WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

 

  на правах рукописи

КРОХИН Геннадий  Дмитриевич

 

 

  МАТЕМАТИЧЕСКИЕ МОДЕЛИ ИДЕНТИФИКАЦИИ

ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТУРБОУСТАНОВОК

НА ОСНОВЕ НЕЧЕТКОЙ ИНФОРМАЦИИ

  Специальность: 05.13.18 – математическое моделирование,

численные  методы  и комплексы программ

АВТОРЕФЕРАТ

диссертации на соискание ученой степени

  доктора технических наук

Иркутск – 2008

Работа выполнена в Новосибирском государственном техническом  университете

  Научный консультант: доктор технических наук, профессор

Гриф Михаил  Геннадьевич 

 

  Официальные оппоненты:

 

доктор технических наук, профессор Гамм Александр Зельманович

доктор технических наук, профессор  Хабаров Валерий Иванович

доктор технических наук, профессор  Загоруйко Николай Григорьевич

Ведущая организация - Московский энергетический институт

(технический университет), г. Москва                        

Защита состоится  25 ноября  2008 г.  в 900  час в зале заседания Ученого совета на заседании Диссертационного совета  Д 003. 017. 01 при Институте систем энергетики им. Л.А. Мелентьева СО РАН по адресу 664033, Иркутск-33, ул. Лермонтова, 130, к. 355.

С диссертацией можно ознакомиться в библиотеке Института систем энергетики им. Л.А. Мелентьева СО РАН.

  Отзывы на автореферат в двух экземплярах, заверенные печатью учреждения, просим направлять по адресу 664033, Иркутск-33, ул. Лермонтова, 130, на имя ученого секретаря диссертационного совета.

  Автореферат разослан 2008г.

Ученый секретарь

Диссертационного совета Д 003. 017. 01 

  доктор технических наук, профессор Клер А.М.

        ОБЩАЯ  ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность проблемы

Для энергетики в настоящее время характерна интенсификация использования мощностей и ресурсов установленного оборудования. Это может быть достигнуто на основе интеллектуальной диагностики эксплуатационного состояния и режимов использования оборудования. Рост степени ответственности принимаемых решений по времени вывода оборудования в ремонт ужесточил требования к качеству моделей идентификации, основой которых является информация, получаемая при диагностике состояния энергоустановок. Их выполнение в условиях старых форм технического обслуживания по системе ППР (планово-предупредительных ремонтов) стало неэффективным. Возникла проблема недостаточной адекватности диагностических моделей и моделей принятия решений о выводе турбоустановки в ремонт или снижении нагрузки, вследствие не  использования нечеткой информации о состоянии оборудования, а также повышенной суммарной неопределенности, накапливаемой за время эксплуатации.

  Различные направления в решении этой проблемы рассматривались следующим рядом авторов. Основы применения современных методов математического моделирования, прикладные методы теории систем и системного анализа, методы исследования операций, для исследования теплоэнергетических установок и ТЭС заложены в работах школы Сибирского энергетического института (Л.А. Мелентьев, Ю.Н. Руденко, Г.Б. Попырин, С.М. Каплун, Ю.В. Наумов, А.З. Гамм, А.М. Клер, Н.Н. Новицкий). Оригинальные подходы к моделированию и исследованию теплоэнергетических установок развиты в работах ЦНИИКА (Ф.А. Вульман, Н.С. Хорьков), в ИПМаш. Укр. АН (А.А. Шубенко-Шубин, А.А. Палагин). Выполнены исследования оперативного контроля работы энергоблоков, с целью разработки методов организации диагностического обеспечения основного и управляющего оборудования электростанций, АН УССР (В.Ф. Скляров, В.А. Гуляев, В.М. Чаплыга, М.А. Дуэль, Ю.М. Мацевитый, Б.Е. Патон, В.А. Яницкий), НПО ЦКТИ, НПО ЦНИИТмаш., ПО ЛМЗ (Л.А. Хоменок, А.Н. Ремезов, И.А. Ковалев, В.С. Шаргородский, С.Ш. Розенберг, В.И. Олимпиев, Л.П. Сафонов, В.Г. Орлик), СЭИ (А.М. Клер, Н.П. Деканова, Э.А. Тюрина), ВТИ (А.Ш. Лейзерович, В.Б. Рубин). ВТИ получен опыт разработки локальных подсистем диагностического контроля турбоустановок ТЭС (А.В. Мозгалевский, Д.В. Гаскаров, А.Ш. Лейзерович, Н.Ф. Комаров, Н.Н. Борисова). Проведены диагностические исследования неисправностей состояния энергооборудования (В.А. Яницкий, Н.Г. Барыкова, А.Б. Кузьмин, А.Д. Трухний, И.А. Перминов, В.Г. Орлик, А.А. Гординский, Л.С. Баран, А.М. Макаров, С.Ш. Розенберг, Л.А. Хоменок, В.Я. Гиршфельд, В.А. Цветков, Г.А. Уланов, В.Г. Канцедалов, Г.П. Берлявский, В.Ф. Злепко). Определено состояние крупных ТГ (В.А. Алексеев, А.А. Палагин, А.В. Ефимов). Исследования  современного состояния, проблем эксплуатации и путей обновления основного и вспомогательного оборудования ТЭС проведены НПО ЦКТИ и СЭИ (Л.А. Хоменок, А.П. Меренков, Л.В. Массель, А.М. Клер). Исследования по разработке и созданию новых методов и средств неразрушающего контроля, включая  дистанционный контроль и прогнозирование долговечности металла оборудования ТЭС и АЭС, выполнены Юж.  ВТИ (А.А. Мадоян, В.Г. Канцедалов, П.Б. Самойленко, Б.Р. Бродский, В.С. Гребенник, В.Ф. Злепко, Т.Г. Березина, Н.В. Бугай, И.И. Трунин). Исследования для разработки методик алгоритмического обеспечения систем централизованного контроля проведены Институтом проблем управления АН (И.М. Шенброт, Э.Л. Ицкович). Разработки измерительных информационных систем (ИИС) выполнены  Институтом автоматики и электрометрии СО АН СССР (К.Б. Карандеев, Г.И. Кавалеров, С.М. Мандельштам, М.П. Цапенко, В.И. Рабинович, В.М. Ефимов). Алгоритмам переработки сигналов датчиков систем автоматического и централизованного контроля посвящены работы МЭИ (Ф.Е. Темников, А.С. Немировский, П.В. Новицкий, И.А. Зограф). Выполнены исследования НЭТИ для разработки экспертных систем анализа многофакторных объектов и формализации знаний (В.И. Денисов, И.А. Полетаева, В.И. Хабаров). Решение задач реального времени в электроэнергетике выполнено СЭИ (А.З. Гамм, Ю.Н. Кучеров, С.И. Паламарчук). МЭИ получен опыт разработки инструментальной среды для построения интеллектуальной системы оперативной диагностики с использованием декларативных знаний и нечетких алгоритмов (Э.К. Аракелян, М.А. Панько). В последние десятилетия научный интерес направился на создание автоматизированных систем, предназначенных для повышения эффективности управления отдельно функционирующими энергоблоками и целыми ТЭС. Этому способствовало появление нового поколения средств информационно-измерительной техники – процессорных измерительных средств (ПрИС), в которых программируемая вычислительная мощность входит в состав измерительной цепи и участвует в получении результатов измерения. ПРиС – следствие компьютеризации измерений, проявляющейся в применении вычислительной техники для автоматизации управления функционированием и обработки результатов измерения, и для реализации части измерительной процедуры в числовой форме на программной основе (Г.Я. Мирский, Э.И. Цветков, J. Finkelstein, М. Клейн, Г. Морган, Л. Рабинер, Б. Гоулд, D. Driankov, G.J. Klir, G. Olsson). Исследования по выявлению эффективности введения автоматизированных систем комплексной технической диагностики в контур управления энергоблоков ТЭС и их разработки проведены  ВТИ (А.Ш. Лейзерович, А.А. Гординский, А.М. Журавель), НПО ЦКТИ (Л.П. Сафонов, А.В. Антонович, А.М. Заводовский, О.Т. Ильченко, С.В. Яцкевич).

  Однако, как показывает проведенный анализ, эта проблема не могла быть успешно  решена без рассмотрения целостности теплоэнергетического процесса и турбоустановки как единого “механизма”. 

В результате, создаваемая методология технического диагностирования не позволяла уменьшить неопределенность исходной информации о техническом состоянии турбоэнергоустановки. Это и определило научную и техническую проблему, которая решается автором в представленной диссертационной работе.

  Данная диссертационная работа решает  обозначенную проблему:

построение интеллектуальных экспертных диагностических систем использующих четкую и нечеткую информацию для диагностики сложных турбоэнергоустановок.

Объектом исследования настоящей работы являются диагностические процессы  состояния функционирующих турбоэнергоустановок электростанций.

Предметом исследования является разработка и исследование интеллектуальных экспертных диагностических систем на основе вероятностных, четких и нечетких параметров технической диагностики.

Цель работы. Целью диссертационной  работы является: повышение качества диагностики и идентификации технического состояния сложных турбоэнергоустановок на основе разработки методологии и моделей реализации интеллектуальных экспертных диагностических систем распознавания состояния с использованием четкой и нечеткой информации.

Задачи исследования:

1. Теоретический анализ представленных в научной литературе математических моделей технического состояния турбоустановок на основе технической диагностики.

2. Конструирование информационных моделей эксплуатационного и технического состояния турбоустановки с учетом анализа, систематизации и классификации, при экспертном, стохастическом, нечетком и четком подходах.

3. Разработка комплексной модели и алгоритма распознавания дефектных состояний турбоустановки с использованием нечеткой информации.

4.  Структурирование модели интеллектуальной поддержки принятия решений при оперативном управлении нестационарными режимами турбоустановок, с учетом нечеткой исходной информации.

5. Разработка модели и методов нечеткой идентификации, нечеткой оптимизации и нечеткого оптимального управления турбоустановки.

6. Разработка моделей определения области устойчивости и допустимости режимов турбоустановки при различных нагрузках, с использованием нечеткой информации и нечетких знаний о состоянии.

7.  Разработка моделей ресурса, надежности и долговечности турбоустановки с учетом нечеткой информации и нечетких знаний о состоянии.

8. Определение основных принципов методологии и средств реализации интеллектуальных экспертных диагностических систем контроля и анализа функционирования турбоэнергоустановок на основе повышения качества диагностики и идентификации технического состояния в процессах эксплуатации с учетом  четкой и нечеткой информации. 

9. Разработка интеллектуального диагностического комплекса («система контроля, анализа и слежения за изменением состояния турбоустановки») для турбоэнергоустановок ТЭС (исследовательский вариант).

  Методы исследования. Разработанные в диссертации научные положения базируются на системном подходе к исследованию турбоустановок, моделированию и идентификации на основе технической диагностики их состояния с целью увеличения срока эксплуатации, эффективности и надежности работы с учетом неопределенности исходной информации.

Для решения поставленных задач в диссертации применялись разнообразные математические методы с использованием натурного и имитационного экспериментов, а также методы термодинамического и энергетического анализа, теории вероятностей и математической статистики, исследования операций, математического моделирования, математического программирования, прикладные методы теории систем и системного анализа, теории управления, теории информации, теории искусственного интеллекта, теории оптимизации, теории надежности, теории решений, теории нечетких множеств, нечетких логик, теории графов и теории распознавания образов.

Научная  новизна.

1. В диссертации впервые разработаны методологические основы и принципы нового для турбоэнергоустановок научного направления – интеллектуальные системы контроля и анализа функционирования турбоустановок на основе повышения качества диагностики и идентификации технического состояния  в процессах эксплуатации с использованием экспертной, стохастической, четкой  и нечеткой информации.

2.  Сконструированы информационные модели эксплуатационного и технического состояния турбоустановки для создания новой концепции “мягкого регулирования” технического обслуживания турбоустановок с учетом времени жизни в эксплуатации и отработке, и нечеткой информации.

3. Разработаны комплексная модель и алгоритм распознавания дефектных состояний турбоустановок с использованием нечеткой информации.

4. Созданы модель и алгоритм интеллектуальной поддержки принятия решений при оперативном управлении нестационарными режимами турбоустановок с использованием нечеткой информации.

5. Разработаны модели технического обслуживания состояния турбоустановки, включая модели ресурса, надежности и долговечности турбоустановки с использованием нечеткой информации.

6. Разработаны алгоритм и управляющие правила нечеткого регулятора разрежения в конденсаторе турбоустановки.

