Нейросетевой метод прогнозирования вакуумного технологического оборудования (статья)
Описание файла
Документ из архива "Нейросетевой метод прогнозирования вакуумного технологического оборудования (статья)", который расположен в категории "". Всё это находится в предмете "нейросетевое моделирование сложных технических систем" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "остальное", в предмете "нейросетевое моделирование сложных технических систем" в общих файлах.
Онлайн просмотр документа "Нейросетевой метод прогнозирования вакуумного технологического оборудования (статья)"
Текст из документа "Нейросетевой метод прогнозирования вакуумного технологического оборудования (статья)"
НЕЙРОСЕТЕВОЙ МЕТОД ПРОГНОЗИРОВАНИЯ НАДЕЖНОСТИ ВАКУУМНОГО ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ
Ю.В.Панфилов1, Е.В.Булыгина1, И.Х.Азымов1, Ю.М.Сарапулов2
1Московский государственный технический университет им. Н.Э.Баумана
г. Москва, Россия
2Научно-производственное объединение «Спецэлектромеханика»
г. Брянск, Россия
Рассмотрен метод прогнозирования показателей надежности вакуумного технологического оборудования на стадии проектирования, основанный на анализе данных о надежности изделий-аналогов. В качестве аппаратной части использована искусственная нейронная сеть. Приведен пример решения описываемой задачи для отдельных узлов вакуумного оборудования.
Под прогнозированием надежности понимается косвенная оценка или предсказание показателей надежности изделий с заданной, научно-обоснованной или подтвержденной практикой достоверностью.
Прогнозирование показателей надежности может вестись на стадии проектирования (при разработке технического задания, сравнения вариантов на этапе технического предложения и при выполнении эскизного проекта) и при эксплуатации. При прогнозировании надежности изделия на стадии проектирования имеется наибольшая неопределенность в оценке возможных состояний изделия. В этом случае в инженерной практике используются методы прогнозирования показателей надежности, основанные на анализе данных о надежности изделий-аналогов. Это связано с тем, что проектируемые изделия во многом состоят из заимствованных узлов и являются, по существу, модернизацией предшествующих моделей.
Задача по прогнозированию надежности нового изделия, относящегося к определенной группе функциональных узлов, на этапе проектирования сводится к определению набора конструктивных параметров и режимов, наиболее существенно влияющих на надежность узлов и выделению множества N узлов, аналогов, близких с точки зрения надежности к новому изделию.
Таким образом, для решения задачи необходимы следующие исходные данные: конструктивные характеристики и предполагаемые режимы эксплуатации вновь разрабатываемых узлов; наименование и обозначение множества N узлов – аналогов; информация о надежности узлов–аналогов, их конструктивные характеристики и режимы эксплуатации.
Источниками априорной информации о надежности узлов – аналогов являются результаты подконтрольной эксплуатации оборудования. Конструктивные характеристики и режимы эксплуатации определяются непосредственно по конструкторской документации. Множества N узлов–аналогов формируется по результатам функционального анализа номенклатуры оборудования и декомпозиции функциональных систем.
Используя описанный в [1] подход к распознаванию образов, можно задействовать теоретически неограниченное число информативных параметров, что позволяет описать все многообразие физических процессов деградации элементов конструкции механических узлов, присущих определенному типу технологического оборудования. Такой метод отличается относительной простотой и легко поддается автоматизации, что позволяет в кратчайшие сроки, т.е. на этапе эскизных проектов, проводить экспертизу конструкторской документации и вырабатывать технические мероприятия, направленные на повышение уровня надежности.
Применение современных информационных технологий позволило повысить достоверность прогнозирования показателей надежности вакуумного технологического оборудования. В качестве аппаратной части использовалась искусственная нейронная сеть (ИНС).
Нейронные сети учатся на примерах и строят модель по обучающим данным. Обучающие данные представляют собой определенное количество наблюдений, для каждого из которых указаны значения нескольких переменных. Большинство из этих переменных задаются как входные и сеть будет учиться находить соответствие между значениями входных и известных выходных переменных.
Ниже представлено решение задачи прогнозирования надежности узлов вакуумного технологического оборудования с использованием ИНС в пакете программ Statistica Neural Networks.
В качестве входных факторов использовались следующие параметры конструкции исследуемых узлов [1]:
1. Общее количество деталей - VAR1.
2. Количество уплотнений – VAR2.
3. Количество сварных швов - VAR3.
4. Толщина разделительных элементов – VAR4.
5. Проходные отверстия – VAR5.
6. Газопроницаемость – VAR6.
7. Количество деталей с циклической нагрузкой – VAR7.
8. Количество металлических уплотнений – VAR8.
9. Количество элементов регулировки – VAR9.
10. Количество деталей, подверженных износу - VAR10.
11. Степень герметизации затвора - VAR11.
12. Химическая стойкость - VAR12.
13. Герметичность уплотнений - VAR13.
14. Количество элементов, подверженных коррозии - VAR14.
15. Количество элементов предварительной установки - VAR15.
