В данной статье описывается возможность применения математических методов для эффективной диагностики и управления электропоездом.
Ключевые слова: Интеллектуальный, мониторинг, диагностика, надежность безопасность.
Одним из наиболее важных свойств сложных технических объектов как продукции производственно-технического назначения является надежность. При проектировании, изготовлении и эксплуатации, например, крупных энергетических, металлургических, горнодобывающих, а также нефтяных и газопромысловых станций, машин, систем и установок она обеспечивается методами и средствами характерными для каждого этапа "жизненного цикла" объекта-изделия. При этом эксплуатационная надежность восстанавливаемых систем наиболее эффективно достигается прогрессивными стратегиями технической эксплуатации объектов "по состоянию" с контролем уровня надежности (стратегии функциональной диагностики) и/или с контролем технического состояния (стратегии технического мониторинга), для осуществления которых необходимы системы технической диагностики и системы технического мониторинга соответственно.
Информационно – аналитические и интеллектуальные возможности этих систем позволяют также, уже вне формата реального времени, проводить полноценное техническое обслуживание, планировать и осуществить необходимые ремонтные мероприятия с учетом реального состояния оборудования и остаточных системных ресурсов [1].
Предъявляемые к программному обеспечению бортовой системы управления технические требования предусматривают надежное и безопасное выполнение трех ключевых режимов функционирования: режима автоматического ведения, режима советчика и режима ручного управления. Эффективное выполнение этих функций достигается благодаря широкому внедрению достижений современных информационных и интеллектуальных технологий, в частности, технологий Экспертных Систем (ЭС), основанных на базах знаний и машинном выводе на знаниях. Концептуальным основанием для интеллектуализации решения взаимосвязанных задач диагностики, прогнозирования и управления служат традиционные для класса неструктурированных и плохо формализуемых задач [2]:
- невозможность получения полной и объективной информации для принятия адекватных решений и обусловленная этим обстоятельством необходимость привлечения неформальной (субъективной, эвристической) информации;
- наличие неопределенности в исходных данных, а также присутствие неоднозначности (многовариантности) процесса поиска решения;
- необходимость выработки и обоснования искомых решений проблемы в условиях жестких временных ограничений, которые определяются ходом управляемых процессов;
- необходимость корректировки и введения дополнительной информации в процесс поиска решений, интерактивный (диалоговой, человек – машинной) характер логического вывода решений [2].
Учет этих факторов заставляет отказаться от традиционных алгоритмических методов и моделей принятия решений и управления и перейти к технологиям интеллектуальных систем. Интеллектуализация бортовых систем автоматизированной диагностики предполагает решение ряда взаимосвязанных задач структурного, функционального, информационного и организационного характера, которые должны быть предусмотрены еще на этапе проектирования программного обеспечения бортовой системы автоматизированной диагностики.
Каждый электропоезд с технической точки зрения представляет собой устройство, характеризующееся ресурсом работоспособности. Техническое состояние электропоезда в процессе эксплуатации изменяется под действием эксплуатационных факторов (внешних и внутренних) вследствие изнашивания деталей и механизмов, нарушения регулировок, ослабления креплений, поломок и других неисправностей. В электрических машинах и аппаратах ухудшаются электрические и механические свойства изоляции и т.п.
В результате снижается надёжность узлов, агрегатов и локомотива в целом. Таким образом, ресурс надёжности, заложенный в конструкции электропоезда при проектировании и постройке, постепенно расходуется, и при его значении ниже определённого уровня может произойти отказ на линии. Это может стать причиной аварии, нарушения графика движения поездов, перерасхода топлива или электроэнергии и т.п. Важнейшими задачами системы технической диагностики являются предупреждение перечисленных явлений и обеспечение безопасности движения поездов.
