Вибродиагностика промышленного оборудования с применением искусственных нейронных сетей

метки: Оборудование, Вибродиагностика, Система, Электродвигатель, Пиковый, Деталь, Данные, Машин

1. Аршанский М. М., Щербаков В. П. Вибродиагностика и управление точностью обработки на металлорежущих станках. — М.: Машиностроение, 1988. — 136 с.

2. Биргер И. А. Техническая диагностика. — М.: Машиностроение, 1978. — 239 с.

3. Русов В. А. Спектральная вибродиагностика. — Пермь, 1996. — 235 с.

4. Гольдин А. С. Вибрация роторных машин. — М.: Машиностроение, 1999. — 344 с.

5. Генкин М. Д., Соколова А. Г. Виброакустическая диагностика машин и механизмов. — М.: Машиностроение, 1987. — 283 с.

6. Артоболевский И. И., Болицкий Ю. И., Генкин М. Д. Введение в техническую диагностику машин. –М., 1979. – 296 с

7. Добрынин С. А., Фельдман М. С., Фирсов Г. И. Методы автоматизированного исследования вибрации машин. Справочник. — М.: Машиностроение, 1987. — 224 с.

№ п.п.	Содержание расчетно-пояснительной записки (перечень вопросов, подлежащих разработке)	Консультанты
1.	Введение. Актуальность задачи	Васильев Д.А.
2.	Анализ методов организации ремонтных мероприятий на промышленных предприятиях	Васильев Д.А.
3.	Обзор систем мониторинга технического состояния технологического оборудования	Васильев Д.А.
4.	Анализ работы экспертной системы на основе нечёткого вывода	Васильев Д.А.
5.	Разработка системы вибродиагностики промышленного оборудования с применением искусственных нейронных сетей	Васильев Д.А.
6.	Сравнение эффективности работы системы нечёткого вывода и искусственной нейронной сети применительно к диагностике неисправностей промышленного оборудования	Васильев Д.А.
7	Расчёт экономического обоснования разработки системы вибродиагностики с применением искусственной нейронной сети	Плотников А.П.
8.	Заключение.

Руководитель дипломной работы Васильев Д. А. ______________________

№ п.п.	Перечень слайдов, подлежащих разработке	Формат	Коли-чество	Консультант
1.	Цели и задачи работы	А4	1	Васильев Д.А.
2.	Методы организации ремонта оборудования на промышленных предприятиях	А4	1	Васильев Д.А.
3.	Общая схема автоматизированной системы вибродиагностики	А4	1	Васильев Д.А.
4.	Структура системы нечёткого вывода	А4	1	Васильев Д.А.
5.	Продукционные правила для системы нечёткого вывода	А4	1	Васильев Д.А.
6.	Основные виды неисправностей, диагностируемых с помощью ИНС	А4	1	Васильев Д.А.
7.	Построение обучающего множества	А4	1	Васильев Д.А.
8.	Структура нейронной сети для решения задачи вибродиагностики	А4	1	Васильев Д.А.
9.	Обучение многослойного персептрона для решения поставленной задачи	А4	1	Васильев Д.А.
10.	Результат работы сети	А4	1	Васильев Д.А.
11.	Технико-экономическое обоснование целесообразности разработки системы	А4	1	Плотников А.П.

Руководитель работы к.т.н., доц. Васильев Д. А. _______________________

Задание принял к исполнению «___»_______________20___г.

Студент Козлецов Ю.В. _______________________

(подпись студента)

УТВЕРЖДАЮ К заданию на дипломную

Руководитель работы работу

к.т.н., доц.

Васильев Д. А._________

«___»________________20___г.

К А Л Е Н Д А Р Н Ы Й Г Р А Ф И К

№ п/п	Разделы, темы и их содержание	По плану	Фактически	Отметка руководителя о выполнении
Дата	объем в %	дата	Объем в %
1.	Организация ремонтных мероприятий на промышленных предприятиях
2.	Системы диагностики технологического оборудования.
3.	Вибродиагностика технического состояния с применением систем искусственного интеллекта
4.	Вибродиагностика оборудования с применением системы нечёткого вывода
5.	Вибродиагностика оборудования с применением искусственных нейронных сетей
6.	Технико-экономическое обоснование

Студент Козлецов Ю.В. __________________

«____»______________________20___г.

Реферат

Пояснительная записка содержит 92 страницы машинописного текста,

22 рисунка, 9 таблиц, 1 приложение

ВИБРОДИАГНОСТИКА, СПЕКТР СИГНАЛА, ТЕХНОЛОГИЧЕСКОЕ ОБОРУДОВАНИЕ, РЕМОНТ ОБОРУДОВАНИЯ, ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ, СИСТЕМА НЕЧЁТКОГО ВЫВОДА

Целью работы, Объектом исследования

АСУ мониторинга и диагностики состояния оборудования является информационной и управляющей системой, выполняющей следующие функции автоматизации: представления информации оператору, анализа состояния механических узлов оборудования.

Для достижения цели в работе произведен обзор существующего программного обеспечения. Произведен анализ существующих методик решения задачи. Разработаны алгоритмы процесса диагностики неисправностей механических узлов различного оборудования.

THE ABSTRACT

The explanatory note contains 112 pages of printed text,

22 pictures, 9 tables, 1 exhibit

VIBRODIAGNOSTICS, SPECTRUM OF THE SIGNAL, TECHNOLOGICAL EQIPMENT, REPAIR OF THE EQIPMENT, ARTIFICIAL NEURAL NETWORK, SYSTEM OF FUZZY CONCLUSION

The purpose of the work

Object of researching

CAD monitoring and diagnostics of the condition of the equipment are information and controlling system, executing following functions to automations: presentations of information to operator, analysis of the condition of the mechanical nodes of the equipment.

For achievement of the purposes in work is made review existing software. There was made analysis existing methods of the decision of the problem, also designed algorithm of the process testability mechanical nodes of the different equipment.

СОДЕРЖАНИЕ

ВВЕДЕНИЕ	10
1. ОРГАНИЗАЦИЯ РЕМОНТНЫХ МЕРОПРИЯТИЙ НА ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЯХ	11
2. СИСТЕМЫ ДИАГНОСТИКИ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ	16
2.1. Назначение систем диагностики	16
2.2. Основные методы диагностики современного оборудования	18
2.3. Классификация систем мониторинга и диагностики промышленного оборудования	21
2.4. Современные системы виброаккустической диагностики	24
3. ВИБРОДИАГНОСТИКА ТЕХНИЧЕСКОГО СОСТОЯНИЯ С ПОМОЩЬЮ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА	27
3.1. Построение системы диагностики технического состояния технологического оборудования на основе системы нечёткого вывода	28
3.1.1. Нечеткие экспертные системы	30
3.1.2. Алгоритмы нечёткого вывода	33
3.1.3. Вибродиагностика оборудования с применением систем нечёткой логики	34
3.2. Вибродиагностика оборудования с применением искусственных нейронных сетей	42
3.2.1. Общие характеристики искусственных нейронных сетей	44
3.2.2. Получение и анализ исходных данных. Построение обучающей выборки	45
3.2.3. Выбор нейронной сети. Структура сети	55
3.2.4. Алгоритм обучения сети для решения задачи вибродиагностики оборудования	56
4. РАСЧЁТ ЭКОНОМИЧЕСКОЙ ЭФФЕКТИВНОСТИ И ОБОСНОВАНИЕ РАЗРАБОТКИ	59
4.1. Выбор базы сравнения	60
4.2. Расчёт единовременных капитальных затрат	61
4.3. Расчёт эксплуатационных затрат	66
4.4. Сравнительный анализ разработки с имеющимися программами-аналогами	69
4.5. Расчёт экономического эффекта и срока окупаемости	73
4.6. Вывод	74
ЗАКЛЮЧЕНИЕ	75
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ [Электронный ресурс]//URL: https://drprom.ru/diplomnaya/vibrodiagnostika-oborudovaniya/	76
ПРИЛОЖЕНИЕ	77

ВВЕДЕНИЕ

Надлежащее техническое обслуживание и своевременный — по факту состояния, а не после аварий — ремонт способны существенно продлить срок службы промышленного оборудования. А также сократить затраты на его содержание (например, за счет снижения расходов на устранение последствий внеплановых остановов), повысить общую надежность работы предприятия и т. д.

Для крупных предприятий, особенно использующих сложное и дорогое оборудование, вопросы технического обслуживания и ремонтов — ТОиР — являются крайне важными. Затраты таких предприятий на ТОиР могут составлять более половины общих расходов на производство продукции.

При наличии на предприятии десятков тысяч единиц оборудования, подлежащего контролю состояния, обслуживанию, периодическим ремонтам и модернизации, эффективно выполнять ТоиР — непросто. Еще сложнее, если это оборудование «разбросано» по множеству территориально удаленных объектов. Облегчить управление ТоиР, повысить его эффективность призваны специализированные компьютерные программы. Автоматизированные системы такого рода уже свыше 20 лет разрабатываются и применяются на западных предприятиях.

Основная задача, стоящая перед этими системами, — это уменьшение затрат на обслуживание оборудования и повышение надежности его работы, что в конечном счете призвано снизить себестоимость производимой продукции и обеспечить стабильность работы предприятия.

Согласно исследованиям, применение автоматизированных систем диагностики может обеспечить сокращение затрат на ремонт оборудования до 50-80 %, расходов на техническое сопровождение до 50-80 %, объемов материально-производственных запасов до 30 % и повышение рентабельности производства до 20-60 %. При этом средняя окупаемость внедрения рассматриваемых систем — 1,5-2 года.