16. Тип привода. - VAR16.
Выходным параметром (показателем надежности узла) была выбрана наработка узла на отказ, выраженная в часах.
Для обучения ИНС был подготовлен блок примеров, в который вошли сведения о 81 узле вакуумного технологического оборудования [1] по 16 параметрам.
Файл обучающих данных представлял собой таблицу, где по строкам указаны данные по каждому из 81 исследуемых узлов, а по столбцам - значения параметров для каждого узла (рис. 1).
П
ри моделировании использовался MLP-тип нейронной сети, как наиболее подходящий для задачи прогнозирования показателей надежности.
Разработанная модель нейросети представлена на рис. 2.
Тестирование полученной сети производилось по следующим узлам:
-
Узлы (А и В) со значениями (Input A, B) входных факторов VAR, близкими к значениям соответствующих факторов [1] из обучающего множества данных. Значения спрогнозированных ИНС показателей надежности (Output A, B) оказались достоверными для таких узлов. Результаты тестирования представлены в табл. 1.
-
Узел С, рассчитанный в [1] методом кластерного анализа, со значениями (Input C) входных факторов VAR. Значение спрогнозированной в [1] наработки на отказ – 21431 ч. Результат (Output C), спрогнозированный ИНС, дан в табл. 2.
-
Узлы (E и D) со значениями (Input E, D) входных факторов VAR, близкими к критическим для примеров из [1]. Значения спрогнозированной ИНС надежности (Output E, D) оказались достоверными для таких узлов. Результаты тестирования приведены в табл. 3.
Малое значение надежности узла Е можно объяснить тем, что в узле имеется большое количество уплотнений, сварных швов, деталей подверженных износу и коррозии, деталей с циклической нагрузкой.
-
Типовой электромагнитный клапан (F) со значениями (Input F) входных факторов VAR, выявленными в результате структурного анализа узла (рис. 3). Значения спрогнозированной ИНС надежности (Output F) оказались достоверными для такого типа клапанов. Результаты тестирования показаны в табл. 4.
Рис. 1. Файл данных с обучающими ИНС примерами
Рис. 2 MLP-сеть
Таблица 1
VAR1 | VAR2 | VAR3 | VAR4 | VAR5 | VAR6 | VAR7 | VAR8 | |
Input А | 16 | 2 | 0 | 0,4 | 8 | 4 | 2 | 3 |
VAR9 | VAR10 | VAR11 | VAR12 | VAR13 | VAR14 | VAR15 | VAR16 | |
Input А | 1 | 2 | 3 | 2 | 0,6 | 5 | 0 | 0 |
Output A | 18914 | |||||||
VAR1 | VAR2 | VAR3 | VAR4 | VAR5 | VAR6 | VAR7 | VAR8 | |
Input B | 20 | 8 | 3 | 1 | 2 | 70 | 2 | 3 |
VAR9 | VAR10 | VAR11 | VAR12 | VAR13 | VAR14 | VAR15 | VAR16 | |
Input B | 1 | 4 | 2 | 2 | 1 | 12 | 0 | 1 |
Output B | 5676 |
Таблица 2
VAR1 | VAR2 | VAR3 | VAR4 | VAR5 | VAR6 | VAR7 | VAR8 | |
Input C | 18 | 9 | 0 | 0,4 | 6 | 1 | 4 | 4 |
VAR9 | VAR10 | VAR11 | VAR12 | VAR13 | VAR14 | VAR15 | VAR16 | |
Input C | 0 | 2 | 2 | 1 | 1 | 8 | 0 | 0 |
Output C | 10933 |
Таблица 3
VAR1 | VAR2 | VAR3 | VAR4 | VAR5 | VAR6 | VAR7 | VAR8 | |
Input E | 48 | 14 | 35 | 5 | 40 | 100 | 30 | 4 |
VAR9 | VAR10 | VAR11 | VAR12 | VAR13 | VAR14 | VAR15 | VAR16 | |
Input E | 3 | 5 | 5 | 2 | 20 | 12 | 1 | 2 |
Output E | 3254 | |||||||
VAR1 | VAR2 | VAR3 | VAR4 | VAR5 | VAR6 | VAR7 | VAR8 | |
Input D | 6 | 0 | 0 | 0,12 | 0 | 0 | 1 | 1 |
VAR9 | VAR10 | VAR11 | VAR12 | VAR13 | VAR14 | VAR15 | VAR16 | |
Input D | 0 | 1 | 2 | 0 | 0,1 | 0 | 0 | 0 |
Output D | 12318 |
Таблица 4
VAR1 | VAR2 | VAR3 | VAR4 | VAR5 | VAR6 | VAR7 | VAR8 | |
Input F | 45 | 30 | 0 | 2 | 0 | 100 | 4 | 0 |
VAR9 | VAR10 | VAR11 | VAR12 | VAR13 | VAR14 | VAR15 | VAR16 | |
1 | 4 | 1 | 1 | 0 | 0 | 0 | 1 | |
Output F | 7488 |