Aktivní diagnostika řídicích systémů

Univerzita obrany Fakulta vojenských technologií

Aktivní diagnostika řídicích systémů Teze doktorské disertační práce

Školitel: Doc. Ing. Zbyněk Růžička, CSc. npor. Ing. Václav Křivánek Školitel specialista: Prof. Ing. Václav Přenosil, CSc.

Brno 2007

ii

Abstrakt Aktivní diagnostika řídicích systémů Tento referát v krátkosti seznamuje s podstatou predikční diagnostiky a prostředky pro provádění predikcí. Dále jsou diskutovány současné možnosti alternativních pohonů mobilních prostředků s největším důrazem na hybridní uspořádání. Práce ukazuje možnosti aplikace aktivní diagnostiky na hybridní pohon malého bezpilotního prostředku.

iii

iv

Obsah 1 Úvod 2 Shrnutí současného stavu 2.1 Teorie spolehlivosti . . . . . . . . . 2.2 Predikce poruch . . . . . . . . . . . 2.3 Predikční diagnostika . . . . . . . . 2.4 Metody predikční diagnostiky . . . 2.5 Budoucnost predikční diagnostiky .

1

. . . . .

. . . . .

. . . . .

. . . . .

2 2 3 3 6 7

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

. . . . .

3 Alternativní pohony mobilních prostředků 3.1 Příčiny rozvoje alternativních pohonů . . . 3.2 Výhody a nevýhody hybridních vozidel . . . 3.3 Rozdělení alternativních pohonů . . . . . . 3.4 Vyhlídky hybridních vozidel . . . . . . . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

. . . .

8 . 8 . 8 . 10 . 15

. . . . . . .

16 16 18 19 19 20 20 22

4 Vymezení řešené problematiky 4.1 Hybridní pohon bezpilotního prostředku . . . . . . . 4.2 Aplikace predikční diagnostiky . . . . . . . . . . . . 4.3 Model hybridního pohonu . . . . . . . . . . . . . . . 4.4 Monitorovací systém . . . . . . . . . . . . . . . . . . 4.5 Popis experimentu . . . . . . . . . . . . . . . . . . . 4.6 Návrh prediktoru – klasifikátoru . . . . . . . . . . . 4.7 Integrace run–time modulu do řídicího systému UAV

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

. . . . . . .

5 Teze doktorské disertační práce

24

6 Literatura

26

Přílohy

27

A Seznam zkratek

28

B Seznam publikovaných článků

29

C Výčet dalších významných aktivit

30

D Příspěvek na kongerenci Opotřebení, spolehlivost, diagnostika 2006

31

E Příspěvek na kongerenci Opotřebení, spolehlivost, diagnostika 2005

37

F Příspěvek na kongerenci TD 2005 – DIAGON 2005

43

G Příspěvek Moderní směry výuky elektrotechniky a elektroniky – STO9 48 H Příspěvek na kongerenci TD 2004 – DIAGON 2004

52

v

vi

1

1

ÚVOD

1

Úvod

Tento referát ke státní doktorské zkoušce stručně charakterizuje vybrané téma disertační práce, v krátkosti zavádí do řešené problematiky a definuje teze disertační práce. Pojem diagnóza (z řeckého diagnosis – rozeznávání, určení) se obecně používá ve třech hlavních významech, a to jako : • vědecké rozlišení jakéhokoliv druhu, tj. souhrnu všech podstatných znaků nějakého rodu nebo druhu (např. v biologii, zoologii, botanice, mineralogii apod.), • identifikace nemocí podle jejích znaků a příznaků (symptomů) především v lékařství, • zjištění základních příčin jakéhokoliv sociálního nebo jiného problému. Diagnostikou se rozumí nauka, která se zabývá studiem a metodami vyhledávání znaků nějakého rodu a druhu a symptomů skutečných nebo možných chorob živého či neživého objektu. Diagnostiku tedy tvoří oblast znalostí, která zahrnuje teorii a metody organizace procesu diagnózy a také principy konstruování prostředků diagnózy. Jestliže objekt, jehož stav určujeme, je technického charakteru, potom hovoříme o technické diagnostice [JKT88]. Technická diagnostika poskytuje objektivní informace o provozním stavu strojů či o potřebách jejich údržby a průběhu doby života. V případě hrozící havárie může dát podnět k automatickému zastavení diagnostikované soustavy. Technická diagnostika je rychlým tempem modernizována technickými prostředky a programovým vybavením stejně jako jiné měřicí, monitorovací a řídicí systémy. Hlavním cílem technické diagnostiky je využít všechny užitečné informace o stavu diagnostikovaného objektu bez demontáže, za jeho běžného, popř. do extrémních podmínek nastaveného provozu. O rozsahu diagnostiky a jejím konkrétním provedení rozhodují výsledky úvah pokládající na jednu misku vah předpokládané náklady na diagnostický systém a jeho provoz a na druhou odhad výše úspor vzniklých eliminací pravděpodobného počtu havárií novou strategií údržby, prodloužením doby života sledovaného objektu, zvýšením jeho konkurenceschopnosti na trhu atd. Zvlášť významná je dokonalá diagnostika v případech snižování rizika ztráty lidských životů (především v letecké a kosmické technice, ale i v pozemní a lodní dopravě). V této práci si kladu za cíl ve stručnosti shrnout hlavní poznatky z oblasti predikční diagnostiky aplikované na technické systémy. Právě technická diagnostika elektrotechnických systémů se stala tématem mé disertační práce. Jako systém aplikace prvků predikční diagnostiky jsem si zvolil malý hybridní pohon, jenž je tvořen kombinací elektronických a mechanických prvků. V textu jsou též diskutovány výhody a nevýhody alternativních pohonů mobilních prostředků. Hlavní váha tohoto referátu pak leží na popisu zkoumaného systému (hybridní pohon mobilního prostředku) a pokračování mé disertační práce. Svou disertační práci bych chtěl navázat na zkušenosti získané v Projektu obranného výzkumu (POV) ”Záznam II – Záznam poškození cíle” a grantovém úkolu Vnitřní grantové agentury Vojenské akademie v Brně (VGA)”Diagnostická ústředna – Automatizovaný systém sběru dat”. Na rok 2004 jsem získal samostatný grant VGA ”Aktivní diagnostika hybridního pohonu mobilního prostředku”.

2

2

2

SHRNUTí SOUČASNÉHO STAVU

Shrnutí současného stavu

Donedávna obecně platilo, že diagnostika v elektrotechnice je především měření elektrických veličin a funkční diagnostika. Klasickou funkční diagnostikou se testovalo, zda je na určitém místě obvodu je napětí v definovaném rozmezí, průběh signálu apod. Obecně jsou známy různé typy logických sond – testerů, které po přiložení k jistému místu desky přístroje signalizují dobrý či špatný stav rozsvícením LED diody odlišných barev. Samozřejmě, že dominantní postavení funkční diagnostiky v elektrotechnice zůstává v podobě uplatnění široké škály testerů. Základem diagnostiky elektrických zařízení je i nadále měření elektrických veličin, popř. pouze ohodnocování stavů prvků v obvodech logickou úrovní ”1” či ”0”. Přesto, a právě proto, se v této oblasti začíná uplatňovat nový přístup – predikční diagnostika. O této problematice pojednává tato kapitola.

