Автоматизация выбора схемы ремонта подвижных деталей механических устройств на основе методов иммунной диагностики

УДК 681.3.063

,

A. I. Vovchenko, V. A. Lomazov

Автоматизация выбора схемы ремонта подвижных деталей механических устройств на основе методов иммунной диагностики

AUTOMATION OF CHOICE PATTERNS OF MECHANICAL REPAIR PARTS OF MOBILE DEVICES BASED ON METHODS OF DIAGNOSIS OF IMMUNE

Рассматривается проблема компьютерной поддержки принятия решений по планированию времени и типа ремонта механических устройств. Особое внимание уделено подвижным деталям как наиболее уязвимым частям механизмов. Предложена, обоснована и программно реализована процедура диагностики и выбора схемы ремонта, основанная на применении метода клонального отбора и генетического алгоритма.

Ключевые слова:

поддержка принятия решений, иммунные системы, генетические алгоритмы, технические устройства.

The problem of computer decision support for planning time and the type of repair mechanical devices. Particular attention is given to moving parts as the most vulnerable parts of the machinery. Proposed, validated and implemented the software diagnostic procedure based on the method of clonal selection and genetic algorithm.

Keywords: decision support, immune systems, genetic algorithms, technical devices.

Ремонтное обслуживание механических устройств связано с большими экономическими затратами[1], вызванными не только стоимостью ремонта, но и простоями оборудования. Существующие подходы к планированию ремонта основаны на нормативных документах, обобщающих опыт эксплуатации и ремонта оборудования. Однако, применение новых материалов и технологий изготовления, а также новые условия эксплуатации механизмов приводят к тому, что нормативные документы не в полной мере соответствуют новым условиям. При этом отсутствие опыта не позволяет ориентироваться на экспертные суждения специалистов. Выход состоит в проведении научных исследований и выявлении необходимости ремонта в каждом конкретном случае[2].

В настоящей работе предлагается проведение классификации текущих состояний подвижных деталей механических устройств по типу и времени необходимого ремонта. Рассмотренный в работе тип движения (скольжение, качение по рельсовым направляющим) широко распространён (транспортные тележки, конвейерные ленты, подъёмные устройства и т. д.). Необходимость учёта большого числа параметров деталей и рельсовых направляющих приводит к целесообразности использования эвристических биоинспирированных алгоритмов диагностики.

Информационное моделирование состояний деталей и ремонтных карт

На сегодняшний день исследователь, при диагностике состояния технического объекта, строит минимальное информационное описание объекта, а для принятия решения полагается на свой опыт и интуицию, но в данном исследовании присутствует необходимость построения заведомо больших моделей, так как отсутствует возможность сократить масштабный фактор задачи за счёт глубокого понимания процессов и предметной области применения алгоритма[3]. То есть, обусловлена необходимость каким-то образом уменьшить роль специалиста за счёт увеличения масштаба задачи. Автоматизация научных исследований обуславливает необходимость информационного описания исследуемого объекта.

Информационная модель технического объекта, построенная на основе данных, представленных заводом изготовителем, является неполной, поскольку не учитывает таких условий эксплуатации объекта, как факторы неподвижных деталей, внешние факторы и т. д.

Дополнительные данные могут быть получены из статистических значений, а так же с помощью проведения специальных испытаний (рис. 1)

На основе анализа характеристик подвижных компонентов, необходимых для диагностики, предложено расширенное информационное модельное описание:

Рис. 1 – расширение информационной модели ПК ТС

При построении информационной модели целесообразно классифицировать характеристики объекта по типу их математического описания. В рамках рассматриваемой задачи используются три типа описаний:

1) тип D — детерминированные характеристики (например, размер, масса, пробег);

2) тип S — стохастические характеристики (например, появление выбоин на поверхности трения);

3) тип F — нечёткие характеристики (например, сложность профиля рельсовых направляющих).

Тем самым, в связи с большой размерностью модели и разнотипностью характеристик целесообразным является преобразование всех атрибутов модели к дискретному виду.

