ОДЕСЬКИЙ ДЕРЖАВНИЙ ПОЛІТЕХНІЧНИЙ УНІВЕРСИТЕТ

ЯГХІ Кхаліл Абдельхамід Ахмед

УДК 62 – 503.5: 681.3.001.5

АВТОМАТИЗОВАНА СИСТЕМА УПРАВЛІННЯ ЕКСПЛУАТАЦІЄЮ

СКЛАДНИХ РЕГЕНЕРУЮЧИХ ТЕХНІЧНИХ СИСТЕМ

05.13.06 – Автоматизовані системи управління

та прогресивні інформаційні технології

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Одеса – 2001

Дисертацією є рукопис.

Робота виконана в Одеському державному політехнічному університеті Міністерства освіти і науки України на кафедрі нафтогазового та хімічного машинобудування.

Науковий керівник: кандидат технічних наук, доцент,

Заслужений працівник народної освіти

України Балан Сергій Олександрович,

Одеський державний політехнічний університет, доцент

Офіційні опоненти: доктор технічних наук, професор

Харитонов Анатолій Іванович,

Одеська державна академія будівництва і архітектури, завідувач кафедри організації

будівництва і охорони праці

кандидат технічних наук, доцент

Артьоменко Віктор Тимофійович,

Одеська державна академія харчових технологій, доцент кафедри прикладної математики та обчислювальної техніки

Провідна установа: Державний науково-дослідний

інститут інформаційної інфраструктури,

відділ інформаційних технологій і систем

Державного комітету зв'язку та інформації і НАН України, м. Львів

Захист відбудеться 31.05.2001 р. о 1330 на засіданні спеціалізованої вченої ради Д 41.052.01 в Одеському державному політехнічному університеті за адресою: 65044, м. Одеса, пр. Шевченка, 1, ауд. 400-А.

З дисертацією можна ознайомитись у бібліотеці Одеського державного політехнічного університету за адресою: 65044, м. Одеса, пр. Шевченка, 1.

Автореферат розісланий 27.04.2001 р.

Вчений секретар

спеціалізованої вченої ради Д 41.052.01,

кандидат технічних наук, професор Ю.С. Ямпольський

ВСТУП

Множину складних регенеруючих технічних систем (СРТС) масового виготовлення таких як, наприклад, автотранспортні засоби, можна уявити як деяку спільноту незв'язаних або слабко зв'язаних індивідуумів, які працюють в різноманітних конкретних умовах експлуатації.

В процесі роботи в кожній окремій СРТС накопичуються ушкодження, які можуть призводити до відмови усієї системи. Їх причина містить як детерміновану компоненту, пов'язану з особливостями конструкції, так і стохастичну, – визначену умовами її експлуатації. Життєвий цикл (ЖЦ) СРТС відрізняється малопередбачуваністю також через суб'єктивність у прийнятті експлуатаційних рішень, а також через те, що їхня регенерація сама по собі є дією непередбачуваною по термінах і якості.

Своєчасний, випереджаючий ремонт та заміна елементів, ресурс яких наближається до своєї межі, є метою управління ЖЦ, яке неможливе без сучасних методів прогнозування ушкоджень, наприклад, використання нейросіткових інформаційних технологій. Останні, як відомо, базуються на “трьох китах”: архітектурі, математичних моделях нейронів і методах оптимізації, а також на забезпеченні відповідними даними для навчання мережі. Аналіз доробок, які існують в прогнозуванні життєдіяльності СРТС за допомогою нейронних мереж, дозволяє дійти висновку, що найбільша проблема полягає, насамперед, у репрезентативності навчальної вибірки – головної цінності нейросіткової моделі, від об'єму та якості якої залежить адекватність моделювання.

Чим більше параметрів істотно впливають на стан об'єкта, тим більші вимоги по репрезентативності даних висуваються до навчальних вибірок. По відношенню до такого об'єкта, як спільнота СРТС, рівні репрезентативності безпосередньо пов'язані із методами одержання початкових даних. Таких рівнів, що існують в практиці моделювання СРТС, можна виділити, принаймні, три:

·

· полігонні випробування та динамічні розрахунки не відображають багатовиду зовнішніх умов експлуатації, а також багатовиду індивідуальних особливостей усієї множини “індивідуумів” модельованої спільноти СРТС;

· дані реальної експлуатації по усій спільноті СРТС або не збираються, або не організовуються за єдиною уніфікованою системою, або не концентруються в єдиному центрі, з-за чого безцінна інформація для усієї спільноти практично втрачається.

На підставі викладеного можна стверджувати, що дослідження, спрямовані на створення і впровадження інформаційної системи для сучасних методів автоматизованого управління ЖЦ СРТС, є дуже актуальними.

Дисертація виконувалася відповідно до мети і завдань НДР Одеського державного політехнічного університету № 362-24 "Розробка теорії і методів схемотехнічного моделювання для систем проектування і управління".

Метою роботи є підвищення ефективності функціонування і надійності спільноти складних регенеруючих технічних систем за рахунок поліпшення якості управління їхнім ЖЦ у процесі експлуатації шляхом створення АСУ на основі нейронної надмережі прогнозування ушкоджень, яка навчається, та забезпечення її репрезентативною інформацією для навчання.

