Імітаційне моделювання удосконаленого  алгоритму ідентифікації технічного стану  об'єктів, передаварійних ситуацій та ускладнень, які виникають під час роботи складних технологічних систем

Л. Я. Чигур

Автор(и)

Л. Я. Чигур ІФНТУНГ, 76019, м. Івано-Франківськ, вул. Карпатська, 15

Ключові слова:

технічний стан об’єкту, складна технологічна система, ідентифікація, кластеризація, нейромережа.

Анотація

З аналізу закордонних та вітчизняних літературних джерел зроблено висновок, що найбільш доцільним
для розв’язання задачі ідентифікації проблемних ситуацій у складних технічних системах є використання
методів та алгоритмів кластеризації. Але кожен такий алгоритм має ряд особливостей, які впливають на
його ефективність в даній ситуації. Тому, для ідентифікації поточного стану технологічного об’єкту в
умовах інформаційної невизначеності запропоновано використовувати, разом із розробленими раніше під-
ходами, нейромережевий класифікатор на основі гібридної нейромережі, що складається з мережі Кохоне-
на та нейромережі прямого поширення. Такий підхід дозволяє перейти до безеталонних методик контро-
лю, а у випадку відомої статистичної вибірки, що містить дані про значення інформаційних параметрів і
відповідних їм технічних станів об’єкта, виявляти і узагальнювати причинно-наслідкові зв’язки між спів-
відношенням значень інформаційних параметрів контрольованого об’єкту і його технічним станом.
Проведене імітаційне моделювання запропонованого методу в середовищі Matlab, за допомогою ін-
струментарію SOM Toolbox, на прикладі контролю технічного стану породоруйнівного інструменту в про-
цесі буріння свердловини.
Розроблений алгоритм контролю на базі нейромережі Кохонена в подальшому може бути удосконале-
ний і застосовуватись для ідентифікації технологічних об’єктів різних типів, а також при прогнозуванні
аварійних ситуацій і ускладнень, що можуть виникнути під час роботи складної технологічної системи.

Завантаження

Дані завантаження ще не доступні.

Посилання

1. Про схвалення Енергетичної стратегії
України на період до 2030 року. №145-р / Роз-
порядження кабінету міністрів України –
Режим доступу: http://zakon.rada.gov.ua/cgibin/
laws/main.cgi?nreg=145-2006-%F0.
2. Савчук Т.О. Ідентифікація проблемних
ситуацій та їх станів у складних технічних сис-
темах з використанням модифікованого алго-
ритму ФОРЕЛ / Т.О. Савчук, С.І. Петришин //
Вісник Національного університету "Львівська
політехніка". – 2014. – № 783 : Інформаційні
системи та мережі. – С. 187–193. – Бібліогра-
фія: 5
3. Савчук Т.О. Порівняльний аналіз вико-
ристання методів кластеризації для ідентифіка-
ції надзвичайних ситуацій на залізничному
транспорті / Т.О. Савчук, С.І. Петришин // Нау-
кові праці Донецького національного технічно-
го університету. – Серія “Інформатика, кіберне-
тика і обчислювальна техніка”/ – 2010. – Вип.
11(134). – С. 135–140.
4. Загоруйко Н.Г. Прикладные методы
анализа данных и знаний / Н. Загоруйко – Но-
восибирск: ИМ СО РАН, 1999. – 270 с.
5. Чигур I.I. Фазі-моделювання та автома-
тизований контроль відпрацювання шарошко-
вих доліт в умовах невизначеності процесу бу-
ріння // Науковий вісник Національного техні-
чного університету нафти і газу. - 2001. - № 1. -
С. 81 - 86.
6. P.G. Li, S.M. Wu, Monitoring drilling
wear states by a fuzzy pattern rеcognition
technique, Journal of Engineering for Industry,
Transactions of the ASME 110 (2) (1988) 297-300.
7. F. Erde.lyi, C. Sa.ntha, Monitoring tasks
on boring and milling production cells, Computers
in Industry 7 (1986) 65-71.
8. E. Jantunen, A solution for tool wear
diagnosis, in: Proceedings of Comadem'99,
Coxmoor Publishing Company, Oxford, UK, 1999,
pp. 95-104.
9. E. Jantunen, H. Jokinen, R. Milne, Flexible
expert system for automated on-line diagnosis of
tool condition, in: Integrated Monitoring
Diagnostics & Failure Prevention, Technology
Showcase, 50th MFPT, Mobile, Alabama, 1996,
pp. 259-268.
10.T.I. Liu, E.J. Ko, On-line recognition of
drill wear via artificial neural networks, monitoring
and control for manufacturing processes, PED,
ASME 44 (1990) 101—110.
11.Семенцов Г.Н. Нейромережева оцінка
технічного стану породоруйнівного інструмен-
ту / Г.Н. Семенцов, I.I. Чигур, Л.Я. Чигур // Ві-
сник технологічного університету Под ілля. -
2004. -.Ч.1., Том 1. - С. 196-198.
12.T.I. Liu, K.S. Anantharaman, Intelligent
classification and measurement of drill wear,
Journal of Engineering for Industry, Transactions
of the ASME 116 (1994) 392-397.
13. I.N. Tansel, О. Rodriguez, С. Mekdeci,
Dеtection of tool breakage in microdrilling
opеration with RCE neural networks, PED, ASME
47 (1) (1992) 83-88.
14. Руденко О.Г. Штучні нейромережі: на-
вчальний посібник / О.Г. Руденко, Є.В. Бодян-
ський. – Харків: ТОВ «Компанія СМІТ», 2006.
– 404 c.
15. Self-organizing maps. Teuvo Kohonen,
Helsinki, Finland, 2005 – 496 p.