Методы для обнаружения и диагностика неисправностей применительно IoT / Хабр

Введение

Текущая промышленная тенденция в отношении автоматизации и промышленных предприятий ведет нас к все более и более сложным  системам. В свою очередь простой системы может приводить к огромным финансовым потерям. В некоторых случаях поломка одной детали может привести к разрушению целой системы без возможности восстановления. В связи с этим возникает необходимость разработки Обнаружения и Диагностики Неисправностей (ОДН), которая может предотвратить и локализовать неисправности, при этом повышается производительность систем. Диагностика заключается в обнаружении ненормального функционирования по данным датчиков. Обычно данные от датчиков бывают сильно зашумленными или поврежденными, с шумами сети передачи данных, соответственно алгоритмы ОДН также должны быть устойчивы к выбросам.

Давайте рассмотрим методы ОДН,  Рис. 1. Методы ОДН : подходы, которые используют аналитическую физическую модель системы и подходы, полагающиеся только на системные наблюдения. Использование методов диагностики с моделями кажется трудным и дорогостоящим из-за менее удовлетворительных характеристик. Кроме того, существует несколько промышленных приложений, в которых модель трудно или невозможно получить из-за повышенной сложности или нескольких конфигураций, задействованных в производственном процессе. 

Рис. 1. Методы ОДН

Описание проблемы

В ОДН основной трудно решаемой задачей является установка порога, который определяет неисправности.  В случае установки низкого порога обнаружения, система будет генерировать достаточно много ложных тревог. При ложной тревоге отправляется обслуживающий персонал или организуется не плановая замена частей системы, а в совокупности определенные ложные тревоги приведут к огромным затратам. С другой стороны, установка очень высокого порога обнаружения может привести к риску не обнаружения неисправности и привести к остановке производства. Также неисправность системы может повлияет на жизнь и здоровье людей, что крайне не допускается.   Поэтому следует учитывать множество неопределенностей: неопределенности, связанные с отсутствием знаний о процессе, неточности данных в датчиках, которые могут содержать шум или отсутствовать данные, связанные с погрешностями неправильной обработки.

В наши дни система становится очень сложной и бывает сложно определить аналитическую модель системы, а модели машинного обучения (ML) справляются с этой задачей достаточно неплохо. Сформировались некоторые требования ML-моделей, такие как: необходимость качественных данных (отсутствующие или зашумленные данные), возможность рассмотреть несколько типов переменных (дискретных или непрерывных), способ учесть время для динамической системы и способность обобщить, чтобы модель могла найти решение с новым наблюдением. Но кроме этих требований есть производственный момент, при котором руководство хочет модели, которые были бы объяснениями, а не черным ящиком. Дальше мы посмотрим ML алгоритмы для ОДН.

Подходы к машинному обучению

Применение IoT-систем во всех областях создает огромное количество данных. Кроме того, эти системы становятся все более и более сложными, и трудно запустить аналитическую модель с хорошими результатами.  Использование моделей ML становится очевидным и логичным решением для диагностирования этих систем. 

Цель данной статьи — мы хотим показать несколько методов машинного обучения для ОДН. Мы рассмотрим популярные методы машинного обучения в ОДН, такие как метод опорных векторов (англ. SVM, support vector machine), искусственная нейронная сеть (ИНС), нечеткая нейронная сеть (англ. FNN, fuzzy neural network), деревья решений, Байесовская сеть доверия (англ. BNN, bayesian belief network).

Метод опорных векторов

Метод опорных векторов показывает хорошие результаты относительно других алгоритмов с небольшим объемом обучающих данных, также применяется при отказе аналоговой цепи диагностика с использованием вейвлет-преобразования в качестве препроцессора с высокой точностью классификации. Это один из наиболее популярных методов обучения, который применяется для решения задач классификации и регрессии.

Основная идея метода заключается в построении гиперплоскости, разделяющей объекты выборки оптимальным способом. Алгоритм работает с тем предположением, что чем больше расстояние (зазор) между разделяющей гиперплоскостью и объектами разделяемых классов, тем меньше будет средняя ошибка классификатора. Количество опорных векторов увеличивается с усложнением задачи. Однако у SVM есть недостатки:

• Неустойчивость к шуму: выбросы в исходные данные становятся опорными объектами-нарушителями и напрямую влияют на построение разделяющей гиперплоскости;

• Не описаны общие методы построения ядер и спрямляющих пространств, наиболее подходящих для конкретной задачи;

• Нет отбора признаков;

• При попытке использования в мультиклассовой задаче качество и скорость работы падают.

В последнее время набирает популярность обучение с частичным привлечением учителя для ОДН HVAC (отопления, вентиляции и кондиционирования воздуха). Используя только несколько неисправных обучающих выборок, SVM решает задачу обнаружения и диагностирования компонентов нагрева.

Также можно отметить метод релевантных векторов (Relevance Vector Machine, RVM). В отличие от SVM данный метод дает вероятности, с которыми объект принадлежит данному классу. Т.е. если SVM говорит «x принадлежит классу А», то RVM скажет «x принадлежит классу А с вероятностью p и классу B с вероятностью 1-p«.

Искусственная нейронная сеть (ИНС)

ИНС — это мощный инструмент, способный выполнять задачи классификации и регрессии. ИНС можно рассматривать как взвешенные ориентированные графы, в которых нейроны являются узлами, и связи между узлами являются взвешенными связями. Это обучение регулирует веса, а также функции активации для принятия желаемого поведения. Используются два типа обучения: контролируемое обучение с учителем и без учителя. 

• Обучение с учителем: цель состоит в том, чтобы определить синаптические веса из помеченных примеров. Сеть параметров изменяется, чтобы минимизировать ошибки между целевым выводом (предоставленным экспертом) и фактическим выводом в сеть. Метод обратного распространения ошибки (англ. backpropagation) — это пример контролируемого алгоритма обучения.

• Без учителя: входные данные не содержат информации о желаемом результате; обучение осуществляется с правилами, которые изменяют параметры сети в соответствии с входными данными. Алгоритм обучения ассоциативной памяти для сетей Хопфилда является тому примером. Квантовые сети Хопфилда используются для диагностики множественных неисправностей аналоговых схем с использованием вероятностного механизма. Затем образцы неисправностей квантуются и стандартно ортогонализируются для подачи в квантовую нейронную сеть Хопфилда. Системный подход, использующий механизм квантовой ассоциативной памяти и принцип квантовой суперпозиции, дает хорошее объяснение вероятности множественных неисправностей. 