Для досягнення цієї мети в дисертаційній роботі були розв'язані наступні задачі:–

розроблено архітектуру та методику навчання нейронної надмережі прогнозування розвитку ЖЦ спільноти СРТС;

·

· розроблені методики, алгоритми і програми для підвищення репрезентативності початкової інформації про життєдіяльність СРТС шляхом зменшення розмірності чинникового простору з метою виділення переважаючих техніко-організаційних чинників розвитку таких систем та перетворення їх у добірку адекватних вибірок для навчання нейронної надмережі;

·

Об'єкт дослідження. Процес автоматизованого управління експлуатацією незв'язаної або слабко зв'язаної спільноти СРТС.

Предмет дослідження. Автоматизована система управління експлуатацією автотранспортних засобів.

Методи дослідження. При побудові АСУ експлуатацією автотранспортних засобів використаний метод моделювання за допомогою нейронних мереж. При розв'язанні задач попередньої обробки статистичної інформації використовувалися методи регресійного аналізу, чинникового кореляційного аналізу і методи оптимального управління. Для експериментальної перевірки адекватності моделей використовували дані полігонних випробувань СРТС.

Наукова новизна отриманих результатів полягає в розвитку і поглибленні теоретичних і методологічних основ управління спільнотою СРТС на базі використання нейросіткових моделей прогнозування їх технічного стану на протязі ЖЦ. Новими науковими результатами дисертаційного дослідження є:

·

· запропоновано модель, що навчається, прогнозування ЖЦ СРТС, реалізація якої базується на використанні нейронних надмереж, що складаються з елементарних нейронних мереж, які моделюють окремі ресурсні ітерації ЖЦ;

· запропоновано рекурентний алгоритм автоматичної класифікації зовнішніх та внутрішніх чинників розвитку ЖЦ спільноти СРТС, заснований на максимізації функціонала, який характеризує належність чинника до даного класу і використовує лінійні функції для завдання розподіляючих поверхонь;

· запропоновано модель заміщення “старої” СРТС у вигляді графу станів, у яких із розрахунковою вірогідністю може опинитися система при тому чи іншому рівні регенерації під час ремонту.

Практичне значення отриманих результатів. В Одеському транспортно-виробничому об'єднанні "Одесавтотранс" та Одеському інституті-полігоні мобільної техніки "ІНПОМТ" були проведені випробування розробленої в дисертації системи управління ЖЦ СРТС. В результаті випробування встановлено, що застосування зазначеної системи дозволило підвищити надійність автомобільного транспорту. Результати роботи рекомендовані для широкого впровадження на підприємствах України та Йорданії. Запропоновані методи, а також алгоритми і програми, розроблені для їхньої реалізації, впроваджені в навчальний процес Одеського державного політехнічного університету і використовуються в дисциплінах, які вивчають методи управління складними технічними системами, а також у курсовому і дипломному проектуванні.

Особистий внесок здобувача полягає в аналізі існуючих і розробці нових методів підвищення ефективності управління СРТС, виборі й удосконаленні математичних і експериментальних методів дослідження. Дисертантом виконаний аналіз літературних джерел за напрямком дослідження, розроблені методики останнього, запропонована універсальна система автоматизованого управління ЖЦ спільноти СРТС, що розвиваються, на основі нейросіткової надмережі, розроблені і доведені до практичного використання всі її підсистеми.

Автор створив комп'ютерну модель нейросіткової надмережі, виконав моделювання ЖЦ спільноти одиниць автомобільного транспорту, брав участь у виробничих випробуваннях та їхній оцінці.

Апробація результатів роботи. Матеріали роботи доповідалися й обговорювалися на науково-практичній конференції "Оптимізація управління, інформаційні системи і комп'ютерні технології" (Одеса, 1999), VIII семінарі "Моделювання в прикладних наукових дослідженнях" (Одеса, 2001) а також на засіданні наукового семінару кафедри нафтогазового і хімічного машинобудування Одеського державного політехнічного університету (Одеса, 2000).

Публікації. Результати дисертації викладені в 10 публікаціях, у тому числі – 4 статтях в журналах та в 6 матеріалах конференцій.

Структура дисертації. Дисертація складається із вступу, чотирьох розділів, чотирьох додатків. Обсяг дисертації – 150 стор., додатків – 64 стор. Дисертація містить 38 рисунків, 9 таблиць та посилання до 172 літературних джерел.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступi наведена загальна характеристика роботи, яка підкреслює її актуальність, відповідність державним науковим програмам, наукову новизну та практичне значення; визначено об'єкт та предмет дослідження, сформульовані його мета та задачі.

У першому розділі у результаті огляду літературних джерел встановлено, що основним математичним методом моделювання СРТС з метою прогнозування їхнього ЖЦ для застосувань проектування і управління є системний аналіз. Проаналізовані СРТС мають комплекс внутрішніх, а також зовнішніх умов функціонування, що дозволяє залучати для їхнього моделювання математичний апарат імовірнісних автоматів. При цьому основним методом обробки інформації про функціонування таких систем є імітаційне моделювання. Для опису СРТС існують методи, які розглядають систему після відновлення як об'єкт із новою структурою, відображеною від початкової з деякою імовірністю відтворення попередніх характеристик. На жаль, математичний апарат для адекватного моделювання ЖЦ спільноти таких систем розроблений недостатньо.