Существуют реальные автоматизированные системы управления поездами. Такие системы в настоящее время применяются и функционируют на железных дорогах. В локомотивном депо Москва - 3 успешно эксплуатируется система автоведения пассажирских поездов. Эти системы производят сбор данных в реальном масштабе времени, таких как положение всех органов управления, контролирует давление во всех основных магистралях, токи и т.д. Так же была разработана неотъемлемая часть системы автоведения подсистема диагностирования, учитывающая большое количество сигналов из цепей управления локомотива, но эти системы не достаточно интеллектуальны и не могут предоставлять данные в реальном масштабе времени для лица принимающего решение (ЛПР), так же для расшифровки собранных данных требуется перенос данных с локомотива на стационарный пункт технического обслуживания
Архитектура и базовые функции систем с экспертной технологией
Обобщенная схема ЭС приведена на рис. 1. Основу ЭС составляет подсистема логического вывода, которая использует информацию из базы знаний (БЗ), генерирует рекомендации по решению искомой задачи. Чаще всего для представления знаний в ЭС используются системы продукций и семантические сети.[3] Допустим, БЗ состоит из фактов и правил (если <посылка> то <заключение>). Если (ЭС) определяет, что посылка верна, то правило признается подходящим для данной консультации и оно запускается в действие. Запуск правила означает принятие заключения данного правила в качестве составной части процесса консультации.
Обязательными частями любой ЭС являются также модуль приобретения знаний и модуль отображения и объяснения решений. В большинстве случаев, реальные ЭС в промышленной эксплуатации работают также на основе баз данных (БД). Только одновременная работа со знаниями и большими объемами информации из БД позволяет ЭС получить неординарные результаты, например, поставить сложный технический диагноз.
Рис.1.
Благодаря интерфейсу между системой и объектом управления осуществляется непрерывный мониторинг его параметров и как можно более раннее обнаружение неблагоприятных тенденций и отклонений в его состоянии. Соответствующие информационно-аналитические компоненты системы осуществляют сбор, хранение и первичную обработку оперативной информации о состоянии объекта и происходящих в нем процессах. Это необходимо для принятия оперативных решений, при отклонении текущих значений контролируемых параметров от установленных их номинальных (или рабочих) значений.[3]
Один из ключевых принципов создания таких систем связан с совместным и согласованным решением трех ключевых задач – технической диагностики, прогнозирования и оперативного управления. Несмотря на свою относительную автономность, эти задачи находятся в «системном единстве» и взаимодействуют друг с другом. Функция диагностики призвана, на основе сбора и обработки оперативных данных определить место и причину обнаруженных отклонений или нарушений по совокупности диагностических параметров (или показателей), а также выдачу рекомендаций по их устранению. Часть данных показывается машинисту.
В этих системах данные фиксируются на сменный носитель и расшифровываются в стационарных условиях. При обработке и расшифровке этих данных возникает необходимость применения более совершенных и точных методов и алгоритмов. Расшифровка нужна для того чтобы организовать обслуживание.
Средства технической диагностики должны позволить обнаружить и идентифицировать режимные, параметрические и структурные отклонения и дефекты. Традиционные диагностические методы в реальном масштабе времени исходят из изображения пространственно-временного поведения управляемого объекта в виде математической модели <вход – состояние - выход>, представляющий собой систему интегро-дифференциальных уравнений в частных производных [3].
За период развития сложных технических систем и объектов в различных странах и отраслях техники разрабатывались принципы, методы и структуры систем технического обслуживания и ремонта. Использование различных типов блочных моделей и программ в математическом обеспечении задачи прогнозирования позволяет достичь приемлемого темпа моделирования, значительно превышающего реальный темп протекания контролируемого технологического процесса.
Комбинированная с задачами диагностирования и прогнозирования, задача моделирования поведения объекта выступает как источник данных о состоянии объекта на этапах тестирования системы и управления. Для моделирования было принято взять оболочку Gensym G2. Инструментальные средства оболочки Gensym G2 являются эволюционным шагом в развитии традиционных экспертных систем от статических предметных областей к динамическим. Основным достоинством оболочки экспертных систем G2 пользователей является возможность применять ее как интегрирующий компонент, позволяющий за счет открытости интерфейсов и поддержки широкого спектра вычислительных платформ легко объединить уже существующие, разрозненные средства автоматизации в единую комплексную систему управления.