Кроме того, ИНС можно использовать для создания нейронной модели с целью имитации нормального поведения системы и дополнительных моделей для имитации различных условий неисправности. Затем нейронные модели размещаются параллельно с отслеживаемой системой, и обнаружение неисправностей достигается путем сравнения выходных данных нейронных моделей с выходными данными реальной системы. Классификация неисправностей основана на простом пороговом тесте остатков, сформированных путем вычитания выходных данных каждой нейронной модели из соответствующих выходных данных реальной системы. Для оценки остатков используется байесовская сеть. Сила ИНС — в их способности аппроксимировать и распознавать закономерности. В диагностических приложениях они показали большие перспективы в областях, где присутствуют шумы и ошибки. Однако ИНС требует больших вычислительных ресурсов, что делает сходимость обычно медленной во время обучения и склонна к переобучению, а также требует большого разнообразного набора данных для обучения.

Нечеткая нейронная сеть

Приложения для диагностики в основном включают гибридные нечеткие нейронные модели, в которых нейронные сети и нечеткие системы объединены в одну систему. Наиболее распространенные нечеткие нейронные сети основаны на двух типах моделей: моделях Тагаки Сугено Канга (ТСК) и Мамдани, в сочетании с алгоритмами нейронного

обучения. Существует два основных применения нечетких нейронных сетей в мониторинге. Эти применения чаще всего основаны на изучении остатков, которые генерируются разницей оцененного сигнала, полученного нейро-нечетким наблюдателем, с фактическими значениями сигнала. Затем эти остатки классифицируются и оцениваются с помощью нечеткой нейронной сетью.

Нейро-нечеткое обучение и адаптация нечетких моделей ТСК используются для остаточной генерации, в то время как для остаточной оценки используется нейро-нечеткий классификатор для моделей Мамдани. Такая сеть может быть использована для обнаружения и изолирования неисправности промышленной газовой турбины, уделяя особое внимание неисправностям, возникшим в исполнительной части газовой турбины. Более того, нечеткая нейронная сеть применяется для обучения отображения причин неисправности. Результаты показывают, что этот метод может точно диагностировать множественные неисправности. Последовательная нечеткая кластеризация нечетких нейронных сетей на динамической основе разработана и успешно применяется для мониторинга высокоскоростного процесса фрезерования. Он может последовательно изучать модель, адаптироваться к вариациям и предоставлять оценку или прогноз состояния процесса. Это облегчает ненавязчивую диагностику неисправностей. Нечеткая нейронная сеть имеет преимущества над ИНС, так как нечеткая нейронная сеть обладает способностью представлять неопределенности, присущие человеческому знанию, с помощью лингвистических переменных, и это надежно в отношении возможных нарушений в системе. Тем не менее, для обучения нечеткой нейронной сети необходимо включать знание эксперта в этой области, чтобы установить правила, а обучение требует больших вычислительных ресурсов.

Деревья решений

Деревья решений являются одним из наиболее эффективных инструментов интеллектуального анализа данных и предсказательной аналитики, которые позволяют решать задачи классификации и регрессии.

Они представляют собой иерархические древовидные структуры, состоящие из решающих правил вида «Если …, то …». Правила автоматически генерируются в процессе обучения на обучающем множестве и, поскольку они формулируются практически на естественном языке (например, «Если объём продаж более 1000 шт., то товар перспективный»), деревья решений как аналитические модели более вербализуемы и интерпретируемы, чем, скажем, нейронные сети.

Поскольку правила в деревьях решений получаются путём обобщения множества отдельных наблюдений (обучающих примеров), описывающих предметную область, то по аналогии с соответствующим методом логического вывода их называют индуктивными правилами, а сам процесс обучения — индукцией деревьев решений.

В обучающем множестве для примеров должно быть задано целевое значение, так как деревья решений являются моделями, строящимися на основе обучения с учителем. При этом, если целевая переменная дискретная (метка класса), то модель называют деревом классификации, а если непрерывная, то деревом регрессии.

Основополагающие идеи, послужившие толчком к появлению и развитию деревьев решений, были заложены в 1950-х годах в области исследований моделирования человеческого поведения с помощью компьютерных систем. Среди них следует выделить работы К. Ховеленда «Компьютерное моделирование мышления» и Е. Ханта и др. «Эксперименты по индукции».

Существует несколько алгоритмов обучения деревьев решений на основе данных, включая ID3, C4.5 и CART. 

В ОДН деревья решений можно использовать для анализа распространения телеметрии в ветряных турбинах с помощью алгоритма обучения дерева решений и обнаружения отказов, повреждений и аномальных операций. Они обучают набор классификаторов дерева решений Bagged на наборе данных с морской ветряной электростанции, состоящей из 48 ветряных турбин, и используют его для автоматического выделения путей, связывающих сбои из-за чрезмерной вибрации с их возможными первопричинами. 

Алгоритм CART используется для введения дерева решений в диагностическую стратегию для вентиляционных установок. Детектор установившегося состояния и регрессионная модель включены в стратегию для повышения интерпретируемости разработанной диагностической стратегии. Показано, что с помощью этой стратегии можно достичь хороших диагностических показателей. 

Деревья решений визуально более интуитивно понятны, проще и легче усваиваются и интерпретируются инженерами. В отличие от других методов классификации, с классификаторами дерева решений можно выполнять анализ первопричин неисправностей на основе данных; можно проследить путь от конечного состояния до инициирования, путь, который следует последовательности и хронологии взаимосвязи событий. Деревья решений очень устойчивы к зашумленным и неполным данным. Однако для них необходимо использовать параметр обрезки, чтобы уменьшить необходимость переобучения.

Байесовская сеть доверия

Байесовская сеть доверия (англ. Bayesian Belief Network, BBN) — важная вероятностная графическая модель, которая может эффективно решать различные проблемы неопределенности на основе вероятностного представления информации и логических выводов. Байесовская сеть доверия — вероятностная графическая модель, представляющая набор случайных величин и их условных зависимостей через ориентированный ациклический граф. Такая сеть состоит из качественной и количественной частей. 

• Качественная часть — это направленный ациклический граф, в котором узлы представляют системные переменные, а дуги символизируют зависимости или причинно-следственные связи между переменными. 

• Количественная часть состоит из условной вероятностной таблицы, которая представляет отношения между каждым узлом и его родителями. 

Процедуры диагностики неисправностей с байесовской сетью доверия состоят из моделирования структуры BBN, моделирования параметров BBN, вывода BBN, идентификации неисправностей, а также проверки и верификации. Сообщалось о нескольких методах построения структурных моделей BBN для диагностики неисправностей. Три основных метода включают причинно-следственные связи, алгоритмы сопоставления или структурирование обучения. Кроме того, параметрами являются априорная вероятность корневых узлов и условная вероятность листовых узлов. Эти вероятности могут быть получены из экспертных знаний и опыта, а также статистических результатов исторических, смоделированных и экспериментальных данных. 

Алгоритмы могут быть основаны на анализе наблюдаемого поведения системы и сравнении его с набором поведенческих паттернов, созданных на основе различных неисправных состояний. Сопоставляя с образцом, можно сформулировать оценку апостериорного распределения байесовской вероятностной модели. Когда диагностика неисправностей связана с временными, системными или сложными системами, неизбежны трудности со статическими BBN. Поэтому для решения этих проблем используются некоторые другие типы BBN, такие как динамическая байесовская сеть и объектно-ориентированная байесовская сеть. 

