются такие нормируемые параметры ВВ как собственное время отключения, полное время отключения, собственное время включения, разновременность включения/отключения фаз.
Переход ко второму этапу диагностирования осуществляется только после принятия решения нечеткой (или статистической) моделью о том, что объект является неисправным. После перехода ко второму этапу начинает выполняться нейросетевая диагностика определенных частотных диапазонов вейвлет-спектра функции ускорения перемещения контакта ВВ с применением алгоритма выбора информативного диапазона из вейвлет-спектра. - Двухэтапныи метод диагностики ВВ с использованием нечеткой модели и нейронной сети Алгоритм подготовки (предварительной настройки) системы диагностики при использовании двухэтапного алгоритма также изменяется, хоть и незначительно (рис. 3.10). На этапе подготовки необходимо не только выбрать информативный диапазон вейвлет-спектра и оптимизировать структуру НС, но и на основе эмпирических данных построить нечеткую/статистическую модель ВВ по временным параметрам.
Подтверждением преимущества предложенного двухэтапного метода над одноэтапным может служить измеренное время их выполнения. Оценочное время выполнения одноэтапного метода на платформе Microchip PIC24F составляет 22 минуты, а первого этапа двухэтапного метода - 0,2 секунды. Как видно из приведенных результатов времени выполнения методов диагностики, двухэтапный алгоритм является более предпочтительным, поскольку он сокращает количество запусков ресурсозатратного метода локализации дефектов на основе НС.
Разработанный двухэтапный метод позволяет сэкономить вычислительные ресурсы диагностической системы ВВ, уменьшить суммарное время вычисления. Подготовка разработанной системы технической диагностики ВВ требует ее предварительной настройки на указанный тип выключателя по заранее разработанному алгоритму, который улучшает и оптимизирует метод диагностики.
Программа испытания предложенного двухэтапного метода диагностики с алгоритмом подготовки системы диагностики реализована в системе математического моделирования Octave [76].
Особый интерес представляет исследование степени универсальности предложенного и используемого в двухэтапном методе алгоритма выбора информативного диапазона вейвлет-спектра путем его апробации применительно к другим прикладным задачам диагностики в смежных областях электротехники. Этому вопросу посвящены выполненные автором и описанные в п. 3.5 исследования в области мехатроники для задачи диагностики низковольтных электромагнитных механизмов.
Апробация алгоритма выбора информативного диапазона из вейвлет-спектра в задаче диагностики электромагнитных механизмов
Электромагнитные механизмы (ЭМ) находят широкое применение в различных областях техники. Одно из основных направлений применения электромагнитов - электромагнитные приводы различных автоматически и дистанционно управляемых устройств, электромагнитных реле, электромагнитных клапанов трубопроводной арматуры, магнитных муфт, тормозных электромагнитов.
Однако стоит заметить, что функционирование и качество срабатывания электромагнитов должны контролироваться непосредственно во время их работы. Для этого в систему встраиваются сенсоры, сигналы которых дают информацию о характеристиках электромагнита. Используемый метод требует дополнительное пространство в системе и порой сложный процесс их монтажа.
В настоящее время при участии автора в ФРГ ведется разработка интеллектуальной системы бессенсорного диагностирования, основной принцип которой заключается в использовании «внутренних сенсорных» свойств электромагнита, которые не требуют подключения дополнительных датчиков, а используют собственную обмотку электромагнита [77,78]. Интеллектуальная составляющая данной системы представлена алгоритмами постобработки сигналов, полученных с «внутренних сенсоров». Разрабатываемые алгоритмы основаны на применении современных методов обработки сигналов и машинного обучения.
Далее будут рассмотрены и представлены результаты практического сравнения библиотеки характеристик электромагнитов в задачах распознавания неисправностей методами машинного обучения, применения к полученным характеристикам разработанного автором алгоритма уменьшения информационной избыточности.
Проектирование системы диагностики ВВ
Встроенная в платформу ПЛИС Xilinx Spartan-6 LX45 представляет собой высокопроизводительную, реконфигурируемую микросхему [92,93], которую можно программировать при помощи специализированного модуля LabVIEW FPGA. ПЛИС служит для подключения аналоговых датчиков ускорения и передачи полученной измерительной информации на микроконтроллер с системой реального времени.
