Ebook Progonozowanie w wielosymptomowej diagnostyce maszyn Maciej Tabaszewski

14,16 zł

Dodaj do ulubionych

Opis treści

Z uwagi na niezawodność procesu, bezpieczeństwo obsługi, koszty usuwania niespodziewanych awarii maszyny krytyczne powinny być eksploatowane zgodnie ze strategią uwarunkowaną stanem technicznym. Określanie tegoż stanu w danej chwili należy do zadań eksploatacyjnej diagnostyki technicznej. Warunkiem podejmowania racjonalnych decyzji eksploatacyjnych jest przewidywanie stanu technicznego obiektu w przyszłości. W rozprawie podjęto próbę usystematyzowania zagadnienia prognozy w diagnostyce eksploatacyjnej maszyn opartej na procesach resztkowych towarzyszących normalnej pracy maszyny. Zaproponowano wydzielenie problemu prognozy wartości symptomu, opartej na zasadzie ekstrapolacji poza przedział obserwacji. Wspomniana prognoza symptomu może stanowić narzędzie prognozowania stanu obiektu i czasu resztkowego do wystąpienia awarii, istotnych dla podejmowania właściwych decyzji eksploatacyjnych. Dodatkowo omówiono problemy bezpośredniej prognozy czasu resztkowego do wystąpienia awarii. Zaproponowano kilka mniej znanych metod prognozowania wartości symptomów diagnostycznych, takich jak: sieci GRNN oparte na przyrostach wartości symptomów, sieci Elmana, rozmyte sieci neuronowe z różnymi propozycjami konkluzji, sieci o różnych funkcjach przejścia w poszczególnych neuronach zastosowane do modelowania szeregu kumulacyjnego pierwotnych obserwacji, teoria szarych systemów czy nieliniowe modele trendu z możliwością użycia różnych funkcji strat uwzględniających charakter symptomów diagnostycznych.

Poruszono również problem wypracowania ostatecznej prognozy wartości czasu resztkowego do wystąpienia awarii oraz stanu obiektu na podstawie wielu obserwowanych symptomów (diagnostyka wielosymptomowa). W tym zakresie zaproponowano kilka metod i wskazano ich wady i zalety.

Duża część rozprawy jest poświęcona przeciwdziałaniu dezaktualizacji modelu prognostycznego w automatycznych systemach diagnostycznych, które muszą funkcjonować bez udziału eksperta. Zaproponowano trzy rozwiązania oparte na: rozpoznaniu rodzaju trendu za pomocą systemu uczącego się, szacowaniu szerokości przedziału prognozy oraz szacowaniu miar błędów ex post. Zaproponowano także pewne techniki pozwalające uzyskać dobre wyniki dla analizowanych krzywych życia młynów wentylatorowych. Adekwatny model prognostyczny wybierano spośród wcześniej wspominanych metod prognozowania. Zaproponowane metody pozwoliły osiągnąć średni błąd prognozy dla zbioru rozpatrywanych krzywych życia młynów wentylatorowych na poziomie 5%. W warunkach przemysłowych utrzymanie średniej prognozy na tym poziomie jest znaczącym osiągnięciem.

Spis treści ebooka Progonozowanie w wielosymptomowej diagnostyce maszyn

STRESZCZENIE 5
WYKAZ WAŻNIEJSZYCH OZNACZEŃ I SKRÓTÓW 7

1. WPROWADZENIE 9

1.1. Rola diagnostyki technicznej w eksploatacji maszyn 9
1.2. Podstawowe pojęcia i założenia przyjęte w pracy 10
1.2.1. Pojęcie prognozy 10
1.2.2. Horyzont prognozy 13
1.3. Struktura rozprawy 14

2. CEL I ZAKRES PRACY 17

3. OBSZARY PROGNOZY W DIAGNOSTYCE 21

3.1. Wstęp 21
3.2. Prognoza w diagnostyce eksploatacyjnej 22
3.3. Klasyfikator jako narzędzie prognozy stanu obiektu 30
3.4. Podsumowanie 37

4. PROGNOZOWANIE WARTOŚCI SYMPTOMÓW 39

4.1. Wstęp 39
4.2. Przegląd metod prognozowania wartości symptomów 39
4.3. Podsumowanie 51

5. OCENA JAKOŚCI PROGNOZY 53

5.1. Ocena jakości prognozy wartości symptomów 53
5.2. Ocena jakości klasyfikatora prognozy stanu obiektu 57
5.3. Podsumowanie 61

6. WYBRANE ELEMENTY METODOLOGII PROGNOZOWANIA W DIAGNOSTYCE 63

6.1. Wprowadzenie 63
6.2. Uzyskiwanie danych diagnostycznych 65
6.3. Zmiana wymiaru macierzy obserwacji i tworzenie miar zastępczych 70
6.4. Wygładzanie krzywej życia obiektu technicznego 74
6.5. Prognoza wartości symptomu – proponowane modele prognostyczne 77
6.5.1. Uwagi ogólne 77
6.5.2. Rozmyta sieć neuronowa TSK 79
6.5.3. Sieć neuronowa Elmana 81
6.5.4. Sieć neuronowa z mieszaną warstwą ukrytą 83
6.5.5. Zastosowanie sieci typu radialnego 86
6.5.6. Zastosowanie teorii szarych systemów do prognozy symptomu 86
6.5.7. Nieliniowe modele trendu 89
6.5.8. Podsumowanie 92
6.6. Przeciwdziałanie dezaktualizacji modelu prognostycznego 93
6.6.1. Wprowadzenie 93
6.6.2. Identyfikacja trendu jako metoda przeciwdziałania dezaktualizacji modelu symptomu 97
6.6.3. Wykorzystanie informacji o szerokości przedziału prognozy do optymalizacji modelu symptomowego 100
6.6.4. Śledzenie błędu ex post w celu optymalizacji modelu symptomowego 102
6.7. Przykłady zastosowania proponowanych metod w prognozie wartości symptomu 104
6.7.1. Opis obiektu 104
6.7.2. Prognozy wartości symptomu 105
6.7.3. Przeciwdziałanie dezaktualizacji modelu prognostycznego 117
6.8. Wielosymptomowa prognoza czasu resztkowego do wystąpienia awarii 124
6.8.1. Metody prognozowania czasu resztkowego 124
6.8.2. Przykład wykorzystania metod 131
6.8.3. Podsumowanie 134
6.9. Wielosymptomowa prognoza stanu obiektu 135
6.9.1. Opis metody 135
6.9.2. Przykład wykorzystania metody 139
6.9.3. Podsumowanie 140

7. PODSUMOWANIE I WNIOSKI KOŃCOWE 141

LITERATURA 145
Summary 155