2.1

Teorie spolehlivosti

Teorie spolehlivosti je základním kamenem technické diagnostiky. Kritéria hodnocení spolehlivosti vycházejí z pravděpodobnostních charakteristik. Z nich vyplývá, že spolehlivost systému je určována nebo ovlivňována náhodnými jevy a činiteli. Ke zpracování se používá matematický aparát známý z teorie pravděpodobnosti a matematické statistiky. Zvolení určitého teoretického modelu rozdělení (exponenciální, Weibullovo, Gaussovo atd.) odráží dlouhodobé zkušenosti. Čím více se má model rozdělení přiblížit skutečnosti, tím zpravidla bývá teoretický model rozdělení komplikovanější. Na základě dlouhodobých zkušeností se nejčastěji používá teoretický model vycházejícího z exponencionálního rozložení popisovaného typickým průběhem intenzity poruch λ(t). Podle svého charakteru se tento průběh nazývá ”vanová křivka” [NŠV01], [JKT88], [Vdo03]. Model vychází z představy, že v souboru prvků v počátečním období selžou ty prvky, v nichž jsou zabudovány výrobní závady. Ne všechny tyto závady zachytí výstupní, resp. přejímací kontrola a tím je způsobena počáteční vyšší intenzita poruch, nazývaná též fází záběhu (dětské úmrtnosti). V následující, poměrně dlouhé, časové fázi provozu je intenzita poruch přibližně konstantní. Blížící se konec technického života je pak doprovázen opět nárůstem intenzity poruch z opotřebení (fáze doběhu). Spektrum degradačních procesů může být i ve velmi jednoduchých případech podstatně bohatší, zejména když si uvědomíme, že dílčí procesy nejsou nezávislé. V některých případech prakticky neexistuje efekt ”dětské úmrtnosti”, jindy se během doby života technické soustavy intenzity poruch některých prvků prakticky nemění. Nalezneme však i průběhy s jedním i více maximy intenzity poruch v době provozu [NŠV01]. Do modelu evidentně nezařadíme působení těch procesů, o nichž jsme se na základě zkoušek či dat z provozu nedověděli. Pozornosti uniknou nejsnáze takové procesy, jež jsou charakterizovány nízkými energiemi a dlouhými časovými konstantami. To není pro analýzy a zejména predikce nikterak příznivé. Zkušenost, že se s takovými procesy setkáváme, vede k tomu, že se predikce spolehlivosti soustav zásadně omezují na časový interval maximálně rovný projektované době technického života soustavy. Přitom se mlčky má za to, že údaje o spolehlivosti prvků po celou předpokládanou dobu technického života soustavy jsou předem známy.

2.2

2.2

Predikce poruch

3

Predikce poruch

V průběhu doby používání dochází u prvků a jednotlivých podsystémů objektů k nevratným fyzikálním a chemickým přeměnám projevujícím se stárnutím, které mění celkový stav objektu. Díváme-li se na poruchu jako na jev, který nastal u daného objektu v důsledku postupného zhoršení stavu (postupná porucha), potom je možné, při znalosti průběhu stavu objektu, určit dobu, ve které oprava nebo výměna objektu či jeho prvku umožní předejít eventuální poruše. Úkolem předpovědi poruchy je vhodným způsobem vyjádřit toto zhoršení stavu a určit okamžik, kdy je nutné provést opatření (výměnu, opravu atd.) s cílem předcházet nečekaným poruchám. Technické systémy, stejně jako ostatní obecné systémy reálného světa, mají dvě základní vlastnosti [Pře98], [Pře97]. 1. Pokud hodnoty charakteristik systému (což mohou být pracovní podmínky elementů tvořících systém, vnitřní parametry systému, kvantitativní a kvalitativní ukazatele výstupních funkcí, případně další vlastnosti a veličiny v závislosti na podstatě, struktuře a funkci systému) leží v určitých mezích, pak systém pracuje a naopak, pokud některá z těchto charakteristik leží mimo tyto meze, pak systém je v poruše. Tato porucha se navenek projevuje nejrůznějším způsobem, včetně takových událostí jako je havárie nebo v případě biologických systémů smrt. 2. Obecně je možné nalézt tolerance povolených hodnot těchto charakteristik. Množina rozsahů povolených hodnot tvoří oblast přípustnosti RA , která představuje mnohorozměrný prostor. Hodnoty charakteristik systému představují souřadnice vektoru stavu systému i. Nezávisle proměnné systému a samo fungování systému způsobují změny hodnot charakteristik, což znamená, že vektor stavu systému opisuje křivku, která je označována termínem křivka života ψ. Kritický stav představuje okamžik, kdy čára života protíná oblast přípustnosti [Pře98]. Lze se tedy domnívat, že pokud je možné sledovat křivku života systému, lze nalézt metodu odhadu doby opuštění křivky života ψ z oblasti přípustnosti RA .

2.3

Predikční diagnostika

Principem predikční diagnostiky je předpovídání tvaru křivky života systému, což vlastně znamená předpovídání místa a času protnutí hranice oblasti přípustnosti RA křivkou života ψ. Predikční diagnostika nachází především uplatnění při konstrukci systémů se zvýšenou spolehlivostí. Vychází z aktivních metod zvyšování provozuschopnosti [Pře98], které v sobě zahrnují mechanismy aktivní reakce na chyby a poruchy uplatněním principů regenerace systému, rekonfigurace systému či degradace některých funkcí systému. Předpovídání skutečného technického stavu konstrukčního prvku systému dovoluje spustit rekonfigurační nebo degradační mechanismy obnovení provozuschopnosti systému s předstihem, ještě tedy před výskytem nebo projevem poruchy. Dále umožňuje rozhodnout o výměně komponent systému na základě jejich skutečného technického stavu. Toto jsou hlavní odlišnosti od klasického přístupu řešení diagnostiky, která vychází z filosofie sledování provozních jednotek; obnova systému je pak uskutečňována po uplynutí stanovené hodnoty provozních hodin nebo jiné veličiny. Na obr. 1 je znárorněm rozdíl mezi klasickým přístupem k údržbě a systémem s aplikovanou predikční diagnostikou. První průběh představuje časový diagram práce systému

4

2

SHRNUTí SOUČASNÉHO STAVU

princip preventivní periodické údržby

výskyt trvalé poruchy před uplynutím intervalu údržby

schéma funkce systému s reakcí až na vzniklou trvalou poruchu

schéma funkce systému s predikční diagnostikou reálný provoz preventivní oprava oprava poruchy předpokládaný provoz

čas přetížení, dočasná porucha

trvalá porucha

Obr. 1: Princip činnosti systému s klasickou a predikční diagnostikou. Převzato z [Pře98].

u něhož jsou plánovány odstávky na provádění periodické profylaktické kontroly, během nichž je prověřován stav jednotlivých konstrukčních prvků systému, případně je prováděna výměna konstrukčních prvků systému jejichž pracovní zatížení se blíží mezím životnosti [NŠV01]. Druhý průběh vyjadřuje situaci, kdy v systému vznikla porucha [NŠV01], [Pře98] konstrukčního prvku dříve než byla plánována údržba. V tomto případě je ukončen provoz systému a začíná neplánovaná oprava. Právě tento moment může u některých systémů vyvolat velice závažné ekonomické, ekologické, případně politické důsledky. Tomuto nežádoucímu efektu lze předcházet řadou opatření. Mezi ně může patřit provádění údržby, realizace systému oprav, výstavba a organizace záloh, exaktní nebo experimentální stanovení pravděpodobnosti bezporuchové činnosti konstrukčních prvků, aj. Třetí průběh znárorňuje systém u něhož se vyskytly chyby [NŠV01], [Pře98]. Nejsou prováděny údržbové práce a provoz končí poruchou, která vyřadí systém z funkce. Čtvrtý časový průběh představuje systém s aplikovanou predikční diagnostikou, který reaguje již na výskyt chyb. Údržba, oprava je provedena ještě před vznikem poruchy. Implementace predikční diagnostiky vyžaduje instalaci dodatečných technických prvků a funkcí do systému a také řadu organizačních opatření. Lze ji rozdělit do tří technologických fází: • diagnostická analýza systému, • sběr (uchovávání) dat, • vyhodnocení dat. Diagnostická analýza systému Diagnostická analýza systému představuje činnost, jejímž cílem je stanovit soustavu signifikantních charakteristik systému – markerů, popisujících stav systému a umožňují-