7. Разработан и апробирован интеллектуальный программно-вычислительный диагностический комплекс («система контроля, анализа и слежения за изменением состояния турбоустановки») для турбоэнергоустановок  ТЭС (исследовательский вариант).

Практическая значимость и реализация результатов.

  Полученные автором результаты в развитии новой концепции «технического обслуживания эксплуатации турбоустановок по фактическому состоянию», подтверждают необходимость применения интегрированных подходов и методов, использующих информационное и вычислительное разнообразие как основное средство решения. Использование нечеткой информации и применение для ее формализации и обработки методологии искусственного интеллекта повышает качество моделей идентификации, прогнозирования, принятия решений и оптимизации при диагностике состояния и управления  турбоустановок.

  В результате, это позволит сформировать новую интеллектуальную (экспертную) среду, обеспечить представление объекта управления адекватной его состоянию моделью  эксплуатации, встроенной в контур управления ТЭС. Решение этой проблемы - актуальная задача.

Использование разработанной автором методологии интеллектуального управления основанной на нечетких моделях идентификации состояния и технической диагностики механизмов ТЭС способствует увеличению срока службы оборудования, повышению его эффективности, надежности и готовности выполнять необходимый режим нагрузки, выработке на основе этого дополнительных электро - и теплоэнергии, и позволяют, в результате, получить народнохозяйственный эффект. Принятие эффективных решений  и подготовленных рекомендаций для обслуживающего  персонала ТЭС, при управлении энергетическими установками с помощью системы поддержки и мониторинга состояния в диагностическом комплексе SKAIS, обеспечивают производство электро - и теплоэнергии необходимого количества и качества. Это осуществляется за счет поддержки работоспособности, своевременного обнаружения неисправностей и предупреждения развития дефектов и отказов.

  Предусмотрена возможность независимого применения результатов из разделов  работы, а именно: разработанные математические модели и их характеристики в виде аналитических зависимостей, алгоритмы и рекомендации для решения отдельных задач управления и технического обслуживания турбоэнергоустановок, контроля состояния оборудования и определения его эффективности.

Полученные  результаты могут использоваться также в целом ряде задач: технико-экономического анализа, нормировании, оптимизации, управлении режимами и распределении нагрузки между агрегатами ТЭС, с учетом  фактического состояния и ресурса турбоустановок. Особенно эффективно применение их для: принятия решений оценивания состояний при выводе в ремонт или модернизацию, определения оптимального межремонтного периода, развития и прогнозирования работоспособности на отдаленную перспективу, определения и оценки ресурса и долговечности основных узлов, при техническом перевооружении, а также проектирования новых, модернизации или замене отработавших ресурс элементов  и  узлов турбоустановок. 

Представление состояния механизма нелинейными моделями идентификации на интервалах времени эксплуатации позволяет обеспечить компактность и унификацию информационной базы и структуры элементов турбоустановок. Свойство адекватности предложенных моделей и их диагностируемости обеспечивает эффективное согласование данных, относящихся к разным иерархическим уровням и задачам управления, а также объемам вычислений для работы в режиме реального времени. 

  Предложенные модели состояния механизма в виде непрерывных во времени функций предоставляют возможность разработки качественно новых методов расчета, оценки и идентификации состояния турбоэнергоустановок на основе диагностики. При этом параметры теплоэнергетического режима и состояния турбоэнергоустановки также могут быть представлены функциями времени.

Разработанные в диссертации методы и алгоритмы легли в основу базы знаний

интеллектуального диагностического комплекса SKAIS, формирующего информационную и интеллектуальную базы о поведении турбоэнергоустановки и её элементов для решения задач прогнозирования и оперативного управления агрегатами ТЭС на основе диагностики, оценивания фактического состояния турбоустановок и их готовности.

Результаты оперативного прогноза состояния могут использоваться ДИС-ом  ТЭС при ведении режима, оперативной оптимизации текущего режима, своевременном выводе агрегата в ремонт или введении ограничений при выполнении диспетчерского графика нагрузки.

Полученные средства интеллектуальной системы контроля и анализа функционирования для турбоустановок могут быть использованы и в других непрерывных производствах с идентичной технологией.

  Научные результаты работы использованы институтом «Новосибирсктеплоэлектропроект ОАО "Сибирский Энергетический Научно-Технический Центр"», при выполнении проектных работ по реконструкции и модернизации Новосибирских ТЭЦ, а также ЗАО “СибКОТЭС”. Разработанные методы, алгоритмы и программы внедрены в ОАО "Новосибирскэнерго" Новосибирской ТЭЦ-4. Программный комплекс SKAIS является составной частью АСУ ТП Новосибирской ТЭЦ-5 и Нерюнгринской ГРЭС и находится в опытной эксплуатации, обеспечивая обслуживающий персонал по диагностике состояния турбоустановки Т-180/210-130 ЛМЗ.

Проведены экспериментальные исследования диагностических моделей  оценивания изменения параметров вибросостояния на надежность вращающихся агрегатов ТЭС, обслуживаемых ОАО "Сибэнергоремонт". Используемые в работе статистические модели были апробированы автором: при разработке системы автоматизированного анализа технико-экономических показателей турбоагрегатов Иркутской ТЭЦ-10, при диагностических исследованиях турбоагрегатов Новосибирской ТЭЦ–4, Красноярской ТЭЦ-2 и Петропавловск–Камчатской ТЭЦ-1, а также разработке нормативных энергетических характеристик энергоустановок ряда ТЭС и ТЭЦ Сибири.

Основные методические положения, алгоритмы, программы и рекомендации, полученные в работе, а также 3 учебных пособия используются при выполнении научно – технических, курсовых и дипломных работ в НГТУ, курсах повышения квалификации руководящих работников и специалистов – энергетиков (НФ ПЭИ п.к.),  ХФ ЦКБ "Энергоремонт", ЦКБ "Энергоремонт". Внедрение результатов в практику проектирования и эксплуатации подтверждено шестью  Актами использования научно – исследовательской работы в теплоэнергетике.

  Основные положения и результаты, выносимые на защиту:

1. Методологические основы и принципы нового для турбоэнергоустановок научного направления – интеллектуальные системы контроля и анализа функционирования турбоустановок на основе повышения качества диагностики и идентификации технического состояния  в процессах эксплуатации, с использованием экспертной, стохастической, четкой  и нечеткой информации.

2. Информационные модели эксплуатационного и технического состояния турбоустановки, для создания новой концепции “мягкого регулирования” технического обслуживания турбоустановок, с учетом времени жизни, в эксплуатации и отработке, при нечеткой информации.

3. Комплексная модель и алгоритм распознавания дефектных состояний турбоустановок, с использованием нечеткой информации.

4.  Модель и алгоритм интеллектуальной поддержки принятия решений при оперативном управлении нестационарными режимами турбоустановок, с использованием нечеткой информации.

5. Модели технического обслуживания состояния турбоустановки, включая модели ресурса, надежности и долговечности турбоустановки, с использованием нечеткой информации.

6. Алгоритм и управляющие правила нечеткого регулятора разрежения в конденсаторе турбоустановки.

7. Интеллектуальный программно-вычислительный диагностический комплекс («система контроля, анализа и слежения за изменением состояния турбоустановки») для турбоэнергоустановок  ТЭС (исследовательский вариант).

Апробация работы.  Полученные результаты исследований докладывались и обсуждались: на научно-техническом совещании «Оптимизации систем технического водоснабжения ТЭС и АЭС» (г. Зеленодольск, Криворожская ГРЭС-2, 1981 г.); на Всесоюзном научно-техническом совещании «Состояние и пути развития средств технической диагностики тепломеханического оборудования» (г. Москва, ВДНХ, 1982г.); на Всесоюзном научно-техническом совещании «Опыт разработки, внедрения и эксплуатации АСУ ТП на ТЭЦ» (г. Минск, Зап. ВТИ, 1991г.); на научно-технической конференции «Региональные проблемы энергетики Поволжья» (г. Саратов, СПИ, 1992г.); на межвузовском научном семинаре по проблемам теплоэнергетики (г. Балаково, 1994г.); на 2-й, 3-й, 4-й и 5-й международной научно-технической конференции «Актуальные проблемы электронного приборостроения, АПЭП-94, 96, 98 и АПЭП-2000» (г. Новосибирск, НГТУ, 1994, 1996, 1998 и 2000 г.); на международной научно-технической конференции «Научные основы высоких технологий» (г. Новосибирск, НГТУ, 1997г.); на третьем и четвертом Сибирском конгрессе по прикладной и индустриальной математике, ИНПРИМ-98 и ИНПРИМ-2000 (г. Новосибирск, ИМ СО РАН, 1998 и 2000г.); на 30-м и 33-м теплоэнергетических коллоквиумах: «Турбомашины для ТЭС. Проблемы развития. Использование. Конструкции и результаты применения» и  «Надежность теплоэнергоустановок в условиях либерализации рынка энергии» (г. Дрезден, Технический университет, Германия, 1998 и 2001г.); на 3-м и 4-м Русско-Корейском международном симпозиуме по науке и технике, KORUS’99 и KORUS’2000 (г. Новосибирск, НГТУ, 1999г. и г. Ульсан, Корея, 2000г.); на 7-м Европейском конгрессе по искусственному интеллекту и мягким вычислениям, EUFIT’99 (г. Аахен, Рейнско-Вестфальский технический университет, Германия, 1999г.); на международной научно-технической конференции «Информационные системы и технологии» ИСТ’2000 (г. Новосибирск, НГТУ, 2000г.); на международных конференциях CONTROL-2003,CONTROL-2005 и  CONTROL-2008 «Теория и практика построения и функционирования АСУ ТП» (г. Москва, МЭИ (ТУ), 2003, 2005 и 2008г.); на второй международной научно-технической конференции «Энергетика. Экология. Энергосбережение. Транспорт» (г. Тобольск, 2004 г.);  на международном конгрессе « IFAC  WS  ESC’06. ENERGY  SAVING  CONTROL  IN  PLANTS  AND BUILDINGS» (г. Bansko, Bulgaria, 2006г.); на научных семинарах ФЭН и АВТФ  НГТУ (г. Новосибирск, 1997, 2001, 2003 - 2008г.); на научных семинарах кафедры АСУ ТП  МЭИ (ТУ) (г. Москва, 2002 и 2008г.); на научных семинарах и Секции Ученого совета ИСЭМ СО РАН (г. Иркутск, 2002, 2006 и 2008г.)  и  получили положительную оценку.

  Личный вклад соискателя. Автору принадлежат формулировки и обоснование цели работы, выбор объектов исследования, постановки задач, методология и структурирование системы и выделение ее диагностических элементов, разработка моделей и алгоритмов, организация натурных экспериментов и анализ полученных результатов. Практически все эксперименты выполнены также при его личном участии. 

  Публикации. Результаты диссертационной работы опубликованы в 46 научных работах, в том числе: в 3-х учебно-методических пособиях, 23 докладах - на Международных научных конференциях, симпозиумах и конгрессах, и 9 статьях – в журналах, рекомендуемых ВАК РФ для опубликования научных результатов диссертаций на соискание ученой степени доктора наук. Отдельные результаты отражены в зарегистрированных в ВНИТЦ отчетах по НИР. В автореферате приведен список из 37 наиболее значимых работ по теме диссертации. 

Структура и объем работы. Диссертация состоит из введения, шести глав и заключения; содержит 393 страницы машинописного текста и 4 приложения на 110 страницах; работа иллюстрирована 103 рисунками; содержит 33 таблицы; список литературы на 33 страницах, включающий 380 наименований. В 4-х приложениях приведены отдельные результаты практической реализации разработанных методов и методик, и Акты о внедрении работы.

  СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность диссертационной работы, сформулированы цели, задачи, объекты и предмет исследования. Обозначено, в чем состоит научная новизна и прикладная значимость полученных в работе результатов, приведены сведения об апробации работы. Описана структура диссертации и сформулированы основные положения, выносимые на защиту.

В первой главе разработана и предложена концепция «мягкого регулирования» технического обслуживания турбоэнергоустановок ТЭС, с учетом «времени жизни» в эксплуатации (рис. 1) и отработке (рис. 2). Новая концепция технического обслуживания и ее методология базируются на следующих  принципах:

- системности;

- мягкого регулирования;

- комплексности;

- прецессии (предшествование отказа).

  Действие системного фактора, при котором система, как целое, устанавливает заданные требования  своим компонентам, а сами требования предъявляются с позиции достижения целевой функции – увеличение времени функционирования турбоэнергоустановки, составляет основу цели диссертационной работы.

