Doctoral thesis

Univerzita obrany
Fakulta vojenských technologií
Kombinace diagnostických metod pro
zvyšování odolnosti technických
systémů k poruchám
Teze disertační práce
Školitelé:
doc. Ing. Zbyněk Růžička, CSc.
prof. Ing. Václav Přenosil, CSc.
Brno 2009
Ing. Václav Křivánek
Abstrakt
S rostoucí složitostí technických systémů neustále stoupají nároky na jejich spolehlivost. Proto bylo v posledních letech věnováno značné úsilí rozvoji metod, které
umožňují dosahovat vyšší provozní spolehlivosti a bezpečnosti. Základním stavebním
kamenem těchto zařízení je schopnost včasné detekce & lokalizace poruch.
Tato disertační práce se zabývá kombinací diagnostických metod používajících matematický model s metodami zpracovávajícími měřená data ze systému pro generování tabulky příznaků poruch. Spojením metody analytických redundantních vazeb
(angl. Analytical Redundancy Relations) s klasifikační metodou LAMDA (angl. Learning Algorithm for Multivariate Data Analysis) je dosahováno lepších výsledků než
užitím metod samostatných. Pro demonstraci výsledků posloužil model vodního systému se dvěma nádržemi. Na třech případových studiích jsou doloženy výhody tohoto
spojení. Mimo to byla prakticky prokázána vhodnost klasifikačních metod pro proces
evaluace residuí z analytických redundantních vazeb.
V druhé části se disertační práce zabývá hodnocením spolehlivosti pohonné jednotky bezpilotního prostředku pomocí prediktivní analýzy. Takto optimalizovaná struktura je dále využívána pro aplikaci aktivních metod zvyšování spolehlivosti. Generalizační schopnost umělé neuronové sítě byla využita pro vytvoření mechanismu degradace funkcí systému po poruše.
Součástí práce je podrobný popis všech dosažených výsledků, jejich diskuze a celkový přínos k řešené problematice.
Klíčová slova
Systémy odolné proti poruchám, Analytické redundantní vazby, Tabulka příznaků poruch, Umělé neuronové sítě, Aktivní metody zvyšování spolehlivosti, Detekce & lokalizace poruch, FDI, ARR, LAMDA, SALSA.
1
Obsah
1
Úvod
3
2
Systémy se zvýšenou spolehlivostí
2.1 Fyzická a analytická redundance . . . . . . . . . . . . . . . . . . . . . . .
2.2 Pasivní a aktivní metody . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3 Systémy odolné k poruchám . . . . . . . . . . . . . . . . . . . . . . . . . .
4
4
4
5
3
Diagnostika & lokalizace poruch
3.1 Metody založené na modelu . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Metody založené na znalostech . . . . . . . . . . . . . . . . . . . . . . . .
3.3 Metody založené na datech . . . . . . . . . . . . . . . . . . . . . . . . . .
7
7
8
8
4
Teze
4.1 Automatické generování tabulky příznaků poruch . . . . . . . . . . . . .
4.2 Rekonfigurace systému . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.3 Zvolené metody řešení . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
9
9
10
5
Automatické generování tabulky příznaků poruch
5.1 Analytické redundantní vazby . . . . . . . . .
5.2 Klasifikační metoda LAMDA . . . . . . . . . .
5.3 Popis vodního modelu . . . . . . . . . . . . . .
5.4 Analýza ARRs vodního modelu . . . . . . . . .
5.5 Kombinace ARRs s klasifikací LAMDA . . . .
.
.
.
.
.
11
11
11
12
13
14
6
Rekonfigurace systému
6.1 Hybridní pohon bezpilotního prostředku . . . . . . . . . . . . . . . . . .
6.2 Prediktivní analýza spolehlivosti SHP . . . . . . . . . . . . . . . . . . . .
6.3 Rekonfigurace hybridního pohonu . . . . . . . . . . . . . . . . . . . . . .
16
16
16
17
7
Výsledky disertační práce
18
Seznam použité literatury
2
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
20
1
Ú VOD
1
3
Úvod
S rostoucím rozvojem technického vybavení a jeho větší složitostí, vzrůstá i význam oborů zabývajících se předcházení poruchám. V elektrotechnice sahají počátky
až k prvním číslicovým počítačům navrhovaných ve čtyřicátých letech 20. století. Součástky, ze kterých byly tyto stroje sestaveny, měly značně neuspokojivé spolehlivostní
parametry. To zákonitě vedlo konstruktéry k hledání dalších metod, kterými by bylo
možné vytvořit systémy odolné k poruchám. Celosvětově první úspěšnou realizací takového systému byl československý reléový počítač SAPO zkonstruovaný na počátku
padesátých let (5).
Společným rysem metod předcházení poruchám je jejich limitovanost k dosahovaným výsledkům, protože se snižováním intenzity poruch neúměrně narůstají náklady na realizaci těchto opatření. Mimo to existují i fyzikální překážky, jejíchž zdolání
nemusí být vždy možné. Přesto zaujímají tyto metody zvyšování inherentní spolehlivosti významné místo v řízení spolehlivosti technických systémů. Poruchám je možné
předcházet při návrhu, výrobě i provozu. Ve fázi návrhu lze výslednou spolehlivost
ovlivňovat volbou součástkové základny a spolehlivou technologií s ohledem na podmínky, v jakých bude konstruované zařízení pracovat. Stejnou roli hraje při výrobě
vstupní i výstupní kontrola použitých součástek a materiálů. To samé platí i pro samotný provoz systému. I během něj musí být dodržovány provozní podmínky, periodická údržba aj.
Pravděpodobnost, že během technického života dojde k poruše, nelze nazvat nereálnou. Místo abychom se jí úzkostlivě bránili, je lepší si situaci připustit a připravit se
na ni. Z tohoto důvodu se již ve fázi návrhu zařízení podnikají kroky vedoucí k tomu,
že se porucha neprojeví na chování systému vůbec popř. pouze minimálně. Implementují se procedůry, které např. spouští záložní bloky, snižují výkonnost, omezují
repertoár funkcí apod.
Klíčovou roli v systémech odolných k poruchám hraje detekce poruch, nebot’ lze
správně reagovat pouze na poruchy, které jsou známé. Proto se tato disertační práce
zaměřuje právě na oblast detekce & lokalizace poruch. Existuje celá řada sofistikovaných metod, jak poruchy v technických systémech odhalovat, nicméně se tu stále
skrývá mnoho neprobádaného. Tato práce si klade za cíl vytvořit diagnózu kombinací
dvou zcela odlišných diagnostických přístupů: metod používajících matematický model zkoumaného systému a metod zpracovávajících měřená data ze systému.
Sekundárním cílem této disertační práce je prozkoumat možnosti využití umělých
neuronových sítí pro potřeby degradace systému po poruše. Generalizační schopnosti
UNS a jejich vhodnost pro implementaci do řídicího systému letounu jsou testovány
na modelu pohonné jednotky malého bezpilotního prostředku.
Svoji disertační prací navazuji na zkušenosti získané pod vedením prof. Václava
Přenosila na Projektu obranného výzkumu (POV) „Záznam II – Záznam poškození
cíle“ a s ním související další úkoly v rámci Vnitřní grantové agentury Vojenské akademie. A dále na svoji diplomovou práce pod vedením prof. Louise Travé-Massuyès
a doc. Audine Subias z LAAS1 –CNRS2 , která vznikla na závěr mého postgraduálního
studia na SUPAERO3 v Toulouse.