Динамическая байесовская сеть  — это экстенсиональные BBN с переменными, зависящими от времени, и их можно использовать для моделирования временной эволюции динамических систем. Таким образом, используется байесовская сеть, которая моделирует систему электроснабжения для интегральных схем. При этом обрабатывается изменяющаяся динамика сбоя, развитие сбоя и мощность сбоя. Динамическая байесовская сеть  используется для моделирования процесса динамической деградации электронных продуктов, а цепи Маркова используются для моделирования переходных отношений четырех состояний, то есть отсутствия неисправности, переходной неисправности, прерывистой неисправности и постоянной неисправности. Кроме того, методология диагностики неисправностей может идентифицировать неисправные компоненты и различать типы неисправностей в разное время. 

Объектно-ориентированная байесовская сеть обеспечивает подход для достижения иерархического представления модели, и каждый уровень соответствует уровню абстракции, показывая инкапсулированные узлы для текущего уровня объекта. Такой подход снижает сложность построения BBN и повышает вероятность повторного использования моделей. Методология диагностики неисправностей в реальном времени сложных систем с повторяющимися структурами предложена с использованием объектно-ориентированной байесовской сети. При возникновении неисправностей предлагаемая система диагностики неисправностей на основе объектно-ориентированной байесовской сети может сообщать о неисправностях и предупреждениях. Для указанной системы с определенной ситуацией оператор может ввести некоторую известную информацию об опыте в дополнительные информационные уровни подсетей дополнительной информации и отказов по общей причине. 

BBN интуитивно понятен пользователю в плане взаимодействия между переменными модели. Это полезно для моделирования неопределенности и может быть легко использовано для моделирования иерархических уровней множественных причин и следствий с данными из множества источников, которые обычно встречаются в производственных системах. Основная проблема обучения BBN заключается в построении древовидной структуры, и для решения этой проблемы было предложено несколько методов, включая экспертное мнение.

Обсуждения

В процессе диагностики система развивается в недетерминированной среде, что требует учета неопределенностей, которые включают зашумленные измерения, недостающие данные, неизвестность и изменчивость системы. Как правило, корректность работы модели машинного обучения в основном зависит от качества используемых данных. 

Основная проблема диагностических систем в промышленных приложениях — это оценка неисправностей с неполными наблюдениями. В промышленной практике необходимо иметь дело с неполными наборами данных и неизвестными измерениями, при этом постоянно требуя полезной и надежной информации для поддержки принятия решений.

Сложность этого вопроса зависит от механизма обмена данных и информативности базы данных процессов. Есть много подходов к решению этих проблем, таких как удаление неполных данных или оценка недостающих данных. Однако некоторые инструменты машинного обучения могут обрабатывать непосредственно неполные данные. Например,  BBN может работать неполными наблюдениями. Фактически, он использует вероятности для оценки степени нашей неопределенности, а иногда использует алгоритмы максимизации ожидания для изучения параметров, когда в наборе данных есть некоторые недостающие данные.

Важной частью машинного обучения является способность модели к обобщениям. Действительно, модель, которая слишком сложна по сравнению с проблемой, которую мы хотим моделировать, будет учиться на выбросах, включенных в набор данных; следовательно, модель может быть переобученной, неспособной к обобщениям и допускать множество ошибок при новом наблюдении. По этой причине в некоторых методах используются методы отсечения, например, деревья решений и нейронные сети.

Цель техники обрезки — остановить тренировку, чтобы избежать переобучения. Кроме того, большинство этих методов — это контролируемые методы, которые используют знания эксперта для постановки диагноза. Главный недостаток контролируемых методов состоит в том, что модели известен только тип обнаруженных неисправностей. Тем не менее, с новой ошибкой некоторые модели могут выполнять отклонение неоднозначности или отклонение расстояния, чтобы восполнить недостаток знаний о системе и адаптироваться к развитию системы.

Кроме того, в процессе диагностики датчики генерируют числовые данные, и не все инструменты машинного обучения используют эти числовые данные напрямую. Однако большинство методов машинного обучения работают только с непрерывными переменными, например, метод опорных векторов и ИНС. С другой стороны, другие методы используют дискретные переменные; это случай деревья решений и BBN. В деревьях решений C4.5 поддерживает числовые целевые переменные. Для других алгоритмов, таких как ID3 и CART, они используют дискретные переменные или преобразуют непрерывные переменные в интервал. BBN обычно используют дискретную случайную величину, а иногда можно включить случайную непрерывную переменную, если она имеет гауссовское распределение вероятностей. 

Нечеткая нейронная сеть — единственный метод, который может обрабатывать различные типы данных (числовые и символьные). Фактически, он преобразует количественные и качественные значения в нечеткое множество. Оптимальный процесс диагностики заключается в создании модели, способной обрабатывать числовые или символьные данные, при этом оператор может использовать свои знания, улучшая диагностику. 

Сложные или гибридные системы характеризуются множеством реконфигураций, несколькими режимами работы и регулярным изменением количества датчиков, особенно в IoT-системах: добавлением или удалением одного или нескольких датчиков. Диагностика гибридных динамических систем требует совместного использования непрерывной динамики и дискретной динамики. В этом случае для диагностики в данном контексте нам потребуются надежные инструменты с изменением моделей и системы измерения.

Заключение 

Этот обзор приложения машинного обучения для диагностики неисправностей демонстрирует, что методы машинного обучения могут быть очень полезным инструментом для обнаружения и диагностики неисправностей. Этой статьей мы показали, что один метод не позволяет учесть все характеристики, которые требуются при диагностики системы. Некоторые методы могут дополнять другие, для улучшения системы ОДН. IoT ведет к огромному объему, разнообразию и высокой скорости передачи данных. Более того, возникает необходимость проектировать облака для хранения данных. Однако есть некоторые проблемы, такие как безопасность и масштабируемость. Таким образом, важно построить систему ОДН для уменьшение расходов и простоев системы.

В этой статье было много обзоров и теории без практики и кода. Но в будущем мы планируем написать статью про байесовские сети доверия с практической стороны с примерами кода, способную поставить надежный диагноз и с включение знание эксперта.

Вследствие увеличения сложности систем и необходимости уменьшения затрат на их поддержание традиционные методы ОДН (обнаружение и диагностика неисправностей) не справляются со своей задачей. С другой стороны, эксперты в этой области не сильно доверяют методам, основанным на машинном обучении и глубоком обучении, или, говоря по-другому — методам BlackBox. В свою очередь, при GreyBox методах возможно вводить знание эксперта в систему и более или менее объяснять, как были получены результаты. В связи с этим в статье мы рассмотрим методы ОДН и примеры их применения в IoT системах.

