Добавил:
Upload Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз: Предмет: Файл:
Рабочая ТПИ Часть 1word2003.doc
Скачиваний:
3
Добавлен:
01.05.2025
Размер:
9 Мб
Скачать
☆

2.7 Прогнозирование технического состояния телеметрических систем

В настоящее время процесс технологического обслуживания систем телеметрии в основном реализован на принципе выработки их возможного «ресурса». Учитывая это, автоматический контроль и диагностирование указанных устройств сведены к решению задачи диагноза, т.е. контроля состояния их отдельных устройств в данный момент времени.

Однако в силу разной квалификации обслуживающего персонала и перспектив совершенствования процесса технологического обслуживания особый практический интерес представляет решение задачи прогноза, т.е. прогнозирования возможного технического состояния устройств в будущем. Такое прогнозирование, очевидно, позволит перейти к новому, более прогрессивному и рациональному принципу эксплуатации – эксплуатации устройств и систем по техническому состоянию, определяемому в результате диагностирования. При этом появляется возможность объективного анализа профилактических периодов и работоспособности на требуемый период времени.

Опыт эксплуатации микропроцессорных систем для измерений [2] указывает на возможность дальнейшего совершенствования в этом направлении процесса технического обслуживания.

Главной задачей прогнозирования является оценка работоспособности устройств и систем в будущем. Оно может осуществляться по нескольким известным алгоритмам, основные из которых – это алгоритмы экстраполяции и статистической классификации [19].

Их непосредственное использование при диагностировании несколько затруднено из-за сложности последующей классификации отказов на опасные и неопасные, а значит и в определении срочности устранения отказов по времени. Учитывая это, представляется целесообразным разработка их частного случая, суть которого заключается в следующем.

При использовании алгоритмов экстраполяции состояние устройств и систем может быть представлено в виде многомерной векторной функции

где – дискретная или непрерывная функция в период времени известной области Tизв В этом случае можно определить значения функции , ,…, ,… соответственно в моменты времени , ,…, … (рисунок 2.2).

Затем с помощью модели прогнозирования по известным значениям необходимо определить значения функции , в будущие моменты времени ,…,

В результате этого могут быть получены следующие статистические характеристики:

− моменты времени предотказного состояния систем;

− моменты времени отказа систем;

− состояния систем в будущие периоды времени.

Оценивая по заранее известному критерию опасности Qo состояние систем в будущие периоды времени [14], можно определить категорию возможного отказа - опасный или неопасный, а затем наметить своевременные мероприятия для его исключения. Для возможных отказов могут определяться такие наиболее важные параметры, как среднее время и вероятность критического изменения параметров систем в целом и их отдельных узлов и элементов.

При использовании частных алгоритмов статистической классификации в первоначальный момент времени или в ограниченный его период могут определяться значения параметров контролируемого устройства или системы , ,…, ,…, как координат функции

T об Tоб Tоб Tоб Tоб Tоб Tоб Tоб Tоб Tоб Tоб Tоб Tоб

xmax

x0

tоб1

x (t 1)

tоб2

x

tоб3

2 x (t 3)

tоб4

x (t4)

tоб5

x (t 5)

tоб6

x (t 6)

tоб…

tоб…

tобn

tобn+1

tобn+2

tобn+3

tобn+4

x (t.. )

x (t.. )

x (t n)

x

n+1

xотказ

ПРЕДОТКАЗНОЕ СОСТОЯНИЕ

x

n+2

x

n+3

x

n+4

ОТКАЗ

t0 t1

t2 t3

t4 t5

t6 t… t… t n

t n+1

t n+2 преtотказ

t

отказ

tn+j t

Tизв

T будущ

Рисунок 2.2 - Зависимость многомерной функции состояний устройств и систем от прошлого и будущего периодов эксплуатации

Рисунок 2.2 - Зависимость многомерной функции состояний устройств и систем от прошлого и будущего периодов эксплуатации.

Затем, используя модель прогнозирования совокупности параметров , и координат вектора определяют, в каком из известных заранее классе состояний S находится система в данный момент времени: , ,…, ,…, в любой момент времени, определяется предотказное состояние пред S и время его возможного возникновения. При этом не представляет особой сложности и определение момента времени возникновения отказа и его категории.