2.3

Predikční diagnostika

5

cích predikci technického stavu systému. Marker je tedy termín pro označení podmnožiny dostatečně přesných, dostatečně věrohodných a spolehlivých příznaků diagnostického stavového prostoru, které dostatečně spolehlivě popisují stav diagnostikovaného systému. Ve skutečnosti je marker určitá množina příznaků na sobě závislých a to z hlediska času jak paralelně tak sekvenčně. Tyto souvislosti jsou někdy zřejmé, obzvláště pokud souvisí s fyzikální podstatou funkce systému, ale v některých případech jsou skryté a nalezení těchto vazeb je jednou z úloh diagnostické analýzy systému. Nástrojem k odhalení skrytých souvislostí je problémem prohledávání časových řad hodnot množiny příznaků. Sběr dat Soustava markerů je výchozím podkladem pro výběr čidel a konstrukční úpravy jednotlivých komponent systému do takové podoby, aby bylo možno s markery pracovat. Hodnoty snímané čidly markerů jsou poté k dispozici monitorovacímu systému [Pře97]. Do systému je implementováno monitorovací zařízení, které uchovává hodnoty markerů. Může pracovat ve dvou režimech, klasickém off–line režimu a v interaktivním tzv. on–line režimu. V klasickém off–line režimu se jedná o sledovací záznamník, tzv. černá skříňka. Na základě uchovaných informací lze provádět zpětné rekonstrukce či analýzy zajímavých časových úseků funkce systému (předcházejících havárii, krizové situace aj.), ale také přesnější a náročnější predikční diagnostiku. Lze zjišťovat aktuální technický stav systému a na základě jeho znalosti plánovat údržbu či opravu ohroženého konstrukčního prvku systému anebo zahájit výrobu náhradních dílů. Pro on–line režim práce monitorovacího systému je charakteristické předzpracování a vyhodnocování markerů během práce systému. Díky průběžnému sledování chování markerů lze provádět průběžnou predikční diagnostiku a je možné signalizovat tendence systému dosáhnout kritického stavu. Schopnost průběžně vyhodnocovat a predikovat chování markerů vyžaduje určitý výpočetní výkon instalovaný do monitorovacího systému. Predikční systém má tak možnost okamžitě vyhodnocovat a interaktivně reagovat na chování markerů. Vyhodnocení dat Fáze vyhodnocení dat představuje operace nad časovými řadami markerů a následné zobrazení (vizualizaci) výsledků. V režimu off–line práce predikční diagnostiky je užitečné použít vizualizačních technik, které slouží k názornějšímu zobrazení výsledků. U řady aplikací se pro komplexní vyhodnocení analyzovaných dat nabízí použití virtuální reality. Obzvláště pro rekonstrukci kritických, případně havarijních situací poskytuje použití virtuálních modelů komplexnější a názornější zobrazení situace než dosavadní klasické metody. Fáze vyhodnocení dat v režimu on–line musí vycházet z dispozice pracovního místa obsluhy a ve velké většině případů bude sloužit jako doplňková informace při řízení systému hlavně v kritických stavech systému, kdy může obsluze poskytnout informaci o stavu systému, o chování systému v minulosti a s definovanou pravděpodobností o předpokládaném chování systému v blízké či vzdálenější budoucnosti. Protože režim on–line predikční diagnostiky pracuje během funkce systému, musí být systém dovybaven technickým, případně programovým vybavením, které zajistí vyhodnocování dat a předávání předzpracovaných výsledků obsluze (operátorům systému) [Pře98].

6

2

2.4

SHRNUTí SOUČASNÉHO STAVU

Metody predikční diagnostiky

Trendem dnešní doby je již samotné předcházení vzniku poruch a v jejich časná detekce, což vede k rozvoji vyšších forem on–line diagnostiky. Predikční diagnostika se tak stává mezioborovou záležitostí. Prolínají se zde poznatky z teorie konstrukce systémů se zvýšenou spolehlivostí, materiálového inženýrství a stále větší uplatnění nachází umělá inteligence. Z oboru umělé inteligence se jedná především [Mař00]: • Metody rozpoznávání, ať již příznakové, zpracovávající numerické hodnoty metodami stochastického rozhodování, nebo strukturální, které se opírají o analýzu nenumerického popisu reálných jevů a situací. Základním problémem je obvykle volba informativních příznaků neboli tzv. primitiv strukturálního popisu a relací mezi nimi. I poměrně jednoduché techniky rozpoznávání (lineární nebo po částech lineární klasifikátory) mnohdy slaví značný úspěch v úlohách lokální diagnostiky. • Neuronové sítě jako silně adaptivní a učící se formalismy modelující činnost nervové soustavy. Hlavním problémem je zde, kromě volby příznaků, též volba architektury sítě (počet vrstev, počet neuronů ve vrstvě atd.), volba algoritmu učení a nastavení počátečních podmínek procesu učení. Významnou překážkou širšího používání neuronových sítí v reálných úlohách je nedostatečná možnost fyzikální interpretace dílčích i celkových výsledků tak, aby si uživatel mohl ponechat kontrolu nad smysluplností rozhodování [Nov98], [MŠL03]. • Fuzzy logika se v mnoha aplikacích jeví jako účinný nástroj nejen pro diagnostické rozhodování, ale i pro identifikaci systémů a situací jako základ diagnostiky založené na modelech, popř. jako základ prediktivní diagnostiky nebo prediktivního řízení. Základním problémem zde je volba fuzzy modelu a získání kvalitních fuzzy pravidel. Volba fuzzy modelu vyžaduje, kromě teoretických znalostí, též značnou zkušenost z praxe. Totéž platí o získávání a zejména ladění souborů fuzzy pravidel [ŠU04], [MŠL03]. • Metody strojového učení jsou obecným nástrojem pro získávání znalostí z rozsáhlých souborů dat: metodami rozpoznávání, neuronovými sítěmi, fuzzy logikou či kvalitativním modelování. Zvláště účinným se jeví neuro–fuzzy model strojového učení, jenž umožňuje jistou fyzikální interpretaci ve vícevrstvé neuronové síti [MŠL03]. • Prudce se vyvíjející metody diagnostiky softwaru jsou též chápány jako specifické diagnostické metody. V této oblasti nejde jen o testování nebo automatické testování softwaru, nýbrž především o ovlivňování architektury softwarových modulů již ve fázi jejich návrhu a vývoje tak, aby pozdější testování bylo možné realizovat co nejefektivněji. Testování a diagnostika softwaru, zejména v souvislosti s trvalým trendem přesouvání funkčního jádra automatizačních prostředků z hardwaru do softwaru, se stávají klíčovými prostředky zlepšování kvality a zvyšování robustnosti řešení průmyslové automatizace. Znalosti materiálového inženýrství jsou dnes značné a již nelze dosáhnout zásadního pokroku v této oblasti. Právě proto se pozornost konstruktérů ubírá netechnologickou cestou [NŠV01], kde jsou stále značné rezervy.

2.5

2.5

Budoucnost predikční diagnostiky

7

Budoucnost predikční diagnostiky

Dosavadní zkušenosti s provozováním systémů s prvky prediktivní diagnostiky ukazují, že především dochází k celkovému zvýšení spolehlivosti systému a ke snížení provozních nákladů. Jedná se o snížení spotřeby náhradních dílů, neboť ty jsou vyměňovány pouze na základě skutečného stavu, a také je dosahováno úspor v dodávkách provozních parametů. Ve svém důsledku jsou pak tyto systémy ekologičtější. Naproti tomu se do pořizovací ceny negativně odráží použití redundantních prvků, komplikovanost návrhu a složitost výroby. Věřím, že s prediktivní diagnostikou se budeme setkávat stále častěji v našem běžném životě a že nebude pouze výsadou vesmírné, letecké, nukleární aj. techniky. Náklady na zavedení predikční diagnostiky by nemusely být nikterak závratné, neboť i nyní musejí výrobci zařízení provádět řadu technologických a životnostních zkoušek. Také by bylo možné použít výsledků získaných s již provozovanými zařízeními. K aplikaci predikční diagnostiky jistě mimo jiné přispěje neustále se snižující cena polovodičových prvků, rozmach výpočetní techniky, proniknutí znalosti o umělé inteligenci do širšího povědomí konstruktérů, požadavky samotných zadavatelů na nová zařízení a zkušenosti s již provozovanými.