1
Laboratoire d’Analyse et d’Architecture des Systèmes
Centre National de la Recherche Scientifique
3
Ecole Nationale Supérieure de l’Aéronautique et de l’Espace
2
4
2
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
Systémy se zvýšenou spolehlivostí
Pro řadu složitějších technických aplikací se klasická regulace zpětnovazební smyčky stává nedostatečnou. V případě výskytu poruchy akčního členu, senzoru nebo
některého z prvků regulovaného systému přestává zpětnovazební smyčka plnit svůj
úkol, či je jeho plnění přinejmenším omezeno. Proto došlo k rozvoji metod obecně nazývaných jako řízení odolné k poruchám (angl. Fault-tolerant Control FTC).
Hlavním úkolem, se kterým se systémy odolné k poruchám musejí vypořádat, je
návrh řídicího obvodu (angl. controller) včetně k tomu potřebné infrastruktury uspořádané tak, aby tyto systémy dokázaly garantovat dostatečnou stabilitu a výkonnost
i v případě výskytu poruchy libovolného prvku zpětnovazební smyčky (11). Zařízení
s implementovaným FTC vyžaduje zvýšené náklady ve fázi návrhu a výroby, jelikož si tento přístup žádá dodatečnou implementaci technického vybavení. Na druhou
stranu je fáze provozování systému pozitivně ovlivňována. Jde např. o úspory plynoucí z efektivní údržby a prodloužení celkového života systému jako celku.
Základním přístupem při zvyšování provozní spolehlivosti jsou systémy zajištěné
proti poruše (angl. Fail-Safe). Tato zařízení jsou schopná ustát výskyt jedné poruchy
bez pozorovatelné změny v chování či výkonnosti. Naproti tomu jsou systémy odolné
k poruchám schopné snížit svůj výkon po výskytu poruchy v systému. Dosahují toho
změnou vlastností regulační smyčky. Systémy odolné k poruchám jsou implementovány pomocí ad hoc metod, přesto vychází převážně ze systémového přístupu a dobře
definovaného zadání cílů ve fázi návrhu.
2.1
Fyzická a analytická redundance
Nejjednodušší způsob, jak dosáhnout vyšší spolehlivosti navrhovaného systému, je
použití jednotlivých komponent s vysokou spolehlivostí. To si klade zvýšené investice
především do technologického vybavení výrobních linek a výstupní kontroly jakosti.
Dalšího navýšení výsledné spolehlivosti lze docílit použitím paralelních struktur (angl.
Static Redundancy), kde je vstupní signál současně přiváděn do několika identických
bloků (senzorů, akčních prvků, procesorů, softwaru apod.) a jejich výstupy působí na
společný sumátor. Srovnáním hodnot na zálohovaných prvcích lze zjistit, zda na některém z nich nastala porucha, přičemž se jednotlivé vstupy bloků nesmějí navzájem
ovlivňovat. Výsledná spolehlivost takovéhoto uspořádání je dána množstvím opakujících se komponent a je větší než spolehlivost nejkvalitnější z nich (10). Proto se používají všude tam, kde je vyžadována vysoká spolehlivost systému jako jsou např. jaderné
elektrárny, letectví, kosmonautika aj.
Pokud FTC využívá spíše práci s informacemi než s fyzickými prvky, mluvíme
o analytické redundanci popř. funkční redundanci. Tento přístup vyžaduje detailní
znalost procesů probíhajících uvnitř systému. Při ztrátě některé informace v důsledků
působení poruchového stavu, je tato nahrazena jinou.
2.2
Pasivní a aktivní metody
Pasivní metody zvyšování spolehlivosti se především opírají o fyzickou redundanci. Předpokládají implementaci vysoce spolehlivých konstrukčních prvků již při
2
S YSTÉMY SE ZVÝŠENOU SPOLEHLIVOSTÍ
5
volbě součástkové základny a především pak při výrobě samotné. Mimo to používají
postupy jako např. (10):
• předimenzování,
• prověřování kvality konstrukčních prvků v různých fázích výroby,
• propracovaný systém údržby.
Dostatečné množství redundantních vazeb poskytuje prostor pro začlenění aktivních metod zvyšování spolehlivosti. Ty spočívají v reakci na poruchy uplatněním principů degenerace systému, rekonfigurace systému či degradace funkcí systému. Aktivní
metody vyžadují začlenění dodatečných technických prvků a zavedení podpůrných
provozních opatření (12).
2.3
Systémy odolné k poruchám
Na obrázku 1 je uvedeno obecné schéma uspořádání systému odolného k poruchám. Obsahuje čtyři základní části: řízený systém včetně akčního členu a senzoru;
blok pro detekci & lokalizaci poruch (angl. Fault Detection & Isolation FDI); zpětnovazební regulátor a blok dohledu (angl. Supervision). Tlusté čáry představují toky signálů,
Obr. 1: Systém odolný proti poruchám s blokem dohledu
čáry přerušované adaptace, jako např. rekonfigurace, restrukturalizace apod. Předpokládejme, že potencionální porucha může působit na regulovaný systém, akční členy
nebo senzory. Jednotka FDI poskytuje bloku dohledu informace o výskytu poruch, jejich poloze a důsledcích na základě zpracování vstupních a výstupních signálů. Blok
dohledu rozhoduje podle těchto informací o rekonfiguraci jednotlivých prvků systém,
popř. řídí zpětnovazební regulátor tak, aby byly projevy poruchy potlačeny.
Blok detekce & lokalizace poruch hraje významnou roli v aktivních metodách zvyšování spolehlivosti technických systémů. Na základě signálů zjištěných pomocí měření ze zpětnovazební smyčky a a priori znalostí zakomponovaných do příslušného
matematickém modelu systému se rozhoduje o tom, zda, kde a jaký typ poruchy se
ve sledovaném systému vyskytl. Při volbě modelu se tradičně dává přednost kvantitativním modelům před kvalitativními nebo a priori znalostními kvůli jejich rychlosti
a přesnosti. Kvantitativní modely vyžadují sice vyšší množství znalostí o dynamice
6
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
chování uvnitř regulovaného systému, ale současně poskytují mnohem přesnější informace pro potřeby rekonfigurace, nebot’ dokáží poškozený prvek přesněji lokalizovat,
a tak docílit jeho efektivnější náhrady.
Systém FDI by měl poskytovat co možná nejpřesnější informace o výskytu poruch,
ale současně být pokud možno inherentní k falešným poplachům. Blok dohledu by
v takovém případě mohl zhodnotit situaci a přistoupit k rekonfiguraci systému, i když
k tomu nejsou dány objektivní příčiny. Větší množství takovýchto falešných poplachů může způsobit nestabilitu celého řídicího procesu. Rovněž jsou kladeny zvýšené
požadavky na spolehlivost samotného systému FDI, ta musí být logicky vyšší než spolehlivost monitorovaného systému.
Úkolem bloku dohledu je za pomoci informací z bloku FDI vybrat nejvhodnější řídicí funkci. Někdy se může jednat pouze o úpravu parametrů, jindy dokonce o změnu
celé struktury. Blok dohledu musí také rozhodnout, jaký vliv má vyvstalá porucha na
výkon systému a jakým způsobem lze monitorovaný systém stabilizovat. V posledních
letech roste úsilí na rozvoj aktivních metod potlačujících projevy poruch.