Розвиток ушкодження складних систем – багаточинниковий процес. Особі, яка проектує такі системи або управляє ними, важко вибрати з множини вимірюваних чинників реально доступну для моделювання підмножину головних чинників, на оптимізацію яких в умовах обмеженого часу і ресурсів варто звернути увагу в першу чергу. Такий вибір ускладнюється тим, що його доводиться здійснювати в умовах браку інформації, одержуваної від різнорідних об'єктів, що знаходяться в різних експлуатаційних умовах. Відновлюваність систем, яка базується на об'єктивних і суб'єктивних рішеннях, є обставиною, що різко підсилює стохастичність і знижує якість прогнозування, без якого ефективне управління стає неможливим.

Потужним інструментом прогнозування життєдіяльності складних систем став за останні роки метод моделювання за допомогою нейронних мереж. У випадку застосування цього методу до класу об'єктів, що розглядається, перед дослідником постають такі проблеми: надто велика “довжина” ЖЦ СРТС, одночасна наявність у спільноті СРТС індивідуумів із різними термінами експлуатації, репрезентативність навчальних вибірок, зміна конструкції СРТС під час накопичення ушкоджень та регенерації, а також врахування випадкових впливів на СРТС з боку оточуючого середовища.

З урахуванням перелічених проблем сформульовані задачі дослідження.

У другому розділі розглянуті методики збирання та первинної обробки потоку даних про стан спільноти СРТС у випробуваннях та експлуатації. Запропонована методика автоматичної класифікації, яка дозволяє підвищувати репрезентативність вибірки спостережень в умовах короткого ряду динаміки.

Запропоновано методику зниження розмірності чинникового простору при первинній обробці інформації шляхом виявлення та виключення особливих СРТС і заміни декількох кількісних чинників одним якісним на основі експертних оцінок.

Показники ЖЦ СРТС є функціями часу. У роботі реалізований комплекс регресійних моделей, які використовують часову залежність. Вибір моделі, яка з найбільшим ступенем адекватності апроксимує реальну зміну показників, здійснювали автоматично, на основі критерію мінімальної середньоквадратичної помилки і максимуму дисперсії.

Прогнозування розвитку об'єкта управління наштовхується на ряд складностей, обумовлених багатоцільовим характером функціонування спільноти СРТС: різна сила впливу на розвиток об'єкта складових техніко-організаційного рівня експлуатації і труднощі оцінки значущості обраного напрямку по групі різнорідних показників. Для усунення зазначених проблем і виявлення значущості схованих від безпосереднього спостереження чинників, їхнього ув'язування з техніко-економічними показниками використовували методи аналізу часових рядів спостережень системи показників ЖЦ СРТС.

Для реалізації методів запропоновані такі процедури:–

визначення й обґрунтування техніко-економічних показників, що складають систему оцінки ефективності функціонування технічних систем;–

дослідження взаємозв'язку елементів СРТС і виявлення чинників, що визначають рівень стану СРТС;–

порівняння прогнозних значень показників c їхніми плановими значеннями та визначення напрямків розвитку.

Запропонований підхід, який дозволяє оцінити значущість чинників, що фактично існують при експлуатації СРТС, і виділити головні чинники, які враховуються для підвищення ефективності ЖЦ СРТС. У роботі використовується процедура визначення навчальної вибірки, що застосовується для перевірки прогностичних властивостей моделі, модифікована введенням третьої точки, яка відповідає плановому значенню того чи іншого показника. Оскільки в даному випадку наявні лише значення показників на момент прогнозу, то нормування відхилень проводили не на величину планового значення показника, а на величину абсолютного приросту фактичного значення показника за останній період (ітерацію моделювання). Таке нормування підвищує значущість відхилень для показників з тенденцією до повільної зміни.

Після проведення всіх обчислювальних процедур одержували для виділених чинників три набори оцінок їхньої значимості.

Перший набір оцінок, який базується на відхиленнях фактичних значень показників від прогнозних, визначає, за рахунок яких чинників у першу чергу відбувалося ушкодження СРТС на останній ітерації. Це – чинники фактичного розвитку СРТС.

В другому наборі оцінок, який базується на відхиленні планових значень від фактичних, найбільше значення оцінок відповідає чинникам, яким приділялося мало уваги, недостатній розвиток яких не дозволив досягти планових очікувань. Такі чинники є неврахованими чинниками розвитку.

Третій набір оцінок базується на відхиленнях планових значень показників від прогнозних. Він визначає, які чинники варто було б розвивати, щоб досягти планових очікувань у існуючих умовах експлуатації СРТС. Ці оцінки фактично визначають пріоритетні шляхи розвитку.

У третьому розділі розглянуто спільноту з S однакових за конструкцією СРТС, які функціонують різний термін і в різних умовах. У загальному випадку ЖЦ кожної окремої СРТС складається з проектування системи, її виготовлення, налагодження і експлуатації до списання. Оскільки розглядаються однакові за конструкцією СРТС, їхнє проектування є загальним для кожної конкретної системи і з порівняльного розгляду ЖЦ може бути виключено. Індивідуальні особливості СРТС починають накопичуватися при їхньому виготовленні. Тому за початок першого ЖЦ конкретної s-ї системи (s = ) приймали відлік часу ?пs, що відповідає початку її виготовлення. Кінцева точка ЖЦ – ?кs відповідає часу прийняття рішення про відмову СРТС та її ремонт або списання (рис. 1).

Тут треба звернути увагу на те, що ЖЦ в запропонованій постановці

Рис. 1. Схема розбиття загального терміну експлуатації СРТС

на життєві цикли та їх ітерації.