Даже с учетом возможных погрешностей при анализе и различий в экономических условиях разных стран, все эти результаты являются впечатляющими.

1.ОРГАНИЗАЦИЯ РЕМОНТНЫХ МЕРОПРИЯТИЙ НА ПРОИЗВОДСТВЕ

В настоящее время можно выделить несколько методов обслуживания оборудования(рис.1):

Обслуживание оборудования по факту выхода его из строя, Обслуживание оборудования по регламенту, Обслуживание оборудования по фактическому техническому состоянию

Обслуживание оборудования по факту выхода его из строя, Обслуживание и ремонт оборудования по регламенту

ремонтных циклов

Таким образом, такое планирование имеет задачу оптимального распределения множества различных ресурсов (временных, людских, материальных, денежных) для осуществления выполнения ремонтных циклов оборудования. Причем оптимальное распределение ресурсов может налагать на процесс планирования дополнительные критерии, и ставить дополнительные подзадачи..

Задача рационального распределения материальных и денежных затрат в планировании ремонта и технического ухода за оборудованием непосредственно связана с общим снабженческим и финансовым планированием предприятия.

На сегодняшний день разработки в области систем ППР в основном сводятся к автоматизации с помощью ЭВМ процесса составления годовых и месячных графиков ремонта, а также ведения учета оборудования и расхода материалов и деталей, необходимых для проведения ремонтных работ. Описанные же выше проблемы оптимизации планов обслуживания и ремонта оборудования до сих пор не решены.

Однако сам метод обслуживания оборудования по регламенту является довольно неэффективным, расточительным и способен решать задачи ремонта и обслуживания оборудования только в отсутствии или невозможности применения более эффективных методов обслуживания оборудования — по их фактическому техническому состоянию.

методы обслуживания оборудования по фактическому техническому

• сократить количество и объемы ремонтов, а также сократить количество необходимых запасных частей и материалов из-за проведения обслуживания на ранних стадиях развития дефектов;
• повысить надежность работы оборудования, значительно уменьшить число внезапных отказов и аварийных ситуаций;
• сократить упущенную прибыль из-за простоев.

неразрушающего контроля

Вихретоковый метод, Магнитный метод, Акустический импедасный метод, Метод свободных колебаний (МСК)

Наиболее информативным считается метод определения фактического технического состояния оборудования по анализу его вибраций, которые могут порождаться силами различной природы — и механической, и электромагнитной, и гидро- и аэродинамической, и т. д.

2. ДИАГНОСТИКА ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ

2.1. НАЗНАЧЕНИЕ СИСТЕМ ДИАГНОСТИКИ

Анализ существующих систем мониторинга и диагностики с использованием средств измерения вибрации позволяет разделить их на три основные группы:

• системы аварийной защиты оборудования;
• системы предупредительного мониторинга;
• объединенные системы мониторинга и диагностики.

Системы аварийной защиты

систем предупредительного мониторинга

системы диагностики

Ниже приведены основные критерии, позволяющие выбирать оптимальную систему мониторинга и диагностики:

• глубина и достоверность превентивной диагностики;
• цифровая реализация технических средств измерения и анализа вибрации;
• наличие, эффективность и достоверность программы автоматической диагностики и прогноза;
• затраты времени на постановку диагноза и прогноза, необходимый уровень профессиональной подготовки оператора;

2.2. ОСНОВНЫЕ МЕТОДЫ ДИАГНОСТИ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ

методы тестовой диагностики

методы функциональной (рабочей) диагностики

Ниже рассматриваются информационные технологии для функциональной диагностики.

энергетическая технология

частотная технология

фазо-временная технология

спектральной технологии

Перечисленные выше информационные технологии применялись еще в прошлом столетии для контроля работоспособности паровых машин. Лишь спектральная технология начала широко использоваться в середине этого века после создания относительно простых анализаторов спектра сигналов различной природы.

технологии ударных импульсов

Рассмотренная информационная технология позволяет использовать для решения диагностических задач простейшие средства измерения. Этот факт и определил широкое распространение технологии ударных импульсов, однако необходимость решения более сложных диагностических задач и существенно ограниченные возможности данной технологии явились основной причиной поиска новых, более совершенных диагностических технологий.

технология огибающей

В настоящее время метод огибающей, обладающий более широкими возможностями, постепенно заменяет метод ударных импульсов.

Приведенный краткий анализ основных методов обработки сигналов позволяет производить оценку практически всех информационных технологий, используемых в современных системах мониторинга и функциональной диагностики машин и оборудования. Особо следует выделить еще одну перспективную технологию получения диагностической информации — технологию статистического распознавания состояний (образов).

Она разрабатывается уже несколько десятилетий и на первых этапах не получила особого практического применения из-за требуемых от аппаратуры вычислительных возможностей. В настоящее время интенсивно развиваются самообучающиеся информационные технологии для решения задач распознавания состояний, описываемых множеством параметров, получившие название «нейронные сети». Это позволяет надеяться, что в ближайшие годы можно будет решать и задачи идентификации динамических процессов со значительными случайными компонентами.

2.3. КЛАССИФИКАЦИЯ СИСТЕМ ВИБРАЦИОННОЙ ДИАГНОСТИКИ ОБОРУДОВАНИЯ

Техническое обслуживание на основе состояния машинного оборудования, базирующееся на мониторинге механических колебаний, успешно используется на промышленных предприятиях с непрерывными технологическими процессами с начала 70-х годов. Данный метод был очень быстро внедрен в производство с достижением большой экономии благодаря повышению степени использования производственного оборудования и соответствующего повышения производительности. С тех пор мониторинг состояния машинного оборудования широко распространился на промышленных предприятиях, использующих машины с вращающимися элементами.

Системы мониторинга и диагностики механических колебаний можно разделить на четыре группы по степени сложности, аппаратурному оснащению и программному обеспечению.

Простая система мониторинга механических колебаний может быть реализована в виде комбинации несложного малогабаритного виброметра и стробоскопа. Для каждой машины может быть проведено сравнение общих уровней вибрации с установленными в стандартах нормами или с базовыми значениями вибрационных характеристик, определяемых пользователем индивидуально для каждой модели машины в конкретных точках контроля. Основное достоинство этой системы заключается в том, что не требуется затрачивать много времени на подготовку персонала по виброконтролю машин. Недостаток – обнаружение отклонений от нормального функционирования машины только при наличии существенных дефектов, которые трудно идентифицировать по результатам виброконтроля. Для определения причин увеличения вибрации машины можно использовать анализ изменения нескольких параметров вибрации (вибросмещения, виброскорости и виброускорения), результаты измерения их в разных частотных диапазонах и в разных точках контроля.

Оперативная система мониторинга механических колебаний может быть реализована с помощью переносных портативных анализаторов. Она позволяет проведение анализа спектров вибрации и ее временных реализаций на месте эксплуатации объекта контроля, проводить сразу оценку технического состояния подшипников и определять их дефекты. Неисправности машин определяются пользователем по диагностическим словарям. Система требует подготовки квалифицированного персонала и времени на определение причин повышенной вибрации.

Полустационарная система мониторинга и диагностики реализуется на базе персональной ЭВМ с разделением функций сбора данных на месте и обработки их в лаборатории. Недостаток системы – периодический контроль технического состояния. Как правило, отказы составных частей машин при стационарном их режиме работы редко имеют внезапный характер. От начала возникновения какой-либо неисправности и достижении ее развитой стадии (предельного состояния машины) проходит несколько недель и даже месяцев. Периодичность виброобследования машин следует уточнять по наработке на отказ наиболее слабого узла машины.

Системы непрерывной мониторизации и диагностики (стационарные) применяют для наиболее ответственных машин, отказ которых может привести к значительному снижению выпуска продукции, к дорогостоящим ремонтам, повышению опасности для жизни и здоровья работающих и населения. Из-за высокой стоимости одного канала вибрации (800-1200 дол.США) количество точек на объекте контроля часто ограничивают и, следовательно, очень сложно реализовать полную его диагностику. Поэтому эту систему обычно дополняют полустационарной системой.

В соответствии с требованиями нормативных документов машины оснащаются системами управления и контроля основных показателей режима их работы. На базе этих систем реализуется параметрическая система мониторинга и диагностики, которая дополняет виброакустическую систему.

В настоящее время на рынке предлагается различное отечественное и зарубежное программное обеспечение для систем мониторинга и диагностики, которые можно подразделить на четыре уровня.

Первый уровень, Второй уровень, Третий уровень, Четвертый уровень

2.4. СОВРЕМЕННЫЕ СИСТЕМЫ ВИБРОАКУСТИЧЕСКОЙ ДИАГНОСТИКИ

В настоящее время разработкой технических и программных средств для реализации систем вибродиагностики занимается целый ряд компаний как в нашей стране («Инкотес», ВАСТ), так и за рубежом.

Автоматизированное рабочее место инженера-диагноста (АРМИД)

Экспертная система ЭКСПЕРТ предназначена для автоматизированной диагностики неисправностей конкретных типов оборудования по заложенным в ней методикам и для создания новых в Редакторе методик. Автоматизированная диагностика проводится по результатам измерений, хранящихся в БД АРМИД и в этой части экспертная система взаимосвязана с базой данных. Редактор методик является самостоятельной программой и дает возможность пользователю создавать методики поиска неисправностей, сохранять их в БД АРМИД и проводить по ним диагностику своего оборудования.

Идея создания АРМИД преследовала цель получить удобный и многофункциональный инструмент для управления данными в системах технического обслуживания оборудования и трубопроводов, имеющий открытый протокол обмена и способный поддерживать работу с аппаратурой разных фирм-производителей.