2.3.1
Plánování a vývoj FTC
Proces implementace prvků zvyšujících spolehlivost nelze v žádném případě oddělit od vývoje nového zařízení. Již v raném stádiu plánování nového systému musí
být definovány požadavky na celkovou spolehlivost a prostředky, jak těchto cílů dosáhnout. Společně s hlavním systémem se vyvíjí jeho podpůrné části zvyšující spolehlivost, tento proces nekončí ani po uvedení zařízení do provozu. Nové a nové poznatky
z provozování zařízení jsou opakovaně implementovány, jak do bloku detekce & lokalizace poruch, tak i do bloku dohledu. Proces návrhu systémů odolných k poruchám
lze rozdělit do tří základních kroků (11):
• Analýza požadavků – provádí se spolehlivostní analýza jednotlivých komponent, analýza způsobů a důsledků poruch a analýza spolehlivosti systému.
• Návrh redundancí – stanovují se všechny existující redundance, jejich podstata
i místo v systému. Každý systém FTC musí být vybaven dostatečnou množinou
redundancí, které umožňují flexibilní řízení vedoucí k potlačení projevů poruchy.
• Návrh mechanismů potlačujících projevy poruchy – sestavují se procedury reakcí na každou jednotlivou poruchu.
2.3.2 Česká škola
Jistou alternativu řešení systémů odolných k poruchám nastínili ve svých publikacích profesoři M. Novák a V. Přenosil. Neopírají se o a priori znalosti, či o analytický
(matematický) model zkoumaného systému, ale vycházejí pouze z naměřených dat.
Jimi navrhovaný postup lze shrnout do tří technologických fází (12):
• Diagnostická analýza systému – stanovuje se množina signifikantních charakteristik systému – markerů, popisujících stav systému a umožňujících predikci
technického stavu systému.
• Sběr dat – soustava markerů je výchozí pro výběr čidel a konstrukční úpravy
komponent systému do takové podoby, aby bylo možno s markery pracovat.
• Vyhodnocení dat představuje operace nad časovými řadami markerů a následné
zobrazení (vizualizaci) výsledků.
3
D IAGNOSTIKA & LOKALIZACE PORUCH
3
7
Diagnostika & lokalizace poruch
Hlavním cílem technické diagnostiky je včasné odhalování poruch. Rozvíjející se
porucha musí být zachycena v samotném prvopočátku, ještě dříve než bude moci plně
vypuknout popř. ovlivnit provozuschopnost systému jako celku. Včasné odhalení poruchy s sebou přináší zvýšení bezpečnosti celého systému a tím i následnou možnost
efektivního plánování údržby, což se pozitivně odráží ve zvýšení produktivity systému. Koncept diagnostiky poruch lze rozdělit do tří částí (3):
• Detekce poruch – zjištění času, výskytu poruchy ve funkčním systému.
• Lokalizace (izolace) poruch – vyhledání místa zasaženého poruchou.
• Analýza poruch – stanovení typu, závažnosti a příčin poruchy.
Diagnostické metody mohou byt rozděleny na ty, které používají a priori znalosti
(např. metody používající model systému) nebo na ty, řídící se pouze empírií (např.
expertní systémy, statistické a nestatistické metody). Oba přístupy využívají modely
a data, ale jejich přístup k diagnostice je fundamentálně odlišný. První přístup využívá
analytické znalosti založené na hlubokém poznání fyzikálních vazeb uvnitř systému,
druhá skupina pak operuje pouze s množinou dat získaných především měřením či
pozorováním. Tyto odlišné přístupy k detekci & lokalizaci poruch lze rozdělit do tří
základních skupin podle toho, jaké prostředky převážně používají, viz obr. 2.
Obr. 2: Metody a prostředky technické diagnostiky
3.1
Metody založené na modelu
Zahrnují kvantitativní modely vzniklé na základě fyzikálních znalostí popisovaného systému a kvalitativní modely vycházející ze struktury daného systému a vazeb
mezi jeho komponentami. Podstatou diagnostických metod pracujících s modely je generování a zpracování signálů, které označujeme jako příznak poruchy, symptom nebo
8
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
též residuum. Residuum je jakýkoliv signál, který reflektuje souvislosti získané měřením vůči modelu chování systému. Aby bylo možné aplikovat diagnostiku založenou
na modelu do praxe, je třeba podstoupit následující tři kroky, viz obr. 3:
1. Generování residuí – tvorba signálů či symptomů reflektujících poruchy.
2. Evaluace residuí – rozhodování, zda v daném čase porucha nastala či nenastala.
3. Analýza poruchy se snaží odhalit typ poruchy, její rozsah popř. důsledky.
Obr. 3: Struktura FDI užívající analytickou redundanci
Mezi nejvýznamnější vlastnosti těchto systémů patří citlivost na poruchy a schopnost je odhalovat již v počátečním stádiu. Přesto musí být dostatečně inherentní k falešným poplachům. Proto bývá kvalita detekce poruch hodnocena jako poměr citlivosti
na poruchu k frekvenci falešných poplachů.
3.2
Metody založené na znalostech
Slabinou metody založených modelu nutnost relativně detailní matematický popis
zkoumaného systému. Pro velmi rozsáhlé systémy nemusí být tyto informace vždy
k dispozici a jejich získání bývá finančně či časově velmi náročné. Možnou alternativou
je použití znalostní báze či expertní systémy. Tyto metody jsou primárně založeny na
kvalitativních modelech, expertních znalostech, detailním popisu systému apod.
3.3
Metody založené na datech
Výhodou metod založených na datech je skutečnost, že k lokalizaci poruch není
nutný matematický ani strukturální model zkoumaného systému. Naproti tomu je
třeba mít k dispozici velké množství historických dat získaných měřením na skutečném systému. Analýza procesu měření systému udává polohu a směr trajektorie ve
stavovém prostoru. Odtud je možné extrahovat informaci o poruše srovnáním jednotlivých poloh a směrů trajektorií ve stavovém prostoru s výskytem poruchy v minulosti.
Nejvýznačnějšími jsou statistické metody a umělé neuronové sítě.
4
T EZE
4
9
Teze
Cíle disertační práce lze volně rozdělit na dvě samostatné části. První část se zabývá
spojením výhod diagnostických metod založených na modelu s metodami pracujícími
s historickými daty. Druhá část si pak klade za cíl navrhnout proces rekonfigurace
systému po vzniku poruchy na některém z jeho podsystémů.
4.1
Automatické generování tabulky příznaků poruch
Kvalita systémů se zvýšenou spolehlivostí je přímo úměrná schopnosti bloku detekce & lokalizace poruch FDI přesně odhalovat místo propuknutí poruchy. Nejlepších
výsledků je ovšem dosahováno vzájemnou kombinací jednotlivých přístupů. Proto
jsem se rozhodl zkombinovat výhody metod založených na modelu s relativní snadnou ovladatelnosti metod pracujících s daty.