істотно відрізняється від терміну експлуатації СРТС до списання. Після ремонту починається новий ЖЦ “нової” СРТС. Залишається визначити, наскільки відкидає “назад” систему кожний ремонт. Чим більше ремонтів зазнає система, тим більше відрізняється за часом або іншим ресурсним параметром (наприклад, пробігом у км) загальний термін експлуатації від окремих складових ЖЦ.

Таким чином, загальна тривалість ЖЦ дорівнює ?кs – фпs і, у загальному випадку, для кожної СРТС різна. Вона визначається не тільки конструкцією системи, але і якістю її виготовлення та умовами експлуатації.

Оскільки в реальній практиці ушкодження, які не призводять до миттєвої відмови конструкції, фіксують після деякого скінченного терміну експлуатації, при моделюванні кожного ЖЦ останній розбивали на окремі ресурсні ділянки, “довжина” яких відповідала реальним значенням терміну технічного обслуговування конкретної системи. При такому підході вважали, що усі пошкодження відбуваються в СРТС тільки на межах ітерацій, а при переході від ітерації до ітерації одержуємо “нову” СРТС, яку строго теоретично вже не можна зараховувати до ряду початкових однакових СРТС: початкова система “зникає”, а на її місці з'являється нова, що має нові експлуатаційні характеристики або “внутрішні” параметри, які відбивають її поточний технічний стан.

Це створює суттєві перешкоди на шляху нейросіткового моделювання ЖЦ навіть окремих СРТС, бо після навчання мережі вектор початкової інформації для подальшого прогнозування повинен належати деякому діапазону значень параметрів.

Хай вхідний вектор навчальних вибірок для нейронної мережі Х складається не тільки із “зовнішніх” чинників, які відбивають умови функціонування СРТС ХЗ, але також і із набору “внутрішніх” параметрів ХВ, що пов'язані із конкретним станом самої СРТС:

.

На виході мережі створюється вектор відгуку Y, розмірність та зміст якого повністю відповідають розмірності та змісту “внутрішньої” частини вектора Х, тобто ХВ. На архітектурі нейронної мережі ця обставина відбивається таким чином: мережа містить зворотній зв'язок (рис. 2) від Y до ХВ.

Рис. 2. Схема нейронної мережі із зворотнім зв'язком по Y. Але між ними не можна поставити знак рівності (Y № ХВ), оскільки вони відносяться до різних ітерацій моделювання ЖЦ: Y завершує попередню ітерацію, а ХВ “відкриває” наступну, тобто: Yi-1 = ХВ,1, де i – номер ітерації; i О (1, N). На початку моделювання (i = 1) вектор ХВ відповідає стану нової системи ХВ,1, яка ще не була в експлуатації, а навчальні вибірки одержують з інформації, яка надходить з полігону або з місць роботи нових СРТС. Таким чином, навчальна вибірка на першій ітерації ЖЦ має вигляд <{ХЗ,1; ХВ,1}> <Y1>, на другій – <{ХЗ,2; Y1}> <Y2>, або в загальному вигляді <{ХЗ,i; Yi–1}> <Yi>. Як витікає з цих виразів, після кожної ітерації нейронна мережа піддається “вибиванню” із стану, в якому вона знаходилася після навчання на попередній ітерації, та перенавчанню під нові вибірки.

Такий підхід має головний недолік, який не дозволяє використовувати його для моделювання спільноти систем із довгим ЖЦ та таких, як починають працювати неодночасно, тобто початки ЖЦ яких не співпадають: після кожного перенавчання модель “забуває” дані попередній ітерацій і вже не може використовуватися для прогнозування стану СРТС на цих етапах.

Тому в роботі запропонована модель у вигляді “надмережі”, у якій кожній ітерації відповідає своя мережа, а передача інформації Yi-1 ® ХВ,i відбувається не зворотнім зв'язком, а зв'язком між мережами, які моделюють послідовні ітерації (рис. 3). Як видно з рисунку, у цьому випадку кожна нейронна мережа зберігає набуту під час навчання інформацію і може донавчатися по даних, які постійно надходять від різних СРТС з місць їх експлуатації.

Рис. 3. Схема нейронної надмережі.

Надмережа працює таким чином.

1. Вибирається представник спільноти СРТС і виконуються прискорені полігонні випробування його ЖЦ до першої відмови. Випробування дають дані про зовнішні впливи на ітераціях моделювання: ХЗ,1, ХЗ,2, ХЗ,3, … , ХЗ,N та пошкодження, які відбувалися на цих ітераціях: Y1, Y2, Y3, … , YN.

2. Визначається початковий внутрішній стан СРТС – ХВ,1.

3. Виконується навчання першої мережі за навчальною вибіркою <Х1{ХЗ,1; ХВ,1}> <Y1>, потім другої – за навчальною вибіркою <Х2{ХЗ,2; Y1}> <Y2> і так далі до N-ї мережі – за навчальною вибіркою <ХN{ХЗ,N; YN-1}> <YN>.

4. Від будь-якого СРТС даного типу одержується інформація про внутрішній та зовнішній стани на ітераціях з 1-ї до К-ї (К < N). Ця інформація використовується для донавчання, відповідно, з 1-ї до К-ї мереж.

5. В обмін на цю інформацію виконується прогнозування подальшого розвитку ЖЦ системи на інших – з (К+1)-ї до N-ї мережі.

