Прогнозирование технического состояния
Общие сведения. Прогнозирование технического состояния представляет собой процесс определения технического состояния(ТС) объекта на предстоящий интервал времени. При необходимости целью прогнозирования может быть также определение, интервала времени, в течение которого ее хранится -состояние объекта, имеющееся в данный, момент.
Прогнозирование ТС в процессе эксплуатации по результатам там предшествующего контроля ТС один из наиболее эффективных методов повышения эксплуатационной надежности СЭО и ЭСА путем своевременного проведения мероприятий по техническому обслуживанию (ТО) и ремонту элементов, имеющих ухудшенные параметры.
При прогнозировании необходимо получать информацию о ТС на относительно небольшой период (период автономного плавания судна) и более длительный период, определяющий срок ТО или ремонта. Прогнозирование на относительно небольшой период необходимо для обеспечения работоспособности СЭО и ЭСА в период автономного плавания судна (замена подготовка запасных или резервных элементов систем к включению для элементов, ТС которых, по данным прогнозирования, существенно изменится в период плавания), а на более длительный период -для своевременного проведения ТО и ремонта (обоснование комплекта ЗИП, определение сроков про ведения ТО и ремонта).
Прогнозирование ТС важно и для процессов проектирования и производства СЭО и ЭСА, так как оно позволяет оценивать будущие характеристики создаваемого оборудования систем. Прогнозирование ТС основано на применении методов экстраполяции явлений на будущее время по известным результатам наблюдения за соответствующими явлениями в предшествующий период.
Прогнозирование ТС начинается с выбора наиболее информативной совокупности прогнозирующих параметров ТС и по лучения закономерности изменения выбранных, параметров в период эксплуатации. Выбранная совокупность параметров контролируется в процессе эксплуатации (постоянно или периодически), по результатам контроля определяется состоянии объекта в последующий период путем использования соответствующего математического аппарата.
При отсутствии прогнозирующих параметров ТС объект; в последующий период оценивается статистическими методами
В зависимости от используемого математического аппарата различают три основных направления прогнозирования:
аналитическое, когда в результате прогнозирования определяется величина контролируемого параметра (параметров) характеризующего ТС объекта во времени;
вероятностное, когда в результате прогнозирования определяется вероятность выхода (невыхода) параметра (параметров) ТС за допустимые пределы;
статистическая классификация (распознавание образов) когда в результате прогнозирования определяется класс диагностируемого объекта по критерию работоспособности.
Выбор направления прогнозирования и метода решения конкретных задач прогнозирования- достаточно сложная задача, зависит от ряда факторов, главными из которых являются объем и качество информации об объекте, вид контроля (постоянный, периодический), используемые вычислительные средства.
Основные показатели прогнозирования следующие:
точность прогнозирования- оценивается величиной абсолютной или относительной погрешности при прогнозировании;
достоверность прогнозирования- оценивается вероятностью получения прогнозируемого показателя с заданной точностью;
время прогнозирования- время выполнения вычислений по определению прогнозируемых величин;
глубина прогнозирования-оценивается отношением количества шагов, на которое выполняется прогнозирование с заданной точностью, к количеству известных значений прогнозируемой величины;
стоимость прогнозирования- оценивается затратами на получение прогноза.
При прогнозировании ТС СЭО и ЭСА возможны ошибки двух видов:
систематическая ошибка, обусловленная недостаточной полнотой учета параметров, характеризующих ТС;
стохастическая ошибка, обусловленная стохастической природой прогнозирования.
Систематическая ошибка может быть представлена в виде абсолютной или относительной погрешности прогнозируемой величины. Стохастическая ошибка приводит к неустранимой погрешности, так как она будет иметь место при полном и неполном учете параметров ТС. Стохастическая ошибка определяется через максимальное и минимальное значения прогнозируемой величины.
В современных сложных многоэлементных ЭС прогнозировать ТС всех элементов (блоков, узлов, плат) технически не представляется возможным, поэтому необходимо выбирать минимальное количество элементов с наибольшей эффективностью прогнозирования. Такую группу элементов можно выбрать исходя из условия обеспечения требуемого уровня повышения готовности системы в целом.