Metody založené na modelu pracují s matematickým modelem systému. Pomocí
vstupních / výstupních dat systému a vstupních / výstupních dat modelu generují residua jako rozdíl mezi chováním systému od předpokládaného chování modelu. Jako
reprezentanta tohoto přístupu jsem si vybral metodologii analytických redundantních
vazeb (angl. Analytical Redundancy Relation ARR) z kategorie paritního prostoru (3). Porucha v systému je detekována jako změna hodnoty příslušné analytické redundantní
vazby. Pokud v systému vznikne porucha, změní se příslušná ARR z hodnoty blížící se
nule na hodnotu blízkou jedničce. Rozdělením intervalu ARR ∈ h0, 1i prahovou hodnotou ξ vznikají residua, kdy hodnota jedna značí výskyt poruchy, a naopak nula bezporuchový stav systému. Hlavní výhodou této metody je její transparentnost a vhodnost pro popis vzájemných vztahů mezi jednotlivými komponentami systému.
Metody založené na datech doznaly velkého rozmachu díky technikám strojového
učení (4; 7; 8). Dokáží vcelku věrně vytvořit třídy pro rozdílná chování systémů na
základě změn v klasifikovaných datech. Tyto metody se velmi často opírají o princip
černé skříňky a staví na statistických metodách či umělé inteligenci. Z klasifikačních
metod jsem vybral metodu LAMDA (angl. Learning Algorithm for Multivariable Data
Analysis). Její předností jsou velmi dobré výsledky klasifikace jednotlivých tříd. Proti
jiným metodám má však komplikovanější algoritmus řešení.
Cílem mé disertační práce je vytvořit most mezi metodami založenými na datech
a na modelech. Jako prostředek tohoto spojení poslouží proces automatického generování tabulky příznaků poruch pomocí metody analytických redundantních vazeb ARR
a klasifikační metody LAMDA. Samotný proces lze ilustrovat na obr. 4. Stejně tak jak
FDI metody s modely, tak i s daty využívají vstupně / výstupní data systému získávané pomocí měření fyzikálních veličin. ARRs jsou vytvořeny na základě analytických
vztahů mezi prvky systému, kdežto jednotlivé třídy chování podléhají klasifikačnímu
algoritmu, do kterého může vstupovat expert-člověk. Kombinací těchto dvou kvantitativních metod vznikne nový, komplexnější model chování sledovaného systému.
4.2
Rekonfigurace systému
Pokud již v systému vznikne porucha, řídicí systém má několik možností, jak této
nové situaci čelit. Jednou z nich je přehodnotit priority při dosahování uložených cílů
10
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
Obr. 4: Spojení dvou FDI přístupů: metod založených na datech a na modelech
a uzpůsobit se novým provozním podmínkám změnou uspořádání klíčových prvků
systému tzv. rekonfigurací systému (10; 11).
Cílem druhé části disertační práce je v praxi vyzkoušet generalizační schopnosti
umělých neuronových sítí a jejich vhodnost pro aktivní metody zvyšování spolehlivosti systémů. Na modelu hybridního pohonu autonomního bezpilotního prostředku
bude vyzkoušen mechanismus degradace funkcí po poruše. Součástí této kapitoly je
i prediktivní analýza navrženého konceptu s kvantitativním vyjádřením přírůstku spolehlivosti zálohováním klíčových prvků pohonu.
4.3
Zvolené metody řešení
Pro realizaci obou vytčených cílů byl vždy zvolen vhodný systém poskytující svojí
složitostí dostatek prostoru pro demonstraci možných úskalí. V prvním případě se
jedná o systém se dvěma vodními nádržemi, v případě druhém o prototyp hybridního
pohonu UAV, na jehož vývoji jsem se během doktorského studia podílel.
Získaná data jsou zpracovávána pomocí programů MATLAB, SIMULINK, MAPLE,
SALSA a STATISTICA. Následné analýzy jsou prováděny jednak ručně nebo s pomocí
MATLABu. V obou případech bylo prověřeno několik případových studií pro odlišné
stavy chování systémů. Učiněné závěry jsou následně reprezentovány pomocí tabulek
a grafů.
5
A UTOMATICKÉ GENEROVÁNÍ TABULKY P ŘÍZNAK Ů PORUCH
5
11
Automatické generování tabulky příznaků poruch
Tato kapitola popisuje práci a dosažené výsledky při pokusu spojit dvě naprosto
odlišné techniky detekce & lokalizace poruch, kvantitativní metody založené na modelech a metody zpracovávající měřená data. V první části kapitoly jsou uvedeny teoretické poznatky k použitým metodám. V druhé části je pak popsán matematický
model, na který jsou obě metody aplikovány a třetí, poslední část následně obsahuje
získané závěry syntézy obou metod.
5.1
Analytické redundantní vazby
Analytická redundantní vazba (angl. Analytical Redundancy Relation ARR) je vztah
mezi modelem systému SM a množinou všech pozorovaných veličin OBS (1). Jsou
používány pro ověřování soudružnosti pozorování s přihlédnutím k modelu systému
SM. Hodnoty ARRs jsou vyhovující, pokud chování pozorovaného systému koreluje
s bezporuchovým stavem modelu. ARRs lze získat z modelu systému SM eliminací
neznámých proměnných X. Vzájemnou kombinací množiny ARR o n rovnicích s množinou příznaků poruch F = {F1 , F2 , . . . Fm } vznikne tabulka (matice) příznaků poruch
(angl. Fault Signature Table) o rozměrech n × m.
V tabulce příznaků poruch je každý prvek modelu systému SM obsažen a měla
by mu příslušet nejméně jedna analytická redundantní vazba. Řádek tabulky Db postihuje tuto skutečnost. Je-li Db = 0, pak se na příslušném řádku tabulky nevyskytuje
ani jednou „1“ a poruchu v daném prvku systému nelze detekovat. Aby bylo možné
jednotlivé poruchy v modelu systému SM od sebe navzájem odlišit, tedy poruchu
jednoznačně izolovat Ib , musí být každý vektor ARRi unikátní Ib = 1. Pakliže tomu
tak není, je třeba tabulku příznaků poruch rozšířit o další řádek. Nejčastěji se jedná
o zavedení dalších senzorů (2) nebo následnou dekompozici prvků modelu. Opačnou
možností je naopak redukce modelu systému SM.
Aby bylo možné rozhodnout o výskytu poruchy, musí být každá analytická redundantní vazba transformována na residuum pomocí srovnání s prahovou hodnotou ξi .
Při překročení prahové hodnoty ξi analytickou redundantní vazbou lze prohlásit, že
se v systému nachází porucha.
5.2
Klasifikační metoda LAMDA
Metoda LAMDA je nerigidní metodologie klasifikace a shlukování na základě všech
vlastností deskriptorů. Je založena na nalezení obecného stupně příslušnosti entity
k existujícím třídám s přihlédnutím ke všem příspěvkům každého z deskriptorů pomocí heuristických pravidel.
Samotný proces klasifikace metodou LAMDA lze rozdělit do tří dílčích kroků, viz
obr. 5. V prvním kroku se nejprve určí marginální stupně příslušnosti MAD11 , . . . MADn1 ;
MAD1m , . . . MADnm pro všechny deskriptory n s ohledem na třídy m např. podle
vztahů pro fuzzy úpravu binomické funkce (fr. fonction binomiale floue) (6):
(1−x̃ )
x̃n
MAD[xn |ρmn ] = ρmn
(1 − ρmn ) n
xn − xn,min
x̃n =
xn,max − xn,min
(1)
12
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
Obr. 5: Schéma procesu klasifikace entit do tříd metodou LAMDA
V druhém kroku se pro všechny MAD příslušných tříd určí globální stupeň příslušnosti GAD1 , . . . GADm pomocí funkce smíšeného spojení lineárních kompenzací L (angl.