8

3

3

ALTERNATIVNí POHONY MOBILNíCH PROSTŘEDKŮ

Alternativní pohony mobilních prostředků

V průběhu svého doktorského studia jsem začal spolupracovat na výstavbě malého bezpilotního prostředku (angl. UAV - Unmanned Aerial Vehicle), kde se především zajímám o aktivní diagnostiku pohonné jednotky. Podrobnější informace o UAV lze nalézt v [BČH+ 03]. Od prvopočátku bylo jasné, že tento klíčový prvek celého UAV bude nutné navrhovat s ohledem na bezpečnost, zvýšenou spolehlivost a diagnostiku. Zpětné doplňování těchto vlastností do funkčního zařízení přináší vždy množství komplikací a mnohdy se ani nelze dobrat uspokojivých výsledků. Jako objekty mé disertační práce jsem si zvolil malé hybridní pohony, proto považuji za užitečné se na tomto místě zmínit o jejich obecných vlastnostech, rozdělení a hlavních konstrukčních řešeních.

3.1

Příčiny rozvoje alternativních pohonů

Během posledních desetiletí došlo k bouřlivému rozvoji alternativních pohonů v silniční dopravě. Mezi velmi rozličnými konstrukcemi zaujímají významné místo elektromobily a hybridní vozidla, kde je elektrická trakce kombinována s tradičním spalovacím motorem. Důvod dramatického růstu používání hybridních pohonů v posledních letech lze především spatřovat ve stále se zhoršujících dopadech silniční dopravy na ekologii (hluk, exhalace, skleníkový efekt, drancování přírody těžbou ropy atd.) a ve finanční náročnosti klasických spalovacích motorů. Technické překážky, pro které se elektromobily či hybridní vozidla tak pomalu prosazují v reálných provozních podmínkách, lze hledat v nedostatečné kvalitě i kapacitě zásobníků elektrické energie (akumulátorů), velké ceně takových vozidel a v nepostačující pružnosti dosavadních řídících soustav jejich činnosti. Řada zemí, zejména USA, Německo, Francie, Japonsko a Velká Británie intenzivně spolupracuje s předními automobilkami na vývoji nových pohonů. Přitom jsou uplatňovány nové poznatky z kosmického a vojenského výzkumu, především v oblasti palivových článků, ultra–kondenzátorů, setrvačníků a posléze též progresivních informačních technologií. První vlaštovkou na tomto poli je již komerčně prodávaný vůz Prius japonské automobilky Toyota, který je poháněn nízkoemisním benzínovým motorem v kombinaci s elektromotorem. Prius má spotřebu 4,3 litru a certifikát vozu s nulovými emisemi. Byl také vyhlášen mezinárodní porotou jako vůz roku 2004.

3.2

Výhody a nevýhody hybridních vozidel

Z celé řady možných konstrukcí alternativních pohonů se v dalším textu zaměřím na elektromobily a hybridní vozidla, protože mají blízkou souvislost ke konstruovanému pohonu bezpilotního prostředku. Elektromobily i hybridní vozidla jsou principiálně energeticky účinnější než vozidla se spalovacími motory a působí též menší ekologickou zátěž. Příčin je hned několik [NŠV01]: • Trakční elektromotory jsou přímo spojeny s pohonnými koly a odpadá tedy značná část ztrát v převodech.

3.2

Výhody a nevýhody hybridních vozidel

9

• Trakční elektromotory nemají žádnou spotřebu při krátkodobých zastávkách a stáních vozidla, kterých je zejména v městském provozu poměrně mnoho a kdy jsou spalovací motory vypínány zcela výjimečně. Prezentované odhady takto vzniklých úspor energie hovoří o asi 20 %. Pokud jde o hybridní vozidla, jejich spalovací motory jsou zapínány buď jen při cestě na větší vzdálenosti, nebo naopak běží trvale v optimálních podmínkách a tedy jsou invariantní vůči provoznímu kolísání zátěže. • Trakční motory vracejí podstatnou část kinetické energie při brzdění vozidla, která se u vozidla s klasickým spalovacími motory zcela ztrácí ve formě neužitečného tepla, zpět do využitelné podoby. Pro městský provoz mohou nabývat tyto úspory značné velikosti. • Většina elektromobilů či hybridních vozidel má poháněna (brzděna) všechna kola. To výrazně zlepšuje jízdní vlastnosti a celkovou bezpečnost vozidla. Jistým konstrukčním problémem hybridních vozidel mohou být poměrně velké neodpružené hmoty představované vlastní hmotností trakčních elektromotorů. Celkově lze odhadovat, že energetická účinnost silničního vozidla s plnou elektrickou trakcí (elektromobilů) se bude pohybovat okolo 90 %, zatímco u vozidla se spalovacím motorem je okolo 25 %. U hybridních vozidel, v koncepci spalovacího motoru běžícího trvale v optimálních otáčkách, je celková účinnost součinem jednotlivých účinností elektrického traktu (okolo 90 %) a spalovacího traktu s optimalizovaným chodem (okolo 30 až 35 %), tedy asi 27 až 31,5 %. U hybridních vozidel, kde je spalovací motor zapínán pouze pro cesty na větší vzdálenosti, bude celková účinnost záviset na vzájemném poměru městského a mimoměstského provozu. Značnou nevýhodou alternativních pohonů je jejich vysoká pořizovací cena. Některé vyspělé státy (USA, Velká Británie atd.) dokonce přistoupily k daňovým úlevám při nákupu vozidel se sníženou spotřebou nebo s alternativním pohonem. Dokud se ale nestane provozování těchto automobilů masovou záležitostí, bude jejich pořizovací cena stále vyšší v porovnání s vozidly se spalovacím motorem. Naproti tomu je situace zcela opačná u nákladů na provoz. Podle analýzy uvedené v [NŠV01] jsou provozní náklady elektromobilů asi 3 krát až 5 krát nižší než u vozidel s benzínovým motorem. Přes značné úspěchy dosažených ve výrobě nových akumulátorů stále výhodněji vychází benzín jako vhodnější médium sloužící jako zásobník energie. Pro srovnání vezměme progresivní akumulátor typu Li/F E/S2 , jehož měrná kapacita je uváděna 720 kJ/kg [NŠV01]. V benzínu je akumulována chemická energie asi 40 MJ/kg, což je asi 55 krát více. I když uvážíme poměrně vysokou energetickou účinnost akumulátorů (okolo 90 %) a poměrně nízkou účinnost spalovacích motorů v automobilech (okolo 25 %), je hmotnostně– energetická výhodnost benzínu stále asi 15 krát vyšší. U hybridních pohonů, a pak především u elektromobilů, lze uvažovat daleko vyšší spolehlivost provedení před klasickými spalovacími pohony, neboť je zde potlačen význam mechanických částí, které jsou nezřídka příčinou většiny potíží při provozování. Absence řady složitých mechanických dílů snižuje též náročnost údržby a prodlužuje intervaly mezi jednotlivými zákroky. Bude-li spalovací motor provozován v optimálních provozních podmínkách, vedle zlepšení jeho provozních charakteristik, sníží se také jeho opotřebení a prodlouží doba technického života.