Анализ рассмотренных частных алгоритмов экстраполяции и статистической классификации свидетельствует об их различиях при решении задачи прогнозирования, которые заключаются в следующем.

При использовании частных алгоритмов экстраполяции необходимо первоначальное представление состояния в виде многомерной векторной функции, а при частных алгоритмах статистической классификации - значения параметров контролируемой системы, как координаты функции ее состояния.

Очевидно, что алгоритмы экстраполяции являются наиболее простыми при практической реализации, так как заранее известны нормативные значения всех схемных узлов и блоков, а также несложно их представление в виде многомерной функции. Однако при использовании частных алгоритмов экстраполяции требуется определение не только состояния систем, но и их классов, что является довольно непростой задачей. В то же время, это позволит непосредственно оценивать категорию отказа и время его возможного возникновения с достаточно высокой вероятностью.

Известно, что любые временные процессы состояния устройств и систем носят случайный характер. Такие случайные процессы в большинстве случаев имеют несколько составляющих, изменения которых в отдельные периоды времени влияют на формальное описание процессов функционирования систем, являющееся основным при прогнозировании.

Изменение технического состояния устройств, как известно, происходит из-за старения и деградации, приводящих к неисправностям и отказам. По характеру протекания процессы деградации подразделяются на две группы.

К первой группе относятся процессы, вызывающие внезапное или катастрофическое изменение технического состояния систем вследствие резкого изменения физических параметров элементов.

Ко второй группе относятся процессы, приводящие к постепенному изменению физических параметров элементов. Постепенные деградационные процессы параметров устройств с течением времени накапливаются, а затем вызывают прекращение работоспособности этих устройств.

В общем случае процесс изменения состояния систем можно представить в виде:

где – векторная составляющая, характеризующая необратимые процессы;

– векторная составляющая, характеризующая обратимые процессы;

– векторная погрешность измерения составляющей, характеризующей необратимые процессы;

– векторная погрешность измерения составляющей, характеризующей необратимые процессы. Составляющая в большей мере определяет детерминированную часть изменения состояния устройств и систем, а характеризует его стохастическую часть.

Указанные составляющие в зависимости от периода года имеют сезонные колебания. Если обозначить и , то процесс изменения состояния элементов можно представить в виде:

. (5)

Если , то в этом случае наблюдается процесс постепенного изменения технического состояния СЖА.

При этом очевидно, что чем больше указанное неравенство, тем ближе процесс изменения приближается к детерминированному, характеризующему постепенные отказы.

Деградационные процессы в системах могут быть самыми разнообразными и, прежде всего, детерминированными.

Детерминированными считаются процессы, у которых математическое ожидание В этом случае, очевидно, значительно облегчается прогнозирование состояния систем и возможно получение результатов прогноза с большой точностью.

Несмотря на принципиальное отличие решения задачи прогнозирования с помощью рассмотренных алгоритмов экстраполяции и статической классификации, они имеют общие процедуры процесса прогнозирования. Эта общие процедуры можно представить в виде трех этапов: ретроспектирование, диагностирование и прогнозирование.

Рассматривая только этап прогнозирования, следует отметить, что выбор его методов и алгоритмов зависит от множества факторов, которые сведены в табл. 1.

Таблица 2.1. Обобщенная характеристика факторов этапа прогнозирования

Фактор

Этапы

Характеристика

Объект

Период

Использование

Вид контроля

Эксплуатация

Многократное Периодический, непрерывный

Процесс

Характер

протекания Оценка Характер

нестационарности

Вид процесса

Монотонный и

дискретный

Многомерная

Линейный и нелинейный

В основном Гауссовский

Информация

Текущий объем

Характер поступления Априорность Вид

Ограниченный и

достаточный Периодический и непрерывный Имеется Закодированная

Модель

Характер

коэффициентов Закон распределения классов состояний Вид

Линейный и нелинейный

Известен

Интерполяционный

Прогноз

Вид

Срок

Способ

Экстраполяция или

статистическая классификация Краткосрочный, долгосрочный Прямой и обратный

Каждый из приведенных выше факторов, очевидно, по разному влияет на выбор алгоритмов прогнозирования и при практическом их выборе всегда требуется детальная проработка, а в ряде случаев и дополнение.