  Принцип «мягкого регулирования», внедряемый автором  в теплоэнергетику и методы теории искусственного интеллекта, позволяют моделировать процесс изменения ресурса турбоустановки на основе получаемых знаний истинного состояния критических элементов агрегата и, соответственно, идентифицировать его в темпе on-line как непрерывный процесс, протекающий параллельно эксплуатации. “Мягкие” способы управления предполагают ускоренные приближенные расчеты, ориентированные на синтез законов управления объектами, для которых показатели качества и точности управления поддерживаются в заданном интервале. Непрерывная идентификация, проводимая в темпе процесса, будет обеспечивать адаптацию модели или параметров турбоустановки. Темпы развития механизма-турбоустановки на каждом этапе эксплуатации определяются темпами развития его элементов. Если развиваются только отдельные элементы, то темпы замедляются и дальше начинается развитие общей деградации, т.е. утрата всем механизмом его первоначальных функций и, в итоге, утилизация, рис. 1. Развитие и отмирание, до утилизации, особенно характерны для тепловых машин, как механизмов, перерабатывающих тепловую форму энергии в механическую. Это хорошо прослеживается по изменению КПД турбоустановки за время эксплуатации.

  Автором использован новый подход к представлению турбоустановки в виде комплексного механизма. Работа такого механизма  моделируется в разрезе четырех информационных полей состояния: колебаний, температур, режимов и времени. В этих полях на пересечениях и определяются диагностические состояния агрегата.

В результате такого подхода, зарождающийся или развивающийся отказ в работе элементов или узлов турбоустановки представляется как явление прецессии, что позволяет распознавать весь процесс возникновения и развития дефекта до его критического значения.

Механизм (турбоустановка)  рассматривается как неизолированная, открытая, техническая система , (1), которая характеризуется:  входом , выходом , внешней средой и внутренней структурой . Такой механизм включает: полную информацию о состоянии , состояние объекта , его неопределенности , работоспособности или , признаки состояния , неисправности , структурные параметры , распознающие параметры , параметры сопутствующих процессов , нечеткие отношения (). Изменение состояния такой технической системы происходит во времени , рис. 3.

  Для решения этой задачи системное уравнение состояния турбоэнергоустановки представлено в виде множества элементов динамической системы (1), составленное из пятнадцати определений (компонент) турбоустановки как комплексного механизма (согласно его структуре): 

  .  (1) 

 

  Рис. 1. Концепция «мягкого регулирования» энергоустановки  ТЭС,

с учетом ее «времени жизни» в эксплуатации и отработке. 

Рис. 2. Зоны управления эффективной работы механизма по его состоянию. 

  Рис. 3. Интерпретация структуры механизма системы .

 

Здесь: - время, - входы, - выходы, - внешняя среда (энергопотребитель, энергосистема, природная среда), - техническое состояние объекта, - информация (множество измерений) об объекте, - признаки состояния объекта, - неисправности состояния объекта,  - множество решений о состоянии механизма, - эффективности (работоспособность) агрегата, - значения операторов формирования состояния, - оператор обработки исходных данных () - наблюдений и обработки данных, - оператор преобразования данных () - первичного и вторичного преобразований, - функциональная связь в уравнении  , - функциональная связь в уравнении , - моменты времени на входе и выходе из объекта. В этой связи уже можно анализировать два основных состояния механизма - как объекта эксплуатации (применения) и как объекта производства (изготовления). Механизм в этих состояниях рассматривается как часть системы более высокого порядка. Для эффективности такого анализа распределение работоспособности по уровням компонент системывыполнено в замкнутом цикле. Это способствует ускорению принятия решения при обслуживании выделенных для анализа отдельных частей системы, рис. 1. Основной задачей анализа системы является её оптимизация, т.е. приведение в наиболее оптимальное состояние, в соответствии с поставленной целевой  функцией, критерием оптимальности и ограничений.

  В результате,  выделяются как минимум две задачи оптимизации системы:

1) выбор оптимального варианта из возможных допустимых состояний системы при заданных ограничениях и цели;

2) выбор экономически наивыгоднейшего направления изменения (поведения) функционирования системы.

Первая задача решается для статической системы, вторая – для динамической. При этом обязательно выполнение сравнения состояния системы  (1) с критерием (или критериями) оптимальности её состояния с учетом заданных ограничений. Этой цели служит установление обратной связи между выходными параметрами системы (1) и критерием её оптимальности . Для такого сложного и многофункционального механизма, как турбоустановка, может быть несколько критериев оптимальности, поэтому возможно образование не одного, а нескольких контуров обратной связи. Механизм, как элемент подсистемы - «технологический процесс», находится во взаимосвязи с элементами структуры этой системы, ее механизмами (узлами). Определив темп снижения (относительно среднего уровня) технико-экономического состояния узлов механизма, можно устанавливать эффективные сроки службы турбоустановки, прогнозировать длительность межремонтных периодов и время экономически необходимого вывода в ремонт. При прогнозировании технико-экономического уровня механизма анализ его поведения, в конкретных условиях эксплуатации, позволяет выделить: наиболее существенные (информативные), постоянные и переменные во времени параметры; сформировать характеристики прогнозного фона (сферы эксплуатации) для решения второй задачи. Представлена классификация методов идентификации для построения моделей турбоэнергоустановок. Выполнен обзор основных работ по использованию методов идентификации, включая: классические методы, модели малых порядков, функции штрафа, фильтры Калмана, метод наименьших квадратов, регрессионные модели - применительно к энергетическим агрегатам ТЭС. Показано, что основной проблемой идентификации, в каждом случае, является проблема построения математической модели функционирующего агрегата по априорной и экспериментально-диагностической информации, особенно с учетом ее неопределенности и нечеткости. Встраиваемый в контур управления идентификатор определяет и последовательно корректирует математическую модель агрегата, приводя ее к условиям нормативного состояния. Предложен подход, позволяющий определить место неисправности в турбоустановке с точностью до некоторого фрагмента ее модели при  условии, что в процессе диагностического эксперимента определяются отклонения объекта от его эталона (модели эталонного объекта -

турбоустановки).  Пусть диагностируемый объект описан уравнением

  (2) 

где  - вектор управлений, “”-  - мерное евклидово пространство.

Представим (2) в виде совокупности взаимосвязанных фрагментов , , как  некоторую часть модели объекта:

  , (3)

где - дифференцируемая функция, определяющая взаимосвязь фрагментов , , - модель фрагмента .

Предположим, далее, что неисправности приводят к изменению модели одного из фрагментов , . Например, в результате неисправностей фрагмент описывается некоторой произвольной функцией . Такой фрагмент будем  называть неисправным фрагментом по величине его веса -. Пусть, при этом, неисправный объект описывается уравнением

, (4)

.

Тогда, располагая моделью исправного объекта (3), переменными , можно определить неисправный фрагмент. Неисправный фрагмент определяется последовательной проверкой гипотез

  ,. (5) 

Введем в рассмотрение обучающую и проверочную последовательности:  , где  - выходной и входной сигналы объекта при - м  измерении; - некоторые множества натуральных чисел, причем .

  Процедуры проверки гипотез состоят из двух этапов:

1) из условия минимума некоторой меры близости объекта (3) и модели (5). На последовательности определяется оценка функции , описывающей фрагмент , который предполагается неисправным;

2) на последовательности проверяется адекватность полученной модели диагностируемому объекту.

Гипотеза принимается, если модель, полученная на  , адекватна объекту на .  При этом соответствующий фрагмент считается неисправным.

  Выполнен анализ источников информации (классификация четкой и нечеткой информации), получаемых при технической диагностике турбоустановок ТЭС. Установлены причины и выполнено оценивание возникающей неопределенности информации, влияния ее на решение задач идентификации, планирования, прогнозирования и управления. Для контроля функционирования турбоустановка представлена в виде механизма с нечеткими состояниями, рис. 3. В качестве диагностических признаков впервые применены  управляющие правила функционирования механизма, а также эвристические знания и опыт экспертов. Постановка задачи оценивания технического состояния и принятия решений выполнена нечеткими уравнениями в отношениях. Для этого формализованы в терминах нечетких множеств априорные и апостериорные данные, получаемые при технической диагностике на ТЭС. Решение задачи выполняется с помощью разработанного программно-диагностического комплекса SKAIS. Например, в результате предварительного анализа получено некоторое множество классов технического состояния объекта контроля

, ,  (6)

отображаемое в виде нечеткого множества с соответствующими функциями принадлежности :

.  (7) 

Тогда состояние объекта контроля диагностируемого механизма представляется декартовым произведением пространств  входа  и  выхода

  , (8)

где  - множество входных значений параметров в объект ; - множество выходных значений параметров из объекта ;  - параметры состояния объекта. При наличии неопределенности в знаниях об объекте его модель отобразим нечетким уравнением  в отношениях вида:

  , (9) 

где  - нечеткое множество входа,  (10) 

- нечеткое множество выхода, (11)

(заданные в  форме лингвистических переменных с мощностью множеств, лингвистических переменных с кардинальной мощностью множеств (размерностью системы) ,  ,  - мощность множеств);

- нечеткие подмножества  включены в четкие подмножества базовых множеств ; –  нечеткие множества, конечные входному и выходному пространствам объекта моделирования;   –  элементы терм-множеств лингвистических переменных; ,  –  соответствующие функции  принадлежности; –  символ максиминной композиции Заде Л.; – нечеткое отношение  в  виде управляющего правила

“” (12)

выраженного посредством матрицы нечеткого отношения с элементами

  ,  (13)

где  «» - операция объединения одноточечных множеств и  ; 

- вариант импликации; - символ логического минимума. На языке функций принадлежности уравнение (13)  имеет вид

      .  (14)

  Информацию о состоянии объекта контроля будем получать с помощью информационно-измерительной системы, в составе ПК SKAIS, представляемую в виде операторов измерений и преобразования данных. При аппроксимации неопределенности функционирования объекта нечетким уравнением в отношениях в качестве диагностических признаков принимаем множество управляющих правил

  , (15)

представленных в форме эталонных матриц нечетких отношений

,    (16)

и являющихся параметрами модели (в общем случае, так как отображение не является взаимно однозначным, ). Множества классов технических состояний    и диагностических признаков    находятся между собой в определенном отношении

          (17)

то есть, каждое техническое состояние объекта отображается  в соответствующие реализации диагностических признаков. Такое отношение далее формализуется в виде соответствующей матрицы отношений. Принимаем полученное отношение нечетким и представляем его матрицей нечетких отношений с элементами,  идентифицируемыми по знаниям экспертов. Тогда множество диагностических признаков   также будет нечетким

        (18)

Здесь: операторы формирования нечеткого множества , определяемые в виде процедуры вычисления функций принадлежности

        ; (19)

– расстояние между априорно заданными значениями диагностических

признаков и их оценками . В качестве показателя эффективности, задачи оценивания технического состояния, выбираем целевую функцию

        , (20)

где – обобщенная функция принадлежности го технического состояния класса по обобщенному (комплексному) параметру (мощность, КПД-нетто, удельный расход тепла на отпущенный кВтчас и т.д.); – априорная функция принадлежности; – апостериорная функция принадлежности – го технического состояния, полученная по результатам измерений путем решения уравнения, обратного (18). В качестве критерия максимальной  эффективности принимаем  функцию:

      .  (21)

Итак, поставлена и решается следующая цель: на основе априорной информации о возможных технических состояниях турбоустановки оценить, в соответствии с заданными критериями:

1) действительное техническое состояние механизма и его возможности продления сроков эксплуатации;

2) межремонтные периоды, с учетом риска принимаемого решения и вероятных ограничений при их количества за все время эксплуатации.

Определены исходные данные для решения экстремальной задачи оценивания технического состояния. Решение задачи оценивания состояния представляется, согласно целевой функции (21), в виде:

  ,  (22)

которое выполняется по алгоритму модели  из модуля  OPTIMIZATOR ПК . Составлены управляющие правила, отражающие допускаемый диапазон изменения параметров входа и выхода контролируемого объекта.  Получены для базы знаний продукционные правила (400 правил)  вида:

  .  (23)

Такое условие налагает определенные требования на организацию процедуры измерения параметров системы, по которым контрольные измерения для диагностики состояния следует выполнять в области определения крайних термов лингвистических переменных, как можно ближе к краям диапазонов регулирования (на краях интервалов энергетической характеристики). 

