Диагностика информационной подсистемы АСУТП ТЭЦ с использованием технологий искусственного интеллекта

• Автор: Репин, Андрей Иванович
• Шифр специальности: 05.13.06
• Научная степень: Кандидатская
• Год защиты: 2006
• Место защиты: Москва
• Количество страниц: 170 с. : ил.

1.1. Алгоритмы обнаружения полных отказов ИИК.

1.1.1. Алгоритмы допускового контроля параметра

1.1.2 Алгоритм допускового контроля скорости изменения сигнала

измерительной информации

1.2. Алгоритмы обнаружения частичных отказов.

1.2.1. Алгоритмы, применяемые при аппаратном резервировании

1.2.2. Метод тестовых сигналов

1.2.3. Алгоритмы, использующие связи между измеряемыми величинами

1.3. Экспертные системы

1.4. Диагностика частичных отказов ИИК как задача классификации и распознавания образов.

1.4.1. Постановка задачи классификации

1.4.2. Аналитический обзор методов распознавания образов
1.4. Выводы
ГЛАВА 2 МАТЕМЕТИЧЕСКАЯ МОДЕЛЬ ПОЛУЧЕНИЯ ТЕПЛОВОЙ
ЭНЕРГИИ НА ПАРОВЫХ И ВОДОГРЕЙНЫХ КОТЛАХ ТЭЦ.
2.1. Описание теплогенерирующей технологической схемы
2.2 Материальный баланс потребления топлива.
2.2.1 Результаты расчета ГРП
2.3 Балансовые уравнения для парового котла ТГМЕ
2.3.1 Информационное обеспечение
2.3.2 Расчт составляющих теплового баланса для парового котла
ТГМЕ4 на примере котла
2.3.3 Расчт составляющих материального баланса по воде и пару для
парового котла ТГМЕ4 на примере котла 1
2.3.4 Результаты расчета для парового котла
2.4 Балансовое уравнение для водогрейного котла КВГМ
2.4.1 Информационное обеспечение
2.4.2 Расчт составляющих теплового баланса для водогрейного
котла КВГМ на примере котла
2.4.3 Результаты расчета для водогрейного котла
2.5 Оценка погрешностей расчета.
2.6 Программная реализация алгоритма коррекции результатов
измерений.
2.7 Выводы
ГЛАВА 3 РАЗРАБОТКА НЕЙРОСЕТЕВЫХ КОМПОНЕНТ
СИСТЕМЫ ДИАГНОСТИКИ.
3.1. Основные положения теории нсйросетевою моделирования
3.1.1. Модель нейрона.
3.1.2. Топологии нейросетей.
3.1.3. Обучение искусственных нейросетей
3.2. Примеры практического применения нейронных сетей
3.2.1. Прогнозирование
3.2.2. Распознавание образов и классификация
3.2.3. Кластеризация и поиск закономерностей
ф 3.2.4. Оптимальное управление и моделирование
3.3. Обзор различных архитеюур нейронных сетей, предназначенных для задач классификации.
3.3.1. Нейронклассификатор.
3.3.2. Многослойный персептрон
3.3.3. Сети Ворда
3.3.4. Сети Кохоиеиа .
3.4. Решение задач классификации с использованием искусственных
нейросетей с нечетким выводом.
3.4.1. Синтез нейросетей для решения задачи классификации.
3.5. Выводы
ГЛАВА 4 РАЗРАБОТКА АЛГОРИТМА ОБУЧЕНИЯ
ДИАГНОСТИЧЕСКОЙ НЕЙРОСЕТИ.
4.1. Классический генетический алгоритм оптимизации
ф 4.1.1. Генетическое представление информации.
4.1.2. Генетические операторы
4.1.3. Оптимизация с помощью генетического алгоритма.
4.2. Модифицированный генетический алгоритм.
4.3. Описание методики и результаты тестирования МГА
ф 4.4. Программная реализация МГА.
4.4.1. Реализация МГА для пакета МаФСАО
4.4.2. Реализация МГА в программе ОрбтМОА.
4.5. Выводы.
ГЛАВА 5 ДИАГНОСТИРОВАНИЕ ЧАСТИЧНЫХ ОТКАЗОВ ИЗМЕРИТЕЛЬНЫХ КАНАЛОВ ПАРОВОГО КОТЛА.
5.1. Множественная обработка результатов измерений технологических параметров с использованием алгоритма коррекции
5.2. Модель идеального производства.
ф 5.3. Отбор наиболее информативных параметров
5.4. Формирование обучающих выборок и синтез структуры диагностических нейросетей.
5.5. Тестирование диагностических нейросетей
5.6. Выводы.
ЗАКЛЮЧЕНИЕ.
ОСНОВНЫЕ ВЫВОДЫ ПО РАБОТЕ
БИБЛИОГРАФИЧЕСКИЙ СПИСОК ИСПОЛЬЗОВАННОЙ
ЛИТЕРАТУРЫ.
ПРИЛОЖЕНИЯ.
ВВЕДЕНИЕ