Уровень повышения готовности системы можно определить с помощью коэффициента повышения готовности системы
где -коэффициент готовности системы без прогнозирования; коэффициент готовности системы с прогнозированием ТС; То и Т0.Пр-средняя наработка на отказ системы без прогнозирования и с прогнозированием ТС; Тв.ср и Тв.пр- среднее время восстановления системы без прогнозирования и с прогнозированием ТС.
Аналитическое прогнозирование. Этот вид прогнозирования наиболее эффективен для СЭО и ЭСА, когда изменение ТС происходит постепенно с определенной тенденцией и когда проводится периодический контроль, требующий прогнозирования ТС на период между контрольными операциями. В этом случае с помощью аналитической функции W(t), учитывающей тенденцию изменения параметров объекта во времени, экстраполируется изменение параметров ТС на последующие промежутки времени. Тенденция изменения параметров учитывается соответствующими коэффициентами выбранной аналитической функции W(t).
Постановка задачи аналитического прогнозирования понятна из рис.4.51. В процессе эксплуатации за время Т1, в результате постоянного или периодического контроля известны значения контролируемой функции
Необходимо определить значения этой функции за период Т2
где Сj-ошибка прогнозирования на j-м шаге. Вид функции W(t) выбирается с учетом получения заданной ошибки прогнозирования Cj.
Функция W(t) может быть представлена полиномом вида
(4.28)
где a0...,аm-коэффициенты, определяемые по результатам измерений параметра .
Рис. 4.51. Зависимость контролируемого параметра от времени и его аналитическое прогнозирование.
Рис. 4.52. Графики линейной функции
Коэффициенты аi при принятой зависимости W(t) определяются неоднозначно, так как через область значений может быть проведено множество кривых. В связи с этим при определении значений аi используются критериальные методы, наибольшее распространение из которых получил метод наименьших квадратов.
Метод наименьших квадратов основан на том, что функцияW(i) наилучшим обраpом описывает совокупность фактических значений динамического ряда при условии, что сумма квадратов QK отклонений значений от значений W(it),которые будут вычислены по априорно выбранной функции, является наименьшей:
(4.29)
С учетом уравнения (4.28) QKmin имеет вид
Коэффициенты ai должны удовлетворять условию минимума Qk по каждой переменной ai, т.е. .
Степень полинома для судовых систем обычно выбирают не более трех, так как прогнозируемые постепенные изменения состояния систем происходят не быстрее закономерностей, описываемых, полиномом третьего порядка.
В практических задачах прогнозирования ТС СЭО и ЭСА широкое применение находят также линейная, экспоненциальная и другие элементарные математические функции, которыми могут быть аппроксимированы экспериментальные зависимости параметров элементов, приборов и узлов систем от времени.
Линейная функция (рис. 4.52)
используется при постоянной скорости изменения функции
Коэффициенты ао и а1 в общем случае могут быть определены методом наименьших квадратов из условия :
откуда коэффициенты линейной функции будут иметь вид
при условии, что
При периодическом контроле коэффициенты а0 и а1 могут уточняться, например, путем вычисления и по двум последним значениям функции , т.е. по значениям и . При этом решается система
и получается следующее прогнозирующее выражение:
Линейной зависимостью можно описать изменение контактного сопротивления различных переключателей, предохранителей от времени воздействия температуры, изменение параметров полупроводниковых приборов и др. Линейная функция может эффективно использоваться для прогнозирования параметров, в том числе и ресурса СЭО и ЭСА на относительно небольшой промежуток времени, например, на один интервал времени между контрольными измерениями при периодическом контроле. При этом каждое очередное прогнозирование,на один интервал времени начинается с точки последнего контрольного измерения.
Экспоненциальная функция- (рис.4.53) также широко применяется на практике.
где а,b- коэффициенты, определяемые по .
При вычислении неизвестных коэффициентов а и b по двум значениям и прогнозирующая зависимость находится путем решения системы
в виде
(4.30)
Рис. 4.53. Графики экспоненциальной функции
Рис. 4.54. Зависимость контролируемого параметра от времени и вероятностное
прогнозирование
Экспоненциальной функцией можно описать, например сопротивления изоляции СЭО от времени.