  Разработан (и применялся в исследовательском варианте) экспертно-диагностический комплекс SKAIS, как совокупность функционально и информационно связанных между собой подсистем задач и программ:

  • обработки и анализа информации (четкой и нечеткой), определение неопределенности при техническом обслуживании и эксплуатации;
  • распознавания неисправностей и диагноза состояния турбоустановки;
  • оптимизации (четкой и нечеткой) состояния;
  • анализа состояния, оценки риска эксплуатации и принятия решений;
  • накопления в базе знаний информации о состоянии турбоустановки в виде продукционных правил;
  • подготовки рекомендаций для «мягкого» управления турбоустановкой  (управление, учитывающее фактическое состояние).

Во второй главе поставлены задачи идентификации технического состояния турбоустановки и выполнена оценка информации об изменении работоспособности турбоустановки за  “время жизни” механизма. Впервые применены эвристическая информация (от экспертов) и неопределенности измеренных параметров, полученные в диагностических экспериментах. Для получения нечеткой информации решена задача формализации диагностического эксперимента с помощью функционально-структурной модели диагностики энергоустановки ТЭС (рис. 4), как основы методологии построения интеллектуальной системы контроля и анализа турбоустановок.

Пусть система измерений организована правильно. Тогда контролируемой ею объекту (здесь это турбоустановка, т.е., представляющий ее механизм) сопоставим некоторую функцию обобщенного аргумента (интервалы состояний, времени, пространства, физические параметры и т.д.), заключающую в себе информацию о данном объекте. В процессе диагностического эксперимента необходимо извлечь исходную информацию для получения действительной функции  .  Эту процедуру, на уровне понятия «черного ящика», назовем «эпизодом заглянуть в черный ящик». Пусть

        , (24)

где  - признаковое пространство. Предположим далее, что имеется эталонная (базовая или нормативная) функция состояния данного объекта  (турбоустановки):

        , (25)

где  - эталонная функция.

 

Рис. 4. Функционально – структурная модель диагностики

энергоустановки  ТЭС.

Введем в систему определений механизма , (1), некоторый оператор  такой, что

      .  (26)

  При сравнении функций состояния и (эталонная и действительная (близкая, похожая) функции),  представим их «близкими»  в . Далее, по тексту, будем использовать слово «похожесть». Критерий близости (похожести) при сравнении функций выбирается экспертом - диагностом, исходя из конкретных условий решаемой задачи с помощью программы из комплекса . Такое условие характерно для решения задач диагностики турбоустановок ТЭС. Если ввести в определенную метрику, то тогда можно с помощью этой меры определить близость по состоянию (похожесть) как расстояние  между элементами функций и  агрегата  в  признаковом пространстве , т.е. как величину

      , (27)

где - критерий близости, или похожести (расстояния, в интервале от 0 до 1.0).

В результате, математический смысл операции измерения будет заключаться в определении оператора  удовлетворяющего неравенству        

      , (28)

где – величина ошибки сравнения по похожести функций.

В частном случае, если «расстояние» определено как максимум  модуля  разности  между и  , получим

  .  (29)

Так как любая измерительная система должна быть конечной, то оператор будет определяться конечным числом характеристик, являющихся функционалами от    и  . В результате, измерение  ,  в сравнении с , будет сводиться к получению некоторой совокупности чисел ,  определяющих с точностью по критерию  близости . В представленной таким образом формализации оператор  будет выражать необходимую совокупность действий, которые нужно выполнять для установления взаимно - однозначного соответствия между измеряемой функциональной величиной  и эталонной  . Однако экспериментатор, или эксперт-диагност, имеют дело не с , а с некоторой промежуточной величиной , являющейся результатом взаимодействия исследуемого состояния агрегата и измерительными приборами. Ввиду этого разделим оператор формализации информации на два последовательных оператора, отображающих основные характеристики проводимого диагностического эксперимента: НАБЛЮДЕНИЕ И ОБРАБОТКУ ДАННЫХ, т.е. . Сигнал  , получаемый на выходе первичного преобразователя (датчика), является результатом наблюдения. Оператор преобразования будет связывать результаты, получаемые в процессе преобразования  , с измеряемой функциональной величиной  соотношением

  .  (30) 

Здесь оператор преобразования состоит из двух частей: оператора первичного и оператора вторичного преобразований данных - . Массив данных (в векторной форме) поступает на обработку в некоторое устройство, вычисляющее оператор из функционального уравнения по специальной  программе из комплекса SKAIS:

  .  (31)

Так как является оператором первичного преобразования, что считается условно известным, а измерительная система тарирована (т.е. проверена) и выполняет измерения достоверно, не отклоняясь от заданной погрешности, то задача измерения будет сводиться к определению оператора вторичного преобразования и последующему решению обратной задачи следующего вида:

,  (32)

где - нечеткое подмножество множества сигналов (промежуточной величины)

результата измерений . Анализ информации, получаемой в диагностических экспериментах, а также в процессе контроля и оценивания состояния турбоустановок,  и  получении окончательного диагноза, выполняется в следующей постановке, (рис. 5). 

   

Рис. 5. Анализ обработки информации с помощью системы распознавания

  образов для заданного интервала наблюдения за работой турбоустановки.

Здесь представлен тый интервал доверия на нагрузочной характеристике турбоэнергоустановки в ее информационном  пространстве:  вектор наблюдаемых  параметров состояния и оценок суждений экспертов; вектор параметров предельных  состояний работы турбоустановки; 1,2 – границы изолированных областей; 2 – изолированная  внутри интервала область результатов измерений; 3 – зоны неустойчивых подобластей предельных состояний агрегата на рассматриваемом интервале нагрузочной характеристики; 1 - 7, 2 - 8 – границы подобластей предельных состояний агрегата; 4 – точки пространства состояний, к которым сводятся все численные решения задачи; 5 – точки наблюдения; 6 – гиперкривая регрессии; 9 – области неопределенности информации; 10 – нечеткие области экспертной информации; [min max] - параметры экспериментального интервала доверия на интервале наблюдения нагрузочной характеристики агрегата и экспертные данные.

  Пусть техническое состояние объекта контроля и диагностики определяется значениями координат вектора параметров , размерность которого , характеризует объем контроля турбоустановки. На области определения работоспособности  или  параметров  и признаков  заданы:

-априорная плотность вероятности этих параметров

      , (33)

-область работоспособности в виде ограничений на показатели (или критерий достигаемой цели ) качества работы объекта контроля

      , (34)

- условная плотность работоспособного состояния

      , (35)

- условная плотность частично работоспособного состояния

  , (36)

где «» - обозначает операцию объединения одноточечных нечетких множеств ; «» - нечеткость соответствующих параметров; - степень принадлежности нечеткому множеству . 

В работе применена допусковая методика контроля и диагностики технического состояния турбоустановки, т.е. (область работоспособности) аппроксимируется - мерным многогранником , грани которого соответствуют независимым (или частично зависимым)  допускам  . Условная плотность определяется аналогично (36), где, вместо  , используется . Размеры допусков получаются в результате решения задачи минимизации ошибок первого и второго рода (по критериям Неймана – Пирсона  и т.д.).  Далее используются вероятности ложного отказа и  вероятности не обнаруженного отказа . Точность определения диагностических признаков и оценивания состояния турбоустановок зависит от точности и количества измеряемых параметров и чувствительности к ним модели. Для этого решена задача анализа влияния погрешностей измерений на результаты расчета и основанного на них диагноза, т.е. задача нахождения связи между абсолютными погрешностями выходной информации  и - входной информации по принципу “равных влияний и их балансу”. По этому алгоритму производится выравнивание погрешностей информации в уравнении баланса “вход - выход объекта”. Это так называемый «принцип равных влияний». Суть его заключается в том, что вклад каждого слагаемого в правой части формулы,

  ,       (37) 

в общую сумму принят равнозначным. Из этого условия следует равенство

  ,  где  .  (38)

Одной из проблем является необходимость уравнивания различных физических параметров и их погрешностей, имеющих различные веса влияния на значение итогового выходного параметра (мощность, расход, к.п.д., ресурс). Для этого в работе используется вариант метода наименьших квадратов, который учитывает погрешности функции и погрешности её аргументов, выполняя их минимизацию. Но этот метод хорошо работает только в стационарных режимах турбоустановки. В нестационарных, в резкопеременных режимах, параметры и их погрешности начинают «плыть» (рис. 5). Поэтому в результаты измерений параметров вводятся весовые согласующие коэффициенты вида . Весовые коэффициенты выбираются экспертом-диагностом, исходя из условия пропорциональности влияния каждого слагаемого в уравнении баланса (37). В результате возникает задача минимизации суммы относительных погрешностей, которая имеет вид

,        (39)

при выполнении условия

  . (40)

Решение этой задачи выполняется с применением метода множителей Лагранжа Ж.-Л. из программного модуля OPTIMIZATOR ПК . Далее выполняется оценивание технического состояния турбоустановки. Если каждый параметр  (где ) попадает в поле допуска , то объект контроля и диагностики признается работоспособным. В противном случае необходимо вводить ограничения и определять области работоспособности агрегата для отдельных режимов.

  В третьей главе решается задача «оценивания состояния при диагностике турбоустановок», как задача распознавания образов, выделенных автором в процессе экспериментов. Впервые решены задачи распознавания дефектных состояний турбоустановки с использованием нечеткой информации, обрабатываемой в SKAIS. Решение задачи выполняется в три  этапа:

Этап 1. Контроль работоспособности объекта с оценкой результата: «ГОДЕН», «ГОДЕН С ОГРАНИЧЕНИЯМИ», «НЕ ГОДЕН»;

Этап 2. Установление места неисправности и поиск дефекта при отрицательном результате первого этапа;

Этап 3. Выделение области и ограничения режимов эксплуатации по состоянию и

определение признаков.

Задача решается по следующему алгоритму:

  Шаг 1. Определение действительной работоспособности энергетической установки;

  Шаг  2. Локализация места нахождения и распознание неисправности в элементах турбоустановки.

  Шаг 3. Определение области работоспособности и ограничения режимов эксплуатации по состоянию (рис. 2), и определение признаков состояния (рис. 4). 

Выбор исходных параметров, для определения работоспособности объекта, сводится к нахождению состава множества параметров контроля  , а для определения неисправности - множества параметров диагностики .

Таким образом, выбор используемых параметров для определения работоспособности объекта сводится к нахождению состава ранее упомянутого (рис. 3) множества параметров контроля , а для  определения неисправности -  множества параметров диагностики  . Состояния элементов турбоустановки могут быть исправными, неисправными или находиться в промежуточном состоянии. Форма кривой состояния турбоустановки, получаемая в процессе её функционирования, будет характеристикой того, исправна машина (по элементам) или неисправна. Для классификации измеренных признаков вначале "закодируем" турбоустановку. Измеряем некоторые наблюдаемые параметры её энергетической характеристики. Выбираем значения ординат кривой (функции измерений) выходных параметров турбоустановки (или её рабочего тела), полученные в различные моменты времени и при разных режимах: мощность, расход, давление, температура и др. Полученные в эксперименте измерения образуют вектор (для одной нагрузки):

      (41)

Таким образом, характеристика турбоустановки будет описана матрицей из векторов признаков. Состояние элемента, узла или всей турбоустановки, выражается вектором в мерном пространстве, а множество, составленное из таких кривых (отрезков), образует распределение вектора в мерном пространстве состояния (здесь принято ). На рис. 6 представлен двумерный случай двух распределений, соответствующих исправному и неисправному состояниям турбоустановки, а на рис. 7 решающая функция для случая разделения образов на два класса. Если из прошлого опыта эти два распределения вектора известны, и между ними можно провести границу  ,  разделяющую получаемое двумерное пространство на две части, то можно выделить в пространстве исправное и неисправное состояния механизма. Функцию называют дискриминантной функцией, а техническое устройство, определяющее значение функции  - блоком распознавания или классификатором для распознавания образов состояний механизма  в - мерном пространстве признаков.

 

Рис. 6. Распределение  вектора для  исправного и неисправного

состояний турбоустановки.

Рис. 7. Решающая функция для случая разделения образов на два класса.

