Способ и устройство для предиктивного диагностирования технического состояния промышленных объектов

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

 

Изобретение относится к области мониторинга и диагностирования промышленных объектов и предназначено для диагностирования состояния промышленных объектов и прогнозирования его изменения с возможностью принятия решений о дате и объеме необходимых ремонтных работ.

Известен способ диагностирования (RU, патент №2345492, МПК Н04В 17/00, опубл. 27.01.2009 г.) средств связи телекоммуникационных систем (СС ТКС), состоящий в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, причем, всю совокупность как внутренних параметров, так и выходных параметров, определяющих техническое состояние СС ТКС, сокращают за счет выявления сильной корреляционной зависимости отдельно между внутренними параметрами, отдельно между выходными и между входными параметрами СС ТКС, из сокращенного множества внутренних и выходных параметров СС ТКС определяют систему регрессионных уравнений, каждое уравнение системы регрессионных уравнений проверяют на адекватность, по заданной достоверности контроля технического состояния с учетом нормированных коэффициентов регрессии в системе регрессионных уравнений осуществляют контроль внутренних параметров СС ТКС с максимальными значениями нормированных коэффициентов регрессии, с учетом динамики изменений выделенных контролируемых параметров осуществляют прогнозирование времени наступления предотказового состояния СС ТКС.

Недостатком способа является повышенная сложность определения зависимостей внутренних и выходных параметров от технического состояния объекта. Также серьезным недостатком способа является использование в качестве эталонных признаков постоянных нормативных значений контролируемых параметров, что существенно ограничивает область применения метода, в частности, исключает возможность его использования в системах рабочего диагностирования транспортных объектов, где эталонные значения большинства информативных параметров зависят от режима движения объекта, в связи с чем постоянные нормативные значения этих параметров в документации не приводятся.

Известен способ диагностирования сложных технических объектов (RU, патент №2582876, МПК G06N 3/02, G06N 3/08, G05B 13/04, опубл. 27.04.2016 г.), заключающийся в том, что среди параметров сложного технического объекта выделяют отдельные параметры, которые являются признаками его технического состояния, сравнивают их с эталонными признаками исходного алфавита классов состояний и по результатам сравнения определяют группу классов возможного технического состояния диагностируемого объекта, в качестве признаков технического состояния объекта используют статистически обработанные характеристики разностей текущих и эталонных значений внутренних и выходных параметров объекта, в качестве эталонных признаков исходного алфавита классов используют статистические характеристики разностей текущих и эталонных значений внутренних и выходных параметров исправного объекта, при этом в качестве эталонных значений внутренних и выходных параметров исправного объекта используют их расчетные значения, вычисляемые для каждого режима работы объекта по измеренным текущим значениям входных параметров с помощью нейросетевых моделей.

Недостатком указанного способа является то, что в данном способе отсутствует возможность прогнозирования технического состояния диагностируемого объекта.

Известно решение, выбранное в качестве прототипа (RU №2707423, МПК G06F 11/00, G05B 23/03, G05B 17/00, опубл. 28.10.2019 г.), где для диагностирования промышленного объекта используется блок сбора данных, выполненный с возможностью сбора данных с комплекта датчиков промышленного объекта, блок модели промышленного объекта, выполненный с возможностью моделировать промышленный объект, блок анализа, выполненный с возможностью анализировать состояние промышленного объекта на основании данных, полученных от блока сбора данных и модели промышленного объекта, причем блок анализа выполнен с возможностью делать заключение о нормальном или аномальном функционировании промышленного объекта на основании анализа, причем блок анализа выполнен с возможностью принимать данные об изменениях, внесенных в промышленный объект и командовать блоку модели изменить модель в соответствии с внесенными изменениями.

Недостатком указанного решения является отсутствие возможности определения количественной оценки фактического состояния диагностируемого объекта (загрязнение, износ, заряд, емкость и т.д.), а также необходимость в периодическом изменении модели промышленного объекта в случае изменения его состояния. Кроме того, в данном способе упомянута, но не раскрыта сущность процесса прогнозирования технического состояния диагностируемого промышленного объекта.