До сих пор на железнодорожном транспорте уделяют очень мало внимания математическим и программно-алгоритмическим системам диагностики. Ниже описаны аппараты и алгоритмы, которые можно применить для естественного развития действующих систем диагностики.
Алгоритм диагностирования на основе формулы Байеса
При небольшом количестве признаков число экспериментов, необходимых для получения адекватных статистических данных может оказаться слишком большим. Поэтому в диагностике используются обобщенные модели, которые включают статистические данные, так и экспертные суждения. При наличии статистических данных и отсутствии экспертных суждений такая модель позволяет сделать краткосрочный прогноз заданных показателей на основе теоремы Байеса.
На основе практических данных объект диагностирования может находиться в одном из состояний A1,A2…….Am
Нам будут известны априорные вероятности (вероятность свершения события без учёта экспериментальных данных) этих состояний и условные вероятности (вероятность одного события при условии, что другое событие уже произошло), характеризующие появления события.
На основе формулы (1) вычисляются так называемые апостериорные вероятности (условная вероятность случайного события при условии того, что известны апостериорные данные, т.е. полученные после опыта).
Информация об априорных вероятностях P (H) гипотез и условных вероятностей возможных симптомов Р(С/Н) преобразуется в апостериорную вероятность [4]
Р(Н/С) = Р(С/Н) Р(Н) / Р(С), (1)
на основе, которой строится правило принятия решения.
Если применять только алгоритм Байеса, то мы рискуем получать не достаточно достоверные данные. В современных системах искусственного интеллекта учитываются возможные риски, связанные с ошибочной классификацией. Еще более перспективной представляется применение в задачах диагностики метода аналитических сетей (МАС) [4], который позволяет учитывать возможные связи, как между симптомами, так и между причинами аналитических ситуаций в наблюдаемом и управляемом объекте. Как естественное развитие Байесовского метода можем применить МАС.
МАС позволяет обрабатывать зависимости между структурными элементами проблемы и дает возможность объединить статистическую и экспертную информацию. Апостериорные вероятности, вычисляемые по формуле Байеса, согласуются с результатами МАС.
Когда существует множество взаимозависимых признаков, задача определения диагноза, которому они соответствуют, усложняется. Во многих случаях наблюдаемы симптомы, вызваны несколькими причинами, протекающими одновременно, что затрудняет процесс выявления неисправности. Ремонт основан на выводах, правильность которых в свою очередь зависит от того, насколько вероятно эксперты могут установить отношения между причинами и неисправностями.
МАС представляет собой универсальную теорию измерений влияния в шкале отношений с учетом зависимостей и обратных связей. Для понимания подхода к задачам принятия решений в условиях взаимной зависимости элементов полезны следующие наблюдения. Искомое решение будет настолько объективным, насколько однозначно смогу понять его разные люди. [4] Когда мы интерпретируем цифры, мы сравниваем их со знаниями, приобретенными из собственного опыта, и эта процедура не может быть объективной, потому что знания, опыт и компетентность у разных людей существенно отличаются, одни и те же объективные факты имеют неодинаковое значение для разных людей. В конечном счете, предпочтительность решения базируется не на его скрытой объективности, а на то, как интерпретируется восприятие этой объективности, в рамках нашей индивидуальной системы ценностей и какое значение мы придаем рассматриваемым ценностям. Мы можем свершить свой субъективный выбор без подробного анализа фактов и оценки наших нечетких предпочтений, указав альтернативу, которая нам больше нравиться. Однако принимая ответственные решения, опасно полагаться только на интуицию, поэтому необходимо тщательно проанализировать факты, лежащие в основе решения, чтобы выявить его положительные и отрицательные аспекты, включая риски и возможности, с которыми мы столкнемся при его реализации. Прежде чем сделать заключении, следует сосредоточиться на существенности решения. В любом случае мы будем иметь дело с системой субъективных ценностей, которая определяет, какой результат будет лучшим для лица, принимающего решение. [5]
Применяя МАС, можно делать то, чего не позволяет делать математическая логика, основанная только на вербальных суждениях, без чисел, можно обрабатывать числовые оценки предпочтений, в то время как логика позволяет получить только порядковые предпочтения на основе вербальных оценок. В принятии решений следует четко понимать различие между иерархическими и сетевыми структурами, которые применяются для предоставления проблемы. Иерархия состоит из уровней, расположенных в порядке убывания важности. Элементы каждого уровня сравниваются по доминированию или влиянию относительно элементов соседнего верхнего уровня. Ветви иерархии направлены от главной цели вниз, даже если элементы нижних уровней влияют на элементы более высоких уровней. Направление связей сверху вниз стимулирует проявление влияния элементов нижних уровней на те, что расположены выше.