Mixed Connection of Linear Compensation):
GAD[x|C] = αγ (MAD[x1 , C], . . . MAD[xp |C])
(1 − α)β(MAD[x1 |C], . . . MAD[xp |C])
(2)
Parametr α se volí v rozmezí 0 ≤ α ≤ 1 a nazývá se stupeň příslušnosti (angl. Exigency Level). V posledním, třetím, kroku se z vypočítaných GAD1 , . . . GADm vybere ten
s maximální nominální hodnotou jako reprezentant příslušné třídy n.
5.3
Popis vodního modelu
Aby bylo možné cíle vytknuté v disertační práci ověřit, bylo třeba zvolit jednoduše
uchopitelný a přesto dostatečně komplexní systém. Zvolil jsem si stejný model, jaký
se používá v rámci skupiny DISCO4 na LAAS–CNRS. Jedná se o soustavou dvou vodních nádrží, viz obr. 6, na jejímž výstupu je požadovaný proud kapaliny Qo . V systému
je použit PI i dvoustavovým „On–Off“ regulátor. Tento model je právě díky své jednoduchosti velmi dobře uchopitelný, především pak v něm probíhající fyzikální děje.
Nicméně se jedná o velmi komplexní nelineární systém jednak se spojitou, tak i diskrétní zpětnovazební regulační smyčkou (13). Dynamický popis vodního modelu:
p
mQp − Cvb · sgn(h1 − h2 ) |h1 − h2 | · mUb − Qf1
(3)
ḣ1 =
A1
p
√
Cvb · sgn(h1 − h2 ) |h1 − h2 | · mUb − Cvo · h2 · mUo − Qf2
˙
h2 =
(4)
A2
4
DIagnostic, Supervision et COnduite
5
A UTOMATICKÉ GENEROVÁNÍ TABULKY P ŘÍZNAK Ů PORUCH
13
Obr. 6: Funkční schéma vodního modelu s nádržemi
5.4
Analýza ARRs vodního modelu
V této části byly odvozeny analytické redundantní vazby pomocí kvantitativního
popisu, rov. 5 – 8 a pomocí strukturální analýzy metodou bond graphům (9). Ukázalo se,
že kvantitativní popis je mnohem svázanější s fyzikální podstatou modelu než popis
pomocí bond graphů. Ten sice také postihuje vazby mezi jednotlivými elementy modelu,
ale mnohem volněji a obecněji. Proto jsem v další práci pokračoval pouze s kvantitativním popisem:
q
ARR1 = −Cvb · sgn(my1 + ε1 − my2 − ε2 ) |my1 + ε1 − my2 − ε2 | · mUb +
dmy1 dε1
+ mQp + ε3 − Qf1 − A1
+
(5)
dt
dt
q
ARR2 = Cvb · sgn(my1 + ε1 − my2 − ε2 ) |my1 + ε1 − my2 − ε2 | · mUb −
p
dmy2 dε2
− Cvo · (my2 + ε2 ) · mUo − Qf2 − A2
+
(6)
dt
dt
ARR3 = mUp + ε4 − Kp (h1c − my1 (t) + ε1 ) −
Z
−Ki (h1c − my1 (t) + ε1 )dt
(7)

< mUp + ε4 < Qp max
 mUp + ε4 pro 0
0
pro mUp + ε4 ≤ 0
ARR4 = mQp + ε3 −
(8)

Qp max
pro mUp + ε4 ≥ Qp max
Na příkladu spojovacího ventily Vb jsem prakticky prokázal, že i v systému, kde neuvažujeme žádný šum nebo nepřesnosti v modelování, nemusejí být hodnoty analytických redundantní vazeb rovny nule. Proto jako další krok následuje volba vhodné pra-
14
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
hové úrovně ξi . Pokud by nebyly signály ARRs upraveny, detekční systém by vykazoval velké množství falešných poplachů. Zarušené signály ARRs jsem tedy filtroval pomocí jednoduchých klouzavých průměrů. Nejlepších výsledků vzhledem ke správné
detekci poruchy při minimálním časovém zpoždění dosáhlo zpracování pěti vzorků
časové řady ARRi .
Existují další možnosti evaluace residuí, kromě pevně nastavené prahové hodnoty ξi jsem experimentoval i s klasifikací ARRs pomocí metody LAMDA. Podařilo
se mi dosáhnout velmi dobrých výsledků klasifikace i přes poměrně značnou úroveň
šumu. Snad největším omezením tohoto přístupu je neschopnost lokalizace násobných
poruch. Jelikož se změní střední hodnoty klasifikovaných tříd, dokáže klasifikátor odhalit, že k takovéto situaci došlo. Nebude již ale možné s jistotou určit, které z komponent jsou postiženy poruchou. Možným řešením by bylo vytvoření speciálních tříd
pro všechny kombinace poruch, což je ovšem i u malých systémů úkol velice náročný.
5.5
Kombinace ARRs s klasifikací LAMDA
Během experimentu s automatickým generováním tabulky příznaků poruch byly
využity předchozí zkušenosti ze stanovování prahových hodnot ξ ARRs , algoritmus
jednoduchého klouzavého průměru a nepřímo i poznatky z klasifikace pomocí programu SALSA. Pro práci byl vytvořen scénář chování vodního systému obsahující
výskyt všech poruch v tomto pořadí:
•
•
•
•
•
100 – 150 s porucha pumpy P1 ,
400 – 450 s porucha PI regulátoru,
700 – 750 s zablokování ventilu Vb v poloze „zavřeno“,
1000 – 1050 s únik provozní kapaliny z nádrže T1 ,
1300 – 1350 s únik kapaliny z druhého rezervoáru T2 .
Práce byla rozdělena na dva samostatné úkoly, jejichž výsledky se následně statisticky pracovávaly. Jako první byl použit program SALSA ke klasifikaci jednotlivých
stavů systémů. Vstupní množinu určenou ke klasifikaci tvoří všechny známé veličiny
C vodního modelu uložené v souboru *.dat. Výsledky jsou ukládány do souboru *.RES.
Nezávisle na tomto kroku byly spočítány analytické redundantní vazby ARR 1 – ARR 4
pomocí simulace v Simulinku. Oba tyto dílčí výsledky jsou pak v Matlabu přivedeny
jako vstup do dalšího programu, který určí pomocí jednoduché statistiky vazby mezi
jednotlivými postupy. Přímým výstupem je tabulka příznaků poruch získaná pomocí
korelace mezi LAMDA klasifikací a jednotlivými residui daná vztahem:
ρ[r|C] =
N(ri |Ci )
nr=1
[%]
(9)
kde N(ri |Ci ) je počet residuí zahrnutých ve třídě Ci a nr=1 je počet residuí rovnajících
se hodnotě „1“.
Na třech třípadových studiích jsem se pokusil vygenerovat tabulku příznaků poruch spojením klasifikační metody LAMDA s ARRs. Uvádím zde třetí případ, kdy bylo
dosaženo nejlepších výsledků.