Якщо значення К будь-якої конкретної СРТС дорівнює нулю, то прогноз для цієї системи здійснюється виключно на підставі інформації про роботу інших систем. Якщо К > 0, в прогнозі приймає участь і інформація про власні попередні етапи ЖЦ цієї СРТС.

У четвертому розділі на підставі викладеного вище підходу до моделювання ЖЦ спільноти СРТС запропоновано побудову АСУ експлуатацією такої спільноти (рис. 4). Економічна доцільність функціонування такої АСУ випливає з переліку послуг, які може надати деякий "центр" – користувач АСУ "клієнтам". Під "клієнтом" розуміється власник однієї чи декількох однотипних СРТС, який здійснює їхню експлуатацію, технічне обслуговування, а також організовує та оплачує ремонт. У цих умовах "клієнт" економічно зацікавлений у підвищенні надійності СРТС, що знаходяться в його веденні, а отже, в одержанні від "центру" інформації, яка прогнозує з деякою часткою імовірності можливі ушкодження і відмови його СРТС.

За цю інформацію, крім оплати послуг, "клієнт" зобов'язується при первинному звертанні до "центру" і в наступних спілкуваннях повідомляти про всі зовнішні та внутрішні умови експлуатації та ремонту його СРТС погоджений із "центром" обсяг інформації за встановленою єдиною формою.

"Центр", одержуючи інформацію від мережі клієнтів, організовує її статистичну обробку, а також додаткові дослідження об'єкта (якщо це потрібно). До таких досліджень відносяться, насамперед, розрахунки характеристик об'єкта (наприклад, міцнісний розрахунок), стендові випробування вибіркового представника об'єкта (чи його макета) у статиці і (або) динаміці, а також спеціальні прискорені полігонні випробування вибіркового представника.

Для здійснення цих досліджень "клієнти" надають "центру" на взаємно погоджених умовах необхідну кількість об'єктів (які після стендових і полігонних випробувань, як правило, списуються), а "центр" створює спеціальні служби математичного моделювання і розрахунків, фізичного моделювання, а також будує полігон та виконує прискорені випробування представників СРТС. Збирання інформації від "клієнтів" може бути організоване на основі комп'ютерної мережі, телефонного або поштового зв'язку.

За результатами прискорених полігонних випробувань об'єкта після попередньої статистичної обробки даних виділяється кінцева кількість внутрішніх чинників – місць ушкоджень, що враховуються моделлю "центру". При цьому

Рис. 4. Структура автоматизованої системи управління.

імовірність виникнення ушкодження якого-небудь іншого типу протягом усього ЖЦ СРТС вважається рівною нулю. Далі, теж після відповідної статистичної обробки, визначаються зовнішні умови експлуатації, які узагальнюються у перелік зовнішніх чинників, що враховуватимуться моделлю.

Створюється нейронна надмережа, яка навчається і використовується згідно наведеного вище алгоритму. Кількість елементарних нейросіток надмережі визначається в залежності від конкретної СРТС та умов її експлуатації.

Практичне застосування розробленої АСУ було здійснене на прикладі типової СРТС – автомобільного напівпричепа моделі ОдАЗ-93571. Була розглянута головна несуча частина напівпричепа – зварена рама, яка піддається різним механічним діям під час експлуатації, що призводять до її ушкодження.

Якщо розглядати кожне ушкодження як дискретну подію, то можна стверджувати, що після її настання ми маємо справу вже з іншою СРТС, – змінилися внутрішні фактори її експлуатації. Тому загальний плановий ресурс напівпричепа до першого ремонту – 50.000 км розподіляли на п'ять ресурсних ітерацій по 10.000 км у кожній. Вважаючи, що усі пошкодження відбуваються у рамі тільки наприкінці кожної ітерації, отримували, відповідно, п'ять окремих напівпричепів із різним внутрішнім станом.

Для моделювання ЖЦ напівпричепа протягом планового ресурсу була створена надмодель із п'яти елементарних чотирьохшарових нейросіткових моделей, кожна з яких моделювала стан напівпричепа протягом однієї ітерації і мала структуру 5 – 20 – 12 – 1 (рис. 5).

На виході третього шару концентрувалася інформація про стан окремих внутрішніх факторів, а на виході четвертого – про придатність до експлуатації всієї системи в цілому.

Перші три шари мережі складаються, таким чином, з 37 нейронів, які реалізують сігмоїдну функцію активації. Четвертий шар нейронної мережі складається з одного нейрона, що реалізує порогову функцію активації , де wi – ваги відповідних місць ушкоджень в придатності всієї системи до подальшої експлуатації (R=0) або у відмові (R=1); b – коефіцієнт зміщення.

Усі безперервні вхідні та вихідні змінні віднормовані в межах припустимих змін. Дискретні змінні представляли собою або умовні бали, обчислені по стандартних для галузі методиках, або степінь ушкодження того чи іншого вузла, обчислений за наступним алгоритмом: 0 – ушкодження немає; 1 – існує тріщина до 25 % характерного розміру елемента конструкції; 2 – до 50 %; 3 – до 75 %; 4 – елемент цілком зруйнувався.