В то же время любые временные процессы эксплуатации систем телеизмерений, как известно, являются случайными и их количественно можно представить в виде временного ряда. Такие случайные процессы в большинстве случаев имеют несколько составляющих, изменение которых в отдельные периоды времени (закон распределения, стационарность и др.) принципиально влияют на формальное описание процессов эксплуатации, без которого невозможно прогнозирование.

Изменения технического состояния устройств и систем представляют собой явления старения и деградации, приводящие к неисправностям и отказам. Основными причинами этих явлений являются:

• конструктивные – несовершенство конструкции;

• проектные – недостаточное согласование узлов и

элементов;

• технологические – нарушение технологии обслуживания;

• эксплуатационные – старение, износ и нарушение правил эксплуатации;

По характеру протекания процессов деградации их можно разделить на две группы.

К первой группе относятся процессы, вызывающие внезапное или катастрофическое изменение технического состояния устройств и систем вследствие резкого изменения физических параметров. В результате наступает неисправность или отказ устройств по причине резкого скачкообразного изменения их характеристик за пределы допустимых. Ко второй - процессы, приводящие к постепенному изменению физических параметров устройств и систем.

Постепенные деградационные процессы параметров устройств с течением времени накапливаются и приводят к потере их работоспособности.

В общем случае процесс изменения состояния устройств и систем можно представить в виде:

,

где - – векторные составляющие, характеризующие соответственно необратимые и обратимые процессы;

– векторная погрешность измерительных цепей.

Составляющая определяет закономерность изменения процесса и в большей мере детерминированную его часть, а характеризуют его стохастическую часть. Последние составляющие в большинстве случаев имеют «сезонные» колебания.

Для простоты описания составляющие можно объединить

. Тогда процесс состояния устройств и систем можно представить в виде:

,

Процессом постепенного изменения технического состояния устройств и систем можно, в общем случае, считать процесс, у которого выполняются следующие условия

где - норма вектора;

– период времени

Очевидно, что чем больше указанное неравенство, тем ближе процесс изменения приближается к детерминированному, характеризующему постоянные отказы.

Если математическое ожидание составляющей приравнять нулю, т.е. , то можно записать соотношение, которое является неравенством Коши – Буняковского:

где D - дисперсия процесса состояния устройств и систем и ;

cov – оператор ковариационного момента.

Деградационные процессы могут быть самыми разнообразными и прежде всего детерминированными и стохастическими.

Детерминированными считаются процессы, у которых выполняются известные условия:

, и

В таком случае облегчается получение прогноза с большой точностью. Стохастические процессы классифицируются по области определения:

• функций – вещественные, комплексные;

• по характеру изменения времени – дискретные,

непрерывные;

• по виду дисперсии –монотонные, флуктуационные;

• по виду приращений – стационарные, марковские и ортогональные (независимые);

• по закону распределения в сечениях функций – гауссовские, вейбулловские и др.

Наиболее характерными моделями детерминированных процессов являются следующие [13]:

1. В случае индивидуальной реализации детерминированных процессов используется общая модель вида:

где – модель необратимой составляющей, известной с точностью до коэффициентов и ρ – знак транспортирования;

t – случайная величина, связанная с ошибками обратной составляющей и точностью измерительных цепей.

Эта модель наиболее эффективна в случаях, когда известны физические параметры изменения элементов и ошибки случайной величины .

2. Если детерминированный процесс представлен группой одномерных реализаций, то для его описания наиболее часто применяется модель вида:

где - модель обратимой составляющей, известной до коэффициентов. Эта модель является наиболее полной для одномерных взаимосвязанных групповых процессов изменения состояния устройств и систем.

3. Рассмотренные выше модели могут быть применены и для многомерных случаев, и тогда, когда индивидуальный многомерный детерминированный процесс может быть представлен моделью:

- вектор показателей контролируемого процесса;

- вектор функций времени t и коэффициентов β;

- вектор ошибок, возникающих из-за существования случайной составляющей.

Эта модель является наиболее общей и поэтому наиболее часто используется при прогнозировании сложных ответственных устройств и систем.

Таким образом, выбор оптимальных алгоритмов прогнозирования зависит от теоретического обоснования возможных состояний устройств и элементов измерительных систем с учетом всего многообразия факторов.