С учетом этих задач, инженеры диагносты фирмы ИНКОТЕС испытывали и дорабатывали первые версии программы на объектах газовой и нефтяной промышленности.

В процессе совершенствования ПО АРМИД приобрело новые функции, отвечающие современным требованиям технической диагностики, поддерживает работу со всеми вибродиагностическими и ультразвуковыми приборами неразрушающего контроля, выпускаемыми фирмой «ИНКОТЕС», имеет открытый формат хранения данных, что позволяет легко адаптировать ПО в контрольно-измерительные и информационные системы разнообразных технических объектов.

DREAM for Windows

DREAM автоматически подбирает конфигурацию необходимых измерений для контроля вибрации оборудования по следующим ГОСТам и стандартам ИСО:

• ИСО10816-1-97 – Контроль состояния машин по результатам измерений вибрации на невращающихся частях. Общие требования.
• ИСО10816-3-98 – Контроль состояния машин по результатам измерений вибрации на невращающихся частях. Промышленные машины номинальной мощностью свыше 15 кВт и номинальной скоростью от 120 до 15000 об/мин.
• ИСО10816-4-98 – Контроль состояния машин по результатам измерений вибрации на невращающихся частях. Газотурбинные установки за исключением установок на основе авиационных турбин.
• ГОСТ 25364-97 – Агрегаты паротурбинные стационарные. Нормы вибрации опор валопроводов и общие требования к проведению измерений.
• ГОСТ 30576-98 – Насосы центробежные питательные тепловых электростанций. Нормы вибрации и общие требования к проведению измерений.

Помимо измерений по стандартам, DREAM позволяет проводить мониторинг любых вибрационных параметров по желанию пользователя или требованиям руководящих документов. Для этого необходимо описать пользовательские измерения в базе данных. Для каждого пользовательского измерения возможно построить до трех порогов, с которыми измеренные результаты будут автоматически сравниваться, и при превышении порогов будут выдаваться предупреждения. Список измерений на данный момент включает в себя:

• Уровни вибрации в выбранной полосе (виброускорение, виброскорость, вибросмещение);
• Автоспектры вибрации;
• Спектры огибающей;
• Временные развертки сигнала вибрации и его огибающей.

3. ВИБРОДИАГНОСТИКА ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ С ПРИМЕНЕНИЕМ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

В современном мире масштабы автоматизации производства растут с каждым днём. Внедрение систем автоматизированного управления технологическими процессами на производстве уже стало насущной необходимостью для поддержания объёма и качества выпускаемой продукции на высоте. Эта тенденция, наряду с извечным стремлением человека познать себя и своё мышление, породила стремление на адаптацию систем искусственного интеллекта к нуждам производства. Изыскания в этой области начались во второй половине прошлого столетия с попыток смоделировать работу головного мозга.

Лучшее понимание функционирования нейрона и картины его связей позволило исследователям создать математические модели для проверки теорий о функционировании человеческого мозга. В первых же работах выяснилось, что эти модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Параллельно с прогрессом в нейроанатомии и нейрофизиологии психологами были созданы модели человеческого обучения. Одной из таких моделей была модель Д. Хэбба, который в 1949г. предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей. Дополненный сегодня множеством других методов он продемонстрировал ученым того времени, как сеть нейронов может обучаться. В пятидесятые и шестидесятые годы группа исследователей, объединив эти биологические и физиологические подходы, создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования, сохранившуюся и в настоящее время.

В последние годы над искусственными нейронными сетями доминировали логические и символьно-операционные дисциплины. Например, широко пропагандировались экспертные системы, у которых имеется много заметных успехов, так же, как и неудач. Кое-кто говорит, что искусственные нейронные сети заменят собой современный искусственный интеллект, но многое свидетельствует о том, что они будут существовать, объединяясь в системах, где каждый подход используется для решения тех задач, с которыми он лучше справляется. Эта точка зрения подкрепляется тем, как люди функционируют в нашем мире. Распознавание образов отвечает за активность, требующую быстрой реакции. Так как действия совершаются быстро и бессознательно, то этот способ функционирования важен для выживания во враждебном окружении.

В наше время системы искусственного интеллекта (ИИ), конечно же, не являются панацеей от всех бед: спектр их применения весьма ограничен. Однако непрерывные исследования в этой области и стремление интегрировать системы ИИ во все сферы жизни дают основание полагать, что эта область знаний получит практическое применение.

Одна из ключевых тенденций современной науки связана со сложностью изучаемых объектов. Если раньше исследователи могли анализировать лишь точно описываемые явления и процессы с малым числом переменных, то с развитием теоретического знания и информационных технологий появилась возможность исследования нового класса систем, получивших общее название – сложные технические системы, к которым относятся и системы мониторинга технического состояния технологического оборудования.

При всей важности классических математических моделей и методов, используемых при построении таких систем, строгость этих моделей и методов является принципиальным ограничением их применения. Это связано с трудностями идентификации состояний сложных объектов и управления ими.

Поэтому для построения систем мониторинга и управления сложными нелинейными, плохо формализуемыми объектами часто применяют устройства и алгоритмы управления, выполненные на основе методов нечеткой логики (фаззи–логики).

Также использование данных методов позволяет избежать построения эталонных значений параметров вибрации, температуры и др., характерных для традиционных систем вибродиагностики. Методы нечеткой логики принципиально отличаются от обычных классических методов автоматики «человеческим» подходом и «человеческими» приемами решения задач управления.

Теория нечетких множеств, основные идеи которой были предложены американским математиком Лотфи Заде (Lotfi Zadeh) более 40 лет назад, позволяет описывать качественные, неточные понятия и наши знания об окружающем мире, а также оперировать этими знаниями с целью получения новой информации. Основанные на этой теории методы построения информационных моделей существенно расширяют традиционные области применения компьютеров и образуют самостоятельное направление научно–прикладных исследований, которое получило специальное название – нечеткое моделирование.

3.1.1. Нечеткие экспертные системы

Одним из наиболее значительных достижений искусственного интеллекта стала разработка мощных компьютерных систем, получивших название «экспертных» или основанных на «знаниях» систем.

Под экспертной системой (ЭС) понимается программа, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала [13].

Осознание полезности систем, которые могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века. Основу успеха ЭС составили два важных свойства:

• в ЭС знания отделены от данных, и мощность экспертной системы обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач;
• решаемые ЭС задачи являются неформализованными или слабо формализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области.

Основными категориями решаемых ЭС задач являются: диагностика, управление (в том числе технологическими процессами), интерпретация, прогнозирование, проектирование, отладка и ремонт, планирование, наблюдение (мониторинг), обучение.

Обобщенная схема ЭС приведена на рис. 2 . Основу ЭС составляет подсистема логического вывода (преимущественно в ЭС используются подсистемы логического вывода, однако могут быть применены и другие, например, системы нечеткого вывода), которая использует информацию из базы знаний (БЗ), генерирует рекомендации по решению искомой задачи. Чаще всего для представления знаний в ЭС используются системы продукций и семантические сети.

Рис. 2. Структура экспертной системы

Обязательными частями любой ЭС являются также модуль приобретения знаний и модуль отображения и объяснения решений. В большинстве случаев, реальные ЭС в промышленной эксплуатации работают также на основе баз данных (БД).

Только одновременная работа со знаниями и большими объемами информации из БД позволяет ЭС получить неординарные результаты, например, поставить сложный диагноз (медицинский или технический), открыть месторождение полезных ископаемых, управлять ядерным реактором в реальном времени.

В развитых странах мира интенсивно ведутся работы по практическому внедрению нечетких контроллеров и регуляторов, по созданию интеллектуальных систем управления на их основе, экспертных систем с нечеткой логикой в промышленную и непромышленную сферу. К настоящему времени известно множество практических применений нечетких контроллеров и систем управления. По мнению экспертов, в ближайшие годы около 70% всех разработок по интеллектуальным системам будут основываться на нечеткой логике [10].

Несмотря на различные архитектурные решения и связанное с этим различное быстродействие разработанных и разрабатываемых в настоящее время программно-аппаратных средств обработки нечетких знаний, всех их объединяет ориентация на реализацию одной из возможных модификаций алгоритмов нечеткого логического вывода, а именно – композиционного вывода. Этот алгоритм эффективно применяется в системах нечеткого управления динамическими объектами, функционирующих по принципу регулятора. При этом совершенно не охватывается обширный класс систем, основанных на принятии решений и ситуационном управлении.

Нечеткая экспертная система – экспертная система, которая для вывода решения использует вместо булевой логики совокупность нечетких функций принадлежности и правил [11].

Антецедент правила (предпосылка правила) описывает, когда правило применяется, в то время как заключение (следствие правила) назначает функцию принадлежности к каждому из выведенных значений переменных. Большинство инструментальных средств, работающих с нечеткими экспертными системами, позволяют применять в правиле несколько заключений. Совокупность правил в нечеткой экспертной системе известна как база знаний. В общем случае вывод решения происходит за три (или четыре) шага.

1. С помощью функций ПРИНАДЛЕЖНОСТИ, определенных на входных переменных, вычисляются их фактические значения и определяется степень уверенности для каждой предпосылки правила.

2. Используя процедуру ВЫВОДА, вычисляется значение истинности для предпосылки каждого правила, которое применяется к заключению каждого правила. В результате этого каждой переменной вывода для каждого правила назначается одно значения из нечеткого подмножества значений.

3. Используя КОМПОЗИЦИЮ, все нечеткие подмножества, назначенные для каждой выходной переменной объединяются вместе и формируется единственное нечеткое подмножество значение для каждой выводимой переменной.

4. Наконец, необязательный процесс точной интерпретации, который используется тогда, когда полезно преобразовывать нечеткий набор значений выводимых переменных к точным значениям.