---

Материал подготовлен в рамках курса «Промышленный ML на больших данных».

Также скоро пройдет двухдневный бесплатный онлайн-интенсив «Как вывести модель в продакшн с помошью AWS? Теория и подготовка». На нем можно узнать, как использовать lambda и нюансы работы с IoT данными; а также научиться выводить модель в продакшн без сложных настроек системы. Записаться можно здесь.

ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА

В статье рассматриваются вопросы диагностирования неисправностей асинхронных двигателей и влияния их на энергетические характеристики двигателей. Упреждающая диагностика асинхронных двигателей позволяет заблаговременно выявить неисправности на ранней стадии их развития, сохранить энергоэффективность работы машин, что даёт возможность придерживаться режима энергосбережения для предприятий и тем самым повышать технологическую надёжность и рентабельность.

Переведенное название	Diagnostics of induction motors based on spectral analysis of stator currents
Язык оригинала	Русский
Страницы (с-по)	34-39
Журнал	Энергобезопасность и энергосбережение
Номер выпуска	3
Состояние	Опубликовано — 2014

• 45. 29.00 Электрические машины

• Перечень ВАК

• APA
• Author
• BIBTEX
• Harvard
• Standard
• RIS
• Vancouver

Сафин, Н. Р., Прахт, В. А., Дмитриевский, В. А., Дмитриевский, А. А., & Казакбаев, В. М. (2014). ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА. Энергобезопасность и энергосбережение

, (3), 34-39.

Сафин, Н. Р. ; Прахт, В. А. ; Дмитриевский, В. А. ; Дмитриевский, А. А. ; Казакбаев, В. М. / ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА. В: Энергобезопасность и энергосбережение. 2014 ; № 3. стр. 34-39.

@article{a2dfb7cb86984173b561e05c41005b10,

title = «ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА»,

abstract = «В статье рассматриваются вопросы диагностирования неисправностей асинхронных двигателей и влияния их на энергетические характеристики двигателей. Упреждающая диагностика асинхронных двигателей позволяет заблаговременно выявить неисправности на ранней стадии их развития, сохранить энергоэффективность работы машин, что даёт возможность придерживаться режима энергосбережения для предприятий и тем самым повышать технологическую надёжность и рентабельность.

«,

author = «Сафин, {Н. Р.} and Прахт, {В. А.} and Дмитриевский, {В. А.} and Дмитриевский, {А. А.} and Казакбаев, {В. М.}»,

year = «2014»,

language = «Русский»,

pages = «34—39»,

journal = «Энергобезопасность и энергосбережение»,

issn = «2071-2219»,

publisher = «Частное учреждение высшего образования {«}Московский институт энергобезопасности и энергосбережения{«}»,

number = «3»,

}

Сафин, НР, Прахт, ВА, Дмитриевский, ВА, Дмитриевский, АА & Казакбаев, ВМ 2014, ‘ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА’, Энергобезопасность и энергосбережение, № 3, стр. 34-39.

ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА. / Сафин, Н. Р.; Прахт, В. А.; Дмитриевский, В. А.; Дмитриевский, А. А.; Казакбаев, В. М.

В: Энергобезопасность и энергосбережение, № 3, 2014, стр.

34-39.

Результат исследований: Вклад в журнал › Статья › рецензирование

TY — JOUR

T1 — ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ АСИНХРОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ СПЕКТРАЛЬНОГО АНАЛИЗА ТОКОВ СТАТОРА

AU — Сафин, Н. Р.

AU — Прахт, В. А.

AU — Дмитриевский, В. А.

AU — Дмитриевский, А. А.

AU — Казакбаев, В. М.

PY — 2014

Y1 — 2014

N2 — В статье рассматриваются вопросы диагностирования неисправностей асинхронных двигателей и влияния их на энергетические характеристики двигателей. Упреждающая диагностика асинхронных двигателей позволяет заблаговременно выявить неисправности на ранней стадии их развития, сохранить энергоэффективность работы машин, что даёт возможность придерживаться режима энергосбережения для предприятий и тем самым повышать технологическую надёжность и рентабельность.

AB — В статье рассматриваются вопросы диагностирования неисправностей асинхронных двигателей и влияния их на энергетические характеристики двигателей. Упреждающая диагностика асинхронных двигателей позволяет заблаговременно выявить неисправности на ранней стадии их развития, сохранить энергоэффективность работы машин, что даёт возможность придерживаться режима энергосбережения для предприятий и тем самым повышать технологическую надёжность и рентабельность.

UR — https://elibrary.ru/item.asp?id=21712915

M3 — Статья

SP — 34

EP — 39

JO — Энергобезопасность и энергосбережение

JF — Энергобезопасность и энергосбережение

SN — 2071-2219

IS — 3

ER —

SPbPU EL — Диагностика неисправностей в системах автомобильных бензиновых двигателей: учебное пособие

 

Title: Диагностика неисправностей в системах автомобильных бензиновых двигателей: учебное пособие Creators: Иванов Александр Константинович Organization: Санкт-Петербургский политехнический университет Петра Великого Imprint: Санкт-Петербург, 2019 Collection: Учебная и учебно-методическая литература; Общая коллекция Subjects: Автомобильные двигатели; Двигатели внутреннего сгорания — Надежность; Машины — Техническая диагностика UDC: 621. 43-192(075.8) Document type: Tutorial File type: PDF Language: Russian DOI: 10.18720/SPBPU/2/s19-14 Rights: Свободный доступ из сети Интернет (чтение, печать, копирование) Record key: RU\SPSTU\edoc\60631 Allowed Actions: Read Download (3. 9 Mb) Group: Anonymous Network: Internet

Annotation

Учебное пособие предназначено для студентов специальности 140501 «Двигатели внутреннего сгорания» по направлению 13.03.03_04 «Энергетическое машиностроение», в учебный план которых входит изучение курсов «Диагностика двигателей внутреннего сгорания» (ДВС)», «Проектирование, монтаж, эксплуатация и технология ремонта ДВС». Пособие включает в себя описание наиболее распространенных неисправностей работы автомобильного бензинового двигателя в процессе эксплуатации с анализом причин их возникновения и способов их устранения. Приведены характерные особенности диагностики бензиновых двигателей в зависимости от способа смесеобразования. Дано представление о способах и методах диагностики неисправностей и дефектов различных систем двигателя с помощью диагностических приборов и тестеров.

Приведены конкретные примеры устранения неисправностей в системах управления двигателей с использованием современных методов диагностики. Представленный в пособии материал может быть использован в учебном процессе при подготовке специалистов родственных специальностей автомобилестроительного, эксплуатационного и других направлений.

Document access rights

	Network		User group		Action
	ILC SPbPU Local Network		All
	Internet		All

Usage statistics

Обнаружение и диагностика неисправностей при обслуживании оборудования

28 октября 2021 г.