При проведении натурных экспериментов автором  установлено, что в диагностируемой турбоустановке невозможно опознать каждое из бесконечного числа её возможных состояний (без большого риска для всего механизма). Поэтому отдельные состояния остаются неопределенными, нечеткими  или размытыми.  Все состояния разделяются на определенное число классов. Переходные состояния не учитываются как классы, но информация о них  накапливается в базе данных. Для выполнения проекта классификатора получены характеристики распределения вектора для каждого класса технических состояний и определены дискриминантные функции. Задача выбора и оценки информативных признаков решается с помощью программы из  SKAIS. Задача «распознавание дефектного состояния по его образу» выполнена в два этапа: выбор информативных признаков и проектирование классификатора. После выполнения набора решающих функций (линейных и нелинейных) определяются их коэффициенты. Для этого производится выборка  образов. После определения коэффициентов всех решающих функций проектируется система распознавания. Диагностические признаки определяются  в виде

,                               (42)  согласно алгоритму выбора (перебора и составления) признаков, построенного с

использованием граф - модели (45). Здесь - неисправности, соответствующие

множеству их  распознающих параметров, ; - подмножество структурных параметров. Распознающими  называем  здесь внутренние параметры механизма, чувствительные к появлению той или иной неисправности

        ,                               (43)

где - множество вершин ориентированного графа ,  равное  множеству информативных параметров механизма; множество дуг   - множество существенных связей между параметрами. Множество   складывается из подмножеств

  ,               (44) 

где - подмножество входных параметров; - подмножество характеристик агрегата (энергетических); - подмножество параметров основных (технологических) процессов; - подмножество параметров сопутствующих процессов; - подмножество структурных параметров.

Таким образом, граф - моделью объекта диагностики является конечный ориентированный граф

.                               (45)  В таком графе каждая вершина    связана дугой с вершиной , если параметр   отображается в параметре  . Неисправностью называем существенное нарушение нормального функционирования всего механизма (или отдельных его элементов). Причиной возникновения неисправности может быть либо один серьезный дефект, либо комплекс дефектов. Дефектами считаем такие численные значения структурных параметров , которые не соответствуют установленным нормам. В результате, решение задачи сводится к отысканию оптимального набора признаков для каждого элемента диагностируемого механизма (согласно убыванию информативности).

  Нечеткие множества в распознавании образов.

  При работе с размытыми образами определяются способы их разделения  и решаются следующие задачи.

  Описание нечетких образов. Информацию об образах состояния механизма (или его элементов) представляем в виде многомерных векторов , с функциями принадлежности для каждого из разделяемых образов состояния.  Для этого применяем один из алгоритмов восстановления функций многих переменных по конечной выборке.  При рассмотрении в пространстве описаний числа классов возможны различные попарно расположенные образы, трудность разделения которых предварительно оцениваем по максимуму показателя степени принадлежности к пересечению размытых образов

                    (46)

где - функции принадлежности образов и .  Для уменьшения зоны неопределенности при разделении образов предложены следующие решения:

  1. поиск решающего правила, которое отнесет объекты к пересекающимся множествам;
  2. поиск отображения, в соответствии с которым пространство описаний размытых образов будет трансформироваться в пространство с меньшей

неопределенностью.

  Формирование признаков нечетких образов. Установлено, что диагностические признаки необходимо отыскивать среди различных функций пространства описаний. Но при этом требуются дополнительные характеристики в виде функций принадлежности по каждому из параметров (признаку).  Получить их в явном виде на функционирующем объекте  невозможно, поэтому характеристики параметров получены косвенным путем. При этом использована рекомендация Заде Л. - выполнение операции ортогонального проектирования размытых множеств на некоторую гиперплоскость. В результате получается ортогональная тень нечеткого множества, которую можно охарактеризовать функцией принадлежности. Получены  описания размытых множеств через тени на подпространстве пространства описаний. При этом размытая тень есть размытое отношение, размерность которого соответствует размерности подпространства.

  Определение разделяющих правил для нечетких образов. Отнесение объекта к одному из образов выполнено с помощью процедуры «голосования»: проверяется число выполнений признаков класса и класса для данного объекта и по большинству «голосов» принимается решение, но предварительно  проводится оценивание признаков. Для этого используется унарная ортогональная тень, рис. 8.

 

Рис. 8. Унарная ортогональная тень.

На контрольном объекте проверяется выполнение признаков каждого класса. Если при каком-то признаке проверяемый объект попадает в зону неопределенности, то по этому признаку фиксируется отказ. Это соответствует невыполнению порога ни по одному из образов.

  Критерии оценки признаков. Каждый элемент  - итого размытого отношения представляем кортежем длины  , который принадлежит этому размытому отношению. Каждый кортеж есть набор элементов, порождающих множество (параметров), отображающих декартово произведение множеств   в , т.е.

,                       (47)

где - функция (нечеткое отношение); - отрезок вещественной прямой, 

или структура. В качестве использовано множество лингвистических переменных и множество - мерных векторов. Такой подход к формализации анализа свойств функциональных зависимостей реализован с помощью математического аппарата теории отношений, кластерного анализа и методов анализа эмпирических данных.

Классификация нечетких состояний турбоустановки. Функция принадлежности охарактеризована, по Заде Л., как функция, характеризующая степень уверенности появления события при наблюдении .  Функция определена для каждого и удовлетворяет условиям:

,   .               (48) 

В результате, в задаче классификации для двух событий и , выполненных  по косвенным наблюдениям, получаем  .

  В четвертой главе представлены результаты использования теории нечетких множеств и нечетких логик в моделях оценивания характеристик технического обслуживания турбоэнергоустановок ТЭС.

Нечеткие модели отказов турбоустановки. Пусть задано дискретное множество состояний механизма, представительное в том смысле, что оно близко отражает возможные в будущем состояния оборудования ТЭС (например, выработка электроэнергии, вывод в ремонт, техническое перевооружение). Тогда получим   решений (вариантов), характеризирующихся затратами , необходимых для реализации – го решения при – том состоянии механизма:

  .               (49) 

В качестве варианта используем решение, для которого минимальна верхняя оценка затрат при заданной вероятности непревышения этой оценки, или решение, характеризующееся минимальными средними затратами в случаях из , или с вероятностью  . Обозначим через перестановку, упорядочивающую элементы – той строки матрицы по неубыванию, т.е.

        (50)

Формализуем критерии оценки качества предлагаемых решений:

, (51)

.       (52) 

Пусть известны различные вероятности    состояний механизма, а  - некоторое подмножество множества состояний механизма такое, что

      ,                               (53)

где , если и – в противном случае.  Представим  (53) в виде:

  .                               (54) 

Обозначим через множество - мерных булевых векторов, для которых выполняется (54). Тогда критерии (51) и (52) преобразуем соответственно к виду:

,

.               (55) 

Предположим далее, что решение является комплексным, состоящим из различных частных решений из  , т.е. для обеспечения предлагаемого уровня технического обслуживания будем использовать какой-то набор частных решений, обеспечивающих работоспособность механизма. Каждое из имеющихся частных решений «покрывает» некоторое множество состояний механизма, некоторую область неработоспособности так, что соответствующие затраты на его восстановление будут приемлемыми. Здесь - общее число состояний механизма; мы стремимся, согласно целевой функции, покрыть с минимальными затратами не менее состояний:

,                               (56)  где - требуемый (заданный) уровень надежности и обеспечения работоспособности. Если принять, что состояния механизма равновероятны, то получим модель отказов механизма:

  ,

  (57)

Критерии (52), (53) реализованы в работе следующим образом: отбираются и рассматриваются только те решения из , каждое из которых покрывает не менее состояний механизма . При этом в качестве оценки будущих затрат, связанных с решением (где - управление), используется либо средняя, либо верхняя ( - квантильная) оценка затрат. В обоих случаях будем иметь оценки затрат при заданном (намеченном) уровне надежности и работоспособности. На основе представленных рассуждений построены топологические модели механизма, кинетики и параметров отказа. Знания о причинно-следственном формировании отказа представлены в виде функций алгебры логики и логических моделей типа продукций. Выполнены статистическое моделирование и прогнозирование отказов для турбоустановок типов Т-100-130 и К-50-90, за длительный период эксплуатации на ряде ТЭС. Обоснованы причины, положенные в основу разрабатываемой экспертной системы поддержки решений для задач диагностирования и прогнозирования технического состояния и надежности механизмов ТЭС.

  Разработка алгоритма нечеткого регулятора. Здесь применен принцип неподвижной точки для проектирования нечеткого регулятора, описываемого

отображением из пространства в пространство входов  , т.е.

  ,                       (58) 

генерирующее детерминированный сигнал управления из нечеткого выходного сигнала (о состоянии механизма). Здесь - информационное расстояние по Шеннону. Тогда нечеткая система, для которой выполняется аналог условий – Липшица П., будет иметь свойства “ –управляемости” в точке  , а выходные сигналы

      ,                       (59) 

является – устойчивой в точке . Это определяет существование нечеткого регулятора , который переведет выходной сигнал в – окрестность точки . Поставленное условие “ – управляемости” будет обеспечивать существование такого алгоритма управления , при котором

.                       (60)

Предположим далее, что нечеткий регулятор выбран таким образом, что для имеется  , т.е.

.                       (61)

Тогда есть неподвижная точка отображения , где - композиционное правило нечеткого вывода. В результате, получим управление

.                      (62)

Представим неподвижную точку как точку притяжения оператора сжатия в пространстве .  Принимая условие, что сама точка лежит в своей  – окрестности, получим доказательство существования такого нечеткого регулятора

  (63)

и необходимые условия для проектирования нечеткого регулятора. Представлен пример проектируемого нечеткого регулятора разрежения в конденсаторе для экспертной системы поддержки принятия решений управления турбоустановки.

  Нечеткое управление турбоустановкой.

Управляемая система (турбоэнергоустановка) представляется в виде модели

  , (64)

в которую введены нечеткие параметры (например, нечеткие числа – типа, или в параметрическом виде) в параметрическое пространство агрегата . Нечеткие числа допускают более простую интерпретацию расширенных бинарных операций и могут быть заданы с помощью функции принадлежности – типа. Отображение переводит декартово произведение   метрического пространства входных сигналов и параметрического пространства в пространство выходных сигналов . Нечеткое отношение для декартова произведения  , определим как

, (65)

где - единичная функция, - управление, - базовое множество параметров 

содержательного описания механизма. Предположим при этом существование обратного отображения вида

.                        (66)

В результате такого представления получим - идентификацию системы.

Выполняя редуцирование параметрического пространства к метрическому пространству , идентифицируем систему практически полностью, в смысле определенных метрических пространств. В результате, используя приведенные выше понятие – окрестности и принцип неподвижной точки, осуществляем проектирование нечеткого адаптивного регулятора для нечеткой системы -турбоэнергоустановки. 

Нечеткие модели идентификации состояния турбоустановки.  Для  заданных пространств входов и выходов   функционирующего агрегата с элементами    и  метриками  и используется модель «вход-выход» управляемой системы, описываемая отображением из в . Реальная модель управляемой системы содержит множество неопределенностей в определении параметров структуры, неточностей измерений выходного процесса , состояния механизма и т.п. Поэтому предложено учитывать подобного рода «НЕ – факторы» путем введения  нечеткого отношения  для выходных сигналов , которое можно интерпретировать как степень принадлежности пары сигналов отношению   для неотрицательного действительного числа (критерий точности). Неравенство характеризует влияние неучтенных факторов в модели на отклонение выходных сигналов с заданной функцией принадлежности  .

  Прогнозирование технического состояния и отказов турбоустановки.

  Прогнозирование технического состояния  и  отказов выполняется  по: 

-  диагностическим параметрам, оценивающим техническое состояние механизма; 

-  экспериментальным данным о зависимости момента отказа от наработки.

Диагностирование и прогнозирование параметров осуществляются в работе с помощью алгоритма распознавания образов, (рис. 9).

 

Рис. 9. Прогнозирование параметров «методом распознавания образов».

Здесь,  - «образы» параметров;  - «классы» параметров; - время; MC- обозначающая выборка из статистики о работе механизма.

  Разработка алгоритма состоит из двух стадий.

  Первая стадия заключается в формализации эмпирического смысла процесса формирования отказа и состоит из следующих этапов:

1) синтез формализованного описания свойств процесса, который  вызывает отказ или аварию;

2) формализация конечного набора свойств и параметров, обусловливающих и

характеризующих тот или иной вид повреждения, отказа или разрушения, в виде функций алгебры логики.

Вторая стадия состоит из этапов формализованного описания процесса формирования отказов и отнесения их к тому или иному классу, и включает:

1) представление параметров (образов) повреждения, разрушения или отказа к тому или иному «классу», характеризующему состояние системы - идентификация;

2) сравнение выделенных параметров с соответствующими параметрами, которые будут иметь значение через определенный интервал времени - прогнозирование.

Для прогнозирования технического состояния механизма на стадии его проектирования необходимо ввести назначенные свойства и внешние воздействующие факторы. На стадии эксплуатации механизма оцениваются техническое состояние и остаточный ресурс, т.е. возможность дальнейшей эксплуатации, или введение ограничений. В результате моделирования получим параметры, характеризующие деградационные процессы, виды разрушения, отказов, аварийных ситуаций и аварий.

Оценка долговечности турбоустановки.