Рассмотренные типы характеристик различаются по способу построения значений дискретных атрибутов информационной модели на основе значений характеристик различных типов. Для детерминированных характеристик переход к дискретным (балльным) значениям осуществляется на основе проверки принадлежности значений оценочным интервалам Dбалльное = j при x є Ij (рис. 2)

 

Рис. 2 – преобразование к балльным значениям на примере показателя «износ поверхности трения»

В частном случае, когда оценочные интервалы являются равными по длине, дискретное значение можно рассчитать по формуле.

Dбалльное =

где n – количество баллов, определяемое экспертом; a – весовой коэффициент; d - текущее значение характеристики; dmax -максимальное значение характеристики и dmin -минимальное значение.

Для стохастических характеристик в общем виде переход к дискретным значениям осуществляется как

Sбалльное = j при (a1M(x)+ a2σ(x))2 є Ij

Для равномерной шкалы преобразования

Sбалльное =

где M(x), σ(x) – математическое ожидание и дисперсия текущего значения; M(xmax), σ(xmax) – максимального значения; M(xmin), σ(xmin) – минимального значения

Нечёткие характеристики могут быть представлены треугольными и трапециевидными нечёткими числами (рис. 3)

 

Е

 

Рис. 3 – примеры представления нечётких чисел

Для треугольных чисел формула перехода к балльным оценкам будет иметь вид:

если A2 – A1 = ∆1 и А3 – А1 = ∆2, то

Fбалльное =

Для трапециевидных чисел формула преобразования будет иметь вид

Fбалльное = , где αi – весовые коэффициенты

Предложенный подход позволил построить дискретную кодировку расширенных информационных моделей подвижных компонент технических систем.

Постановка задачи диагностики

Целью диагностики технических систем является выбор режима их эксплуатации и обслуживания. При этом, наибольшее значение имеет планирование типа и времени ремонтного обслуживания. Карту ремонта технического объекта можно представить как таблицу (рис. 4), где по столбцам расположены виды ремонта (R1, R2... Rn), а по строкам периоды времени (T1, T2...Tm), через которые их необходимо провести. Таким образом, планируемый ремонт будет иметь вид {Tm, Rn}, а результат оценки состояния ПК ТС будет представлять собой совокупность необходимых технических мероприятий

RepairSch = {T1 R1, T2 R2… Tm Rn}

Тем самым, основной задачей исследователя, осуществляющего диагностику ТС, является выбор группы ремонтных работ GroupState из множества схем ремонта

GroupState є {GroupState1, GroupState2 … GroupStatek}, где 0 ≤ k ≤ 2m*n

 

Рис. 4 – пример карты ремонта

Процедура иммунной диагностики состояний деталей

Процедура диагностики сводится к классификации (кластеризации) возможных состояний объекта (где каждому классу соответствует своя схема ремонтного обслуживания) и распознавание принадлежности исследуемого состояния одному из классов. Для определения детекторов схем ремонта целесообразно применение искусственных иммунных систем, что обусловлено большим набором рассматриваемых характеристик и возможных схем ремонта. Клональный алгоритм позволяет получать разнообразное множество локальных решений в отличии от генетического алгоритма, концентрирующего целую популяцию индивидуумов к лучшему кандидату решения.

Общая схема процедуры диагностики состояния ТС имеет вид (рис. 5)

 

Рис. 5 - общая схема классификации и диагностики состояний ТС

Вычисление детекторов (индикаторов) классов с помощью метода клональной селекции позволяет учесть специфику для каждого из них и, тем самым, отнести испытуемый объект к тому или иному классу с более высокой точностью.

Блок-схема алгоритма клональной селекции представлена на рис. 6, где L – обучающая последовательность; A - популяция антител (детекторов); g – количество поколений; S – размер популяции клонов; β – коэффициент клонирования успешных детекторов; k – достаточная степень подобия популяции антител; M() – функция преобразования детекторов для выполнения мутации; affD() – функция вычисления аффинности детектора популяции детекторов текущего класса; affL() – функция вычисления аффинности детектора обучающей последовательности (способность угадывать свой класс);

На первом этапе происходит инициализация основных параметров алгоритма и функций преобразований детекторов классов.

Начальная популяция антител формируется случайной выборкой из обучающей последовательности в п.2. Функция вычисления степени подобия (аффинности) антител affD(Ai) в п.3 вычисляется сумма расстояний Хэмминга с каждым антителом популяции:

affD(Ai) = , где a – количество антител в популяции, m – количество бит в каждом детекторе.