Рис.2.
МАС освобождает нас от линейного упорядочивания компонентов, которые необходимы в иерархии (рис.2), что позволит создать систему диагностирования совершенно нового уровня. Мы можем представить любое решение в виде ориентированной сети, МАС позволяет обрабатывать более разнообразные и естественные структуры, и в этом смысле является более достоверным способом описания реальности. Это позволяет предполагать, что иерархические решения из-за жесткой структуры, вероятно, будут более субъективными и предопределенными по сравнению с сетевыми решениями. Учет зависимостей и обратных связей между элементами, а так же циклов влияния в МАС предоставляет возможность более объективного и правдоподобного представления действительности. Этот методы позволяет делать выводы, которые трудно получить путем строгих логических рассуждений. Суммируя сказанное, можно заключить, что МАС является гораздо более мощным инструментом для принятия решений. Но МАС требует больше затрат труда для представления фактов и их взаимосвязей. У нас нет другого выхода, так как необходим детальный анализ для сложных систем электропоезда. Для менее сложных решений, в условиях дефицита времени, длительный и трудоемкий анализ может обесценить полученные результаты. Принимая ответственные решения необходимо применять МАС.
Мы выдвигаем смелое предположение о том, что теория вероятностей является способом обработки гипотез о влияниях в условиях неопределенности, следовательно, в дальнейшем ее методы и вычисления могут быть реализованы в МАС.
Нас интересует практическое применение этих методов и алгоритмов на железнодорожном транспорте, как естественно развитие действующих систем диагностирования . Мы рассматриваем частную задачу диагностики, которая имеет отношение к прогнозированию, мы должны оценить не только реальное состояние системы в целом, но и оценить ресурс. Для того чтобы в дальнейшем ЛПР могло осуществить управление электропоездом.
В данный момент мы занимаемся интеграцией интеллектуальных методов для систем диагностики электропоезда. Сбор статистических результатов наблюдения позволит нам создать наглядный пример системы диагностики, которая позволит своевременно производить диагностику, учитывая всевозможные связи между событиями, что позволит своевременно показывать неисправность и оценивать ресурсы.
Литература:
Саркисян Р.Е., Аракелян Э.К. Концептуальные вопросы построения систем поддержки принятия решений для оперативно-диспетчерского управления энергетическими объектами. // Новое в российской энергетике, 2008, №2. – С. 15-24.
Новорусский В.В. Экспертные системы для решения задач диагностики, прогнозирования и управления функционированием энергетических систем и объектов (подходы к синтезу). – Иркутск, СЭИ СО РАН, 1992. –108 с.
Еремеев А.П. Экспертные модели и методы принятия решений. – М.: Изд-во МЭИ, 1995. –111 с.
Джексон П. Введение в экспертные системы. Учебное пособие. Пер. с англ. –М.: Изд. дом «Вильямс», 2001. –624 с.
Саати Т. Принятие решений при зависимостях и обратных связях: Аналитические сети. –М.: Изд-во ЛКИ, 2008. -360 с.