Понимание неисправностей оборудования и разработка стратегий их обнаружения и диагностики является одним из ключевых элементов обслуживания оборудования.

Цель этой статьи — представить обзор обнаружения и диагностики неисправностей, поскольку они применяются для улучшения процесса обслуживания оборудования и повышения надежности активов.

История обнаружения и диагностики неисправностей

В первые дни техническое обслуживание оборудования ограничивалось ремонтом неисправных активов и выполнением базового планового обслуживания через определенные промежутки времени. Специалисты по техническому обслуживанию не могли бы быть более активными, даже если бы захотели. Их возможности по сбору, хранению и анализу данных о состоянии и производительности оборудования были просто слишком ограничены.

Однако благодаря постоянному совершенствованию микропроцессорного управления, автоматизации, сбора данных в режиме реального времени и таких систем, как обнаружение и диагностика неисправностей (FDD), способ, которым мы выполняем техническое обслуживание оборудования, значительно изменился.

FDD в техническом обслуживании оборудования

Целью обнаружения и диагностики неисправностей в контексте технического обслуживания оборудования является оптимизация затрат на техническое обслуживание при одновременном повышении надежности, доступности, ремонтопригодности и безопасности (RAMS) оборудования.

Функция FDD заключается в непрерывном мониторинге и анализе данных мониторинга состояния и обнаружении любых аномалий (при их наличии). Затем наборы данных о состоянии оборудования обрабатываются алгоритмами диагностики неисправностей, иногда встроенными в само оборудование, для создания предупреждений о сбоях для операторов оборудования и обеспечения своевременного технического обслуживания.

В некоторых случаях алгоритмы достаточно сложны, чтобы даже инициировать действия по локализации сбоя для автоматического исправления самого сбоя и восстановления работоспособного состояния оборудования.

Ключевые элементы системы обнаружения и диагностики неисправностей

FDD, как следует из названия, содержит обнаружение и диагностику отказов оборудования. Диагностика отказа может быть разбита на выделение и идентификацию отказа.

Оценка отказов часто добавляется в область действия FDD, поскольку она помогает понять серьезность отказа для производительности системы, что является важным аспектом управления техническим обслуживанием.

Тем не менее, алгоритм обнаружения и диагностики неисправностей для любого оборудования должен содержать не менее четырех ключевых процессов, перечисленных ниже (они также могут представлять собой нелинейный процесс при условии, что некоторые шаги происходят одновременно):

Нам нужно чтобы обсудить каждый элемент более подробно, чтобы действительно понять, как работают обнаружение неисправностей и диагностика.

1. Обнаружение неисправностей

Обнаружение неисправностей – это процесс обнаружения наличия неисправности в каком-либо оборудовании до того, как она проявится в виде поломки. Это самый важный этап FDD, поскольку все последующие процессы зависят от его точности.

Если оборудование не может обнаружить правильный вид отказа (или если обнаружение неверно и вызывает ложные тревоги), изоляция, идентификация и оценка также будут неэффективны.

Существует два основных подхода к обнаружению неисправностей:

1. Обнаружение неисправностей на основе моделей: Осуществляется посредством математического моделирования сигналов и процессов.
2. Обнаружение неисправностей на основе знаний: Это метод, использующий исторические данные о производительности оборудования.

Обнаружение неисправностей на основе моделей

При обнаружении неисправностей на основе моделей мы определяем набор инженерных правил, написанных в соответствии с физическими законами, которые определяют отношения подсистем и компонентов внутри оборудования. Всякий раз, когда правило нарушается, алгоритм может обнаружить неисправность и запустить диагностику неисправности.

Одним из примеров обнаружения неисправностей на основе моделей является использование рефлектометрии во временной области (TDR) для обнаружения повреждений в подземных кабелях. В TDR сигнал передается по тестовому кабелю и принимается после отражения от места повреждения.

Если в кабеле имеется разрыв или высокое сопротивление, часть сигнала будет отражаться обратно к испытательному оборудованию или приемнику. Анализируя время возврата сигнала и скорость отраженного сигнала, испытательное оборудование может определить характер неисправности в кабеле как обрыв цепи или короткое замыкание.

Другой простой пример обнаружения на основе правил связан с последовательной работой системы наполнения, укупорки и упаковки бутылок на конвейерной ленте. Можно установить простое правило, указывающее иерархию процессов, например:

• бутылку нельзя закрыть крышкой, пока бутылка не будет заполнена жидкостью
• бутылки не могут быть упакованы, если они не заполнены и не закрыты крышками  

В случае неисправности механизма укупорки бутылок алгоритм обнаружит поступающий сбой в системе упаковки. Он заблаговременно уведомит оператора упаковки. Необходимая подготовка может быть сделана для минимизации эксплуатационных потерь на упаковочной стороне конвейерной ленты.

Обнаружение ошибок на основе знаний

Чтобы обнаружение ошибок на основе знаний работало, нам сначала нужно установить базовый уровень. Это делается путем получения параметров производительности оборудования , таких как напряжение, ток, вибрация, температура, давление и других соответствующих переменных процесса, пока оборудование работает в нормальных условиях.

Цель состоит в том, чтобы разработать сигнатуру оборудования при нормальной работе.

После этого одни и те же параметры непрерывно извлекаются и сопоставляются с «здоровой» сигнатурой, чтобы зафиксировать отклонение через интерфейс статистического анализа — распознавание образов, выполняемое с помощью машинного обучения или искусственной нейронной сети.

Мы можем использовать этот метод для прогнозирования выхода из строя подшипника двигателя на основе сенсорных данных, собранных с подшипника и двигателя в целом.

Большое количество данных, собранных в течение долгого времени — история процесса — может быть проанализировано с помощью статистического алгоритма. Это помогает нам понять влияние различных условий, которым подвергается двигатель, таких как тепловой режим, механическое напряжение или некоторые другие рабочие условия, возникающие в особых обстоятельствах.

Затем алгоритм сопоставляет влияние этих условий на ухудшение состояния подшипников и прогнозирует частоту отказов и состояние работоспособности всего двигателя.

На основе этих сигнатур данных можно провести анализ для прогнозирования будущего состояния оборудования. Кроме того, можно активировать необходимые аварийные сигналы и провести диагностику неисправностей, чтобы оператор/техник мог предпринять соответствующие действия.

Те же данные можно использовать для определения стратегии профилактического обслуживания на оставшийся срок службы двигателя.

2. Локализация неисправности

Целью процесса локализации неисправности является локализация неисправности до самого нижнего компонента, который можно заменить. В некоторых приложениях обнаружение и изоляция неисправностей идут рука об руку; они могут, конечно, быть отдельными модулями процесса. Это связано с тем, что процессы обнаружения и локализации неисправности происходят в основном в одно и то же время, и оба выполняются алгоритмом обнаружения и изоляции неисправностей (FDI).