10

3

3.3

ALTERNATIVNí POHONY MOBILNíCH PROSTŘEDKŮ

Rozdělení alternativních pohonů Obecně lze rozdělit alternativní pohony na čtyři dominantní skupiny:

1. vozidla se spalovacím motorem poháněna jinými než klasickými médii, např. vodíkem, 2. vozidlo s kompletní elektrickou trakcí, 3. vozidlo se smíšenou (hybridní) trakcí, jejichž spalovací motor spaluje klasické palivo (benzín, nafta, zemní plyn), 4. vozidla se smíšenou trakcí hnanou motorem na jiné než klasické palivo. Automobily na vodík mají v Evropě slibnou budoucnost. Vloni oznámila Evropská unie, že v devíti městech (např. Londýně, Madridu či Hamburku) začnou jezdit autobusy s vodíkovým pohonem, z jejichž výfuků vychází čistá vodní pára. Vozidlo s kompletní elektrickou trakcí je optimálním řešením z hlediska ekologie a účinnosti, ke kterému se konstruktéři vozidel snaží přiblížit. V dnešní době zatím chybějí vysokokapacitní zásobníky elektrické energie. Proto nezbytným mezičlánkem vývoje jsou vozidla se smíšenou trakcí kombinující výhody a potlačující nevýhody vozidel se spalovacím motorem a elektromobilů. Není mi známé praktické použití čtvrté jmenované skupiny alternativních pohonů. Do budoucnosti se kombinace nebenzínového spalovacího motorů se smíšenou trakcí může jevit jako velmi výhodná. Mimo řady technických problémů bude nutné dořešit i logistické zabezpečení, především dostatečně hustou síť čerpacích stanic. Pro ilustraci uvádím v tab. 1 hodnoty měrné energie pro některá uvažovaná paliva [Rid94]. Největší chemickou kapacitu energie skýtá vodík. Zatím mezi lidmi tato látka vzbuzuje spíše obavy z explozí. V porovnání s vlastnostmi benzínu vyniká taktéž metam. Pro nasazení těchto médií do praxe je ještě zapotřebí pokračovat dále ve vývoji motorů a především vybudovat potřebnou infrastrukturu. V tab. 2 jsou shrnuty hlavní výhody a nevýhody některých paliv [Rid94]. Tab. 1: Tabulka měrných energií některých alternativních paliv Palivo, médium Benzín Nafta Metylalkohol Etylalkohol Vodík (tekutý) Vodík (plynný) Metan Olověná baterie Obnovitelný palivový článek (H2 /Cl2 )

1

Počítáno z dolní hodnoty výhřevnosti paliva.

Měrná energie [MJ / kg] 40,00 – 44,00 42,50 19,70 26,80 120,00 2,34 50,00 0,19 0,44

1

3.3

11

Rozdělení alternativních pohonů

Tab. 2: Porovnání výhod a nevýhod některých paliv Médium

Výhody

Nevýhody

Metylalkohol

Známé tekuté palivo. Vývoj vozidel je relativně v pokročilém stádiu. Organické emise jsou méně reaktivní než u benzínu. Nízká úroveň toxických emisí až na formaldehyd. Větší účinnost motoru. Velké zásoby přírodního plynu. Méně hořlavý než benzín. Může být vyroben z uhlí nebo ze dřeva, stejně tak jako benzín, ale za vyšší cenu. Možno použit i u benzínového motorů.

Etylalkohol

Známé tekuté palivo. Organické emise jsou méně reaktivní než u benzínu (ale vyšší než metylalkoholu). Nižší úroveň toxického znečištění. Účinnost motoru může být značný. Možné použití ve spalovacích motorech. Méně oxidu uhelnatého CO v palivové směsi. Produkce založena na enzymu dřeva je vyvíjena. Výborné emisní charakteristiky, mimo některých emisí NOX . Velké celosvětové zásoby. Může být vyráběn z uhlí.

Dojezd je poloviční či ještě nižší nebo musejí být větší palivové nádrže. Formaldehydové emise jsou potencionlním problémem při větším množství najetých kilomentrů; nutné zlepšení kontroly. Více toxický než benzín. M1002 hoří neviditelným plamenem, je výbušný v uzavřených nádržích. Cena je o něco vyšší než benzínu, resp. během přechodného období. Mohou začít potíže s M100. Zvyšuje se skleníkový efekt při výrobě z uhlí. Výrazně vyšší cena než benzínu. Dodávky jsou limitovány, zvláště je-li vyráběn z obilí. Dojezd je až o třetinu nižší nebo musejí být použity větší palivové nádrže. Mohou začít potíže s M100.

Zemní plyn

Jednoúčelová vozidla potřebují ještě vyvýjet. Musí být vybudována distribuční síť. Dojezd je značně limitovaný, což vede ke zvětšení palivové nádrže, zvýšení nákladu a zmenšení úložných prostoru (LNG – tekutý přírodní plyn nemá tak limitujíci dojezd, v porovnání s metylalkoholem. Vozidla na dvojí palivo mají střední výkon, menší zavazadlový prostor. Pomalejší tankování. Zvyšuje se skleníkový efekt při výrobě z uhlí. (pokračování na další stráně)

12

3

ALTERNATIVNí POHONY MOBILNíCH PROSTŘEDKŮ

(pokračování z předcházející strany)

Médium

Výhody

Nevýhody

Elektřina

Široce dostupné palivo. Minimální výfukové spolodiny. Při nočním nabíjení je k dispozici dostatečná kapacita.Velký přínos pro ekologii, je-li elektřina získávána v atomových či solárních elektrárnách. Celá řada variat je již používána v komerční sféře.

Vodík

Vynikající emisní charakteristiky – minimální hodnoty uhlovodíku. Řada ekologických výhod, je-li vyráběn pomocí fotovoltaické energie. Možnost použití palivových článků. Není třeba zněna infrastruktury mimo rafinerií. Nevýznamné snížení emisí. netřeba modifikovat motor. Je dostupný pro celý vozový park (nové i staré vozi).

Dojezd i výkon jsou značně limitující. Je nezbytný další vývoj baterií. Pomalé nabíjení. Těžké a objemné baterie, jejich výměna je finančně náročná. Špatná zástavba baterií do prostoru automobilu. Likvidace baterií představuje problém. Značné emise vzniklé při výrobě elektrické energie. Dojezd je velmi omezen kvůli těžké a objemné palivové nádrži. Pořizovací cena vozidla a další náklady jsou vysoké. Potřeba dalšího výzkumu a vývoje v této oblasti. Nutnost nové infrastruktury. Stále nejasný přínos ve snižování emisí. Zatím neurčená cena paliva, ale bude pravděpodobně vysoká. Žádná energetická bezpečnost či jiné ekologické výhody.

Upravený benzin

Hybridní vozidla lze rozdělit podle koncepce uspořádání pohonného systému na dvě skupiny [NŠV01]: • vozidla s pomocným spalovacím motorem používaným pouze občas při cestách na větší vzdálenosti, • vozidla s trvale provozovaným spalovacím motorem pracujícím v optimalizovaných provozních podmínkách, pohánějícím elektrický generátor, zásobující elektrický pohonný trakt. Vhodnou optimalizací celkové struktury lze bezesporu docílit značných finančních úspor při provozu vozidla a zlepšení provozních charakteristik. Podle konstrukčního uspořádání lze hybridní pohony obecně rozčlenit na sériové, paralelní a kombinované [ČM03], [Rid94], [Wes01]. Sériový hybridní pohon U sériových pohonů (obr. 2) je spalovacím motorem poháněn generátor, který napájí trakční motor popřípadě akumulační prvek elektrické energie. (Při absenci akumulátoru by se jednalo o elektrický přenos výkonu používaný běžně např. na motorových lokomotivách.) Výhodou této skupiny je možnost nastavit pracovní bod spalovacího motoru tak, aby jeho účinnost byla při daném výkonu maximální. Nevýhodu však představuje nižší účinnost přenosového ústrojí, u něhož dochází ke ztrátám při přeměnách energie v obou elektrických strojích. 2

100 % metanol.

3.3

13

Rozdělení alternativních pohonů

Baterie

Generátor

Trakční motor

r

r

Spalovací motor

Obr. 2: Principiální schéma sériového hybridního pohonu

Paralelní hybridní pohon Paralelní pohony (obr. 3) jsou ve své podstatě tvořeny klasickým mechanickým přenosem výkonu běžně používaným v automobilech, který je doplněn jedním elektrickým strojem. Ten se nachází buď mezi motorem a převodovkou anebo na výstupní hřídeli převodovky. Přínos tohoto typu spočívá opět ve zlepšení účinnosti spalovacího motoru vhodnou volbou pracovního bodu, ovšem jen v jistých mezích. Otáčky spalovacího motoru totiž zůstávají pevně svázány s rychlostí jízdy vozidla. Úspor se dociluje při nízkých momentech spalovacího motoru (především u zážehových motorů, kde se negativně projevuje činnost škrticí klapky) tím, že motor pracuje s větším momentem než požadovaným a jeho výkon se rozděluje na pohon kol a dobíjení akumulačního prvku pomocí elektrického stroje. Energie akumulátoru je pak zpětně využita k pohonu vozidla. Samotný přenos výkonu má oproti sériovému vyšší účinnost.

