9.5.2. Диагностирование неисправностей оборудования

Сети с самоорганизацией также находят применение для диагностирования неисправностей различного оборудования. При этом используется их способность к компрессии, т.е. к представлению множества точек вектором весов единственного нейрона. Множество контрольных точек устройства, в которых снимаются его характеристики в различных режимах работы, может считаться вектором х (каждый вектор соответствует определенному режиму работы), подаваемым на вход сети. В зависимости от условий работы, вида неисправного элемента и степени повреждения получаются различные характеристики одного и того же устройства. Как правило, неисправность каждого вида связана со специфическим изменением характеристик устройства, свойственным только этой неисправности. Нейрон, побеждающий в конкуренции при определенной комбинации характеристик устройства, представляет впоследствии либо нормальный режим работы, либо определенную неисправность, позволяя тем самым локализовать ее. Типовая схема обнаружения неисправностей представлена на рис. 9.10.

Рис. 9.10. Схема применения сети Кохонена для обнаружения неисправностей в системе

База данных состоит из множества характеристик, отвечающих различным нормальным и аварийным состояниям в определенных режимах работы, в которых, как правило, устройство подвергается диагностированию. Главное условие корректного функционирования системы дифференциация характеристик при различных аварийных состояниях. Если две разные аварии имеют идентичные признаки, их различение будет невозможным. Подготовка соответствующей базы данных, по которой будет проводиться обучение, а в последующем эксплуатация сети (собственно диагностирование неисправностей) требуют проведения таких измерений, которые будут однозначно свидетельствовать о фактическом состоянии устройства. При этом следует выделять те фрагменты характеристик, которые отличаются друг от

круга. Для достижения этой цели могут выполняться любые операции (как линейные, так и нелинейные) на всей базе данных. Подобный подход был реализован для диагностирования типовых неисправностей, возникающих в силовых электрических трансформаторах на основе измерений характеристик проводимости

В работах [121, 125] рассмотрен пример использования сети Кохонена для диагностирования неисправностей активного электрического фильтра на основе частотной характеристики двух функций цепи: падения напряжения и входной проводимости. Сеть, обученная на характеристиках идеальных состояний короткого замыкания и разрыва цепи, оказалась способной определять неисправности при частичных повреждениях (например, значение сопротивления, равное 10% номинала, распознавалось как короткое замыкание).

Способность сети Кохонена активизировать единственный нейрон, ответственный за целый кластер данных, можно использовать для локализации поврежденного элемента независимо от состояния остальных. Для примера продемонстрируем применение сети для диагностирования коротких замыканий в линиях электропередач на основе измерений амплитуды напряжения в определенных точках этой линии [125]. Предполагается, что доступно посекционное измерение напряжения. В этом случае можно определить место аварии с точностью до секции.

Входная информация для сети - это векторы измеренных напряжений. Номер активизированного нейрона указывает на локализацию короткого замыкания. Для линии, на которой доступно большое количество контрольных точек, во

Рис. 9.11. Примерные нормализованные характеристики линии электропередач при различных замыканиях в системе

входных векторах можно ограничиться информацией об амплитуде измеренных напряжений, причем условием корректного функционирования системы считается как можно большее различие входных векторов, соответствующих разным аварийным ситуациям. Для проявления этик различий применяются многочисленные приемы предварительной обработки измерительных данных, отдаляющие эти векторы друг от друга. Из анализа снятой с линий электропередач измерительной информации следует, что эффективным решением может считаться нормализация истинных значений напряжения в контрольных точках, отражающая только разницу между напряжениями в соседних секциях.

В работе [125] предложено проводить нормализацию согласно формуле

где обозначает измерение в контрольной точке секции, входное напряжение линии. На рис. 9.11 представлены характеристики распределения нормализованных таким образом измеренных значений для шести секций линии при трех различных закорачивающих резисторах, включенных в узловых точках секций. Они образуют обучающие векторы для сети Кохонена, использованной при решении задачи. Исследовалась секционная модель кабельной линии со следующими параметрами на 1 км длины: Эксперименты проводились для частоты 3825 Гц с возможностью неполного закорачивания в секциях (путем подключения к соответствующим участкам линии резистора с сопротивлением от при идеальном коротком замыкании до 1/3 значения модуля волновой импедантности). При исследовании замыканий (одиночных) предполагалась относительная нечувствительность к ним (до 10%) значений других характеристик неповрежденных элементов линии. Анализ характеристик линии при изменении сопротивления перемычки свидетельствует о близости (в пространстве параметров) точек, соответствующих нормализованным характеристикам аварий одного типа, группирующихся в виде кластеров. Они с успехом могут представляться одиночными нейронами Кохонена либо выходными нейронами персептронной сети. Оба метода проверялись в работе [125], показавшей высокую эффективность их применения для локализации места замыкания. При 10%-ной нечувствительности неповрежденных элементов 100%-ная результативность диагностирования и локализации замыкания обеспечивается обеими сетями при сопротивлении перемычки, доходящем до 0,2 значения волновой импедантности. При большей неидеальности замыкания (до 0,4 значения волновой импедантности) эффективность диагностирования начинает изменяться. При 10%-ной нечувствительности неповрежденных элементов обеспечивается 98%-ная результативность локализации места замыкания многослойным персептроном и только 85%-ная - сетью Кохонена. Причина этого скорее всего кроется в существенной нечеткости признаков замыкания, связанных с его неидеальностью, поэтому обучение с учителем, которому подвергается многослойный персептрон, дает лучшие результаты.