Встроенный в sbRIO микроконтроллер MPC5125YVN400 осуществляет управление всем устройством в целом, прием, первичную обработку измерительной информации и передача ее на персональный компьютер (ПК). Персональный компьютер ПК получает измерительную информацию с платы sbRIO 9636 (с микроконтроллера реального времени). ПК реализует алгоритмы анализа полученных данных, включающие анализ скоростной характеристики с помощью заложенной в программное обеспечение нейронной модели ВВ, анализ временных параметров с помощью нечеткой модели ВВ. Результаты о состоянии объекта диагностики отображаются пользователю в запущенном окне программы ПК.
В качестве инструментальной основы разработки встроенного программного обеспечения (ПО) была выбрана среда разработки и платформа для выполнения программ, созданных на графическом языке программирования «G» LabVIEW 2013 производства компании National Instruments (США) {пі.com] в сочетании с технологиями LabVIEW RT и LabVIEW FPGA, позволяющими создавать средствами LabVIEW системы жёсткого реального времени и программируемые логические интегральные схемы (ПЛИС). Предусматривается взаимодействие Lab РТЕЖ-программы, работающей на обычном персональном компьютере, сверхбыстрого и сверхкомпактного приложения, выполняющегося на микроконтроллере и распараллеленных циклов ПЛИС, встроенными в специализированное измерительное оборудование компании National Instruments.
Разрабатываемое ПО функционирует на базе операционной системы реального времени (ОСРВ) [94]. Разбиение ПО на уровни не только условное, но и на физическом уровне. Каждый из уровней представляет из себя отдельный компонент, работающий с другими синхронизировано. На уровне ПЛИС разработка велась на специализированном программном обеспечении компании N1 LabVIEW FPGA. На этом уровне имеется три основных модуля, которые в общем отвечают за измерение данных с датчиков и передачу их на уровень выше - систему реального времени (СРВ).
Уровень СРВ содержит 3 также три основных модуля. На уровне СРВ происходит первичная обработка информации: полученные временные параметры преобразуются к требуемым, таким, как время замыкания/размыкания, разновременности включения/отключения фаз. Соответственно, далее эти данные передаются на персональный компьютер посредством интерфейса Ethernet.
Самый верхний уровень (ПК) отвечает за процесс диагностики ВВ. При получении данных с СРВ пользователю предоставляется выбор: каким способом воспользоваться для анализа технического состояния ВВ: моделью на основе нейронной сети (НС), либо моделью на основе нечеткой логики (НЛ). На данном уровне имеются все требуемые модули. Также пользователь перед использованием модели НС на соответствующем ВВ может «переучить» ее на полученных данных. представленной на рис. 4.4. Пользователю предоставляется возможность обработки полученных данных с измерительной системы различными способами: вейвлет-преобразование, обучение НС на полученных данных, анализ полученных данных с использованием НС, анализ полученных данных с использованием НЛ (см. рис. 4.3).
Алгоритм работы данной программы следующий: при запуске ПО пользователь ожидает, когда загорится индикатор готовности системы. После этого, можно ожидать данных с ВВ. При получении данных с СРВ, расположенной на системе sbRIO, на экране с передней панели строится график измеренного сигнала, который представляет собой скоростную характеристику ВВ a(t). Справа от графика отображаются 4 индикатора, которые будут загораться непосредственно в процессе измерения. Один при запуске замыкания/размыкания ВВ, три других при замыкании/размыкании фаз контактов ВВ.
Код данного программного обеспечения написан на языке графического программирования G и представлен на рис. 4.6. Данный код реализован в стандартной структуре «Производитель-Потребитель» («Producer-Consumer»). Выбор данной структуры обусловлен высокой гибкостью данной структуры и возможностью быстрого и легкого расширения функционала существующего ПО. Цикл производителя ожидает от системы и пользователя определенных событий - работа пользователя с интерфейсом, истечение определенного времени, получение данных с sbRIO. Когда событие срабатывает, производитель отправляет команду потребителю, указывая ему, что нужно делать. При этом потребителю передаются определенные данные, необходимые ему для выполнения данного события. Так в данной программе, потребитель выполняет следующие команды от производителя: «запуск измерений», «получение данных с sbRIO», «сохранение полученных данных на ПК», «вейвлет-анализ», «обучение НС», «диагностика с НС», «диагностика с НЛ».
Многие из перечисленных заданий выполняются с использованием дополнительных пакетов, в частности для вейвлет-обработки полученных данных, для работы с НС, для построения нечеткий моделей исследуемой системы, для сохранения данных в удобном формате хранения данных TDMS.