Baterie

Mechanická převodovka

Trakční motor

Obr. 3: Principiální schéma paralelního hybridního pohonu

r

r

Spalovací motor

14

3

ALTERNATIVNí POHONY MOBILNíCH PROSTŘEDKŮ

Kombinované pohony Kombinované pohony lze rozdělit na přepínatelné (obr. 4), které mohou pracovat buď při rozpojené spojce jako čistě sériové nebo při sepnutí spojky jako čistě paralelní, a na pohony s dělením výkonu (obr. 5). Jako děliče výkonu se běžně používá planetová diferenciální převodovka, tedy se dvěma stupni volnosti, která dělí výkon spalovacího motoru na část, která se přenáší mechanicky s vysokou účinností na hnací kola, a na druhou část pro pohon generátoru. Ten pak podle potřeby napájí buď akumulační prvek nebo trakční motor mechanicky spojený s hnacími koly vozidla.

Baterie

Generátor

Trakční motor

r

Spalovací motor

Obr. 4: Principiální schéma kombinovaného přepínatelného pohonu

Baterie

Spalovací motor

Planetová převodoka

Trakční motor

r

Generátor

Obr. 5: Principiální schéma kombinovaného pohonu s dělením výkonu

V tzv. nadsynchronním režimu je funkce obou elektrických strojů vzájemně zaměněna, trakční motor pak pracuje jako generátor napájející druhý elektrický stroj, popřípadě akumulační prvek. Jako děliče výkonu lze použít i elektrického stroje s rotujícím rotorem i statorem.

3.4

Vyhlídky hybridních vozidel

15

Výhodou systému s dělením výkonu je zachování optimálního pracovního bodu spalovacího motoru a oproti sériovému přenosu snížení ztrát při přenosu energie z prvotního motoru (část výkonu se totiž přenáší mechanicky s malými ztrátami). U větších vozidel (autobusy, nákladní automobily, kolejová vozidla) se dá očekávat dostatečné zvýšení účinnosti (oproti klasickým mechanickým, elektrickým a hydraulickým přenosům) použitím prostého dělení výkonů bez akumulátorové baterie, tedy elektromechanickým přenosem výkonu.

3.4

Vyhlídky hybridních vozidel

V současné době jsou sériově vyráběny desítky typů hybridních automobilů a další se intenzivně připravují do výroby. Cenově náročné hybridní automobily společnosti Toyota Prius, Mitsubishi, Ford, GM a dalších poprvé zaujaly zákazníky svými nevšedními vlastnostmi. Americká armáda financuje projekt vývoje pokročilého lehkého transportéru FMTV (Family of Medium Tactical Wheeled Vehicles) založného na hybridní sériové koncepci. Probíhající zkoušky ukazují možnou úsporu paliva oproti klasické koncepci transportéru v rozmezí 25 až 50 %. Podobné projekty mají připravené i evropské automobilky, a tak se zřejmě koncepce automobilu, která zůstala přes veškerou modernizaci po celých 100 let vývoje prakticky stejná, v následujících letech rychle změní a bude nahrazena hybridní koncepcí s vyšší efektivitou, s větší šetrností k životnímu prostředí a potenciálem nových, možná dosud netušených užitných vlastností.

16

4

4

VYMEZENí ŘEŠENÉ PROBLEMATIKY

Vymezení řešené problematiky

Operační nasazení soudobých mobilních autonomních prostředků nejvíce ovlivňuje palubní zdroj energie. Snahou konstruktérů je snížit hmotnost a rozměry elektrických zdrojů při současném nárůstu jejich kapacity a době provozování. Pokrok v této oblasti přinášejí nové typy baterií založených na progresivních technologiích, palivové články atd. Diametrálně jiné vlastnosti do této oblasti vnáší nasazení hybridních pohonů, kde jsou skloubeny přednosti spalovacích motorů s výhodami elektrických pohonů. V této kapitole bude popsána koncepce pohonu zvolená pro projekt konstruovaného bezpilotního prostředku. Budou definovány všechny požadavky na pohon a bude též diskutováno zvolené řešení.

4.1

Hybridní pohon bezpilotního prostředku

Již od samého počátku práce na koncepci bezpilotního prostředku byla zřejmá úzká souvislost mezi zdrojem elektrické energie, pohonnou jednotkou a elektronickým vybavením. Bylo nezbytné najít takový kompromis, aby byly splněny všechny aerodynamické, provozní a taktické požadavky. Drak UAV je koncipován v uspořádání delta o rozpětí cca 4 m a je optimalizován pro letovou rychlost 90 km / h. Nosnost takto navrženého draku UAV je odhadována na 10 ÷ 12 kg. Hmotnost avioniky by neměla překročit 2 kg. Na užitečné zatížení je plánována nosnost až 4 kg. Přistoupíme-li k volbě pohonné jednotky a zdroje elektrické energie jako k navzájem provázanému celku, lze shrnout požadavky na tento systém do následujícího výčtu: 1. generování elektrické energie pro horizontální část letu (start je řešen katapultem). Předpokládaný příkon trakčního(-ch) motoru(-ů) je 1000 W a elektronické vybavení UAV cca 100 W, 2. hmotnost nižší než 7 kg, 3. nepřetržitá dodávka elektrické energie po dobu nejméně dvou hodin, 4. možnost nehlučného letu po dobu nejméně pěti minut, 5. schopnost měnit velikost vektoru tahu trakčního motoru pro různé fáze letu, 6. vysoká spolehlivost řešení, 7. implementovaná průběžná diagnostika, 8. minimální demaskující příznaky. Požadavky 6 a 7 byly do zadání zařazeny právě proto, že pohonná a energetická jednotka jsou klíčovými prvky celého UAV a musí jim být věnována patřičná pozornost. Je třeba nalézt takové řešení, aby v případě poruchy jednoho prvku nebyla ohrožena provozuschopnost ostatních systémů. Nelze se spolehnout pouze na technologické zpracování, ale poněvadž se jedná o systém se zvýšenou spolehlivostí, je nanejvýše vhodné použít i některý z netechnologických přístupů zvýšení spolehlivosti [NŠV01]. Možných řešení daného problému existuje celá řada. Každé z nich přináší jisté výhody a taktéž řadu nevýhod. Hledáme takové řešení, které bude kompromisem mezi váhou jednotky, doletem, konstrukční náročností a dalšími, zatím blíže nespecifikovanými, hledisky. Po důkladné analýze bylo nakonec rozhodnuto použít pro bezpilotní prostředek hybridní pohon v sériovém uspořádání podle obr. 17.

4.1

Hybridní pohon bezpilotního prostředku

17

Obr. 6: Energetické uspořádání bezpilotního prostředku

Malý dvoutaktní spalovací motor pohání dva alternátory. Použití dvojice alternátorů je voleno z důvodů zvýšení spolehlivosti a snížení hmotnosti při daném jmenovitém výkonu. Napětí alternátorů po usměrnění slouží k dobíjení baterií a pohonu čtyř trakčních elektromotorůo prostředku. Každý z nich má příkon 250 W. Generované napětí částečně slouží k napájení elektronického vybavení mobilního prostředku přes stabilizátory napětí. Aby bylo možné opětovně nastartovat spalovací motor během letu, je použita dvojice třífázových regulátorů budících alternátory. Schématicky je toto uspořádání na obr. 6. Pohonná jednotka zkonstruovaná výše popsaným způsobem zlepšuje především letové charakteristiky UAV, neboť umožňuje ovládat letoun pomocí změny velikosti vektoru tahu každého z pohonných elektromotorů. Podle předpokladu pro vlastní horizontální let by měly stačit dva elektromotory. Druhý pár bude využíván jako pomocný např. při startu, přistání, náročných manévrech či poruše některého z trakčních motorů. Takto bude možné dosáhnout prodloužení operačního rádiusu, nezávisle na výskytu poruchy v jedné z dvojice trakčních motorů na každé straně. Redundance klíčových prvků (elektromotory, baterie, alternátory) zvyšuje nejenom robustnost návrhu, ale slouží i ke zvýšení spolehlivosti jako celku. Z provozního hlediska bychom pak mohli hovořit jako o systému s tzv. statickou zálohou. Diskutovaná pohonná jednotka bezpilotního prostředku nebyla prozatím prakticky odzkoušena ani sestavena. V této době probíhají přípravné práce, kdy jsou ověřovány vlastnosti jednotlivých dílčích prvků jakož i jejich sestav .