Техническим результатом реализации предлагаемого способа является:

- возможность получения количественной оценки фактического технического состояния промышленного объекта посредством использования в качестве диагностической модели многослойной нейронной сети, обученной с использованием массива значений параметров, контролируемых комплектом датчиков на промышленном объекте, синтезированного при помощи аналитической модели промышленного объекта и выдающей результат диагностирования в виде количественного значения показателя, характеризующего техническое состояния промышленного объекта;

- отсутствие необходимости периодического изменения диагностической модели промышленного объекта за счет применения аналитической модели промышленного объекта, построенной таким образом, что она отражает значения параметров, контролируемых комплектом датчиков на промышленном объекте, во всех классах состояния промышленного объекта, а массив данных, синтезированный с использованием аналитической модели и используемый для обучения диагностической модели, включает значения параметров, контролируемых комплектом датчиков на промышленном объекте, во всех классах технического состояния промышленного объекта;

- возможность корректировки объемов и сроков проведения необходимых профилактических и ремонтных работ по результатам прогнозирования изменения технического состояния промышленного объекта посредством применения прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах количественной оценки технического состояния промышленного объекта, полученных с использованием диагностической модели.

Технический результат достигается тем, что в способе предиктивного диагностирования технического состояния промышленных объектов, заключающемся в том, что для диагностирования объекта осуществляют сбор данных с комплекта датчиков промышленного объекта, моделируют состояние промышленного объекта, анализируют состояние промышленного объекта на основании данных, полученных посредством комплекта датчиков и путем моделирования состояния промышленного объекта, по результатам анализа делают заключение о функционировании промышленного объекта, при анализе используют многослойную нейронную сеть, обученную с использованием данных, полученных при моделировании промышленного объекта и характеризующих все возможные классы его технического состояния в процессе эксплуатации, по результатам анализа делают количественную оценку технического состояния промышленного объекта, с помощью которой осуществляют периодический прогноз технического состояния промышленного объекта с помощью прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах анализа состояния промышленного объекта, полученный прогноз технического состояния промышленного объекта используют для оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых профилактических и ремонтных работ.

Также технический результат достигается тем, что устройство для предиктивного диагностирования технического состояния промышленных объектов, состоящее из блока сбора данных с комплекта датчиков промышленного объекта, блока модели промышленного объекта, блока анализа состояния промышленного объекта на основании данных, полученных от блока сбора данных и блока модели промышленного объекта для составления заключения о функционировании промышленного объекта, дополнительно оснащено блоком прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока анализа состояния промышленного объекта для осуществления прогноза технического состояния промышленного объекта, а также дополнительно оснащено блоком принятия решений для обработки данных с блока прогноза с целью оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ, причем блок модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта в процессе его эксплуатации, а блок анализа выполнен с возможностью формирования количественной оценки технического состояния промышленного объекта на заданный интервал времени.

Заявленный способ реализуется устройством для предиктивного диагностирования технического состояния промышленных объектов и поясняется чертежом.

На Фиг. изображена схема устройства для предиктивного диагностирования технического состояния промышленных объектов.

Устройство для предиктивного диагностирования технического состояния промышленных объектов состоит из блока 1 сбора данных с комплекта 2 датчиков промышленного объекта 3, блока 4 модели промышленного объекта, блока 5 анализа состояния промышленного объекта 3 на основании данных, полученных от блока 1 сбора данных и блока 4 модели промышленного объекта 3. Блок 5 анализа выполнен с возможностью формирования количественной оценки фактического состояния промышленного объекта 3, а блок 4 модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта 3 в процессе его эксплуатации. Блок 5 анализа выполнен в виде диагностической модели, построенной с использованием многослойной нейронной сети, обученной с использованием данных, полученных от блока 4 модели промышленного объекта 3 и характеризующих все возможные классы технического состояния промышленного объекта 3. Устройство для предиктивного диагностирования технического состояния промышленных объектов дополнительно оснащено блоком 6 прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока 5 анализа промышленного объекта 3 и осуществляющим прогноз технического состояния промышленного объекта 3. Также устройство для предиктивного диагностирования технического состояния промышленных объектов дополнительно оснащено блоком 7 принятия решений, выполняющим, на основании данных, полученных с блока 6 прогноза, оценку оставшегося времени до достижения спрогнозированным состоянием промышленного объекта 3 предельных значений и принятия решения о дате и объеме необходимых ремонтных работ.