3.1.2. Алгоритмы нечеткого вывода

Все системы с нечеткой логикой функционируют по одному принципу: показания измерительных приборов фаззифицируются, обрабатываются и дефаззифицируются (рис. 3).

К настоящему времени существует ряд алгоритмов нечеткого вывода (НВ).

Некоторые из них получили наибольшее применение в системах нечеткого вывода. К их числу относятся алгоритмы: Мамдани, Цукамото, Ларсена, Сугено и другие. [13]

Рис. 3. Общая схема реализации алгоритмов НВ

Алгоритм Мамдани является одним из первых, который нашел применение в системах нечеткого вывода. Нечеткий логический вывод по алгоритму Мамдани выполняется по нечеткой базе знаний, в которой значения входных и выходной переменных заданы нечеткими множествами. Он определяется следующим образом:

Переход к нечеткости, Нечеткий вывод, Композиция, Дефаззификация

где W – область определения .

В настоящее время появляется множество алгоритмов с использованием других технологий искусственного интеллекта: обучаемый нечеткий вывод [13], СНВ с использование генетических алгоритмов, которые применяются для поиска требуемой конфигурации ФП, термов, и правил [14].

3.1.3 Вибродиагностика оборудования с применением систем

нечёткой логики

Методика построения системы нечеткого вывода для мониторинга технического состояния металлообрабатывающего оборудования заключается в следующем.

При большом количестве факторов, характеризующих функционирование ТО, реализация СНВ становится трудно реализуемой задачей. Поэтому выполняется классификация входных ЛП. Они разбиваются на 2 основные группы:

1. ЛП, характеризующие параметры вибросигнала.

2. ЛП, характеризующие параметры деталей, обрабатываемых на ТО.

В результате экспертного опроса технологического персонала в группе 1 выделены две подгруппы (рис. 4):

1) изменение спектрального состава вибрации, включающие ЛП – «среднеквадратическое значение (СКЗ) виброускорения» и «частота»;

2) уровни вибрации, включающие ЛП: «пиковое значение виброускорения», «пиковое значение огибающей виброускорения» и «СКЗ огибающей виброускорения».

В группу 2 экспертами включены ЛП: «волнистость», «точность», «некруглость» и «шероховатость». Но так как задачей разрабатываемой СНВ является определение отклонение состояния ТО от нормального, а не распознавание вида неисправности, то все ЛП, характеризующие качество изделия можно объединить в одну «Отклонение качества изделия» по формуле: , где m – количество параметров, характеризующих качество изделия; – i-й параметр качества; – коэффициент значимости i-ого параметра качества.

В качестве выходной принята ЛП «отклонение технического состояния ТО от нормального».

Количество термов каждой ЛП принято, равным трем, так как человеку трудно оперировать с их большим количеством. К тому же, как показали эксперименты, проведенные на тестовых данных, этого вполне достаточно для решения поставленной задачи.

Для использования в моделях принятия решений информации, фор­мализованной на основе теории нечетких множеств, необходимы процедуры построения соответствующих функций принадлежности. Построение функций принадлежности нечетких множеств является важным компонентом в задачах принятия решений. От того на сколько адекватно построенная функция отражает знания эксперта или экспертов зависит качество принимаемых решений. Для слабоформализованных задач существуют два способа получения исходных данных – непосредственный и как результат обработки четких данных. В основе обоих способов лежит необходимость субъективной оценки функций принадлежности нечетких множеств.

Для реализации СНВ необходимо построение функций принадлежности входных нечетких переменных (НП) m _I (x_i )I[0,1], i=7, x_i IX_i – значения НП. Все входные НП характеризуются тремя значениями {«нижнее», «среднее», «верхнее»}, имеющими в каждом конкретном случае свои специфические для выражающих их переменных наименования. Построение этих функций связано с обработкой экспертных данных.

Вид функций принадлежности выбирается исходя из простоты их представления и вычисления при условии обеспечения требуемого качества мониторинга. Окончательно он устанавливается на основе предположений о свойствах этих функций и специфики неопределенности ситуаций, возникающих на объектах мониторинга

Вид функций принадлежности выбирается исходя из простоты их представления и вычисления при условии обеспечения требуемого качества мониторинга. Окончательно он устанавливается на основе предположений о свойствах этих функций и специфики неопределенности ситуаций, возникающих на объектах мониторинга.

Для всех НП известны лишь интервальные ограничения и наиболее допустимые значения. В этом случае НП можно характеризовать треугольной или трапецеидальной функцией принадлежности (рис. 5).

Такая аппроксимация, обладая относительной простотой, позволяет отбраковывать второстепенные для функционирования оборудования факторы. Это важно, так как количество их велико.

а)

б)

Рис. 5. Трапецеидальная (а) и треугольная (б) функции принадлежности

Следующим этапом в построении СНВ является создание правил вывода (продукций) на основе множества ЛП и их термов (НП).

База знаний, сформированная специалистами предметной области (технологическим персоналом) в виде совокупности нечетких предикатных правил имеет вид:

1. Если (СКЗ виброускорения высокое ) Или (Пиковое значение виброускорения высокое ) Или (Пиковое значение огибающей виброускорения высокое ) Или (СКЗ огибающей виброускорения высокое ) Или (Отклонение качества детали высокое ) То (Отклонение состояния ТО высокое ).

2. Если (СКЗ виброускорения среднее ) И (Отклонение качества детали среднее ) То (Отклонение состояния ТО высокое ).

3. Если (Пиковое значение виброускорения среднее ) И (Отклонение качества детали среднее ) То (Отклонение состояния ТО высокое ).

4. Если (Пиковое значение огибающей виброускорения среднее ) И (Отклонение качества детали среднее ) То (Отклонение состояния ТО высокое ).

5. Если (СКЗ огибающей виброускорения среднее ) И (Отклонение качества детали среднее ) То (Отклонение состояния ТО высокое ).

6. Если (Отклонение качества детали высокое ) То (Отклонение состояния ТО высокое ).

7. Если (Частота Не низкая ) И (Пиковое значение виброускоения среднее) То (Отклонение состояния ТО среднее ).

8. Если (Если СКЗ виброускорения среднее ) И (Частота Не низкая ) То (Отклонение состояния ТО среднее ).

9. Если (СКЗ виброускорения среднее ) И (Частота низкая ) И (Пиковое значение виброускорения низкое ) И (Пиковое значение огибающей виброускорения низкое ) И (СКЗ огибающей виброускорения низкое ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО среднее ).

10. Если (СКЗ виброускорения низкое ) И (Частота средняя ) И (Пиковое значение виброускорения низкое ) И (Пиковое значение огибающей виброускорения низкое ) И (СКЗ огибающей виброускорения низкое ) И (Отклонение качества детали среднее ) То (Отклонение состояния ТО среднее ).

11. Если (СКЗ виброускорения низкое ) И (Частота низкая ) И (Пиковое значение виброускорения среднее ) И (Пиковое значение огибающей виброускорения низкое ) И (СКЗ огибающей виброускорения низкое ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО среднее ).

12. Если (СКЗ виброускорения среднее ) И (Частота низкая ) И (Пиковое значение виброускорения низкое ) И (Пиковое значение огибающей виброускорения низкое ) И (СКЗ огибающей виброускорения среднее ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО среднее ).

13. Если (СКЗ виброускорения низкое ) И (Частота Не низкая ) И (Пиковое значение виброускорения низкое ) И (Пиковое значение огибающей виброускорения среднее ) И (СКЗ огибающей виброускорения низкое ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО среднее ).

14. Если (СКЗ виброускорения низкое ) И (Частота высокая ) И (Пиковое значение виброускорения низкое ) И (Пиковое значение огибающей виброускорения низкое ) И (СКЗ огибающей виброускорения среднее ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО среднее ).

15. Если (СКЗ виброускорения низкое ) И (Частота низкая ) И (Пиковое значение виброускорения низкое И (Пиковое значение огибающей виброускорения среднее ) И (СКЗ огибающей виброускорения низкое ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО низкое ).

16. Если (СКЗ виброускорения низкое ) И (Частота низкая ) И (Пиковое значение виброускорения низкое И (Пиковое значение огибающей виброускорения низкое ) И (СКЗ огибающей виброускорения среднее ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО низкое ).

17. Если (СКЗ виброускорения низкое ) И (Частота низкая ) И (Пиковое значение виброускорения низкое И (Пиковое значение огибающей виброускорения низкое И (СКЗ огибающей виброускорения низкое ) И (Отклонение качества детали низкое ) То (Отклонение состояния ТО низкое ).

При составлении правил необходимо уделить особое внимание их непротиворечивости (не конфликтности).

В данном случае использован метод приоритетности правил – значащим в конфликтной ситуации является то правило, приоритет которого выше.

На заключительном этапе построения СНВ определяется метод дефаззификации выходной переменной. В качестве такого метода используется метод центра тяжести.

Результаты моделирования СНВ представлены на рис. 6, 7.

Данная СНВ позволяет определять лишь отклонения в работе оборудования от нормального функционирования. Однако, если выбранные входные переменные свидетельствуют об определённых видах неполадок и множества параметров, описывающих данные неполадки, могут быть разделены (степень их пересечения не превышает допустимого для диагностирования порога), то представленная СНВ, не претерпевая значительных структурных изменений, может быть использована и для распознавания вида неполадки.