18

4.2

4

VYMEZENí ŘEŠENÉ PROBLEMATIKY

Aplikace predikční diagnostiky

Již při samotném návrhu topologie hybridního pohonu bezpilotního prostředku se vycházelo z použití technologických metod zvýšení spolehlivosti. Jedná se o redundanci klíčových prvků, statickou zálohu, volbu kvalitních materiálů a dobré dílenské zpracování. Dalším z přístupů, jak zvýšit celkovou spolehlivost řešení, je aplikace predikční diagnostiky. Toto si však vyžaduje zakomponování dalších podpůrných prvků do systému [Pře98], [Pře97]. Vyhodnocovací algoritmus by se neměl opírat jen o aktuální stav systému či jeho minulost, ale měl by mít též k dispozici apriorní informaci o systému. Tu lze získat podrobnou analýzou nebo experimentálně. Hybridní pohon je poměrně složité mechatronické zařízení s řadou vzájemných vazeb mezi jednotlivými prvky systému i s jeho okolím. Domnívám se, že analýza v tomto případě nedokáže postihnout všechny možné stavy, kterých může systém dosáhnout. Jako vhodnější se mi jeví provést experimentální měření na vlastním hybridního pohonu nebo jeho modelu. Komplexní informace o stavu systému může sloužit jednak při údržbě hybridního pohonu, kdy bude možné zavčas vyměnit prvek vykazující postupnou degradaci vlastností a tak předejít poruše během budoucího provozu UAV. Ale především by měla tato informace podporovat rozhodování řídicí jednotky UAV v průběhu letové mise a předejít kolapsu funkce a následné ztrátě mobilního prostředku. Práci na integraci predikční diagnostiky do systému pohonné jednotky bezpilotního prostředku lze rozložit do následujících etap: 1. formulace problému, 2. identifikace systému – provedení experimentu, 3. specifikace trénovacích příkladů – tj. určení sledovaných nezávislých proměnných (atributů), které charakterizují trénovací příklady, 4. předzpracování dat v rámci vývojového nástroje, 5. trénink individuálních prediktivních algoritmů, 6. verifikace kvality predikce, 7. export run–time modulu, 8. integrace run–time modulu do řídicího systému UAV, 9. vlastní on–line predikce (použití vytvořené aplikace). Krok 2 reprezentuje asi nejsložitější část celé práce na integraci predikční diagnostiky. Identifikace systému musí být proveden na reálném hybridním pohonu a v dostatečně dlouhém časovém období, aby se projevilo stárnutí součástí a selhávání jejich funkcí. Úkony 3 až 6 jsou realizován vývojovým nástrojem (softwarem), který umožní jednak vytvoření jednotlivých trénovacích množin z celé databáze měření, natrénování prediktoru a ověří jeho kvalitu. Tyto kroky jsou opakovány, dokud nejsou postihnuty a ošetřeny všechny uvažované případy poruch. Po naučení jednotlivých algoritmů a vytvoření prediktoru je dalším krokem export run–time modulu. Důležitou složkou je z hlediska spolehlivého využití predikčního systému jeho správná integrace do celkového informačního (řídicího) systému UAV. Integrace musí zajistit především budoucí správnost dat vstupujících do predikčního systému (run–time modulu) a také integritu při aktualizaci archivního souboru.

4.3

4.3

Model hybridního pohonu

19

Model hybridního pohonu

Již z předcházejících řádků je zřejmé, že vývoj, práce a experimenty s hybridním pohonem zabudovaným na palubě UAV by skýtaly řadu komplikací. (Raději ani nezmiňujme možnost letu UAV). Jako střízlivější se jeví varianta, kdy bude zkonstruován přesný funkční model hybridního pohonu pouze pro experimentální účely. Celý funkční model by měl být vhodně rozmístěn po pracovní desce, ke které budou všechny prvky pevně fixovány. Vzdálenost jednotlivých částí je třeba volit s ohledem na provádění četných experimentů a úprav. Do modelu budou postupně podle potřeby zamontována čidla a měřící přístroje sloužící k jednotlivým experimentům. Hybridní pohon na palubě letícího UAV bude obtékán proudícím vzduchem zajišťujícím jeho chlazení. Bude tak možné některé prvky výkonově dimenzovat s ohledem na snížení jejich váhy a rozměrů. Toto by však měla být při vývoji vysoce spolehlivého pohonu až poslední možnost. U modelu hybridního pohonu bude kvalitní chlazení jednou z důležitých pracovních podmínek. Trakční motory je třeba zatížit adekvátně originální zátěži. Použití vrtulí není vhodné především z bezpečnostních důvodů. Jako vhodnější se jeví dmychadla. Taktéž je třeba zatížit stabilizátory napětí avioniky a elektronického vybavení UAV. Další problém, se kterým se je třeba vypořádat, je odvod spalin od spalovacího motoru. Nelze si dost dobře představit práci s modelem pohonu ve špatně větrané místnosti. Ne nezanedbatelná bude předpokládaná velká hlučnost modelu. Takto zkonstruovaný model by měl umožnit provádět všechny potřebné experimenty spojené s vývojem vlastního hybridního pohonu a především s řešením disertační práce.

4.4

Monitorovací systém

Cílem experimentu je nashromáždit dostatek dat potřebných k identifikaci systému a vytvoření predikčního modelu hybridního pohonu. Přitom je kladen požadavek na aplikovatelnost v reálných provozních podmínkách UAV. Monitorovací systém musí být konstrukčně co možná nejjednodušší a přitom velmi efektivní. Kvalita rozhodování je vždy těsně spojena s kvalitou a množstvím informací, které jsou v daném procesu k dispozici. Jinak řečeno, pravděpodobnost chyby u prediktoru je nepřímo úměrná množství informace, obsažené ve vstupních datech. Z tohoto hlediska by mělo měření poskytovat co nejúplnější popis klasifikovaných procesů. Praktickým důsledkem tohoto požadavku je zvyšování počtu příznaků, které identifikují dané procesy. Předem nelze fundovaně stanovit, které veličiny jsou markery vznikající poruchy a jakou váhu jim přiřadit. Proto je lépe při prvních měřeních sbírat i veličiny zdánlivě nesouvisející se vznikajícími poruchami. Rozhodně by měly být měřeny následující veličiny: • • • •

napětí, proud, teplota, otáčky.

Je možné, že během práce se ukáže potřeba měřit další z provozních veličin, monitorovací systém by měl mít proto otevřenou architekturu. Jedním z možných přístupů je použití počítačové měřicí karty v kombinaci se softwarem LabView. Vytvoření monitoro-

20

4

VYMEZENí ŘEŠENÉ PROBLEMATIKY

vacího systému bude pak jednoduché, rychlé a snadno modifikovatelné. Naměřená data budou moci snadno využívat další programy. Protože měřicí karty zpravidla měří jen napětí, bude třeba převést ostatní měřené veličiny na napětí. Pro převod proud / napětí lze použít bočník nebo vhodněji Hallova čidla (např. CSA–1V–SO). Senzor nebude součástí silového obvodu, takže při poruše čidla nedojde k rozpojení měřené větve. Měřené teploty na dobře ochlazovaném hybridním pohonu by neměly překročit 150◦ C. Tyto teploty jsou v měřícím rozsahu běžných digitálních teploměrů jako např. ADT7301. U hybridního pohonu zabudovaného do draku bezpilotního prostředku lze měřit otáčky pouze u spalovacího motoru a alternátorů. K tomu lze s výhodou využít např. optické závory. Měření otáček elektromotorů, popř. samotné vrtule není realizovatelné na křídlech draku, proto se pokusíme bez tohoto údaje obejít. Na palubě bezpilotního prostředku nebude pravděpodobně možné použít stejné měřící vybavení jako v laboratoři, neboť se neuvažuje o nasazení řídicího počítače s rozhraním PCMCIA pro integraci měřící karty. Topologie musí být tedy odlišná. Budou použity stejné senzory elektrických a neelektrických veličin jako při experimentálních měřeních. Připojeny budou k jednočipovému mikropočítač s dostatečným množstvím A / D převodníků. Z tohoto pohledu se jeví jako velmi vhodný například mikropočítač společnosti Atmel AVR ATtiny 26. U něj lze využít až jedenáct 10-bitových A / D převodníků. Komunikace s nadřízeným stupněm (vyhodnocovací jednotkou) bude probíhat po vhodně zvolené sběrnici např. CAN Bus, I2 C či jiné vhodné pro zarušená prostředí. Snahou je provádět na jednom modulu co možná nejvíce měření a současně vytvořit, pokud to bude jen trochu možné, jediný univerzální modul pro všechny měřící body. Jedno z možných uspořádání měřicího modulu je na obrázku 7.