Например, рассмотрим пример тестирования TDR для подземного кабеля. Возвратный импульсный сигнал от кабеля одновременно указывает на наличие и местонахождение неисправности через время и скорость возвращенного импульсного сигнала.

Важным аспектом локализации неисправности является то, что неисправность должна быть локализована в самом нижнем компоненте, который может быть заменен . Это сделано для повышения точности изоляции и снижения влияния простоев.

В случае описанного ранее примера системы конвейера для бутылок обнаружение должно быть способно точно определить место отказа, например, отказ платы управления в механизме укупорки бутылок.

Если обнаружение просто указывает на отказ высокого уровня в конвейерной ленте, это не очень полезно для техника, выполняющего диагностику — на одном конвейере есть несколько систем, которые потенциально могут выйти из строя.

Информация, которая действительно ускорит процесс ремонта, — это знание точного места неисправности.

3. Идентификация неисправности

Цель идентификации неисправности состоит в том, чтобы понять основной вид неисправности, определить размер неисправности и найти ее первопричину. Методы диагностики неисправностей могут различаться, но действия, которые необходимо выполнить, в основном одинаковы.

Понимание основного режима сбоя

Глубокое понимание режима сбоя требует работы: 

• нам необходимо проанализировать поведение сбоя в разное время
• , чтобы мы могли разработать изменяющуюся во времени сигнатуру режима отказа
.
• и классифицировать его по разным категориям

Определение размера сбоя

Независимо от применяемого метода обнаружения сбоя размер или величина сбоя играет важную роль в определении желаемого уровня отказоустойчивости, который необходимо заложить в конструкцию оборудования .

Если величина неисправности мала, системе просто необходимо выдержать неисправность в течение дополнительного времени, пока неисправность не будет устранена сама по себе. Прекрасным примером является разрешение на временное переключение токов в электроприборах, если это не оказывает существенного влияния на производительность оборудования.

Теперь, если величина ошибки действительно высока, требуется другая методология: инженеры должны использовать активное или пассивное резервирование для повышения отказоустойчивости своих устройств.

Поиск основных причин 

Алгоритм обнаружения и диагностики неисправностей является ядром хорошей системы диагностики неисправностей. Он основан на принципах машинного обучения и может использоваться для выявления аномалий в потоках данных, исходящих от оборудования, и определения их основной причины.

Идентификация некоторых режимов отказа очень проста, в то время как другие могут быть сложными и требовать обширных математических вычислений.

БЕСПЛАТНЫЕ РЕСУРСЫ ДЛЯ ПРОФЕССИОНАЛОВ И СТУДЕНТОВ

Вы получите:

• Рабочий билет + рабочий лист анализа первопричин
• Прямая поддержка от нашей команды

В качестве примера возьмем высоковольтный и мощный трехфазный асинхронный двигатель переменного тока.

Чаще всего основные виды отказов носят механический характер и связаны с вращающейся частью двигателя: короткое замыкание обмоток ротора, выход из строя подшипников и поломка ротора. Поскольку ротор является быстродвижущимся элементом, непосредственно на него нельзя установить датчик.

Усовершенствованные алгоритмы FDD можно использовать для получения сигнатур тока на клеммах статора исправного двигателя и сравнения их с сигнатурами тока в неисправных условиях.

Например, при обрыве стержней ротора импульс тока статора в два раза превышает частоту тока статора двигателя. Существует косвенная зависимость между механическим разрушением стержней ротора и колебаниями тока статора.

Такие возникающие тенденции анализируются алгоритмами обнаружения и диагностики неисправностей и могут использоваться для поиска возможных основных причин, которые выводятся и отображаются в режиме реального времени на интерактивных информационных панелях.

Использование таких алгоритмов идентификации неисправностей значительно сократило количество времени, необходимого техническим специалистам для устранения неполадок оборудования и выявления основной причины сбоев. Автоматическая диагностика основных причин в значительной степени способствовала сокращению времени простоя оборудования, сокращению среднего времени ремонта и повышению общей надежности предприятия.

4. Оценка сбоев 

После определения видов сбоев и связанных с ними основных причин следующим шагом является оценка влияния этого типа сбоя на общую производительность системы.

Нам необходимо учитывать такие факторы, как:

• влияние сбоя на окружающую среду и остальную часть системы 
• влияние неисправности на безопасность системы
• финансовый убыток из-за простоя
• необходимость принятия решений о капитальной замене (в случае, если серьезность неисправности достаточна для замены оборудования, а не для его ремонта) 

через GIPHY

Оценка неисправностей является важным элементом общего процесса, поскольку он направлен на определение серьезности неисправности . Это помогает инженерам по надежности проводить проверку и рассчитывать риск сбоев, что окажет большое влияние на требования к техническому обслуживанию, рекомендации и оптимизацию.

Например, результат FDD для одной единицы оборудования может означать быстрое увеличение количества отказов. Однако влияние этой ошибки на общую производительность системы может быть минимальным, что делает общий риск умеренным. В этом случае для управления риском может быть достаточно менее строгой стратегии обслуживания, такой как работа до отказа или профилактическое обслуживание.

Обнаружение и диагностика сбоев для другой части оборудования может указывать на увеличение количества отказов, а также на сильное влияние отказа на общую производительность системы. В этом случае следует принять наиболее строгую программу профилактического обслуживания, несмотря на ее высокую стоимость. Это связано с тем, что увеличение затрат на техническое обслуживание оправдано для предотвращения серьезных последствий, которые будут намного более дорогостоящими.

Оптимизация обслуживания с помощью FDD

Короче говоря, обнаружение неисправностей и диагностика играют решающую роль в оптимизации режима обслуживания любого оборудования на протяжении всего его жизненного цикла.

С появлением технологий быстрых вычислений, обработки больших данных и передовых алгоритмов обучения традиционное обнаружение неисправностей превратилось в автоматические системы управления неисправностями, которые не только обнаруживают неисправности, но также определяют их основную причину и осуществляют корректирующие действия, чтобы избежать повторения в будущем.

Такая автоматизация ряда ручных процессов позволила инженерам по надежности и техническому обслуживанию прогнозировать состояние оборудования, определять будущие характеристики оборудования и определять оптимальные интервалы обслуживания.

Единственное, что им осталось сделать, это запустить свое компьютеризированное программное обеспечение для управления техническим обслуживанием (CMMS), отслеживать состояние своих критически важных активов и планировать соответствующие работы по техническому обслуживанию.