Рис. 6. Функция отклонения состояния ТО в зависимости от двух ЛП, Рис. 7. Экранная форма с результатами работы модели СНВ

Рассмотренная подсистема вибродиагностики даёт только общую оценку технического состояния оборудования, не уточняя род неисправности. Для определения конкретного вида дефекта потребуется, во-первых, значительное увеличение как нечётких переменных, так и правил вывода, что заметно скажется на скорости работы, а во-вторых, внесение серьёзных изменений в саму структуру системы. Наряду с этим, не гарантируется устойчивость работы подсистемы при подаче неоговорённых входных данных.

Все эти недостатки можно устранить, применив в качестве системы вывода искусственную нейронную сеть.

3.2. Вибродиагностика оборудования с применением искусственных нейронных сетей.

В общем случае система диагностики оборудования по спектрам вибраций состоит из следующих основных блоков (рис.8):

• блок преобразования;
• блок обработки информации о техническом состоянии;

— блок вывода диагностической информации.

Рис. 8. Структура системы вибродиагностики.

источника вибросигналов

[Электронный ресурс]//URL: https://drprom.ru/diplomnaya/vibrodiagnostika-oborudovaniya/

Блок преобразования, Блок обработки информации о техническом состоянии, Блок вывода диагностической информации –

В рамках данной работы предлагается система, в которой блок преобразования, блок обработки информации и блок вывода представлены единым устройством – персональным компьютером со встроенной звуковой картой. Дело в том, что для случаев, не требующих особой точности сохранения сигнала, возможностей встроенной карты достаточно. Так же применение ПК в составе системы позволяет объединить несколько функций, таких как спектральное преобразование, составление диагностической картины, хранение и выдача данных – в одном устройстве. Для определения вида неисправности предлагается применить искусственную нейронную сеть.

3.2.1 Общие характеристики нейронных сетей

Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Эти элементы затем организуются по способу, который может соответствовать (или не соответствовать) анатомии мозга. Несмотря на такое поверхностное сходство, искусственные нейронные сети демонстрируют удивительное число свойств присущих мозгу. Например, они обучаются на основе опыта, обобщают предыдущие прецеденты на новые случаи и извлекают существенные свойства из поступающей информации, содержащей излишние данные.

Обучение . Искусственные нейронные сети могут менять свое поведение в зависимости от внешней среды. После предъявления входных сигналов (возможно, вместе с требуемыми выходами) они самонастраиваются, чтобы обеспечивать требуемую реакцию. Было разработано множество обучающих алгоритмов, каждый со своими сильными и слабыми сторонами.

Обобщение., Абстрагирование, Применимость.

Всё вышесказанное позволяет устранить описанные недостатки системы нечёткого вывода: однажды обученная сеть всегда выдаёт правильный на её взгляд вывод, вне зависимости от степени достоверности входного вектора; при изменении структуры сети достаточно провести процесс переобучения, чтобы снова получить рабочую систему вывода.

3.2.2 Получение и анализ исходных данных. Построение обучающей выборки.

Предлагаемая к рассмотрению в рамках данной работы система ориентирована на диагностику определённых неисправностей, а именно:

• небаланс масс ротора;
• расцентровка;
• задевания;
• дефекты подшипников скольжения;
• дефекты подшипников качения;
• дефекты редукторов и мультипликаторов;
• Рассмотрим особенности перечисленных дефектов.

Небаланс масс ротора

статический

Основными, чаще всего встречающимися признаками наличия небалансов вращающихся масс роторов в оборудовании различных типов можно считать следующие:

— Временной сигнал вибрации является достаточно простым, с достаточно малым количеством гармоник и шумов в области механических дефектов. В этом вибросигнале преобладает вибрация с периодом, соответствующим оборотной частоте вращения вала — оборотная частота ротора.

— Амплитуда всех гармоник механической природы в спектре значительно меньше, не менее чем в 2—5 раз, амплитуды гармоники оборотной частоты ротора. Если производить сравнение по мощности, то не менее 60 % мощности вибросигнала сосредоточено в одной гармонике (см. рис. 9).

Рис. 9. Характерный спектр вибрации ротора с небалансом.

Вертикальная проекция виброскорости. F1 — оборотная частота ротора

• Отношение амплитуды первой гармоники в вертикальном направлении к аналогичной гармонике в вибросигнале поперечного направления находится в диапазоне примерно 0,7—1,2 и редко выходит за его границы.
• Обычно первая гармоника в вертикальном направлении равна, а чаще чуть меньше первой гармоники вибрации в поперечном направлении.

Расцентровка

Параллельная расцентровка

Рис. 10. Характерный спектр вибрации агрегата с параллельной расцентровкой:

• а — вертикальная составляющая, б — горизонтальная составляющая;
• в — осевая составляющая.

Угловая расцентровка

Встречающиеся в практике случаи расцентровки валов практически всегда являются сложными, комбинированными, включающими в себя одновременно основные элементы обоих типов расцентровки. По итогам проводимой диагностики по спектрам вибросигналов выявляется наиболее сильно проявляющая себя расцентровка, по которой и дается диагноз и рекомендации к устранению.

Известно, что основными диагностическими особенностями наличия расцентровки в спектре вибросигнала является наличие трех гармоник оборотной частоты — первой, второй и, довольно часто, третьей. Регистрировать спектроанализатором необходимо не спектр вибросигнала, а временной сигнал, желательно виброскорости.

Задевания и затирания

Рис. 11. Характерный спектр вибрации агрегата

с задеванием ротора об уплотнение. F1 — оборотная частота ротора

При появлении в агрегате задеваний или затираний любой природы происходит значительная специфическая модификация спектра регистрируемого вибросигнала. В сигнале начинает присутствовать широкий спектр частот, имеющих, в основном, синхронные компоненты. По мощности они составляют обычно от 60 до 80 % от мощности всего вибросигнала. Наличие синхронных компонент связано с тем, что задевание или затирание обычно синхронизировано с фазой вращения ротора, поэтому большинство гармоник в получаемом спектре являются целыми относительно частоты вращения ротора агрегата.

Оставшуюся часть мощности вибросигнала, 20—40 %, несут в себе несинхронные компоненты. Эти компоненты, гармоники, наводятся в вибросигнале двумя причинами. Во-первых, влияет нестационарность процесса задевания, обусловленная некоторым разбросом параметров соударений от оборота к обороту. Во-вторых, сказываются резонансные процессы в конструкции или в ее отдельных элементах. При этом сам процесс задевания является процессом, возбуждающим колебания, и на спектре вибросигнала возникает поднятие, похожее на «зазубренный холм». Центр этого поднятия соответствует частоте собственного резонанса всей конструкции или ее части, близко расположенной к зоне задевания.

В связи с тем, что разные элементы конструкции имеют различные резонансные частоты, в спектре вибросигнала резонансные поднятия могут возникать в спектре на одной или на нескольких частотах, причем степень поднятия будет различной.

Спецификой спектральной картины резонансных колебаний при задеваниях и затираниях является то, что обычно все несинхронные компоненты спектра сосредотачиваются вблизи синхронных. На спектре вибросигнала это выражается не в общем поднятии уровня спектра, как это только что было описано выше, а в «уширении» основания некоторых синхронных гармоник, частоты которых близки к частотам собственных резонансов элементов конструкции. Количество таких «уширенных» гармоник в спектре обычно не превышает двух, а чаще всего бывает одна.

Часто затиранием в спектре вибросигнала возбуждаются целые семейства дробных гармоник, начиная от кратности ? от частоты вращения ротора, кончая кратностью 1/5. Чаще всего и наиболее сильными в спектре вибросигнала при затирании являются дробные гармоники с порядковыми номерами ?, 3/2, 5/2, 7/2 и т. Д. от оборотной частоты вращения ротора.

Дефекты подшипников скольжения

Интересным для диагностики является то, что частота этого автоколебания примерно одинакова у всех роторов и обычно составляет примерно 0,42—0,48 от оборотной частоты ротора — это, так называемая, сепараторная или масляная частота (рис 12) . Численное значение частоты масляных вибраций в одном и том же подшипнике может меняться в указанном диапазоне в процессе изменения состояния элементов подшипника.

Рис. 12. Характерный спектр вибрации подшипника

скольжения с масляной гармоникой

Дефекты подшипников качения

Рис. 13. Характерный временной сигнал вибрации подшипника с дефектом

Характерный временной сигнал виброскорости подшипника качения с достаточно развитым дефектом, для примера, приведен на рис. 13 . На этом рисунке хорошо видны две наиболее характерные составляющие вибрации — фоновая , имеющая практически постоянный уровень, и импульсная , представляющая из себя выделяющиеся по амплитуде импульсы, повторяющиеся примерно через равные интервалы. В моменты прохождения через «дефектную» зону подшипника на временном вибросигнале появляется четко выраженный пик, энергетический импульс. Параметры этого импульса определяются видом, локализацией и степенью развития данного дефекта подшипника. Диагностическими параметрами такого импульса являются его амплитуда и частота повторения. Наиболее важным параметром, характеризующим степень развития дефекта, является амплитуда импульса.

Если диагностику состояния подшипника качения проводить по амплитудным параметрам временных вибросигналов, то основное внимание следует уделить двум. Это, во-первых, количественное значение общего уровня фона вибрации и, во-вторых, это соотношение между уровнями фона вибрации и амплитудами пиковых значений во временном вибросигнале.

При работе подшипника с внутренними дефектами во временном вибросигнале появляются характерные составляющие, гармоники, с собственными частотами, по которым можно достаточно корректно выявить место нахождения дефекта. Численные значения частот этих составляющих зависят от соотношения геометрических размеров подшипника и оборотной частоты вращения ротора механизма.