  Под долговечностью понимается свойство объекта сохранять работоспособность до предельного состояния с учетом перерывов на техническое обслуживание и ремонт. На долговечность турбоустановок влияют различные факторы, содержащие элементы нечеткости которые невозможно определить традиционными методами анализа. Пусть - некоторые множества, а - отображение множества  . Тогда, если - размытое отображение или - размытое множество, то отношение будет размытой функцией, которую обозначим в виде . Условимся далее, что если представляет  мерный размытый вектор, то функция - есть мерная размытая функция (функция). Рассмотрим следующие случаи:

1) размытое отображение; - размытое множество, тогда ;

2) неразмытое отображение;- размытое множество, тогда ;

3) размытое отображение; - неразмытое множество, тогда .

  Далее, пусть за интервал времени известны статистические данные, характеризующие функционирование турбоустановки, на основании которых можно приблизительно прогнозировать время вывода турбоустановки в ремонт. Назовем нормальным функционированием способность турбоустановки выполнять свои функции в пределах нормы в интервале . Это характеризуется функцией , где

,

  . (67) 

Здесь , некоторый параметр, характеризующий состояние.

В зависимости от факторов, влияющих на состояние турбоустановки, можно построить различные функции , которые характеризуют ее нормальное функционирование. Разделим параметр на две группы: параметры ухудшающих векторов; параметры улучшающих векторов. Тогда вместо функции получим .  Известно, что мерные размытые векторы, т.е.

  , . (68)

Пусть, далее,  - функция, характеризующая нормальное функционирование агрегата при заданной норме . При значениях агрегат будет считаться выработавшим ресурс и  ремонтироваться  за время . Тогда

  (69)

где  - интервал функционирования агрегата при заданной норме;  - интервал времени ремонта агрегата. Условие (69) можно представить следующим образом: после выработки ресурса элементов агрегат ремонтируется, однако функционирует уже несколько хуже. Иначе, агрегат или ремонтируется, или изношенные элементы заменяются новыми.  Очевидно, что размытые функции взаимосвязаны некоторым отношением:

  (70)

Необходимо найти такой интервал функционирования агрегата, что

  ,  (71)

где  - заданное время ремонта, т.е. из множества интервалов функционирования  найдем такой интервал , после которого во всех случаях агрегат отремонтируется за время . Таким образом, в качестве количественного показателя долговечности технических систем принимается такое время, после которого на ремонт агрегата затрачивается время больше заданного. После этого состояние агрегата считается предельным. В результате, решение задачи сводится к следующему виду: строится функция принадлежности , где - условная функция принадлежности. Тогда решение задачи (70), (71) имеет вид

  . (72)

Итак, долговечность турбоагрегата будет определяться по модели

  .  (73)

  В пятой главе рассмотрены подходы к моделированию задач технического обслуживания и ремонта, учитывающие фактическое состояние теплоэнергетического оборудования и  информацию, получаемую в процессе технической диагностики, а также знаний экспертов-диагностов и ремонтников.

  Моделирование ресурса и надежности турбоустановки с учетом стратегии технического обслуживания.

Предельное состояние турбоустановки, ее структура и решаемые проблемные задачи - состояние, при котором ее дальнейшая эксплуатация по назначению недопустима или нецелесообразна, либо восстановление исправного  или работоспособного состояния невозможно или неэффективно. В этом случае доремонтный ресурс любого узла турбоустановки определяем как оставшуюся его наработку до ремонта - . Считаем эту наработку средней от начала работы выбранного узла (после последнего ремонта), до наступления предельного состояния . Обозначим получившуюся величину(как оставшийся ресурс, в относительных единицах), т.е.

  . (74) 

Предположим, что предельное состояние узла совпадает с его отказом. Тогда фактический ресурс будет случайной величиной и графически его можно представить как совокупность случайных реализаций, (рис. 10). Плотность точек пересечения такой  совокупности прямых с осью времени будет определяться законом распределения времени до отказа узла, рис. 10,а. С достаточной для практики точностью, закон распределения времени до отказа изнашивающегося узла может моделироваться нормальным законом

 

  а)  б)

Рис. 10,а,б. Изменения значений остаточного ресурса узла от времени

эксплуатации и законы распределения времени до отказа.

    , (75)

а интенсивность отказа

    ,  (76)

где  - дисперсия срока работы до отказа узла.

Если нет никакой информации об этой величине, то в первом приближении можно допустить, что

  . (77)

В действительности, срок работы узла до ремонта  не планируется равным , а принимается с запасом (рис. 10,а), т.е.

  . (78)

Это обеспечивается тем, что устанавливаются границы допустимого изменения значений тех параметров узла, которые отражают износ, сработку его ресурса (отслаивание баббита в подшипниках, износ уплотнений в проточной части турбины и др.). Если износ узла превышает заданный диапазон границ допуска, то узел (или его деталь) выводится в ремонт для восстановления ресурса узла или его замены. На рис. 11 представлено изменение вероятности отказа и интенсивность отказа узла в зависимости от назначенного срока ремонта :

  Рис. 11.  Рис. 12. 

Эта связь позволяет оценить статистически параметры законов распределения и 

соотношения к  . Обозначим долю, составляющую с.к.о. ресурса, от его среднего значения  через  , т.е.

. (79)

Строим зависимость от   сработанного ресурса в относительных единицах, (рис. 12). Максимальные значения, видимо, следует ожидать при . Оценки сработанного ресурса можно получить путем перестроения зависимостей рис. 12 в статистически известные средние частоты отказов на межремонтном интервале , используя связь

. (80)

Если исходить из того, что узел срабатывает свой полный (средний) ресурс за ремонтный цикл агрегата, то очевидно, что на предыдущем  м ремонтном цикле, если происходило восстановление ресурса узла (ремонт), то его сработанный ресурс был не менее допустимого. Следовательно, ,    и

  . (81)

Здесь  - длительность межремонтного цикла, - количество ремонтных циклов между двумя восстановительными ремонтами данного узла.

Последняя оценка подтверждается при условии, что от го до ремонтного цикла рассматриваемый узел не откажет. Переходя к ресурсу и его изменению для агрегата в целом, надо условиться, что под ним будем понимать. Ресурс агрегата будет зависеть, прежде всего, от ремонтных воздействий на него. Один из вариантов оценки ресурса агрегата, это построение нижней огибающей изменений ресурсов всех узлов агрегата во времени. На рис. 13 построена такая зависимость. Надежность агрегата будем определять, исходя из того, что все узлы, его составляющие, в смысле надежности соединены последовательно. 

  Рис. 13.

Тогда интенсивность отказа агрегата будет равна

  , (82)

где - межремонтный период го узла; целое число ремонтов го узла,

укладывающихся на интервале времени ; - определяется по зависимостям , на основе выше рассчитанных данных и  др. При первой стратегии ремонтов зависимость будет иметь вид как на рис. 14. При второй

стратегии можно полагать, что и . Тогда зависимость интенсивности отказа от знака будет изменяться пилообразно около некоторого постоянного среднего значения (рис. 15).

  Рис. 14. Рис. 15. 

Полученные модельные зависимости позволяют оценить влияние на надежность и ресурс стратегии ремонтов. Например, увеличение межремонтного периода будет приводить к увеличению частоты отказов агрегата, но к сокращению относительной длительности нахождения агрегата в плановых простоях.

Нечеткие модели принятия решений о продлении эксплуатации, выводе в ремонт или введении ограничений.

В задачах ремонта сравнение между альтернативами при выборе решения производится с учетом многих критериев. В работе реализован следующий подход к решению таких задач. Пусть – множество всех допустимых решений. Его элементы  оцениваются вектором

где ,       (83)

который описывает эффективность альтернативы по отношению к - тому критерию. Сформулируем многокритериальную задачу принятия решения:

  найти  при , (84)

что математически представляет собой задачу максимизации векторной функции. Для решения этой задачи в работе применен метод построения агрегированной функции полезности:

  . (85)

Под полезностью здесь понимается степень удовлетворения достижения заданной стратегии управления принимающим решения, т.е. ЛПР. Представим, например, как достижимые и заслуживающие внимания цели в прогнозируемый период времени. Тогда для каждого элемента множества

        (86)

достижение и недостижение целей будет в виде функций:

        (87)

Принимая функцию полезности линейной (для упрощения),

        (88)

представим (87) как задачу математического программирования:

        (89)

Таким образом, мы построили линейную целевую функцию, опираясь на множество достижения и недостижения целей, и расширили исходное множество ограничений за счет целей, выраженных в особой форме. Однако составление надежной функции полезности на практике оказывается более сложным. Ввиду этого допустим, что частично или полностью неизвестна и, что любое хорошее решение, полученное при этом, не должно быть хуже любого другого допустимого решения. Пусть далее основой одноцелевой задачи будет целевая функция

        . (90)

Целевая функция позволит ЛПР ранжировать альтернативы .

Так как можно определить отношение строгого порядка на , то существуют   или . Если рассматриваемая целевая функция есть векторная функция

      ,  (91)

то мы не можем говорить о строгом порядке на . Вследствие этого будем утверждать, что две точки  и  сравнимы между собой только тогда, когда

        .  (92)

В многоцелевой задаче понятие оптимальности заменяем понятием ''недоминируемости''. В результате решение многоцелевой задачи линейного программирования будет определять множество недоминируемых альтернатив. Оптимальное решение при выборе остается за ЛПР.  Для решения задачи в работе использован обобщенный вариант симплекс-метода. Нахождение множества всех недоминируемых решений будет сводить допустимое множество ко всем тем точкам, которые могут служить в качестве оптимальных решений. Например, пусть каждая отдельная составляющая (какой-либо аргумент) имеет максимум при некотором , т.е. достигает своего максимума при . Запишем это в виде:

      . (93)

Тогда есть идеальная точка, т.е. вектор всех максимальных допустимых значений, достигаемых отдельными целевыми функциями на множестве . Но такое идеальное решение в общем случае невозможно. Однако, ввиду доминирующего значения этой идеальной точки, можно утверждать, что ЛПР стремится найти все же такое решение, которое находиться как можно ближе к такой идеальной точке. Это решение также  относится к области нечетких множеств. В такой интерпретации эта проблема впервые представляется автором как новая парадигма плохо формализуемых задач технического обслуживания в теплоэнергетике.

  В шестой главе  диссертации и Приложениях 1-4 на отдельных примерах представлены результаты проектирования и внедрения экспертной диагностической системы функционально-гибридного типа  с именем SKAIS.

Диагностический контроль турбоустановок ТЭС осуществляется с помощью экспертной диагностической системы функционально-гибридного  типа с именем SKAIS, разработанной под руководством и участием автора. SKAIS - «Система контроля, анализа и слежения за изменением состояния турбоустановки» - представляет собой управляемый в диалоговом режиме комплекс, ориентированный на диагностирование и экспертизу энергоустановок любого типа. SKAIS позволяет на ранней стадии (с использованием экспресс-испытаний) диагностировать снижение экономичности, определять величину, причины и риск происходящих изменений, прогнозировать состояние,  оценивать надежность, остаточный ресурс, долговечность и ущерб от продолжения дальнейшей эксплуатации турбоустановки. «Искусственный интеллект» комплекса (SKAIS и ПЭВМ с интерфейсом «человек-машина-объект»), на основе накопления опыта и самообучения (с использованием продукционной базы знаний SKAIS и экспертной системы CLIPS), обеспечивают реализацию диагностического контроля состояния, обнаружение, распознавание и анализ предаварийных и аварийных ситуаций в турбоустановках. Система SKAIS осуществляет принятие решений на выходе из создавшейся конфликтной ситуации (вывод в ремонт или введение ограничения) с представлением  подготовленных в базе знаний рекомендаций (в виде готовых продукций) оперативному и ремонтному персоналу ТЭС. Для этого создается база данных и знаний (БД и З) обо всех вынужденных остановах и дефектах оборудования, отклонениях от правил его нормальной эксплуатации. Опытный вариант такой БД и З (рис. 16) прошел апробацию на турбоустановках с турбинами типов К-50-90 ЛМЗ и Т-100/120-130 ТМЗ. SKAIS создается применительно для блочных, или общестанционных ИВК и АСУ ТП ТЭС, и является весьма перспективной экспертной  диагностической системой, благодаря своей многозадачности и многорежимности.  Представлена модульная схема решаемых задач.  Архитектура базы данных SKAIS отражает структуру данных о состоянии технологического оборудования ТЭС с турбоустановками любого типа сложности, а также имена записей, имена и форматы полей. Для работы с данными разработан индивидуальный язык описания данных и язык манипулирования данными. Запросы к данным из БД выражаются в прикладных программах (ПП) пользователей с помощью языков и терминов принятой модели данных (т. е. прикладная программа работает только с записями модели).