Power System Fault Diagnosis — 1st Edition

Select country/regionUnited States of AmericaUnited KingdomAfghanistanÅland IslandsAlbaniaAlgeriaAmerican SamoaAndorraAngolaAnguillaAntigua and BarbudaArgentinaArmeniaArubaAustraliaAustriaAzerbaijanBahamasBahrainBangladeshBarbadosBelgiumBelizeBeninBermudaBhutanBoliviaBonaire, Sint Eustatius and SabaBosnia and HerzegovinaBotswanaBrazilBritish Indian Ocean TerritoryBritish Virgin IslandsBruneiBulgariaBurkina FasoBurundiCambodiaCameroonCanadaCanary IslandsCape VerdeCayman IslandsCentral African RepublicChadChileChinaChristmas IslandCocos (Keeling) IslandsColombiaComorosCongoCook IslandsCosta RicaCroatiaCubaCuraçaoCyprusCzech RepublicDemocratic Republic КонгоДанияДжибутиДоминикаДоминиканская РеспубликаЭквадорЕгипетСальвадорЭкваториальная ГвинеяЭритреяЭстонияЭфиопияФолклендские (Мальвинские) островаФарерские островаФедеративные Штаты МикронезииФиджиФинляндияФранцияФранцузская ГвианаФранцузская ПолинезияГабонГамбияГрузияГерманияГанаГибралтарGre eceGreenlandGrenadaGuadeloupeGuamGuatemalaGuernseyGuineaGuinea-BissauGuyanaHaitiHondurasHong KongHungaryIcelandIndiaIndonesiaIranIraqIrelandIsle of ManIsraelItalyJamaicaJapanJerseyJordanKazakhstanKenyaKiribatiKuwaitKyrgyzstanLaoLatviaLesothoLiberiaLibyaLiechtensteinLuxembourgMacaoMacedoniaMadagascarMalawiMalaysiaMaldivesMaliMaltaMarshall IslandsMartiniqueMauritaniaMauritiusMayotteMexicoMoldovaMonacoMongoliaMontenegroMontserratMoroccoMozambiqueMyanmarNamibiaNepalNetherlandsNew CaledoniaNew ZealandNicaraguaNigerNiueNorfolk IslandNorth KoreaNorthern Mariana IslandsNorwayOmanPakistanPalauPanamaPapua New GuineaParaguayPeruPhilippinesPitcairnPolandPortugalPuerto RicoQatarRéunionRomaniaRwandaSaint BarthélemySaint HelenaSaint Kitts and NevisSaint LuciaSaint Martin (French part)Saint Pierre and MiquelonSaint Vincent and the GrenadinesSamoaSan MarinoSao Tome and PrincipeSaudi ArabiaSenegalSerbiaSeychellesSierra LeoneSingaporeSint Maarten (Dutch part)SlovakiaSloveniaSolomon IslandsSomaliaSouth Af ricaSouth Georgia and the South Sandwich IslandsSouth KoreaSouth SudanSpainSri LankaSudanSurinameSvalbard and Jan MayenSwazilandSwedenSwitzerlandSyriaTaiwanTajikistanTanzaniaThailandTimor LesteTogoTokelauTongaTrinidad and TobagoTunisiaTurkeyTurkmenistanTurks and Caicos IslandsTuvaluUgandaUkraineUnited Arab EmiratesUruguayUS Virgin IslandsUzbekistanVanuatuVatican CityVenezuelaVietnamWallis and FutunaWestern SaharaYemenZambiaZimbabwe

Варианты покупки

Bundle (электронная книга, мягкая обложка) 50% скидка $ 330,00 $ 165,00

Ebook $ 165,00

Печать — в мягкой обложке $ 165,00.

Пролени. Нет минимального заказа

Описание

Диагностика отказов энергосистемы: интеллектуальный подход, основанный на измерении на большой площади, представляет собой всесторонний обзор растущего интереса к эффективной диагностике отказов энергосистем с целью сокращения продолжительности простоев и потерь доходов за счет ускорения процесса восстановления. Эта книга иллюстрирует интеллектуальные схемы диагностики неисправностей для сетей энергосистем как на уровне передачи, так и на уровне распределения с использованием данных, полученных от векторных измерительных устройств. В нем поэтапно представлено моделирование энергосистемы, моделирование неисправностей, процессы извлечения признаков и различные методы диагностики неисправностей, включая методы искусственного интеллекта. Книга также включает в себя неопределенность, связанную с параметрами линии, информацией о неисправностях (сопротивление и угол зарождения), потребностью нагрузки, производством возобновляемой энергии и шумами измерений.

Основные функции

• Обеспечивает пошаговое моделирование сетей энергосистемы (распределение и передача) и отказов в платформах MATLAB/SIMULINK и цифрового симулятора реального времени (RTDS)
• Представляет процессы извлечения признаков с использованием передовых методов обработки сигналов (дискретный вейвлет и преобразования Стоквелла) и простой для понимания метод выбора оптимальных признаков
• Иллюстрирует всесторонние результаты в графическом и табличном форматах, которые могут быть легко воспроизведены новичками
• Освещает различные методы коммунальных служб для локализации повреждений в сетях передачи, распределительных системах и подземных кабелях.

Аспирантура

Аспиранты кафедры электроэнергетики и энергетических систем. Профессиональные исследователи и академические практики. Промышленные (энергетические) инженеры. Энергосистема и научно-исследовательские центры по возобновляемым источникам энергии. Предприятия электроэнергетики. Профессиональные и технические общества (IEEE, IET и CIGRE)

Содержание

Product details

• No. of pages: 428
• Language: English
• Copyright: © Elsevier 2022
• Published: January 14, 2022
• Imprint: Elsevier
• eBook ISBN: 9780323884303
• Paperback ISBN: 9780323884297

Об авторах

Md Shafiullah

Доктор Md Shafiullah в настоящее время работает преподавателем в Междисциплинарном исследовательском центре возобновляемых источников энергии и энергетических систем (IRC-REPS) в Университете нефти и минералов имени короля Фахда (KFUPM) . Он получил докторскую степень. получил степень бакалавра электротехники (Электроэнергетика и энергетические системы) в КФУУП в 2018 году. До этого он получил степень бакалавра наук. и магистр наук. степени в области электротехники и электронной инженерии (EEE) Бангладешского инженерно-технологического университета (BUET) в 2009 г.и 2013 соответственно. Он продемонстрировал свой исследовательский вклад в более чем 70 научных статьях (рецензируемых журналах, материалах международных конференций и главах книг). Область его научных интересов включает диагностику неисправностей энергосистемы, интеграцию возобновляемых источников энергии в сеть, анализ стабильности и качества энергосистемы, а также методы машинного обучения. Он получил награду за лучшую исследовательскую работу на двух флагманских конференциях IEEE (ICEEICT 2014 в Бангладеш и CAIDA 2021 в Саудовской Аравии).