Характерные спектры вибраций развития дефекта подшипника качения, для примера, приведены на рис. 14 :

Рис. 14. Характерные спектры вибраций развития дефекта подшипника качения:

• а) — начальная стадия развития дефекта;
• б) — дальнейшее развитие дефекта;

в) — дефект сильно развит

Дефекты редукторов и мультипликаторов

При проведении регистрации вибросигналов, генерируемых зубчатыми парами необходимо учитывать основные характерные особенности их работы, такие как:

• Вибросигналы от зубчатых пар содержат в себе как синхронные компоненты (гармоники), так и несинхронные. Вся основная мощность в вибросигнале от зубчатой пары сосредоточена в достаточно высокочастотной области.
• Гармоники, свойственные зубозацеплению, имеют невысокий энергетический уровень.
• Вибрации от зубозацепления являются нестационарными. На спектре вибросигнала белый шум проявляется в виде поднятия общего уровня всего спектра в достаточно широкой полосе частот вблизи характерной частоты зубозацепления.

На первых этапах развития дефектов зубозацепления частота зубозацепления и боковые гармоники, являющиеся синхронными компонентами, содержат в себе практически всю мощность вибросигнала. По мере своего развития дефект становится более нестационарным, распределенным по частоте, возникают многие процессы, приводящие к «размазыванию» мощности вибросигнала на спектре в промежутках между частотой зубозацепления и боковыми гармониками. В вибросигнале начинают преобладать несинхронные компоненты.

Происходит процесс, когда синхронные компоненты не растут, а вся дополнительная мощность от дефекта сосредотачивается в несинхронных гармониках. Так происходит вплоть до полной деградации редукторной пары, когда несинхронные гармоники сравняются по амплитуде с синхронными.

Для решения задачи вибродиагностики с применением нейронной сети необходимо первым делом сформировать обучающую выборку. Обучающая выборка – это набор входных векторов вида , в соответствие которым поставлены выходные вектора , где n и m – количество нейронов во входном и выходном слое сети. Входные вектора X поочерёдно подаются на вход сети, а выход её сравнивается с заданным парным входному выходным вектором D, затем параметры сети корректируются таким образом, чтобы сократить различие между фактическим и желаемым выходом сети.

В качестве параметров входных векторов Х в рамках данной работы предлагается взять амплитуды гармоник с наиболее значимыми частотами спектра вибрации. Выходными векторами D в таком случае будут вектора с шестью элементами (по числу диагностируемых неисправностей) вида , в которых не равным нулю будет лишь тот элемент, номер которого соответствует номеру неисправности: 1 – небаланс масс ротора, 2 – расцентровка, 3 – задевания и затирания, 4 – дефект подшипника скольжения, 5 – дефект подшипника качения, 6 – дефект зубчатой передачи.

Исходя из этого, можно построить матрицу входных векторов Х (рис. 15) и матрицу выходных векторов D (рис. 16)

	25	50	75	100	150	200	250	300	350	400	450	500	550	600	650	700	750	800	850	900
1	0	7	0	1	2	1.5	0	0	0	0	0	0	0	0	0	0	0	0	0	0
2	0	0	12	1	8	0	2	5	1	0	0	0	0	0	0	0	0	0	0	0
3	0	0	0	8	1	5	0	2	0	0	0	0	0	0	0	0	0	0	0	0
4	0	6	0	7.5	3	1.5	1	1	0	0	0	0	0	0	0	0	0	0	0	0
5	0	4	0	2.5	1	1	0.5	0.5	0	0	0	0	0	0	0	0	0	0	0	0
6	0	2	0	3.5	1	0.75	0.25	0.25	0	0	0	0	0	0	0	0	0	0	0	0
7	4	7.5	3.5	7.5	5	7.5	4.5	3	4	3	1.5	1	0	0	0	0	0	0	0	0
8	1	6	2	6.5	3.5	5	3	2	4	1.5	2	0.5	0	0	0	0	0	0	0	0
9	3	12	3	8	4	6	3.5	3	5	2	3	1	1.5	0	0	0	0	0	0	0
10	2.79	8	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
11	0	5.01	0	10	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
12	0	0	2.68	0	5	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
13	0	0	0	0	3.68	0	0	7	0	0	0	0	0	0	0	0	0	0	0	0
14	0	0	0	5	0	8	0	0	0	0	0	0	0	0	0	0	0	0	0	0
15	5	3	0	0	4.5	0	0	0	0	0	0	0	0	0	0	0	0	0	0	0
16	5	3	0	1.5	4	2	1	0.75	1	3	4.5	2	0	0	0	0	0	0	0	0
17	7	6	6	3	2	4	5	4	3	2	1	2	1.5	0.5	0	0	0	0	0	0
18	0	0.5	0	0	0	0	1	0.5	0	0	0	1	0	0	0	0	1	0	0	0
19	0	1	0.75	1	0.5	0	0	0	1	2	0	0	0	1	2	5	3	6	7	6
20	0.2	0.75	0.8	1.5	1	2	1.5	1	1	2.3	1.5	2	1	3	2	4	9	13	10	12

Рис. 15. Матрица входных векторов.

1	1	0	0	0	0	0
2	1	0	0	0	0	0
3	1	0	0	0	0	0
4	0	1	0	0	0	0
5	0	1	0	0	0	0
6	0	1	0	0	0	0
7	0	0	1	0	0	0
8	0	0	1	0	0	0
9	0	0	1	0	0	0
10	0	0	1	0	0	0
11	0	0	0	1	0	0
12	0	0	0	1	0	0
13	0	0	0	1	0	0
14	0	0	0	1	0	0
15	0	0	0	0	1	0
16	0	0	0	0	1	0
17	0	0	0	0	1	0
18	0	0	0	0	0	1
19	0	0	0	0	0	1
20	0	0	0	0	0	1

Рис. 16. Матрица выходных векторов

3.2.3 Выбор нейронной сети. Структура сети для решения задачи вибродиагностики технологического оборудования

Диагностика технического состояния оборудования, вообще говоря, является задачей распознавания образов: всё пространство неисправностей заранее разбито на классы, в соответствие которым поставлены области в пространстве технических параметров. Искусственная нейронная сеть обучается таким образом, чтобы соотносить входной вектор значений из пространства параметров определённому классу в пространстве неисправностей, а для этой задачи хорошо подходит многослойный персептрон.

Многослойный персептрон (MLP) – сеть прямого распространения, в которой каждый нейрон текущего слоя связан со всеми нейронами предыдущего.

Количество входных и выходных элементов нейронной сети определяется условиями задачи. В данном случае очевидно, что входной слой должен содержать 20 нейронов, по количеству компонентов входных векторов Х , а выходной слой – 6 нейронов, по количеству классов диагностируемых неисправностей. Рекомендаций по составу и количеству промежуточных слоёв не существует, эти параметры определяются опытным путём. Так, в процессе разработки и обучения сети было выяснено, что оптимальной структурой является двуслойный персептрон с двадцатью нейронами в промежуточном слое. Входной слой нейронов не учитывается, т.к. он служит только для передачи информации на последующие слои и не производит никаких действий.

Структура нейронной сети для решения задачи вибродиагностики промышленного оборудования представлена на рис. 17.

Рис.17. Структура MLP для диагностики рассматриваемых неисправностей

3.2.4. Алгоритм обучения сети для решения задачи вибродиагностики оборудования.

обратного распространения ошибки

Здесь i – номер выхода нейронной сети.

Основная идея алгоритма обратного распространения ошибки состоит в том, чтобы вычислять чувствительность ошибки сети к изменениям весов. Для этого нужно вычислить частные производные от ошибки по весам. Пусть обучающее множество состоит из Р образцов, и входы k -го образца обозначены через . Вычисление частных производных осуществляется по правилу цепи: вес входа i -го нейрона, идущего от j -го нейрона, пересчитывается по формуле:

где — длина шага в направлении, обратном к градиенту.

Если рассмотреть отдельно k -ый образец, то соответствующее изменение весов равно:

Множитель вычисляется через аналогичные множители из последующего слоя, и ошибка, таким образом, передается в обратном направлении.

Для выходных элементов получим:

Для скрытых элементов множитель определяется как:

Обучение построенной сети по алгоритму обратного распространиения даёт хорошие результаты: ошибка сети достигает минимума в течение примерно 800 эпох. График изменения ошибки сети и результат её работы на исходных данных приведёны на рис. 18, 19:

Рис. 18. График изменения ошибки

Рис. 19. Результат работы сети.

Сравнение приведённого результата работы сети с матрицей выходных параметров обучающей выборки наглядно демонстрирует, что сеть корректно распознаёт типы неисправностей по характерным гармоникам спектра.

На каждом промышленно предприятии постоянно проводятся различные мероприятия, направленные на повышение эффективности методов ремонта оборудования. В современных условиях только средствами вычислительной техники можно решать вопросы сокращения времени простоя и внезапных отказов оборудования. Разрабатываемая подсистема так же направлена на повышение эффективности методов ремонта оборудования.

Задачей данного раздела является расчет экономической эффективности и экономическое обоснование целесообразности создания и эксплуатации программного продукта, разрабатываемого в рамках дипломного проекта.

Правильный расчет экономической эффективности имеет огромное значение в деле повышения эффективности управления. Он позволяет не только соизмерить затраты и полученный эффект, но и в дальнейшем путем сравнения различных показателей выявить резервы повышения экономической эффективности. При выполнении экономических расчетов должны быть решены две основные задачи:

• Необходимо наиболее полно учесть все специфические особенности осуществления мероприятий.
• По возможности учесть все виды затрат и получаемого эффекта.

Расчет проводился последующим этапам:

1. Выбор базы сравнения.

2. Капитальные единовременные затраты необходимые для совершенствования или создания оргсистем, связанные главным образом с изменением производственных фондов.