Після попередньої статистичної обробки загальний чинниковий простір був обмежений 25 головними чинниками. При цьому 12 параметрів представляли значення зовнішніх чинників експлуатації автотранспортного засобу, 12 – внутрішніх технічних чинників стану конструкції. У роботі автотранспортних засобів мають також велике значення випадкові процеси, наприклад, наїзди на відносно невеликі перешкоди, падіння вантажу при навантаженні, тощо. Тому стохастичний чинник має в експлуатації таких СРТС значну вагу. Для його моделювання в перелік вхідних сигналів першого шару нейронів введений додатковий вхід – х25, постійно з'єднаний з генератором випадкових чисел (рис. 5).

До групи головних зовнішніх чинників, що відбивають умови, створювані під час експлуатації кожного конкретного напівпричепа, увійшли:

х1 – час с початку експлуатації, міс;

х2 – коефіцієнт використання вантажопідіймальності;

х3 – коефіцієнт використання пробігу;

х4 – пробіг, км;

х5 – кваліфікація водія, бал;

х6 – відповідність застосовуваних технологічних рідин, бал;

Рис. 5. Схема архітектури нейронної мережі.

х7 – якість ТО і ПР, бал;

х8 – категорія умов експлуатації, бал;

х9 – природно-кліматичні умови, бал;

х10 – середня швидкість руху, км/год;

х11 – змінність роботи;

х12 – категорія стану дороги, бал.

До групи головних внутрішніх чинників, що складається з дванадцяти місць можливих ушкоджень, стан яких визначає працездатність напівпричепа в цілому, увійшли:

y1; х13 – ушкодження вузла “11-я права поперечка/обв'язка”, бал;

y2; х14 – ушкодження вузла “16-я права поперечка/обв'язка”, бал;

y3; х15 – ушкодження вузла “2-я середня поперечка/правий лонжерон”, бал;

y4; х16 – ушкодження вузла “3-я середня поперечка/правий лонжерон”, бал;

y5; х17 – ушкодження вузла “Передня поперечка/правий косинець”, бал;

y6; х18 – ушкодження вузла “Задня поперечка/правий косинець”, бал;

y7; х19 – ушкодження вузла “Задня поперечка/лівий косинець”, бал;

y8; х20 – ушкодження вузла “7-я середня поперечка/лівий лонжерон”, бал;

y9; х21 – ушкодження вузла “7-я ліва поперечка/лонжерон”, бал;

y10; х22 – ушкодження вузла “7-я ліва поперечка/обв'язка”, бал;

y11; х23 – ушкодження вузла “8-я ліва поперечка/обв'язка”, бал;

y12; х24 – ушкодження вузла “Обв'язка ліва біля 8-ї поперечки”, бал.

Настроювання параметрів мережі на кожній часовій ітерації робили по навчальних вибірках, отриманих при статичних і полігонних випробуваннях, а також за даними, що надходять по договорах від “клієнтів” з місць реальної практичної експлуатації автотранспортних засобів даного виду. Функція помилки являє собою метрику, яка чисельно визначає подібність між усіма парами навчальної вибірки: векторів вихідних сигналів третього шару мережі і відповідних практичних результатів.

Ваги сінапсів нейрона четвертого шару визначаються при навчанні мережі або обчислюються на підставі статистичної обробки параметрів багатьох подій відмови аналогічних систем із таких міркувань. У складних системах множина внутрішніх чинників неоднорідна. Кожен чинник має свій термін безвідмовного функціонування в системі. Якщо є інформація про час безвідмовної роботи M місць враховуємих пошкоджень у вигляді послідовності ?i (i = 1; 2; …; M), то можна побудувати реалізацію потоку подій Ai, що настають у моменти . Кількість подій за одиницю часу дорівнює , що призводить до визначення поняття щільності потоку подій .

Хай m – номер місця пошкодження. Тоді множина щільностей потоків {?m} характеризує можливості безвідмовної роботи системи.

Позначимо ?t – кількість подій на інтервалі часу (0, t) і визначимо імовірність Pk(t) = P(?t = k). Якщо додатково зажадати виконання двох умов: P(?t < ?) = 1 для будь-якого t ? 0; існують t1 і t2 такі, щото можна визначити пуасонівський потік з ймовірностями:

.

У рамках теорії пуасонівських потоків інтервали часу між двома сусідніми подіями є незалежними випадковими величинами, які мають показову функцію розподілу. Звідси випливає ймовірність безвідмовності системи за час t:

де n – номер чинника; ?n – параметр пуасонівського потоку; s – загальна кількість чинників. Щільності потоків подій ?ik, що переводять систему в новий стан, визначаються величиною, зворотної середнього часу перебування системи в i-му стані. Система диференціальних рівнянь і початкових умов має вигляд:

Нехай Pij(t) – ймовірність перебування в i-му стані j-го чинника. Розв'язавши систему для всіх чинників, одержимо ряд P2j(t) (j = 1; 2; …; s) ймовірностей потоку відмов відповідних місць пошкоджень. Існує така кількість m місць, що підлягають ремонту, при якому система вже не є працездатною. Ймовірність відмови СРТС визначається рівнянням:

де ? – номер сполучення з n елементів по m.

Звідси випливає ймовірність доцільності ремонту системи: P(t) = 1 – R(t).

По результатах розрахунків будується залежність ймовірності відмови системи від нормованого показника ресурсу (рис. 6). На графіку проводиться

Рис. 6. Результат розрахунку ймовірності відмови системи.