Принадлежности и опыт

Университет нефти и минералов им. короля Фахда, Саудовская Аравия

Магистр Абидо

Доктор М. А. Абидо получил степень бакалавра наук. и магистр наук. степени в области электротехники (EE) Университета Менуфия, Египет, в 1985 и 1989 годах соответственно, и докторскую степень. из Университета нефти и минералов им. короля Фахда (KFUPM), Саудовская Аравия, в 1997 году. В настоящее время он работает на факультете энергоэффективности KFUPM в качестве заслуженного профессора университета. Он также является старшим научным сотрудником Центра исследований и инноваций в области энергетики K∙A∙CARE и Междисциплинарного исследовательского центра возобновляемых источников энергии и энергосистем, Дахран, Саудовская Аравия. Его исследовательские интересы включают управление энергосистемой и интеграцию возобновляемых источников энергии. Доктор Абидо является лауреатом премии KFUPM за выдающиеся достижения в области исследований в 2002, 2007 и 2012 годах, премии KFUPM за лучший проект в 2007 и 2010 годах, премии за первую премию Общества отраслевых приложений IEEE, 2003 год, премии Абдель-Хамида Шомана, 2005 год. Премия Алмараи за научные инновации 2017–2018 гг., Саудовская Аравия, 2018 г., и премия Халифа в области высшего образования 2017–2018 гг., Абу-Даби, ОАЭ, 2018 г.

Принадлежности и опыт

Университет нефти и минералов имени короля Фахда, Саудовская Аравия

А. Х. Аль-Мохаммед

Д-р Али Х. Аль-Мохаммед получил степень бакалавра наук. степень (с отличием первой степени) в области электротехники Университета нефти и полезных ископаемых имени короля Фахда (KFUPM), Дахран, Саудовская Аравия, в 1994 году, и степень магистра наук. и доктор философии степени того же университета в 1999 и 2013 годах соответственно. Д-р Аль-Мохаммед более 27 лет работает в Саудовской электроэнергетической компании (SEC) в области проектирования, проектирования и управления различными проектами передачи электроэнергии высокого и сверхвысокого напряжения, включая подстанции, воздушные линии электропередачи, подземные кабели и проекты интеллектуальных сетей. Его исследовательские интересы включают планирование энергосистемы, локализацию неисправностей, оптимизацию активов, проектирование подстанций, приложения векторных измерительных блоков (PMU) и защиту энергосистемы.

Принадлежности и опыт

Менеджер, E&D-EOA, National Grid SA, дочерняя компания Саудовской электроэнергетической компании, Даммам, Саудовская Аравия

Рейтинги и обзоры

Написать отзыв

все обзоры)

• Abdul H. Воскресенье, 17 апреля 2022

  Очень хорошо организованный контент

  Очень хорошо организованный контент с точки зрения исследования и полезности. С нетерпением ждем полного содержания (настольная копия)

Базовая серия по строительной аналитике: что такое обнаружение и диагностика неисправностей?

Мы все испытывали разочарование из-за того, что наши бытовые приборы или электронные устройства не работали должным образом. В такие моменты нам хотелось бы быстро узнать, что не так, научиться их исправлять и двигаться дальше по жизни. Многие современные машины, доступные сегодня, предлагают функции, помогающие нам устранять неполадки при возникновении общих проблем. На самом деле дефектация и диагностика окружают нас в нашей повседневной жизни, стандартная функция, по-видимому, везде, от наших умных кофемашин до наших компьютеризированных автомобилей и наших офисных принтеров и копировальных аппаратов.

Концепция обнаружения неисправностей и диагностики существует уже несколько десятилетий и находит практическое применение в нескольких областях, включая аэрокосмическую, автомобильную, производственную, ядерную и национальную оборону. В этой краткой статье мы сосредоточимся на одной области, в которой усилия по исследованиям и разработкам значительно увеличились за последние два десятилетия. Это область зданий и систем отопления, вентиляции, кондиционирования и охлаждения (HVAC&R).

Что такое обнаружение и диагностика неисправностей в зданиях?

По сути, обнаружение и диагностика неисправностей, или FDD, представляет собой процесс обнаружения ошибок в физических системах при попытке определить источник проблемы . В зданиях эти физические системы включают HVAC&R — системы, предназначенные для поддержания внутренней среды, приемлемой для людей, продуктов и оборудования, а также освещение, лифты и любое специализированное оборудование, находящееся в пределах тысяч зданий вокруг нас.

Термин «автоматическое обнаружение и диагностика неисправностей», или AFDD, в последнее время стал более популярным, особенно в строительной отрасли. В целом, различие заключается в том, что в то время как FDD обычно относится к процессу , AFDD относится к технологиям , используемым для реализации процессов FDD. Таким образом, инструмент AFDD оборудован для реализации автоматизированного FDD с минимальным вмешательством человека.

Как работает обнаружение и диагностика неисправностей?

Базовая методология FDD включает четыре ключевых процесса: обнаружение неисправности , локализацию неисправности , идентификацию неисправности и оценку неисправности , как показано на рисунке 1. После того, как было установлено, что произошла неисправность в системе он изолируется и классифицируется на основе типа неисправности, местоположения и времени обнаружения. Выделение неисправности вместе с идентификацией неисправности, которая включает определение размера неисправности и ее поведения в разное время, обычно называют диагностикой неисправности. Оценка неисправности — это, по сути, оценка влияния неисправности на производительность системы, часто основанная на различных категориях приоритетов, включая энергопотребление, комфорт, воздействие на окружающую среду и затраты.

Рисунок 1. Четыре ключевых процесса обнаружения и диагностики неисправностей

После оценки неисправности необходимо принять решение о том, как реагировать на обнаруженную неисправность. Следующие шаги могут варьироваться от корректирующих действий, инициирования дальнейшего расследования, точной настройки определения FDD — в случае ложного срабатывания до отсрочки или даже бездействия.

Какие существуют подходы к обнаружению и диагностике неисправностей?

Хотя существует несколько различных методов обнаружения неисправностей и диагностики их причин, в основном они подпадают под одну из трех групп, общепринятых в классификации методов FDD. Это, на основе количественной модели , на основе качественной модели и на основе истории процесса .

Подходы, основанные на количественных моделях, которые основывают диагностику на физических моделях, широко не используются в коммерческих инструментах AFDD. Напротив, подходы на основе качественных моделей, такие как FDD на основе правил, широко используются в отрасли для моделирования процесса или системы для диагностики неисправностей. Подходы, основанные на истории процессов, используют большие объемы исторических данных, с инженерными знаниями или без них, для построения регрессионных моделей, нейронных сетей и других методов распознавания образов. Принадлежа к этой последней группе, многие поставщики AFDD участвуют в обширных исследованиях, посвященных различным подходам, основанным на данных.

Как правило обнаружения и диагностики неисправностей будет работать в системе здания?

Блок-схема на рис. 2 представляет собой упрощенное правило FDD, объясняющее основы обнаружения и диагностики неисправности.

Рис. 2. Блок-схема, изображающая упрощенное правило FDD для системы вытяжных вентиляторов, используемой для вентиляции помещения с электрооборудованием.

Вытяжная система предназначена для вентиляции помещения с электрооборудованием.