Pro klasifikaci jsme použil program SALSA5 obsahující všechny algoritmy metody
LAMDA. V prvé řadě bylo třeba z množiny vstupů C vyločit signály mVb a mUo z dal5
Situation Assessment using LAMDA claSsification Algorithm
5
15
A UTOMATICKÉ GENEROVÁNÍ TABULKY P ŘÍZNAK Ů PORUCH
šího zpracování jako redundantní, protože způsobují nepřípustné zdvojování výsledných tříd. Následovala úprava funkce programu SALSA „Context“, která stanovuje
minimální a maximální hodnoty deskriptorů zahrnutých do zpracování. V posledním
kroku bylo pomocí změny stupně příslušnosti α dosažené rozložení tříd tak, aby co
nejlépe odpovídaly jednotlivým stavům systému (jednotlivým poruchám komponent).
Veškeré poruchy jednotlivých komponent systému byly rozpoznány a byly k nim
vytvořeny odpovídající klasifikační třídy, viz tab. 1. Čtvrtá třída C 4 se používá pro
únik kapaliny z nádrže T1 a částečně i pro fázi obnovy po poruše. Navíc byla klasifikována samostatná třída C 8 neobsahující žádnou poruchu, pouze fází zotavení po
několika dílčích poruchách komponent. Součástí tab. 1 je i teoretická hodnota residuí
pro příslušné poruchy.
Tab. 1: Případová studie č. 3 – LAMDA klasifikace a teoretické rozdělení residuí
C1
C2
r1
r2
r3
r4
Porucha
Pomocná
C3
Třídy Ci
C4
C5
1
C6
C7
1
1
1
C8
1
1
1
Pumpa
Pumpa
Norm.
Tank 1
Rekon.6
PI reg.
Vb off
Tank 2
Rekon.
Rekon.
Tabulka 2 uvádí výsledek po provedení výpočtu korelace mezi LAMDA metodou
a residui. Právě díky nepřesné identifikaci úniku kapaliny z nádrže T1 je tato korelace
pouze 42,1 % (třída C 4). Třída C 8 částečně koliduje s residui r3 a r4 . Pokud bychom
jako hranici relevance stanovili hodnotu 75 %, pak budou všechny drobné odchylky
mezi metodou LAMDA a residui potlačeny, vyjma situace okolo třídy C 4.
Tab. 2: Případová studie č. 3 – Tabulka příznaků poruch
r1
r2
r3
r4
C1
0,5
0,9
0,0
0,0
C2
0,0
0,0
0,9
97,0
C3
0,0
0,0
0,0
100,0
Třídy Ci
C4 C5
42,1 0,0
0,0
0,0
0,0 98,0
0,0
0,0
C6
85,7
83,7
0,0
0,0
C7
0,0
79,3
0,0
0,0
C8
0,0
0,0
27,8
27,8
Takto vzniklá tabulka příznaků poruch dokazuje, že lze skloubit metody založené
na modelech s metodami využívající data. K tomuto výsledku bylo třeba ovšem dosáhnout velmi přesné klasifikace jednotlivých stavů zkoumaného systému. Jednalo se
především o úpravu „contextu“ a citlivou práci se stupněm příslušnosti α. Prokázalo
se, že není snadné klasifikovat některé poruchy klíčových komponent, jak je vidět na
příkladu nádrže T2 . K tomu by bylo třeba provést další nezbytné úpravy „contextu“
a stupně příslušnosti α, což lze pouze za cenu dalšího snížení obecnosti.
6
Rekonvalescence - fáze zotavení po poruše
16
6
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
Rekonfigurace systému
Tato kapitola popisuje možnosti zvyšování technické spolehlivosti pomocí aktivních metod. Na příkladu pohonné jednotky bezpilotního prostředku jsou demonstrovány některé principy zvyšování spolehlivosti. Kapitola samotná je rozdělena do tří
částí. V první části je popsána volba vhodného systému, následuje analýza redundantního zapojení pohonné jednotky a v závěrečné části je nastíněna možnost provedení
rekonfigurace po poruše pomocí umělé neuronové sítě.
6.1
Hybridní pohon bezpilotního prostředku
Pro potřeby této kapitoly jsem si vybral pohonnou jednotku malého létajícího bezpilotního prostředku UAV. Pohonná jednotka hraje v tomto projektu klíčovou roli, nebot’ je používána jako pohon pro podélný let, řízení změny vektoru tahu a v neposlední řadě i jako primární zdroj výroby elektrické energie na palubě letounu. Proto
bylo použito modifikované zapojení sériového hybridního pohonu SHP. Princip je následující: malý dvoutaktní spalovací motor pohání dva alternátory. Napětí alternátorů
po usměrnění slouží k dobíjení baterií a pohonu čtyř trakčních elektromotorů opatřenými vrtulemi. Generované napětí částečně slouží k napájení elektronického vybavení
UAV přes stabilizátory napětí. Aby bylo možné během letu spalovací motor opětovně
nastartovat, je použita dvojice třífázových regulátorů budících alternátory.
Podle předpokladů by měly pro přímočarý horizontální let stačit dva elektromotory. Druhý pár bude využíván jako pomocný např. při startu, přistání, náročných manévrech či poruše některého z trakčních motorů. Redundance klíčových prvků (elektromotory, baterie, alternátory) zvyšuje nejenom robustnost návrhu vůči poruchám,
ale slouží i ke zvýšení spolehlivosti jako celku.
6.2
Prediktivní analýza spolehlivosti SHP
V této části posuzuji vlastnosti základního zapojení sériového hybridního pohonu
a redundantního SHP pomocí prediktivní analýzy spolehlivosti. Cílem je kvantifikovat
přírůstek spolehlivosti použitím částečného zálohování některých prvků hybridního
pohonu výše popsaným způsobem oproti základnímu zapojení SHP.
Jako první jsem určil pomocí spolehlivostní analýzy střední dobu bezporuchového provozu základního zapojení SHP UAV. Nejdříve jsem kvantifikoval intenzitu
poruch λ. K práci byly použity částečně materiály výrobců, ale především se mé propočty opírají o americkou armádní normu Military Handbook MIL-217 Reliability Prediction of Electronic Equipment. Po tomto kroku jsem překreslil základní zapojení SHP
do podoby sériového uspořádání spolehlivostního modelu s nezávislými prvky a určil výslednou hodnotu jako sumu všech jednotlivých komponent λs = 1, 88 · 10−3 h−1 .
Střední doba bezporuchového provozu při použití exponenciálního zákona rozložení
je Ts = 531, 9 h. Následně jsem provedl citlivostní analýzu, abych určil nejslabší místo
pohonu. Tím se nakonec ukázal spalovací motor, baterie a vrtule UAV.
Nejen z důvodů zvyšování inherentní spolehlivosti SHP bylo přikročeno k jeho částečnému zálohování. Dalšími důvody bylo zlepšení chlazení některých prvků, vhodnější rozložení hmoty součástek SHP do draku bezpilotního prostředku či snížení
6
R EKONFIGURACE SYSTÉMU
17
hmotnosti prvků při současném zachování jejich jmenovitého výkonu. Výsledná střední
dobu bezporuchového provozu redundantního SHP je Tz = 767, 6 h.