діагональ, точка перетину її з кривою ймовірності визначає вертикаль, яка поділяє ресурс на дві зони: ліворуч розташована зона, де відмова системи ніколи не відбудеться, а праворуч – неодмінно відбудеться. Підставляючи значення порогового ресурсу (0,24 на рис. 6) до графіків ймовірностей пошкодження окремих місць, одержимо значення цих ймовірностей, а отже значення ваг відповідних сінапсів четвертого нейронного шару мережі.

Виробничі випробування матеріалів, розроблених у дисертації, показали наступні результати. В Одеському транспортно-виробничому об'єднанні "Одесавтотранс", Одеському інституті-полігоні мобільної техніки "ІНПОМТ" і на Оманському заводі алюмінієвих виробів (Йорданія) були проведені випробування, розробленої в дисертації системи управління життєвим циклом СРТС. Встановлено, що застосування АСУ за рахунок статистичної обробки результатів випробувань, виявлення головних чинників, які впливають на технічний стан всіх об'єктів випробувань, своєчасного врахування зміни цих чинників, і заснованого на цьому прогнозування і попередження поточних ушкоджень дозволило знизити кількість ушкоджень на 28 %, підвищити середній ресурс на 12 %, на 25 – 30 % знизити експлуатаційні простої.

ЗАГАЛЬНІ ВИСНОВКИ

1. Аналізом літературних джерел встановлено, що імітаційне моделювання параметрів експлуатації спільноти СРТС стикається з труднощами, які пов'язані, в першу чергу, із дуалізмом сприйняття зовнішніх чинників: детермінованою складовою, обумовленою конструкцією системи, і великою кількістю стохастичних параметрів експлуатації, а також суб'єктивністю в прийнятті рішень. Крім того, відновлення СРТС після відмови саме по собі є подією, малопередбачуваною за терміном та якістю.

2. Аналіз застосування для прогнозування технічного стану спільноти СРТС нейронних мереж виявив напрямки досліджень, для поширення можливостей нейросіткових моделей на моделювання систем, які відновлюються, та на забезпечення цих моделей репрезентативними вибірками для навчання.

3. Пропозиція побудови архітектури моделі у вигляді нейросіткової надмережі, яка містить окремі, послідовно з'єднані елементарні мережі, дозволила здійснювати моделювання окремих ітерацій життєвого циклу СРТС із передачею даних про технічний стан системи від мережі до мережі, що в сукупності з інформацією, яка надходить від користувачів конкретних СРТС, дозволяє виконувати перенавчання елементарних мереж з метою підвищення адекватності моделі.

4. Запропонований метод розрахунку технічного стану СРТС після ремонту дозволяє поділити загальний час експлуатації системи на окремі життєві цикли “від ремонту до ремонту”, що суттєво спрощує моделювання за допомогою нейронних мереж.

5. Розроблено структуру і дано економічне обґрунтування функціонування АСУ у вигляді сервісного "центру" по обслуговуванню групи "клієнтів", які експлуатують спільноту однотипних об'єктів. "Центр" здійснює обробку інформації, що надходить від "клієнтів", які експлуатують СРТС у різноманітних господарських і регіональних умовах, організовує власні полігонні випробування таких СРТС, інші методи моделювання її техніко-економічних характеристик. Створена на базі надмережевих структур автоматизована система управління експлуатацією спільноти СРТС надає можливість своїм “клієнтам” отримувати прогноз технічного стану окремих систем, які знаходяться в експлуатації, на базі інформації, що надходить з місць випробувань та роботи усіх СРТС спільноти і використовується для навчання нейронної мережі.

6. При побудові архітектури елементарної нейронної мережі для визначення кількості входів нейронів першого шару та кількості нейронів останнього шару залучено попередній статистичний аналіз інформації, яка одержується при полігонних випробуваннях представника спільноти СРТС з метою виявлення головних чинників зміни стану системи та підвищення їх репрезентативності. Для оцінки значимості виділених чинників використовували три види відхилень значень показників: відхилення фактичного значення показника від прогнозного, відхилення планового значення показника від фактичного і відхилення планового значення показника від прогнозного. При вирішенні питання про вибір чинників розвитку ЖЦ СРТС, які враховуються, віддавали перевагу тим напрямкам, які характеризуються максимальними значеннями чинників.

7. Практичне застосування розробленої АСУ було здійснене на прикладі типової СРТС – автомобільного напівпричепа моделі ОдАЗ–93571. Аналізом результатів полігонних випробувань визначені головні зовнішні та внутрішні чинники зміни технічного стану напівпричепу під час експлуатації: 12 параметрів, які характеризують зовнішні умови роботи системи та 12 – безпосередньо її технічний стан. У якості останніх були використані умовні бали, що характеризують розвиток пошкодження в тому або іншому вузлі конструкції СРТС від початкового стану до повного руйнування.

8. Для прогнозування зміни технічного стану рами протягом ітерації життєвого циклу напівпричепа була створена чотирьохшарова нейронна сітка із структурою 5–20–12–1 із 25 входами, 12 виходами після третього шару і одним – після четвертого. Із 25 входів 12 – є параметрами зовнішніх чинників пошкодження рами, 12 – внутрішніх, тобто безпосередньо місць пошкодження, а 1 – “випадковий” параметр, з'єднаний із генератором випадкових чисел.