 

Рис. 6 – блок-схема алгоритма клональной селекции

Далее, в п.4 проверяется условие остановки алгоритма, которым является либо выполнение определённого количества поколений, либо достижение текущей популяцией антител необходимой степени подобия. В п.5 осуществляется отбор антител с лучшим показателем аффинности в популяцию S. Согласно аффинности каждого антитела осуществляется клонирование детекторов внутри популяции S в п.6. Количество клонов для каждого детектора определяется как СAi = [ affD(Ai)* β ], где β – коэффициент клонирования, накладывающий ограничение на размер популяции клонов.

На следующем шаге осуществляется гипермутация клонов, то есть каждый атрибут антитела подвергается преобразованию.

M(Sj) = <M(D1), M(D2),…, M(Dj)> , где j – количество атрибутов модели.

М(Dij) = , где αj – шкала преобразования, устанавливаемая лицом, принимающим решение (ЛПР), для каждого атрибута.

В п.8 вычисляется степень подобия новой популяции к обучающей последовательности

affL(Si) = ,где p – длина обучающей последовательности L.

В п.9 осуществляется удаление худших антител из популяции преобразованных клонов. Лучшие антитела переносятся в основную популяцию детекторов в п.10. И на завершающем п.11 худшие детекторы из основной популяции замещаются случайными последовательностями из обучающей.

На рис. 7 показано итоговое расположение детекторов относительно обучающей последовательности в результате выполнения данного этапа исследования.

Рис. 7 – Схема определения детекторов состояний

Таким образом, основными факторами процесса иммунной классификации являются наследственность (клонирование) и изменчивость (гипермутация), что приводит к оптимальному решению.

Результатом выполнения данного этапа исследования является набор детекторов, наиболее точно определяющий группу состояний технического объекта. На следующем шаге осуществляется диагностика опытного образца. Схема диагностики приведена на рис.8

 

Рис. 8 – блок-схема алгоритма диагностики на основе генетических алгоритмов

В связи с большим количеством классов диагностики, и, как следствие, детекторов состояний, для решения задачи диагностики целесообразно применение генетических алгоритмов. На первом шаге алгоритма происходит отбор лучших детекторов из общей популяции, полученной на предыдущем этапе. Затем антитела сравниваются с диагностируемым образцом. Если необходимая степень подобия не была достигнута, то лучшие детекторы подвергаются мутации, а худшие подвергаются замене из предыдущей популяции. Тем самым это позволяет не осуществлять полный перебор данных.

Определение эффективности процедуры, описанной в данной работе, проводилась в сравнении с процедурами, основанными на таких алгоритмах классификации, как метод опорных элементов и метод ближайших соседей. Результаты экспериментов на одинаковых обучающих и тестовых данных приведены на рис. 9.

Рис. 9 – Сравнение временных затрат процедуры, основанной на алгоритме клонального отбора с процедурами на основе метода опорных элементов и метода взвешенных ближайших соседей.

На графике видно, что при большом количестве классов процедура диагностики, основанная на применении метода клонального отбора и генетического алгоритма, является эффективней традиционных подходов. Однако ограничением по применению данного алгоритма является тот факт, что при малом количестве классов традиционные методы показывают меньшие временные затраты, что делает целесообразным применение комбинированного подхода.

список литературы

1.  Шишкова . Планирование и управление производством по ремонту подвижного состава / , , . – М.: Транспорт, 1997.

2.  Вовченко, , оценки и прогнозирования технического состояния железнодорожных колесных пар [Текст] // Информационные системы и технологии. - Орел: ОрелГТУ, 2010, №4 с. 95-100

3.  Зак многокритериальных решений. М.- Экономика, 201

Белгородская государственная сельскохозяйственная академия им.

старший преподаватель кафедры «Информатики и информационных технологий»

Тел.: +7(9

E-mail: alexander. *****@***com

Белгородская государственная сельскохозяйственная академия им.

д. ф.м. н, доцент кафедры «Информатики и информационных технологий»

Тел.: +7(9

E-mail: *****@***ru