  Записи модели создаются системой на момент, когда они затребованы прикладной программой (при чтении данных из БД) либо формируются в ПП, а затем данные из этих записей переносятся в БД в хранимые записи (при вводе данных в базу). Для образования записей модели система управления БД (СУБД) располагает информацией о том, как записи, их поля строятся из хранимых в физической базе данных записей и полей (и, аналогично, обратные преобразования при вводе данных в БД). Эта информация задана в архитектуре БД в виде специального отображения (преобразования) данных из физической базы данных в данные для принятой модели (т. е. СУБД решает задачу реализации отображения прямого и обратного между моделью и физической базой данных). В описании отображения, кроме указания соответствий между полями записей модели и полями хранимых данных записей, указываются все необходимые сведения о хранимых данных: в каком коде они представлены, как упорядочены, какие существуют индексы, где расположены те или иные данные, с какими  данными они связаны, какие методы доступа необходимо использовать для манипулирования хранимыми данными и т. д. Часть задачи обработки данных возлагается на операционную систему ПЭВМ IBM РС/АТ. Создана единая информационная база, включающая постоянную и оперативную информацию и объединяющая программы диалоговой среды комплекса. Диалоговая среда комплекса SKAIS реализуется в виде exe-файла и библиотеки функций, подключаемых из программ на языках MS C - 5.0 и MS FORTRAN - 5.0 и выше. Программы вычислительного комплекса (ВК) реализуются на языке MS C (версия 5.0 и выше). Для стыковки расчетных программ, входящих в комплекс SKAIS, используются оверлейные программы и bat-файлы. Разработанные программы ВК ориентированы на использование стандартных средств защиты от компьютерной памяти под диалоговую среду не более 35 Кбайт. Возможна переустановка основных характеристик размерности ОЗУ - резидентных меню и текстовых файлов. 

Функционируют следующие режимы работы комплекса, рис. 16:

1)обработки и интеллектуального анализа исходных данных и данных экспресс-испытаний и диагностики оборудования турбоустановок с определением неопределенности исходной информации;

2)диагностирования причин снижения экономичности агрегата, распознавания дефектных состояний, отказов и неисправностей оборудования при различных режимах работы в целом и по отдельным узлам, с учетом нечеткой исходной информации;

3)принятия решений на ремонт, определения области устойчивости и допустимости  режимов работы турбоустановки;

4)оценки и прогнозирования технического состояния, работоспособности, готовности, остаточного ресурса и долговечности  оборудования;

5)оценки риска эксплуатации при данном состоянии оборудования;

6)накопления и использование четких и размытых знаний о состоянии и отказах оборудования (в виде продукционных и управляющих правил) в БД и З.

Подготовлено и отлажено  более 100 ПП для исследовательского варианта SKAIS.

Архитектура SKAIS.  Ядром информационной системы для  SKAIS являются  данные, организованные определенным образом с целью адекватного отображения непрерывно изменяющегося фактического состояния турбоустановки и эффективного удовлетворения информационных нужд пользователей системы. Для этого использована методология интерактивной среды CLIPS – ее экспертной оболочки, со своим способом представления знаний, языка и вспомогательными инструментами.

Архитектура базы данных.  Для обеспечения независимости прикладных программ (ПП) от данных вводится модель данных, которая отражает для пользователей информационное содержание БД, но подробности организации физического хранения данных в ней отсутствуют. Модель имеет свою схему, в которой отражена структура ее данных, имена записей, имена и форматы полей.

Для работы с данными разработан язык описания данных (ЯОД) и язык манипулирования данными (ЯМД). Запросы к данным из БД выражаются в прикладных программах пользователей с помощью этих языков и терминов принятой модели данных (МД), т.е. прикладная программа работает только с записями модели. Записи модели создаются системой на момент, когда они затребованы ПП (при чтении из БД) либо формируются в ПП, а затем данные из этих записей переносятся в БД  в хранимые записи (при вводе в базу). В результате, получена трехуровневая  архитектура  банка  данных. Этим объясняется поэтапность  ввода  в эксплуатацию такой сложной системы, как БД  SKAIS.

  Интеллектуальная база знаний SKAIS. При разработке интеллектуальной базы знаний (ИБЗ SKAIS) автором было подготовлено инструментальное средство, применяемое при идентификации и диагностике технического состояния оборудования турбоэнергоустановок ТЭС. Инструментальное средство способствовало созданию программно-диагностического комплекса  SKAIS, используемого при диагностике причин изменения технического состояния и вызываемых этим изменением отказов и аварий в турбоэнергоустановках.

Инструментальное средство включает интегрированные и формализованные (в виде управляющих и продукционных правил) знания экспертов-технологов, обслуживающих энергетическое оборудование ТЭС, эмпирические знания из различных предметных областей связанных с теплоэнергетикой и используемых для оценивания технического состояния, определения причин отказов и аварий при эксплуатации, техническом обслуживании и  ремонте. Интеллектуальная (интегрированная) диагностическая система SKAIS, разрабатываемая с помощью инструментального средства определения причин отказов и аварий, и распознавания дефектов, обладает следующими функциями:

  1. описание предотказового состояния (инцидента или аварии) по имеющейся информации;
  2. выявление причинно-следственного комплекса факторов, вызвавших инцидент или аварию;
  3. обоснование и рекомендация необходимых мероприятий по предотвращению повторных инцидентов и аварий; по восстановлению объекта (системы);
  4. идентификация и интерпретация инцидента или аварии, запоминание его в ИБЗ;
  5. прогнозирование инцидентов и аварий с более высоким уровнем последействий;
  6. генерация стандартной, краткой и полной отчетной информации об инциденте или аварии.

  Ядром интеллектуальной системы, обеспечивающим решение задач исследования технического состояния турбоустановок и определения причин отказов и аварий, является гибридная экспертная система. Гибридность экспертной системы характеризуется наличием в ее составе двух модулей: первый - обеспечивает поддержку принятия решений на основании прецедентов в группе функциональных структурно-связанных элементов конкретной турбоустановки, второй – на основании причинно-следственного комплекса возникновения отказов и аварий (матрицы действий). Второй Модуль, обеспечивает решение задачи идентификации на основании прецедентов, используя накопленные в базе опыт и знания (аналогии, т.е. принятые ранее решения) и реализуется в соответствии с методологией рассуждения на основе прецедентов.

В результате, процесс решения задачи представляет собой последовательность этапов поиска (выбора) аналогов и повторного использования информации, содержащейся в выбранных аналогах. При  этом требуемые теоретические знания концентрируются в пределах прецедентов. Таким образом, каждый прецедент – это интегрированная (систематизированная и классифицированная) информация о причинах конкретного повреждения, отказа или разрушения узла или агрегата турбоустановки. Модуль, обеспечивающий решение задачи идентификации на основе модели, представляет собой продукционную экспертную систему, состоящую из продукционной базы знаний и интерпретатора .

Продукционная система SKAIS. Знания, используемые в системе SKAIS, представляются в виде правил и  продукций. Модель знаний, использующая продукции, является продукционной моделью знаний, в которой знания представляются совокупностью правил вида «ЕСЛИ…, ТО…, ИНАЧЕ…, ИЛИ…, И…», или «УСЛОВИЕ – ДЕЙСТВИЕ». Условие (или антецедент, или посылка правил) состоит из одного или нескольких предложений, соединенных логическими связками И, ИЛИ, образуя выдаваемое правилом решение, либо указывают на действие, подлежащее выполнению. Действие (или консенквент, или заключение) состоит из одного или нескольких предложений, и образует выдаваемое правилом решение, либо указывает на действие, подлежащее выполнению. Для представляемого варианта SKAIS подготовлено 400 управляющих правил и соответствующие диагнозам РЕКОМЕНДАЦИИ по устранению неполадок. 

  Программы комплекса  SKAIS. Программный комплекс SKAIS предназначен для решения технологических и интеллектуальных задач повышения эффективности турбоэнергоустановок ТЭС (или ТЭЦ) любой схемой сложности. Представлены структурная схема программного комплекса и принципиальная модульно – структурная схема ВК для SKAIS ТЭС с теплофикационными  установками.

Разработанное математическое и программное обеспечение построено с применением методологии и методов теории искусственного интеллекта, системного анализа и теории исследования операций, может стать базой при разработке нового поколения гибридных систем диагностики для теплоэнергетики. 

В приложении диссертации (Приложения 1-4) представлены примеры результатов  и Акты использования в практике проектирования и эксплуатации экспертной системы технической диагностики в теплоэнергетике, для обнаружения, распознавания и анализа неисправностей в оборудовании и узлах турбоэнергоустановок, а также разработанного математического и программного обеспечения SKAIS.

ОСНОВНЫЕ  РЕЗУЛЬТАТЫ И ВЫВОДЫ

  В диссертационной работе выполнена разработка методологии и средств реализации интеллектуальных экспертных диагностических систем распознавания состояния сложных теплоэнергетических установок, с использованием четкой и нечеткой информации и знаний, повышения качества диагностики и идентификации состояния в процессах управления, эксплуатации и технического обслуживания. Выполнена разработка математических моделей диагностики технического состояния турбоустановок электростанций. Впервые разработаны методологические основы и принципы нового для турбоэнергоустановок научного направления – средства реализации интеллектуальных систем для контроля и анализа функционирования турбоустановок с использованием экспертной, стохастической, четкой и нечеткой информации.

  Основные научные результаты состоят в следующем:

1. Разработаны методологические основы и принципы нового для турбоэнергоустановок научного направления – интеллектуальные системы контроля и анализа функционирования турбоустановок на основе повышения качества диагностики и идентификации технического состояния  в процессах эксплуатации с использованием экспертной, стохастической, четкой  и нечеткой информации.

2.  Сконструированы информационные модели эксплуатационного и технического состояния турбоустановки для создания новой концепции “мягкого регулирования” технического обслуживания турбоустановок с учетом времени жизни в эксплуатации и отработке, и нечеткой информации.

3. Разработаны комплексная модель и алгоритм распознавания дефектных состояний турбоустановок с использованием нечеткой информации.

4. Созданы модель и алгоритм интеллектуальной поддержки принятия решений при оперативном управлении нестационарными режимами турбоустановок с использованием нечеткой информации.

5. Разработаны модели технического обслуживания состояния турбоустановки, включая модели ресурса, надежности и долговечности турбоустановки с использованием нечеткой информации.

6. Разработаны алгоритм и управляющие правила нечеткого регулятора разрежения в конденсаторе турбоустановки.

7. Разработан и апробирован интеллектуальный программно-вычислительный диагностический комплекс («система контроля, анализа и слежения за изменением состояния турбоустановки») для турбоэнергоустановок  ТЭС (исследовательский вариант).

Использование разработанной методологии интеллектуального управления, основанной на нечеткие модели идентификации технического состояния и технической диагностики механизмов ТЭС, способствует увеличению срока службы оборудования, повышению его эффективности, надежности и готовности выполнять необходимый режим нагрузки, выработке на основе этого дополнительных электро - и теплоэнергии, и позволяют получить существенный народнохозяйственный эффект.

  Принятие эффективных решений и подготовленных рекомендаций для обслуживающего  персонала ТЭС, при эксплуатации энергетических установок с помощью системы поддержки и мониторинга состояния в экспертном диагностическом комплексе SKAIS, обеспечивают продление срока службы и дополнительное производство электро - и теплоэнергии необходимого качества и количества. Это осуществляется за счет поддержки работоспособности, своевременного обнаружения неисправностей и предупреждения отказов.

Полученные  результаты могут эффективно использоваться при решении важных задач: технико-экономического анализа, нормирования, оптимизации, управления

режимами и распределения нагрузки между агрегатами ТЭС, с учетом фактического состояния и ресурса энергоустановок. Особенно эффективно применение разработанных, в виде управляющих правил и рекомендаций обслуживающему  персоналу: для принятия решений при выводе в ремонт или модернизацию; определения оптимального межремонтного периода; развития и прогнозирования работоспособности на перспективу с определением оценки долговечности основных узлов; техническом перевооружении, а также проектировании новых, модернизации, или замене отработавших ресурс элементов и узлов энергоустановок. Полученные средства интеллектуальной системы контроля и анализа функционирования для турбоустановок могут быть использованы и в других непрерывных производствах с идентичной технологией.

