Прогнозирование надежности (Лекции от Панфилова)
Описание файла
Файл "Прогнозирование надежности" внутри архива находится в папке "Лекции от Панфилова". Документ из архива "Лекции от Панфилова", который расположен в категории "". Всё это находится в предмете "технология и оборудование микро и наноэлектроники" из 6 семестр, 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 "лекции и семинары", в предмете "технология и оборудование микро и наноэлектроники" в общих файлах.
Онлайн просмотр документа "Прогнозирование надежности"
Текст из документа "Прогнозирование надежности"
-
НАУЧНО-ИССЛЕДОВАТЕЛЬСКАЯ ЧАСТЬ
-
Прогнозирование надежности газовых систем
На этапе проектирования газовых систем важной задачей является предсказание надежности, так как показатель наработки системы на отказ может являться дополнительным критерием при выборе оптимальной сложности конструкции, которая обеспечит не только наилучшее соотношение цены качества но наибольший срок безотказной работы.
Показатели надежности оборудования зависят от геометрических, физических и других параметров ω(ω1,…,ωn) присущих изделию, которые будем называть конструктивными, а также от режимов эксплуатации ε(ε1,…,εn). В качестве таких параметров могут выступать: температура, нагрузка, скорость движения, частота срабатывания и другие параметры.
Задача по прогнозированию надежности нового изделия, относящегося к определенной группе функциональных узлов, на этапе проектирования сводится в [1] 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.
Для решения задачи прогнозирования 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.
Показатель надежности (средняя наработка на отказ TН) для подмножеств узлов–аналогов определяется в [1] следующим образом: каждому из подмножеств в процессе анализа присваивается порядковый номер NКЛ – номер кластера, который зависит от конструктивных параметров и режимов эксплуатации. Наработка на отказ ТН является функцией тех же параметров
и
Тогда можно считать, что
,
т.е ТН – функция F от NКЛ.
Эксплуатационные исследования [1] показывали, что зависимость средней наработки на отказ от номера кластера имеет логарифмический характер. Точность определения ТН для кластера с новыми изделиями во многом зависит от точности построения зависимости ТН=F(NКЛ), т.е. от числа кластеров с известными показателями надежности и качества экспериментальной информации по существующим изделиям.
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.
Для решения задачи прогнозирования надежности подготовка исходных данных - набора конструктивных параметров и режимов, наиболее существенно влияющих на надежность узлов, производилась по описанной в [1] методике. 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 выходных переменных.
Методы нейронных сетей получают все большее распространение в самых разных областях, от фундаментальных исследований до «добычи данных» прогнозирования в бизнесе, управления рисками, приложений в технике и многих других.
Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда имеется определенная известная информация, и на ее основе требуется получить некоторую пока не известную информацию.
Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, - если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети. Для обучения нейронных сетей применяются алгоритмы двух типов (разные типы сетей используют разные типы обучения): управляемое ("обучение с учителем") и не управляемое ("без учителя").
Ниже представлено решение задачи прогнозирования надежности газовых систем с использованием ИНС в пакете программ Statistica Neural Networks.
Подготовка исходных данных .
В качестве входных факторов использовались следующие параметры :
1. Количество РРГ - VAR1
2. Количество РДМ – VAR2
3. Количество Клапанов - VAR3
4. Количество Кранов – VAR4
5. Количество обратных клапанов – VAR5
6. Количество манометров – VAR6
7. Количество фитингов – VAR7
8. Количество режим включений – VAR8
9. Агрессивность газов – VAR9
10. Тип соединений - VAR10
Данные использованные для обучения ИНС получены методом экспертной оценки, и являются непригодными для точного прогнозирования надежности. Но на этапе разработки методики они применимы. В дальнейшем для правильной работы системы в реальных условиях необходимо накопление базы данных по реальным системам.
с
Рис.33 - Входные данные для обучения ИНС
Рис.34 - Вид интерфейса работы с ИНС
При накоплении достаточной базы (не менее 40 панелей) точность предсказываемой надежности существенно возрастет и буде приближаться к реальным значениям.
3.2 Оценка надёжности установки для получения монооксида кремния
Показатели надежности оборудования зависят от геометрических, физических и других параметров ω(ω1,…,ωn) присущих изделию, которые будем называть конструктивными, а также от режимов эксплуатации ε(ε1,…,εn). В качестве таких параметров могут выступать: температура, нагрузка, скорость движения, частота срабатывания и другие параметры.
Задача по прогнозированию надежности нового изделия, относящегося к определенной группе функциональных узлов, на этапе проектирования сводится в 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.
Для решения задачи прогнозирования 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.
Показатель надежности (средняя наработка на отказ TН) для подмножеств узлов–аналогов определяется следующим образом: каждому из подмножеств в процессе анализа присваивается порядковый номер NКЛ – номер кластера, который зависит от конструктивных параметров и режимов эксплуатации. Наработка на отказ ТН является функцией тех же параметров
и
Тогда можно считать, что
,
т.е ТН – функция F от NКЛ.
Эксплуатационные исследования показывали, что зависимость средней наработки на отказ от номера кластера имеет логарифмический характер. Точность определения ТН для кластера с новыми изделиями во многом зависит от точности построения зависимости ТН=F(NКЛ), т.е. от числа кластеров с известными показателями надежности и качества экспериментальной информации по существующим изделиям.
Используя описанный вподход 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.
Для решения задачи прогнозирования надежности подготовка исходных данных - набора конструктивных параметров и режимов, наиболее существенно влияющих на надежность узлов, производилась по описанной в методике. 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 выходных переменных.
Методы нейронных сетей получают все большее распространение в самых разных областях, от фундаментальных исследований до «добычи данных» прогнозирования в бизнесе, управления рисками, приложений в технике и многих других.
Класс задач, которые можно решить с помощью нейронной сети, определяется тем, как сеть работает и тем, как она обучается. При работе нейронная сеть принимает значения входных переменных и выдает значения выходных переменных. Таким образом, сеть можно применять в ситуации, когда имеется определенная известная информация, и на ее основе требуется получить некоторую пока не известную информацию.
Как правило, нейронная сеть используется тогда, когда неизвестен точный вид связей между входами и выходами, - если бы он был известен, то связь можно было бы моделировать непосредственно. Другая существенная особенность нейронных сетей состоит в том, что зависимость между входом и выходом находится в процессе обучения сети. Для обучения нейронных сетей применяются алгоритмы двух типов (разные типы сетей используют разные типы обучения): управляемое ("обучение с учителем") и не управляемое ("без учителя").
Ниже представлено решение задачи прогнозирования надежности узлов вакуумного технологического оборудования с использованием ИНС в пакете программ Statistica Neural Networks.
Подготовка исходных данных .
В качестве входных факторов использовались следующие параметры конструкции исследуемых узлов [1]:
1. Удельное контактное давление в сопряжениях - VAR1
2. Скорость относительного перемещения элементов сопряжения – VAR2
3. Величина относительной деформации элементов конструкции - VAR3
4. Разность твёрдостей сопрягаемых поверхностей – VAR4
5. Величина относительной деформации элементов конструкции – VAR5
6. Прочность – VAR6