3. Эксплуатационные затраты, связанные с функционированием комплекса технических средств и оргсистем.

4. Расчет экономического эффекта и срока окупаемости.

4.1. Выбор базы сравнения

Данная работа направлена на создание программного обеспечения с целью оптимизировать ремонтные работы путём перехода на ремонт по фактическому состоянию оборудования.

В настоящий момент как в России, так и за рубежом создано немало аппаратно-программных комплексов для решения подобных задач. Как правило, эти комплексы обладают большими функциональными способностями, нежели разработка, предлагаемая в данной работе, и, как следствие, имеют несравнимо большую цену. Поэтому в качестве базы сравнения предлагается к рассмотрению промышленное предприятие, где до внедрения подсистемы мониторинга технического состояния технологического оборудования осуществлялся планово-предупредительный ремонт оборудования. Ремонтом занимались 10 ремонтных рабочих с месячным окладом 8000 руб . Также материальные затраты на детали и материалы, используемые в ремонтах составляли в среднем 400000 руб. в год.

Внедрение подсистемы мониторинга технического состояния и переход предприятия на ремонт по фактическому техническому состоянию оборудованию позволит сократить количество ремонтов как минимум на 35%. Следовательно будет возможным сокращение 3 ремонтных рабочих, а также будет возможным сократить материальные затраты на ремонт также на 35% как минимум.

K ₁ =0

где — количество работников;

• годовой фонд зарплаты;
• коэффициент, определяющий размер дополнительной заработной платы и отчислений. ( =0,4 ).

З _п =12*(10*8000)*1.4=1344000

C ₁ =1344000+400000-1744000 руб.

4.2. Расчет единовременных капитальных затрат , Единовременные затраты

Где — предпроизводственные затраты, руб.;

• капитальные затраты на создание АС, руб.

Предпроизводственные затраты

где — затраты на предпроектные исследования;

• затраты на разработку программы.

Предпроектные исследования:

где — количество работников i- ой категории;

• срок работы i-ой категории работников;
• месячный фонд заработной платы i-ой категории работников;
• накладные расходы в процентах по отношению к основной заработной плате;
• коэффициент, учитывающий дополнительную заработную плату i-ой категории работников;
• n — количество категорий работников.

Предпроектные исследования связаны с изучением проблемы, существующих путей её решения, сбором информации и подготовкой исходных данных. Чаще всего эту задачу решает один человек, поэтому фонд заработной платы разумно взять средним для программистов: 12000 руб./мес., без учёта принятых на предприятии добавочных выплат и премий. Так же, для сбора информации достаточно одного месяца. Таким образом, затраты на предпроектные исследования составили:

К _пп =1*1*12000*1*1.3*1.4=21840 руб.

проектирование программного продукта

где — заработная плата программистов, руб.;

• стоимость материалов на эксплуатационные нужды (носители информации, бумага, копировальная бумага, красящая лента и т.д.), руб;
• амортизационные отчисления на износ основных средств (выделяются из накладных расходов только в тех случаях, когда оборудование используется только для создания рассматриваемой программной разработки), руб.;
• расходы на электроэнергию, руб.;
• затраты на отладку, руб.;
• процент накладных расходов в организации разработчика (ориентировочно можно принять в размере 100 — 150%).

Заработная плата программистов определяется по следующей формуле:

• где — трудоемкость работ i-го разработчика, чел.-мес;
• основная заработная плата i-ro разработчика, руб./мес;
• n — число разработчиков программного продукта, чел.;
• коэффициент, учитывающий дополнительные выплаты по данным организации разработчика (установлен 0.4);
• коэффициент, учитывающий отчисления на социальные нужды по действующему законодательству ( =0,356).

Число разработчиков может быть рассчитано по формуле

где — общая трудоемкость разработки программного изделия, чел.-мес;

Т — продолжительность разработки программного изделия, мес.

Общая трудоемкость может быть рассчитана по экспресс-модели Боэма:

Где — число тысяч исходных команд (под исходной командой понимается физически представимая строка на бланке программы, на экране дисплея, на распечатке).

Так как исходный код программы, разработанной в рамках данной работы, составляет 1200 строк, то общая трудоёмкость проекта составит: =4,5 чел.-мес.

Тогда продолжительность разработки можно рассчитать следующим образом:

Или:

мес.

Тогда количество разработчиков, занятых в проекте, составит человека, или, после округления, 3.

= 102513,6 р

стоимости использованных материалов

1. Бумага (1000 листов) — на сумму 700 руб.

2. Канцелярские товары — на сумму 400 руб.

3. Тонер для картриджа. Стоимость заправки картриджа на 2500 листов составляет 300 руб.

Таким образом:

где — коэффициент, учитывающий затраты на транспортировку.

затрат на отладку

где — время, требуемое для отладки программы,

• стоимость одного машино-часа ( ).

Время, требуемое для отладки, может быть рассчитано по формуле:

где q — предполагаемое число корректируемых операторов, которое может быть определено как:

с — коэффициент сложности программы ( ),

• коэффициент коррекции программы ( ),

k — коэффициент квалификации разработчиков (k=1,5 ).

Получается , а следовательно .

Таким образом, затраты на разработку программы составляют:

руб.

К _п =258165+21840=280005 руб.

В состав капитальных затрат входят расходы на приобретение КТС и его стандартного обеспечения, а также затраты на установку, монтаж и наладку комплекса технических средств с учетом доли времени использования комплекса средств автоматизации в данной АС:

• Где — доля времени использования КТС в данной АС;
• сметная стоимость КТС, руб.;
• затраты на установку, монтаж и запуск КТС в работу, руб.;
• транспортные расходы, руб. ;
• сумма оборотных средств, руб.;
• сметная стоимость системы стандартного обеспечения КТС, руб.

Поскольку в период времени разработки системы комплекс аппаратно-технических средств в основном не будет применяться для сторонних целей, можно принять равным 0,8. Стоимость современного персонального компьютера, удовлетворяющего вычислительные потребности проектировщиков, составляет в среднем 18000 руб, стоимость принтера – 3000 руб, таким образом, сметная стоимость КТС составляет 21000 руб. Затраты на установку, монтаж и запуск КТС в работу примем равными 30% от стоимости самого КТС, то есть 6300 руб.; транспортные расходы – 10% от стоимости КТС, или 2100 руб. Стоимость основного пакета программ для работы (CAD-система, антивирусная программа, лицензионная версия ОС и т.д.) составляет 10000 руб. Итого капитальные затраты составят:

руб.

Исходя из всего вышесказанного, единовременные капитальные затраты на разработку АС составят:

руб.

Перечень составляющих капитальных затрат базового варианта и разрабатываемой системы сведён в таблицу:

Таблица 1

Сводная таблица единовременных капитальных затрат

Наименование	Базовый вариант (руб.)	Проектируемый вариант (руб.)
Затраты на предпроектные исследования		21840
Затраты на проектирование программного продукта		258165
Предпроизводственные затраты		280005
Сметная стоимость КТС		21000
Затраты на установку и запуск КТС		6300
Транспортные расходы		2100
Сметная стоимость системы стандартного обеспечения КТС		10000
Капитальные затраты		39400
Общие единовременные капитальные затраты	0	319405

4.3. Расчет эксплуатационных затрат

Эксплуатационные затраты, связанные с осуществлением определенной функции до и после внедрения системы, включают в себя:

1. прямые затраты подразделений, непосредственно осуществляющих определенную, конкретную функцию;

2. сопряженные затраты подразделений и служб соисполнителей, которые в том или ином объеме, наряду с другими функциями либо выполняют эту функцию, либо обслуживают эту функцию;

3. затраты, связанные с эксплуатацией оргсистем.

прямые затраты

Сопряженные затраты

З _сопр =206000+260000=266000

Затраты, связанные с обеспечением бесперебойного функционирования оргтехники

З = Фзп + Зэл + Зр + Зм + Зпр,

где Фзп — фонд основной и дополнительной зарплаты персонала, обслуживающего оргтехнику, с учетом отчислений на социальное страхование, руб.;

Зэл — стоимость электроэнергии, расходуемой техническими средствами, руб.;

Зр — стоимость запасных частей и материалов, необходимых для ремонта технических средств, руб.;

Зм — стоимость материалов, необходимых для нормального функционирования оргтехники, руб.;

Зпр — прочие расходы.

Фонд зарплаты персонала, обслуживающего оргтехнику — 1 техник, 650 руб. в месяц.

Фзп = 650*1.15*12=8 970 руб.

Затраты на электроэнергию, потребляемую оргтехникой.

Зэл = Му * Фд * Цэ * Ак,

где Му — установленная мощность технических средств, кВт (общая мощность ЭВМ, равная 1.2 кВт );

Фд — годовой действительный фонд времени работы оргтехники с учетом времени, необходимого на профилактические работы, час;

Фд = 265*6-100 = 1490 час

Цэ — стоимость одного киловатт-часа электроэнергии (стоимость 1 кВтч равна 1,2 руб .);

Ак — коэффициент интенсивного использования мощности ( 0,9 );

• Зэл = 1.2*(265*6-100)* 1.2*0.9 = 1931,4 руб.

За = 21000*0.12 = 2520 руб.

Стоимость запасных частей и материалов. Предположим, что стоимость запасных частей и материалов составляет 4% от стоимости технических средств:

Зр = 21000*0.04 = 840 руб.

Стоимость вспомогательных материалов. Стоимость материалов, необходимых для эксплуатации составляет 1% от стоимости средств оргтехники:

Зм =21000*0.01 = 210 руб.

Стоимость прочих затрат, связанных с эксплуатацией техники. Стоимость прочих расходов составляет 0,5% от стоимости оргтехники.

