- •Кафедра «Неразрушающего контроля и технической диагностики на железнодорожном транспорте» в. В. Бурченков, о.В. Холодилов
- •1 Информационные характеристики измерительных систем
- •1.1 Определение параметров источников цифрового сообщения.
- •1.2 Временные характеристики сигналов
- •1.3 Уровни передачи для линий связи
- •1.4 Физические параметры каналов связи
- •1.5 Частотные характеристики измерительных преобразователей
- •2. Диагностические характеристики телеметрических систем
- •2.1 Выбор измерительных средств для диагностики
- •2.2 Структура видов и классификация методов измерений параметров устройств телеметрии
- •Электрические измерения в устройствах телеметрии
- •2.3 Автоматизация процессов измерения параметров
- •2.4 Информационно – измерительные системы и перспективы их применения
- •2) Определяется перечень или классы возможных
- •2.5 Особенности и задачи технического диагностирования систем железнодорожной автоматики
- •2.6 Диагностирующие тесты и алгоритмы определения состояния телеметрических систем
- •2.7 Прогнозирование технического состояния телеметрических систем
- •3 Принципы построения цифровых устройств телеметрии
- •3.1 Структурная схема многоканальной системы телеизмерений.
- •3.2 Счетчики импульсов
- •3.3 Шифраторы и дешифраторы кодовых комбинаций.
- •3.4 Распределители импульсов
- •3.5 Мультиплексоры и демультиплексоры
- •3.6 Радиопередатчики автономных измерительных систем
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.