Srovnáním Ts a Tz je vidět, že došlo k nárůstu inherentní spolehlivosti hybridního
pohonu o více než 44 %. Při provedení stejné citlivostní analýzy jako v případě základního zapojení SHP se ukazuje, že byl potlačen vliv spolehlivosti baterií a vrtulí. Na
druhou stranu ještě více vzrostl význam spolehlivosti spalovacího motoru.
6.3
Rekonfigurace hybridního pohonu
Jednou z možností, jak se systém může vyrovnat se vzniklou poruchou, je degradace některé z jeho funkcí, tj. jsou potlačeny jisté vlastnosti systému na úkor ostatních,
aby zařízení jako celek nadále uspokojivě vykonávalo svůj primární úkol. Předpis, jak
má degradační systém reagovat na projevy různých poruch může být uložen například v tabulce degradací. Lze si představit konstrukci takovéto tabulky pro jednu poruchu. U komplikovanějších systémů začíná být vytváření této tabulky pro více poruch
značně nepřehledné a zdlouhavé. V ideálním případě by bylo třeba vytvořit matici pro
2N existujících stavů, kde N je počet konstrukčních prvků systému. Z tohoto důvodu
je žádoucí najít vhodnější postup, možným řešením je řízení procesu degradací funkcí
a výkonu systému prostřednictvím umělých neuronových sítí UNS.
Jako první byla sestavena trénovací množina s velmi omezeným množstvím případů poruchy a reakcí degradačního systému na tyto poruchy. Při jejím sestavování
jsem vycházel z těchto předpokladů:
• bezpilotní prostředek je schopen vodorovného přímočarého letu i s jedním letovým motorem, není však již schopen plnit úkol dané mise;
• baterie uchovávají energii pouze na část letové mise;
• každý ze zdvojených prvků nelze dlouhodobě provozovat samostatně;
• při výskytu poruchy na některém z trakčních motorů se přednostně používají
vnější motory;
• je možný výskyt jen jedné poruchy, vícenásobné poruchy nejsou uvažovány.
Samotné učení probíhalo ve dvou fázích. V první fázi byla hledána vhodná topologie sítě, byly tedy prověřovány všechny dostupné typy sítí. Velmi dobrých výsledku
dosahovaly vícevrstvé perceptronové sítě (angl. Multilayer Perceptron MLP) a RBF (angl.
Rangl Radial Basis Function). V druhé fázi se experimentovalo pouze s těmito dvěma
typy UNS. Pro ověření generalizačních vlastností takto naučených sítí, byl vytvořen
kontrolní soubor obsahující kombinace poruch nepostižených trénovací množinou. Na
této množině byla posuzována kvalita rozhodování.
Jako první dosáhla uspokojivých výsledků UNS s deseti vstupními neurony, 140
neurony ve skryté vrstvě a s osmi výstupními neurony naučené algoritmem zpětného
šíření. Poté jsem přistoupil k další optimalizaci a vyzkoušel několik dalších struktur. Po
několika dílčích krocích a testování nejlepších výsledků dosahovala sít’ s deseti vstupními, 26 ve skryté vrstvě a sedmi výstupními neurony.
Na předloženém modelu hybridního pohonu bezpilotního prostředku je patrné, že
použití umělé neuronové sítě pro řízení degradace funkcí je velmi vhodné. Při použití
klasické degradační tabulky by bylo třeba pracovat s množinou 1 024 možných poruchových stavů hybridního pohonu. Pro vytvoření degradačního systému pomocí UNS
postačila množina o 24 primárních vzorech.
18
7
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
Výsledky disertační práce
Tato disertační práce se zaměřuje v teoretické rovině na problematiku systémů
odolných k poruchám. Jsou zde popsány obecné přístupy zvyšování spolehlivosti pomocí jak pasivních tak i aktivních metod. Nemalá pozornost byla věnována relativně
mladému oboru – prediktivní diagnostice, která si rychle nachází své místo v moderních zařízeních. Její velkou výhodou je schopnost snižovat provozní náklady a současně přitom zvyšovat celkovou spolehlivost systému.
Rozbor topologie systémů odolných k poruchám ukázal, že jednou z jejich nejdůležitější částí je blok detekce & lokalizace poruch FDI. Tento blok musí poskytovat včasnou výstrahu o vzniku poruchy s co nejpřesnější lokalizací jejího výskytu. Proto bylo
také nemalé úsilí věnováno popisu již existujících diagnostických metod. Zde jsem neustále narážel na dvě hlavní obtíže. Za prvé neexistuje v současné literatuře jednotná
klasifikace používaných metod. Každý z autorů navrhuje jiný způsob řešení a pokud
se již dva pisatelé shodnou na hrubé podobě dělení, zákonitě se rozcházejí v postoji
k dílčím metodám. Z tohoto důvodu jsem se ve svém výčtu metod FDI přidržel zažitých zvyklostí na francouzských ústavech LAAS–CNRS a LAGIS (6), kde jsem absolvoval pětiměsíční odbornou stáž a které jsou mi odborně nejbližší. Kapitoly popisující
rozdělení metod si velmi cením, nebot’ se jen velmi těžce hledá ucelený úvod do metod
FDI, nota bene v českém jazyce.
Praktickou část disertační práce jsem rozdělil do dvou na sobě nezávislých částí.
První polovina práce se zabývá automatickým generováním tabulky příznaků poruch,
v části druhé je použito generalizačních vlastností umělých neuronových sítí pro rekonfiguraci pohonné jednotky bezpilotního prostředku.
Zde se mi podařilo dokázat, že vhodnou kombinací metod založených na modelech
s metodami pracujícími s historickými daty lze vytvořit novou kvalitu detekce & lokalizace poruch. Obě metody přispívají k výsledku rovným dílem. U metody LAMDA se
projevila velká závislost na parametrech klasifikace a na vstupním souboru dat. Rovněž je pro získání relevantních výsledků také třeba jistá zručnost ze strany experta,
který klasifikaci provádí. Pomocí tří příkladů bylo postupně dosaženo velmi dobrých
výsledků klasifikace, které následně vytvořily v kombinaci s analytickými redundantními vazbami tabulku příznaků poruch statistickým srovnáním obou metod.
Podrobněji jsem se zaměřil na srovnání dvou odlišných přístupů získávání residuí.
Ukázalo se, že popis pomocí tzv. bond graphů si zachoval velkou obecnost popisu dějů
uvnitř zkoumaného systému bez ohledu na jejich fyzikální podstatu. Z tohoto důvodu
je v popisovaném případě vhodnější přístup kvantitativní, nebot’ je (na rozdíl od bond
graphů) svou podstatou přímo svázaný s jednotlivými parametry systému a výsledný
popis je tudíž jednodušší a srozumitelnější.
Detailním zkoumáním analytických redundantních vazeb ARRs se ukázala jejich
citlivost na vlastnosti chování některých komponent (parametrů) systému, v popisovaném příkladu to byl přepouštěcí ventil Vb , a citlivost na rušení měřených veličin.
Výběrem vhodného filtru lze většinu těchto nepříznivých jevů potlačit. Experimentoval jsem s několika filtry aplikujícími jednoduchý klouzavý průměr a podařilo se najít
takové řešení, které zajišt’uje dostatečné tlumení parazitních signálů při zachování minimálního zpoždění detekce poruchy.