Если это условие не выполняется, счетчик номера ИИК увеличивается на 1 блок 8, и цикл повторяется. Если при проверке в блоке 4 условие 1. УОто заменяется достоверным значением УЮ 1то1 того же сигнала, полученным в предыдущем цикле опроса ИИК. Затем на печать выводится сообщение о том, что обнаружен отказ го ИИК блок 7, и работу алгоритма продолжает блок 5. Рис. Этот алгоритм применим не только для стационарных, но и для нестационарных процессов, например, периодических. Основным недостатком допускового контроля по измеряемым параметрам является то, что оценка работы оборудования производится в целом без локализации причины отклонений параметров . Этот алгоритм является более универсальным. Это объясняется тем, что большинство контролируемых процессов по своей природе достаточно инерционны. У,ЛоУ1х0
Контроль достоверности исходной информации по условиям 1. Тогда в блоксхему алгоритма на рис. При нарушении этого условия инициируется блок 6. На производстве часто такой алгоритм реализуют в автоматических сигнализаторах скорости падения или нарастания численных значений контролируемых параметров. Основным элементом сигнализатора служит электронный дифференциатор, подключаемый к выходу первичного измерительного преобразователя. Превышение скорости изменения параметра сверх установленного допустимого значения может сопровождаться световой или звуковой сигнализацией. Рассмотренный способ позволяет выявить тенденцию того или иного объекта управления к аварии до того, как отклонение параметра достигнет аварийного значения. Недостаток этого способа в том, что он позволяет прогнозировать лишь небольшое число одновременно наблюдаемых параметров, а применяемые индикаторы требуют постоянного внимания оператора . Алгоритмы контроля достоверности исходной информации, с помощью которых выявляются частичные отказы ИИК, как правило, основаны на использовании информационной избыточности 1,,. Информационная избыточность может быть создана искусственно, например, при резервировании ИИК для контроля наиболее важных технологических параметров. Другой вид информационной избыточности обусловлен тем, что информация о действительном значении некоторого технологического параметра содержится не только в измеренном значении этого параметра, но и в измеренных значениях других параметров, связанных с ним устойчивыми зависимостями, например, уравнениями материального и или теплового балансов. Балансовые соотношения могут быть использованы и для диагностирования нарушений в работе технологической схемы. ИП, так что у1,2,. ИП. При этом невозможно определить отказавший ИИК без привлечения дополнительной информации. Важное практическое значение имеет случай, когда один из параллельных ИИК можно принять в качестве эталонного, если его погрешность существенно меньше, чем у других. Су сТу, допустимая погрешность уго ИИК ту. ИИК. Метод тестовых калиброванных сигналов позволяет контролировать исправность ИИК без ИП путем поверки приборов или измерительных
уС,С 4а. УуУэСу V 1,и
каналов по образцовым сигналам и мерам ,,. Метод заключается в том, что ИП на время отключают и вместо него ко входу ИИК подключают источник тестового сигнала, для которого с высокой точностью известно значение уз. Если сигнал уу на выходе проверяемого ИИК удовлетворяет условию 1. Эти алгоритмы широко применяют для контроля достоверности исходной информации и диагностики частичных отказов ИИК. При этом связи могут быть функциональными например, уравнения материального и энергетического балансов или вероятностными. В последнем случае они описываются регрессионными уравнениями. Вероятностные связи между параметрами. При использовании вероятностных связей между параметрами для диагностики частичных отказов объектов управления часто применяют статистические модели, связывающие отклонения критериев с отклонениями измеренных параметров. Уа1 Уа2 2 . В УьхххУЬ2Зх2. ИЬп. Иа1,Иа2,. ЛапЛыЛЬ2,Ль весовые коэффициенты. Таблицу весовых коэффициентов называют диагностической матрицей . При использовании регрессионных зависимостей возникает вопрос об оптимальном числе измеряемых параметров.