Основные теоретические результаты проверены на основе вычислительных и натурных экспериментов, подтверждающие их достоверность. Часть результатов передана в опытное внедрение на реальных объектах. Разработанные на основе теории искусственного интеллекта, системного анализа и методологии исследования операций модели и методы  технической диагностики механизмов ТЭС доведены до алгоритмической и программной реализации на ряде электростанций. Представляется, что совместно с уже внедренными подсистемами диагностики энергоустановок, они могут явиться интеллектуальной базой для создания нового поколения распределенных гибридных подсистем диагностики в теплоэнергетике.

  ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Г.Д.Крохин. Программа решения проблемы диагностики энергетического оборудования. // «Материалы межвузовского научного семинара по проблемам теплоэнергетики». - Саратов, СГТУ, 1996. – С.21-25.

2. Г.Д. Крохин, В.З. Манусов. Применение нечетких моделей при диагностике состояния энергетических установок. // Труды третьей международной научно-технической конференции «Актуальные проблемы электронного приборостроения» АПЭП –96, в 11-ти томах. - Новосибирск, НГТУ, 1996. Т.5. - С.41-43.

3. Г.Д. Крохин, М.Я. Супруненко. Диагностика состояния энергоустановок ТЭС (постановка экспериментов). // Труды третьей международной научно-технической конференции «Актуальные проблемы электронного приборостроения» АПЭП –96, в 11-ти томах. - Новосибирск, НГТУ, 1996. Т.5. - С.105-111.

4. Г.Д. Крохин, В.З. Манусов. Измерение характеристик и анализ информации при функциональной диагностике энергоустановок электростанций. // Труды международной научно-технической конференции «Научные основы высоких технологий» в 6-ти томах. - Новосибирск, НГТУ, 1997. Т.2. - С.118-122.

5. Г.Д. Крохин, В.З. Манусов. Нечеткие модели функциональной диагностики энергоустановок электростанций.// Научный вестник НГТУ, №3. - Новосибирск, НГТУ, 1997. – С.161-168.

6. Г.Д. Крохин, В.З. Манусов. Нечеткие модели технической диагностики энергоустановок тепловых электростанций. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научных трудов, вып.2. - Новосибирск, НГТУ, 1998. – С.129-138.

7. Г.Д. Крохин, В.З. Манусов. Исследования процессов представления и использования нечетких знаний для математических моделей диагностики энергоустановок электростанций. // Третий международный сибирский конгресс по прикладной и индустриальной математике (ИНПРИМ –98). Тезисы докладов, часть III. - Новосибирск, Ин-т математики СО РАН, 1998. – С. 63-64.

8. Г.Д. Крохин, В.З. Манусов. Нечеткие модели технической диагностики энергоустановок тепловых электростанций. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научных трудов, вып.2. - Новосибирск, НГТУ, 1998. – С.129-138.

9. Г.Д. Крохин, В.З. Манусов. Диагностика состояния турбинных установок тепловых электростанций с использованием теории нечетких множеств. // Труды IV международной конференции «Актуальные проблемы электронного приборостроения» АПЭП –98, в 16-ти томах. - Новосибирск, НГТУ, 1998. т.11. - С.48-49.

10. Prof. Dr.-Ing. V. Manusov, Dr. G. Krokhin. STU Novosibirsk / Ruβland. The Diagnosis of Thermal Power Station Turbine Plants States with Application of Fuzzy sets Theory. // XXX Kraftwekstechnisches Kolloquium. ( Turbomaschinen fr Kraftwerke. Entwicklungsprobleme, Auslegung, Konstruktion und Betriebserfahrungen). - Technische Universitt, Dresden, Deutschland, 1998. - PA6. 

11. Г.Д. Крохин, А.Р. Ходжаян, В.В. Конев, С.П. Бойкин. Мониторинговая система поддержки технического обслуживания ТЭС.// «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научных трудов, вып.3. - Новосибирск, НГТУ, 1999. – С.225-235.

12. G. Krokhin, A. Khodzhaian. Representation and use of fuzzy Knowledge in Mathematical Models for Power Station Diagnostics. // Abstracts. The Third Russian – Korean International Symposium on Science and Technology, KORUS’99, on vol. 2. - Novosibirsk, NSTU, 1999. V. 2. - P.757.

13. G. Krokhin, V. Manusov, M. Glaser. Fuzzy Models for Intellectual Industrial Regulator in Control Systems of Thermal Power Station. // 7th European Congress on Intelligent Techniques and Soft Computing, EUFIT’99. - Aachen, Germany, 1999. Final Program. Abstracts of the Papers and Proceedings on CD-ROM. - P.204, of 6 p.

14. Г.Д. Крохин, В.З. Манусов.  Применение теории нечетких множеств для интеллектуальных промышленных регуляторов в системе управления энергоустановок ТЭС. // Межвузовская научная конференция «Проблемы повышения эффективности и надежности систем тепло энергоснабжения».  -Самара, СГТУ, 1999. – С.63-68.

15. Г.Д. Крохин, А.Р. Ходжаян (НГТУ), Н.П. Верходанов, В.В. Конев (ОАО "Сибэнергоремонт"), С.П. Бойкин (ПРП "Новосибирскэнерго"). Анализ вибро-диагностической информации о работе турбомашины ТЭС с принятием решений на ремонт в условиях нечетких диагнозов состояния. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб-к научн. трудов,  вып. 4. - Новосибирск, НГТУ, 2000. - С. 166 - 168.

16. G. Krokhin, A. Khodzhaian (NSTU, Russia), N. Verkhodanov, V. Konev, S. Boykin (Novosibirsk, Russia), Fuzzy, badly-made into a lattice expert knowledge in monitoring system of steam Power plants technical support (on example of vibration diagnostics of routable Mechanisms State). // The 4th Korea-Russia International Symposium on Science and Technology, KORUS'2000, on vol. 2. - Ulsan, Korea, 2000.V . 2. - P.250 – 252.

17. Г. Д. Крохин (Новосибирск, НГТУ). Теория нечетких множеств - как новая парадигма в решении плохо формализуемых  задач диагностики (наилучшее при исследовании операций). // Четвертый международный сибирский конгресс по прикладной и индустриальной математике (ИНПРИМ-2000), тезисы докладов в 4-х частях. - Новосибирск, Институт математики СО РАН, 2000. Часть 4-я. – С. 30.

18. Г.Д. Крохин, М.Г. Гриф. Представление и использование плохо  формализуемых знаний экспертов для математических моделей диагностики энергоустановок тепловых электростанций, полученных методом нечеткой логики. // Труды V Международной конференции "Актуальные проблемы электронного приборостроения" АПЭП -2000, в 7-ти томах. - Новосибирск, НГТУ, 2000. Т.7. - С. 177-180. 

19.  Krokhin G. Fuzzy models for intellectual industrial regulators in control systems of Thermal Power stations. // 2000 5th International Conference of actual Problems of electronic instrument engineering proceedings  (APEIE – 2000), on vol. 7. - Novosibirsk, Russia, 2000. V.1, selected Papers on English. – P. 262 – 266.

20. Г.Д. Крохин. Нечеткая идентификация и нечеткие модели в проектировании интеллектуальных регуляторов процессов управления ТЭС. // Труды международной научно-технической конференции «Информационные системы и технологии» ИСТ-2000, в 3х-томах. - Новосибирск, НГТУ, Россия, 2000. Т.3. - С.521. 

21. Г.Д. Крохин, А.Р. Ходжаян, В.Г. Беседин. Решение задачи  многокритериальной оптимизации управления работой конденсаторов при нечетких ограничениях. // «Теплоэнергетика. Физико-технические и экологические проблемы, новые технологии, технико-экономическая эффективность». Сб. научн. трудов, НГТУ, вып. 5. - Новосибирск, НГТУ, 2001. – С. 191-195.

22. Dr.-Ing. G.Krokhine, Stud. A. Khodzhaian. STU Novosibirsk/Ruβland. Fuzzy models of intelligent regulators for increasing of reliability control

of powerplants of thermal power stations. // XXXIII Kraftwerkstechnisches Kolloquium “Zuverlssigkeit von Kraftwerksanlagen im liberalisierten Strommarkt”. - Technische Universitt, Dresden, Deutschland, 2001. Р3а - Р3с. 

23. Крохин Г.Д., Мухин В.С. Показатель «похожесть» при диагностике состояния энергоустановок электростанций.// Труды  Международной научной конференции  CONTROL-2003 «Теория и практика построения и функционирования АСУ ТП». - М.: Изд-во МЭИ, 2003. – С. 180-184.

24. Крохин Г.Д., Манусов В.З. Нечеткие модели для интеллектуального промышленного регулятора в системе автоматического управления энергоблоком тепловой электростанции. 1. Модели.*// Научный вестник НГТУ, № 2(17). - Новосибирск: Изд-во НГТУ, 2004. – С. 131-141.

25. Крохин Г.Д., Мухин В.С.  Использование показателя «похожесть» при оценке состояния энергооборудования электростанции в темпе процесса. 

// Промышленные АСУ и контроллеры, № 11.- 2004.– С.27– 29. 

26. Крохин Г.Д., Житенев В.Л. Повышение эффективности работы низкопотенциального комплекса ТЭС с применением перспективной технологии  регулирования разрежения в конденсаторе и дегазацией кислорода конденсата турбины.// Труды второй Международной научно-технической конференции «Энергетика, Экология, Энергосбережение, Транспорт» (в 2-х ч.), Тобольск. - Новосибирск: Изд-во «Art-Avenue», 2004. Ч.1. - С.219-227.

27. Крохин Г.Д. Использование нечеткой информации для математических моделей диагностики функционирующих энергоустановок тепловых электростанций.1. Формализмы. // Вестник ИГТУ, № 3. – Иркутск: Изд-во ИГТУ, 2004. – С.110-114..

28. Аракелян Э.К., Крохин Г.Д., Mухин В.С. Концепция построения математических моделей диагностики энергооборудования на базе нечеткой информации.// Вестник МЭИ, № 5. – М: Изд-во МЭИ, 2005. - С.28-33.

29. Крохин Г.Д., Мухин В.С. Использование нечеткой информации для математических моделей диагностики энергоустановок тепловых электростанций.  // Труды  Международной научной конференции  CONTROL-2005 «Теория и практика построения и функционирования АСУ ТП». М.: Изд-во МЭИ, 2005. – С.65 - 69.

30. Крохин Г.Д. Нечеткие модели для интеллектуальных промышленных регуляторов в системах автоматического управления энергоблоками тепловых электростанций. Ч.2.Повышение эффективности НПК ТЭС.//Научный вестник НГТУ, № 3(21). – Новосибирск: Изд-во НГТУ, 2005. – С.137-145.

31. Крохин Г.Д., Гриф М.Г. Нечеткие модели для интеллектуального промышленного регулятора в системе автоматического управления энергоблоком тепловой электростанции. Ч.3. Экспертная система диагностики ТЭС.// Научный вестник НГТУ, № 2(23). – Новосибирск: Изд-во НГТУ, 2006. - C.129-134.

32.  Крохин Г.Д., Шалин А.И. Нечеткие модели отказов энергоустановок  тепловых электростанций.//Научный вестник НГТУ, №2(23). – Новосибирск: Изд-во НГТУ,  2006. - C.135-149.

33. G.D. Krokhin, V.S. Mukhin, I.L. Ivanova. Construction of Intellectual Model of Functionating Thermal-Power Station Power-Plants Diagnosis./ IFAC  WS  ESC’06. ENERGY  SAVING  CONTROL  IN  PLANTS  AND BUILDINGS, 

October 2-5, 2006 Bansko, Bulgaria. – p. 177 – 181.

34. Крохин Г.Д., Мухин В.С. Моделирование ресурса и надежности оборудования турбоустановки с учетом стратегии его ремонта.// Промышленные АСУ и контроллеры, № 10. - 2007. – С.22-25. 

35.  Крохин Г.Д., Mухин В.С. Нечеткие модели принятия решений о продлении эксплуатации турбоустановки, выводе в ремонт или введении ограничений.// Промышленные АСУ и контроллеры, № 12. - 2007. – С.33-38. 

36. Аракелян Э.К., Крохин Г.Д., Mухин В.С. Концепция мягкого регулирования технического обслуживания энергоустановок ТЭС на основе интеллектуальной диагностики.// Вестник МЭИ, № 1. – М.: Изд-во МЭИ, 2008.- С.14-20. 

37. Крохин Г.Д., Mухин В.С. Оценка долговечности турбоустановок на базе нечетких моделей состояния. // Труды  Международной научной конференции  CONTROL-2008 «Теория и практика построения и функционирования АСУ ТП». М.: Изд-во МЭИ, 2008. – С. (в изд-ве МЭИ)






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.