9. Четвертий шар нейронної мережі, який складається з одного нейрона, призначений для прийняття рішення про відмову системи, тобто про її непридатність до подальшої експлуатації. Функція активації цього нейрона, на відміну від усіх інших, має пороговий вигляд: 0 або 1, а ваги сінапсів визначаються при навчанні мережі або обчислюються на підставі статистичної обробки параметрів багатьох подій відмови аналогічних систем.

10. В Одеському транспортно-виробничому об'єднанні "Одесавтотранс", Одеському інституті-полігоні мобільної техніки "ІНПОМТ" і на Оманському заводі алюмінієвих виробів (Йорданія) були проведені випробування, розробленої в дисертації автоматизованої системи управління життєвим циклом СРТС. Встановлено, що застосування АСУ за рахунок статистичної обробки результатів випробувань, виявлення головних чинників, які впливають на технічний стан всіх об'єктів випробувань, своєчасного врахування зміни цих чинників, і заснованого на цьому прогнозування і попередження поточних ушкоджень дозволило знизити кількість ушкоджень на 28 %, підвищити середній ресурс на 12 %, на 25 – 30 % знизити експлуатаційні простої. Результати роботи рекомендовані для впровадження на підприємствах України та Йорданії.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Кубликов В.К., Халиль Ягхи. Выделение технико-организационных факторов развития сложных производственных систем // Труды Одес. политехн. ун-та. – Одесса. – 1999. – Вып. 3. – С. 155 – 161.

2. Кубликов В.К., Халиль Ягхи. Обеспечение репрезентативности выборки наблюдений в условиях короткого ряда динамики // Труды Одес. политехн. ун-та. – Одесса. – 2000. – Вып. 2. – С. 115 – 124.

3. Балан С.А., Становский А.Л., Халиль Ягхи. Статистические методы прогнозирования жизненного цикла сложных восстанавливаемых технических систем // Труды Одес. политехн. ун-та. – Одесса. – 2000. – Вып. 3. – С. 95 – 98.

4. Ягхи Халиль. Определение путей приоритетного развития сложных производственных систем // Перспективы. – 1999. – № 3 – 4 (7 – 8). – С. 83 – 88.

5. Халиль Ягхи. Технология анализа развития сложных производственных систем // Труды научно-практической конференции "Оптимизация управления, информационные системы и компьютерные технологии". – Вып. 1. – Ч. 1. – К.-Одесса: УАЭК, 1999. – С. 133 – 136.

6. Выявление особенных восстанавливаемых технических систем / А.Л. Становский, С.А. Балан, Халиль Ягхи, О.О. Доброхлеб // Труды VIII семинара "Моделирование в прикладных научных исследованиях". – Одесса: ОГПУ, 2001. – С. 13 – 15.

7. Об одном методе снижения размерности факторного пространства / А.Л. Становский, С.А. Балан, Халиль Ягхи, О.О. Доброхлеб // Труды VIII семинара "Моделирование в прикладных научных исследованиях". – Одесса: ОГПУ, 2001. – С. 15.

8. Становский А.Л., Балан С.А., Ягхи Халиль. Моделирование жизненного цикла сложных восстанавливаемых технических систем // Труды VIII семинара "Моделирование в прикладных научных исследованиях". – Одесса: ОГПУ, 2001. – С. 8 – 11.

9. Балан С.А., Гамолич В.Я., Ягхи Халиль. Факторный анализ состояния сложных технических систем // Труды VIII семинара "Моделирование в прикладных научных исследованиях". – Одесса: ОГПУ, 2001. – С. 12.

10. Моделирование повреждений в сложных технических системах с помощью нейронных сетей / С.А. Балан, А.Г. Онищенко, А.Л. Становский, Халиль Ягхи // Труды VIII семинара "Моделирование в прикладных научных исследованиях". – Одесса: ОГПУ, 2001. – С. 20 – 25.

ЯГХІ Кхаліл Абдельхамід Ахмед. Автоматизована система управління експлуатацією складних регенеруючих технічних систем. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – Автоматизовані системи управління та прогресивні інформаційні технології. – Одеський державний політехнічний університет, Одеса, 2001.

Дисертація присвячена розробці інформаційних засад управління експлуатацією спільноти складних регенеруючих технічних систем (СРТС). Розроблено архітектуру та методику навчання нейронної надмережі прогнозування розвитку життєвого циклу спільноти СРТС. Розроблено автоматизовану систему управління експлуатацією автотранспортних засобів на основі нейронної моделі прогнозування ушкоджень. Розроблені методики, алгоритми і програми для підвищення репрезентативності початкової інформації про життєдіяльність спільноти СРТС шляхом зменшення розмірності чинникового простору з метою виділення переважаючих техніко-організаційних чинників розвитку таких систем та перетворення їх у добірку адекватних вибірок для навчання нейронної надмережі. Розроблені методика, алгоритми і програми для визначення належності окремої СРТС після регенерації до відповідної ресурсної ітерації життєвого циклу. Застосування зазначеної системи дозволило підвищити надійність автомобільного транспорту.

Ключові слова: спільнота складних систем, життєвий цикл, регенерація, чинниковий аналіз, нейронна надмережа, навчальна вибірка, граф станів.

YAGHI Khalil Abdelhamid Ahmed. The automatic control system of operation of complex recycling technical systems. – Manuscript.

The dissertation seeking a scientific degree of the candidate of technical science in speciality 05.13.06 – Automatic control systems and progressive information technologies. – Odessa state polytechnic university, Odessa, 2001.

The dissertation is devoted