Пример. В процессе эксплуатации было измерено сопротивление изоляции R асинхронного двигателя в моменты t1=1000ч, R(ti)=0,5*106 Ом и t2=5000ч,R(t2)=0,4*106 Ом.
=0,4-10s Ом. По результатам измерений произвести прогноз сопротивления изоляции двигателя на 4000 ч вперед, полагая экспоненциальной зависимость R(t).
По результатам измерений произвести прогноз сопротивления изоляции двигателя на 4000 ч вперед, полагая экспоненциальной зависимость R(t).
Прогнозирующая зависимость сопротивления изоляции от времени по двум значениям R(ti) и R(t2) находится в виде (4.30)
Сопротивление изоляции в момент t=9000ч.
Ом
Вероятностное прогнозирование. В общем случае вероятностное прогнозирование процесса изменения ТС сводится к установлению закона распределения параметра (или параметров), характеризующего ТС, и к вычислению вероятности выхода или невыхода прогнозируемого процесса за установленные пределы в будущем.
Вероятностное прогнозирование применяют в тех случаях, когда изменение контролируемого параметра ТС достаточно сложно. Задача формулируется следующим образом (рис. 4.54).
Известны значения параметра в интервале времениТ1 в моменты ti,i=1,2,...,n; .Нужно определить вероятность сохранения объектом работоспособности в будущем, т.е. что функция не выйдет за допустимые значения в моменты времени . При этом учитывается плотность распределения значений с математическим ожиданием и дисперсией
Если закон распределения известен, то вероятность сохранения работоспособности определяется по формуле
где -плотность распределения значений во временном сечении tj.
Если с помощью известных теоретических законов не удается описать полученное экспериментальное распределение, то при прогнозировании вероятность сохранения работоспособности может быть оценена с помощью вероятностного неравенства Чебышева
где значения и устанавливаются экспериментально.
Вероятностное прогнозирование может быть также реализовано в процессе эксплуатации СЭО и ЭСА путем вычисления по результатам контроля вероятности безотказной работы P(t) и других характеристик надежности в необходимые будущие моменты времени. Для этого выбирается период обработки результатов контроля параметров объекта или группы однотипных объектов
где r-количество периодов контроля; -период контроля. Для каждого периода ТП1, ТП2…,Тпi, вычисляется вероятность безотказной работы , и т.д. Полученный ряд описывается аналитически (например, многочленом) для получения зависимости P(t) и вычисления вероятности безотказной работы, средней наработки до отказа:
и других характеристик надежности в необходимые будущие моменты времени.
Ряд может определяться статистически по данным контроля однотипных объектов с помощью соотношения
где n(t)-число отказавших объектов за время t; N(0)-число работоспособных объектов в начальный момент времени.
Для вероятностного прогнозирования из k контролируемых параметров выбирается один обобщенный параметр , учитывающий изменение всех параметров, или один параметр , которому соответствует наименьшая величина .
0…1000 | 1000…2000 | 2000…3000 | 3000…4000 | 4000…5000 | |
Пример. В процессе эксплуатации проводилось наблюдение за N(0) = 120 автоматическими выключателями (АВ) и учитывалось количество их отказов
Определить вероятность безотказной работы АВ(вероятность невыхода параметров ТС АВ за допустимые пределы) за 6000ч и ожидаемое количество отказов АВ за 5000…6000ч.
Вероятность безотказной работы АВ оценивается по формуле
Полученная зависимость P(t) практически не отличается от прямой линии (рис.4.55) и может быть представлена линейной функцией времени
где a0=1- представляет собой отрезок, отсекаемый на ординате линией P(t), a а1 может быть определен по точке Р(5000) =0,82=a0+ai*5000 в виде ai=[P(5000)— a0]/5000=-3,6*10-5 l/ч.
Таким образом P(t) за время 0...5000 ч описывается формулой P(t) = 1—3,6*10-5 t и при прогнозе за 6000 ч составит
Прогнозируемое количество отказавших АВ за 6000ч составит n(6000)=[1-P(6000) ]/N(0) = (l-0,78)*120 26, т.е. за период =5000...6000 ч ожидаемое количество отказавших АВ составит 4 шт.