Зпр = 21000*0.005 = 105 руб.

Общая сумма эксплуатационных затрат, связанных с осуществлением определенных функций оргсистемы и ее эксплуатацией будет равна:

Зэ = 8970+1931,4+2520+840+210+105 = 14576,4 руб.

Таблица 2

Сводные эксплуатационные затраты

4.4. Сравнительный анализ разработки с имеющимися программами-аналогами

При проведении сравнительного анализа необходимо рассмотреть имеющиеся программные средства (как отечественные, так и зарубежные), решающие аналогичные или близкие задачи, и показать преимущества своей разработки над конкурентными. Для этого надо определить коэффициенты уровня конкурентоспособности разрабатываемого программного продукта и программы-аналога , выбранного (выбранных) в качестве базы для сравнения. Определение вышеупомянутых коэффициентов предлагается определить при помощи методов коллективной экспертизы. Эти методы позволяют избежать субъективности в оценках и получить их достаточно точные значения. В качестве экспертов будут выступать сам разработчик (далее 1-ый эксперт), руководитель дипломной работы (далее 2-ой эксперт), а также аспирант кафедры «Системотехника» (далее 3-ий эксперт), занимающийся проблемой автоматизации энергоснабжения на предприятиях.

Алгоритм определения уровня конкурентоспособности следующий.

На первом этапе проведения экспертизы выясняется уровень компетентности экспертов по рассматриваемой проблеме. Для этого предлагается следующая методика. Коэффициенты аргументации i -гo эксперта определяются по формуле

где ; — коэффициент аргументации i -гo эксперта, (0 < < 1):

• коэффициент осведомленности i -гo эксперта;

• Значения коэффициента аргументации экспертов приведены в табл 3.

При выборе коэффициентов аргументации считалось, что все эксперты имеют среднее значение коэффициента аргументации, а источником аргументации были:

• у 1-ого эксперта – «Проведенный теоретический анализ»;
• у 2-ого эксперта – «Практический (исследовательский) опыт»;
• у 3-его эксперта – «Практический (исследовательский) опыт».

В результате коэффициенты аргументации экспертов равны 0,2 для 1-ого эксперта и по 0,4 для 2-ого и 3-его экспертов .

Таблица 3

Значения коэффициента аргументации, Для экспертов 1, 2 и 3 коэффициенты осведомленности соответственно равны 0,7; 0,9; 0,8.

Определим уровень компетентности каждого экспертов:

Обобщенная оценка экспертов по j -ой проблеме определяется по следующей формуле:

где — обобщенная оценка экспертов по j -й проблеме;

n — количество экспертов;

• оценка, данная i -м экспертом по j -й проблеме.

Для проведения экспертного анализа экспертам предлагаются следующие критерии качества программного продукта (табл. 4).

Таблица 4

Критерии качества программного продукта

Вид критерия	Название критерия	Показатель качества (атрибуты)
Функциональные критерии	1.Функциональная пригодность К1	Функциональная корректность Способность к взаимодействию Мобильность
2.Удобство пользователя К2	Понятность Обучаемость Комфортность эксплуатации
Конструктивные критерии	3. Надежность К3	Устойчивость Восстанавливаемость
4. Эффективность использования ресурсов К4	Время реакции Пропускная способность Занятость ресурсов Используемость ресурсов

Далее определяется степень важности (весомость) той или иной характеристики. Для этого рассчитывается соответствующий коэффициент важности (весомости) каждой (табл. 5 ).

Таблица 5

Значения коэффициентов важности по отобранным к критериям

Критерий Значение коэффициента важности баллов	К1	К2	К3	К4
1 – й эксперт,	1	0,75	0,9	0,75
2 – й эксперт,	1	0,8	0,8	0,9
3 – й эксперт,	1	0,75	1	0,9
Обобщенное (согласованное) значение,	0,76	0,58	0,68	0,65

Затем экспертами дается оценка степени осуществления того или иного атрибута сначала для аналога (табл. 6), выбираемой в качестве базовой для сравнения, а затем для проектируемой работы (табл. 7).

Таблица 6

Оценка степени осуществления атрибутов аналога

Критерий Оценка степени осуществления, баллы	К1	К2	К3	К4
1 – й эксперт,	0,8	0,8	0,9	0,7
2 – й эксперт,	1	1	0,9	0,7
3 – й эксперт,	0,9	0,9	0,8	0,6
Общая (согласованная) оценка,	0,69	0,69	0,63	0,5

Таблица 7

Оценка степени осуществления атрибутов разрабатываемой программы

Критерий Оценка степени осуществления, баллы	К1	К2	К3	К4
1 – й эксперт,	1	0,8	0,9	0,8
2 – й эксперт,	0,9	0,7	0,8	0,9
3 – й эксперт,	1	0,7	0,8	0,9
Общая (согласованная) оценка,	0,72	0,55	0,63	0,66

После определения вышеуказанных параметров производится определение коэффициентов уровня конкурентоспособности рассматриваемых вариантов по следующей формуле:

где m — количество рассматриваемых характеристик.

Уровень конкурентоспособности для программы аналога:

Уровень конкурентоспособности для разрабатываемой программы:

4.5. Расчет экономического эффекта и срока окупаемости

условно годовой экономический эффект

где — соответственно затраты, связанные с эксплуатацией службы ремонтов по базовому и проектируемому вариантам, руб.;

• соответственно капитальные затраты по базовому и проектируемому вариантам, руб.;
• нормативный коэффициент эффективности ( 0,12 ).

Таким образом:

Э _у =(1744000+0.12

Срок окупаемости находим по следующей формуле:

где З — затраты на разработку.

То = 319405/1425095= 0,224 года = 2,7 мес.

4.6. Вывод

Полученные результаты приведены в сводной таблице.

Таблица 8

Сводная таблица результатов расчета

Показатели	Варианты
базовый вариант	проектируемый вариант
Технические показатели
Год создания		2010
Функциональное назначение	Система организации ремонта технололгического оборудования промышленного предприятия
Размер (Мбайт)		27
Экономические показатели
Капитальные затраты (руб.)	0	319405
Эксплуатационные затраты (руб.)	1744000	280576,4
Условно годовой экономический эффект (руб.)	1425095
Срок окупаемости (мес.)	2,7

ЗАКЛЮЧЕНИЕ

В результате проделанной работы:

— Выполнен анализ существующих методов организации ремонтных работ на промышленных предприятиях. Показано преимущество обслуживания технологического оборудования по его фактическому техническому состоянию по сравнению с обслуживанием по регламенту.

• Рассмотрены возможные пути автоматизации процесса диагностики технического состояния промышленного оборудования на основании спектров вибрации.
• Построена искусственная нейронная сеть для решения задачи вибродиагностики промышленного оборудования.
• Проведено сравнение эффективности системы нечёткого вывода и искусственной нейронной сети применительно к диагностике оборудования по спектрам вибрации.
• Обоснована технико-экономическая целесообразность разработки системы вибродиагностики.

1. Prostoev_NET – Информационный портал / .62 [Электронный ресурс]: Барков А.В. Диагностика: Возможности нового поколения систем мониторинга и диагностики. – Режим доступа: http: // www.prostoev.net/modules/myarticles/article.php? storyid=15 . – Загл. с экрана.

2. Вибро-Центр [Электронный ресурс]: Виброконтроль. Мониторинг. – Режим доступа: http: // www.vibrocenter.ru/vdr.htm . – Загл. с экрана.

3. ЗАО «Промсервис» [Электронный ресурс]: Мынцов А.А., Мынцова О.В., Кочнев М.Н. Системы диагностирования агрегатов роторного типа. – Режим доступа: http: // www.promservis.ru/diag.html . – Загл. с экрана.

4. Барков А.В., Баркова Н.А., Азовцев Ю.А. Мониторинг и диагностика роторных машин по вибрации: Учеб. пособ. СПб.: Питер, 2000. 158 с.

5. Prostoev_NET – Информационный портал / .62 [Электронный ресурс]: Система мониторинга и диагностики вращающегося оборудования по вибрации с пакетом программ DREAM for Windows. – Режим доступа: http: // www.vibrotek.com/ russian/catalog/ dc-12m.html . – Загл. с экрана.

6. Гольдин А.С. Вибрация роторных машин. М.: Машиностроение, 1999. 344 с.

7. Генкин М.Д., Соколова А.Г. Виброакустическая диагностика машин и механизмов. М.: Машиностроение, 1987. 283 с.

8. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 239 с.

9. Русов В.А. Спектральная вибродиагностика. Пермь, 1996. 235 с.

10. Барков А.В. Возможности нового поколения систем мониторинга и диагностики // Металлург. № 11. 1998. С. 47-53.

11. Ширман А., Соловьев А. Практическая вибродиагностика и мониторинг состояния механического оборудования. М.: Машиностроение, 1996. 276 с.

12. Тэрано Т., Асаи К., Сугэно М. Прикладные нечёткие системы/М.:Мир, 1993. 368 с.

13. Мелихова О.А. Нечеткие интеллектуальные системы // Перспективные информационные технологии и интеллектуальные системы. 1986. № 2. С. 59-63.

14. Гарцеев И.Б., Ситников М.С. Автоматический синтез нечеткого регулятора с использованием генетических алгоритмов // Перспективные информационные технологии и интеллектуальные системы. 2008. № 4. С. 38-42.

ПРИЛОЖЕНИЕ. Слайды презентации.

Дипломная работа выполнена мной самостоятельно. Все использованные в работе материалы и концепции из опубликованной научной литературы и других источников имеют ссылки на них.

«__»____________ _____ г.

_________________________ _____________________________

(подпись) (Ф.И.О.)