Určitého pokroku jsem dosáhl v oblasti evaluace residuí, kdy jsem k tomuto účelu
použil kromě pevně nastavené prahové hodnoty ξ i klasifikační metodu LAMDA. Do-
7
V ÝSLEDKY DISERTA ČNÍ PRÁCE
19
sažené výsledky se vyznačují velkou odolností proti šumům. V této oblasti se již objevily popisy prvních úspěšných pokusů využití umělých neuronových sítí.
Celou kapitolu 5 jsem formuloval jako studii proveditelnosti. Na relativně přehledném příkladu jsem integroval metody založené na kvantitativních modelech s metodami zpracovávajícími měřená data. Do budoucna by bylo vhodné celý proces zopakovat z důvodu verifikace výsledků na komplexnějším systému a učiněné závěry prověřit. Celá snaha by měla vyústit do stavu, kdy u zkoumaného systému bude znám jeho
analytický popis pouze zčásti, avšak k dispozici bude dostatek historických dat. Kombinací metod LAMDA a ARR pak bude možné vygenerovat tabulku příznaků poruch,
která přinese do diagnostiky této soustavy nový rozměr. Konsekventně vzniknou nové
analytické redundantní vazby, které L. Travé-Massuyès nazývá kvalitativní ARRs (14).
Tato disertační práce dokazuje, že toto spojení lze prakticky realizovat.
Snaha snížit nároky na výpočetní kapacitu mě dovedla až ke kauzální analýze, kdy
jsem se zabýval myšlenkou, do jaké míry je pro analytické redundantní vazby důležitá
historie chování systému. Doložil jsem, že se pouze zvětší rozkmit hodnot dosahovaných ARRs, nicméně kvalita detekce poruch není zásadně ovlivňována. Momentálně
nelze konstatovat, zda toto pravidlo platí pro kvantitativní modely obecně, nebo zda
se jedná pouze o souhru okolností souvisejících se studovanou problematikou. Zobecnění tohoto poznatku rozhodně stojí za další zkoumání.
Kapitola 6 se zaobírá možnostmi nemateriálového zvyšování spolehlivosti na příkladu pohonné jednotky bezpilotního prostředku pomocí aktivních metod. Názorně,
krok po kroku, jsem provedl prediktivní analýzu spolehlivosti, která si klade za cíl
odhadnout střední dobu bezporuchového provozu pohonu jako celku. Výsledky byly
následně konfrontovány s částečně zálohovaným systémem a přírůstek spolehlivosti
byl kvantifikován.
Rekonfigurační mechanismus pohonné jednotky UAV jsem nahradil umělou neuronovou sítí a odzkoušel její generalizační schopnosti v této nelineární úloze. Jako trénovací množina posloužilo 24 typových situací, na jejichž základě bylo vytvořeno dalších 1 000 možných, v úvahu připadajících poruchových stavů. Následně jsem se snažil
strukturu neuronové sítě optimalizovat tak, aby dokázala lépe reagovat na vzniklé situace.
Otevřenou otázkou zůstává, zda je vhodné v řídicích obvodech používat nelineární
prvky nebo dát raději přednost striktně deterministickým řešením, jako např. rozhodovacím stromům. Tato malá demonstrace schopností UNS ukázala, že je lze uplatnit
i v těchto úlohách. Oproti rozhodovacím stromům vidím výhodu v tom, že umělé neuronové síti lze „ideu řešení“ pouze nastínit a následně využít její generalizační schopnosti. V opačném případě by bylo třeba důsledně definovat reakci na všechny možné
poruchy a jejich vzájemné kombinace. Toto řešení naznačuje možnost zjednodušení
a časovou úsporu práce konstruktérů.
Závěrem lze konstatovat, že se mi podařilo naplnit všechny úkoly a vyřešit problémy stanovené v cílech disertační práce. Vznikla tak práce, která rozvíjí oblast systémů odolných k poruchám a do problematiky přináší nové poznatky, především v podobě mechanismu automatického generování tabulky příznaků poruch a automatizované produkce tabulky degradačních procesů.
20
KOMBINACE DIAGNOSTICKÝCH METOD PRO ZVYŠOVÁNÍ ODOLNOSTI SYSTÉM Ů K PORUCHÁM
Literatura použitá v tezích
[1] C ORDIER , M. O., D AGUE , P., L ÉVY, F., M ONTMAIN , J., S TAROSWIECKI , M., AND
T RAVÉ -M ASSUYÈS , L. Conflicts versus analytical redundancy relations: A comparative analysis of the model based diagnosis approach from the artificial intelligence and automatic control perspectives. IEEE Transactions on Systems, Man, and
Cybernetics, Part B 34, 5 (2004), 2163 – 2177.
[2] F RISK , E., AND K RYSANDER , M. Sensor placement for maximum fault isolability.
18th International Workshop on Principles of Diagnosis (DX-07) (29 – 31, May 2007),
106 – 113.
[3] G ENTIL , S., D UBUISSON , B., S TAROSWIECKI , M., C ASSAR , J. P., AND D ENOEUX ,
T. Surveillance des Systèmes Continus. Société Grenoble Póle Européen Universitaire et Scientifique, 1996.
[4] H AMMER , M. Metody umělé inteligence v diagnostice elektrických strojů. BEN - technická literatura, 2009.
[5] H LAVI ČKA , J., R ACEK , S., G OLAN , P., AND B LAŽEK , T. Číslicové systémy odolné
proti poruchám, 1. ed. České vysoké učení technické, Praha, 1992.
[6] K EMPOWSKY, T. Surveillance de procédés à base de méthodes de classification: conception d’un outil d’aide pour la détection et le diagnostic des défaillances. Thèse de doctorat, Institut National des Sciences Appliquées, Toulouse, 2004. Report LAAS No.
04748.
[7] K REIDL , M., AND Š MÍD , R. Technická diagnostika: senzory, metody, analýza signálu.
BEN - technická literatura, 2006.
[8] L UKASOVÁ , A., AND Š ARMANOVÁ , J. Metody shlukové analýzy. Nakladatelství
technické literatury, 1985.
[9] M EDJAHER , K. Contribution de l’Outil Bond Graph pour la Conception de Systèmes de
Supervision des Processus Industriels. Thèse de doctorat, Université des Sciences et
Technologies de Lille, July 2005.
[10] N OVÁK , M., P ŘENOSIL , V., S VÍTEK , M., AND V OTRUBA , Z. Problémy spolehlivosti,
životnosti a bezpečnosti systémů. Neural Network World edice monografií, 2005.
[11] PATTON , R. J. Fault tolerant control: the 1997 situation. In IFAC Symposium on
Fault Detection Supervision and Safety for Technical Processes (1997), pp. 1033 – 1054.
[12] P ŘENOSIL , V. Technické systémy se zvýšenou spolehlivostí. Sborník příspěvků
konference DIAGNOSTIKA ’97 (30. září až 1. října 1997 1997).
[13] S TAROSWIECKI , M., O ULD B OUAMAMA , B., S AMANTARAY, A. K., M EDJAHER ,
K., AND D AUPHIN -TANGUY, G. Model builder using functional and bond graph
tools for fdi design. Control Engineering Practice 13, 7 (July 2001), 875–891. ISSN
0967–0661.
[14] S UBIAS , A., AND T RAVÉ -M ASSUYÈS , L. Discriminating qualitative model generation from classified data. QR 06, Hanover, New Hampshire (July 2006), 8. Report
LAAS No. 06138.