Устройство для осуществления способа предиктивного диагностирования технического состояния промышленных объектов работает следующим образом. Вначале разрабатывается модель промышленного объекта 3, подлежащего диагностированию. При разработке модели промышленного объекта 3 учитывается изменение его технического состояния в процессе эксплуатации. В блоке 4 модели промышленного объекта 3, с помощью аналитической модели промышленного объекта 3 синтезируется выборка векторов исходных данных, соответствующих различным классам технического состояния промышленного объекта 3. Блок 5 анализа представляет собой диагностическую модель, построенную с использованием искусственной многослойной нейронной сети. Производится обучение диагностической модели промышленного объекта 3 по методу обратного распространения ошибки с использованием синтезированной выборки векторов исходных данных, соответствующих различным классам состояния промышленного объекта. Блок 1 сбора данных осуществляет измерение и регистрацию выходных параметров комплекта 2 датчиков, установленных на промышленный объект 3. Зарегистрированные выходные параметры комплекта 2 датчиков поступают на вход блока 5 анализа и проходят через обученную нейронную сеть. На выходе блока 5 анализа формируется количественная оценка технического состояния диагностируемого промышленного объекта 3, которая накапливается в блоке 6 прогноза. Накопленные за время эксплуатации промышленного объекта 3 значения оценок его технического состояния представляют собой временной ряд, который используется для обучения блока 6 прогноза, выполненного с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти. Обученный блок 6 прогноза периодически осуществляет прогноз изменения технического состояния промышленного объекта 3 на заданный интервал времени. С выхода блока 6 прогноза полученный результат прогноза изменения технического состояния на заданный интервал времени поступает в блок 7 принятия решений, выполняющий оценку оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ.

1. Способ предиктивного диагностирования технического состояния промышленных объектов, заключающийся в том, что для диагностирования объекта осуществляют сбор данных с комплекта датчиков промышленного объекта, моделируют состояние промышленного объекта, анализируют состояние промышленного объекта на основании данных, полученных посредством комплекта датчиков и путем моделирования состояния промышленного объекта, по результатам анализа делают заключение о функционировании промышленного объекта, отличающийся тем, что при анализе используют многослойную нейронную сеть, обученную с использованием данных, полученных при моделировании промышленного объекта и характеризующих все возможные классы его технического состояния в процессе эксплуатации, по результатам анализа делают количественную оценку технического состояния промышленного объекта, с помощью которой осуществляют периодический прогноз технического состояния промышленного объекта с помощью прогнозной модели, построенной с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти и периодически обучаемой на результатах анализа состояния промышленного объекта, полученный прогноз технического состояния промышленного объекта используют для оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых профилактических и ремонтных работ.

2. Устройство для предиктивного диагностирования технического состояния промышленных объектов, состоящее из блока сбора данных с комплекта датчиков промышленного объекта, блока модели промышленного объекта, блока анализа состояния промышленного объекта на основании данных, полученных от блока сбора данных и блока модели промышленного объекта, для составления заключения о функционировании промышленного объекта, отличающееся тем, что дополнительно оснащено блоком прогноза, построенным с использованием рекуррентной нейронной сети с ячейками долгой краткосрочной памяти, периодически обучаемым на выходных данных блока анализа состояния промышленного объекта для осуществления прогноза технического состояния промышленного объекта, а также дополнительно оснащено блоком принятия решений для обработки данных с блока прогноза с целью оценки оставшегося времени до достижения спрогнозированным состоянием промышленного объекта предельных значений и принятия решения о сроках и объемах необходимых ремонтных работ, причем блок модели промышленного объекта выполнен с возможностью моделирования изменения технического состояния промышленного объекта в процессе его эксплуатации, а блок анализа выполнен с возможностью формирования количественной оценки технического состояния промышленного объекта на заданный интервал времени.