4.5

Popis experimentu

Identifikace modelu hybridního pohonu bude klíčovou částí celé práce. Na jeho úspěšném provedení bude záviset realizovatelnost následujících úkonů. Před samotným začátkem práce musí být precizně specifikovány všechny podmínky, za kterých bude experiment prováděn. Největší pozornost v průběhu experimentu si vyžádá dobrý stav baterií. Ty by měly být před každým pokusem nabíjeny vždy stejným postupem [Cen03]. Vlastní experiment by měl simulovat reálné použití bezpilotního prostředku: start se všemi čtyřmi motory, letová fáze se dvěma motory, změny zatížení motorů při stoupání či klesání, utajený let pouze na baterie, nastartování spalovacího motoru, přistání. Jedno měření by mělo trvat jednu až dvě hodiny, což odpovídá předpokládané době letu bezpilotního prostředku. Aby byl nasbírán dostatek materiálu pro vývoj prediktoru, měl by pokus proběhnout nejméně třikrát s různými sestavami baterií.

4.6

Návrh prediktoru – klasifikátoru

V našem pojetí pod pojmem klasifikátor označujeme proceduru, jejíž činnost spočívá v tom, že na základě vstupních informací, což jsou příznaky vztahující se k danému objektu, generuje výstupní informaci, která se interpretuje jako rozhodnutí klasifikátoru o třídě, ke které náleží právě klasifikovaný předmět [Pře02]. Klasifikátory vyhodnocují příznaky buď současně (klasifikátory s pevným počtem příznaků) nebo je přebírají postupně

21

1. kanál

Hallova sonda CSA-1V-SO

2. kanál

Hallova sonda CSA-1V-SO

3. kanál

Hallova sonda CSA-1V-SO

4. kanál

Napěťová sonda

5. kanál

Napěťová sonda

6. kanál

Napěťová sonda

7. kanál

Měření otáček

8. kanál

Teplotní čidlo ADT7301

SPI

9. kanál

Teplotní čidlo ADT7301

SPI

I2C

Sběrnice I2C

Návrh prediktoru – klasifikátoru

Mikropočítač Atmel AVR ATtiny 26

4.6

Obr. 7: Možné uspořádání měřicího modulu s jednočipovým mikropočítačem

(sekvenční klasifikátory). V případě sekvenčních klasifikátorů je počet použitých příznaků proměnlivý a určovaný samotným klasifikátorem v průběhu tvorby rozhodnutí. Tento typ klasifikátorů obsahuje podprogramy, které v závislosti na kvalitě dílčího rozhodnutí určují, zda toto rozhodnutí je konečné, či zda je nutné klasifikovat další příznaky. Přičemž dílčí rozhodnutí může být realizováno na principu klasifikátoru s pevným počtem příznaků. Pokud k učení klasifikátoru použijeme umělou neuronovou síť, pak jsou získané znalosti reprezentované váhami naučené sítě. V případě dvou lineárně separabilních tříd může být síť tvořena jediným neuronem, který vlastně realizuje diskriminační funkci. Pro úlohy, kde třídy nejsou lineárně separabilní, je nutné použít složitější vícevrstvou síť. Při použití třívrstvé sítě odpovídá počet neuronů ve vstupní vrstvě počtu vstupních veličin (příznakových charakteristik, atributů), počet neuronů ve výstupní vrstvě odpovídá počtu tříd v zadané klasifikaci. Pro volbu počtu neuronů ve třetí, skryté vrstvě neexistuje jednoznačné doporučení. Jedním z možných doporučení je použít dvojnásobku počtu neuronů ve vstupní vrstvě. Jiná možnost vychází ze znalosti experta o možných vazbách mezi vstupními veličinami. Vícevrstvá síť se učí metodou zpětného šíření chyb (backpropagation). Z hlediska tvorby znalostních systémů přinášejí neuronové sítě usnadnění procesu získávání znalostí. Znalosti takto získané (tj. váhy vazeb mezi neurony v síti) jsou ale samy

22

4

VYMEZENí ŘEŠENÉ PROBLEMATIKY

o sobě zcela nečitelné. S tím souvisí i neschopnost sítí podávat vysvětlení. Neuronová síť se chová vůči uživateli jako černá skříňka, do které není vidět. V případě, že nás zajímá jen klasifikace objektu, pak tato neprůhlednost nevadí. Avšak v okamžiku, kdy požadujeme vysvětlení resp. zdůvodnění tohoto zařazení, musíme se pokusit převést znalosti uložené v neuronových sítích do podoby explicitních pravidel. Naměřené výsledky z experimentu je třeba vyhodnotit, rozdělit do trénovací a verifikační množiny. Pak lze přejít k hledání vhodného klasifikátoru. Pro tuto část projektu se asi nejvíce hodí obsáhlý soubor prostředků pro analýzu neuronových sítí v programu STATISTICA Neuronové sítě, který uživateli poskytuje [Sta04]: • Integrované prostředky pro výběr dat, přípravu nominálních hodnot, škálování, normalizaci a substituci chybějících hodnot s interpretací pro moduly klasifikace, regrese a časových řad. • Výkonné vyšetřovací a analytické postupy, včetně algoritmů pro výběr vlastností vstupů. • Moderní, vysoce optimalizované trénovací algoritmy (včetně metody konjugovaných gradientů a algoritmu Levenberg–Marquardtova); plnou kontrolu nad všemi aspekty, které ovlivňují výkon sítě, jako je např. aktivační a chybové funkce nebo složitost sítě. • Podporu kombinací sítí a síťových architektur prakticky neomezené velikosti, organizovaných v ”síťových sadách”; selektivní trénování částí sítí, slučování, ukládání síťových sad do samostatných souborů. • Obsáhlé grafické a statistické výstupy, jež lze použít jako zpětnou vazbu, která usnadní provádění interaktivních vyšetřovacích analýz. • API podporu pro vestavbu funkcí pomocí jazyků Visual Basic, C, a dalších. K vytvoření klasifikátoru by šlo použít celou řadu dalších nástrojů, zvolil jsem si právě neuronové sítě, neboť patří mezi populární modely pro predikci časových řad a jejich teorie je dobře rozpracována. Nejpoužívanější modifikací neuronových sítí je vícevrstvá síť perceptonů. Díky univerzálním aproximačním schopnostem jsou neuronové sítě schopné predikovat (aproximovat) i velmi složité vztahy mezi vstupy a výstupy. Bylo experimentálně ověřeno, že jsou také schopné řešit nelineární vztahy mezi vstupy a výstupy [Klé03].

4.7

Integrace run–time modulu do řídicího systému UAV

Centrální řídicí jednotka bezpilotního prostředku je založena na architektuře PC / 104 a je kompatibilní s většinou běžně dostupného programového vybavení. Významnou výhodou je možnost tvořit a zkoušet software na stolním PC a hotový výsledný kód bez sebemenších úprav přenést na řídicí jednotku. Navíc je systém mechanicky konfigurovatelný a rozšiřitelný standardními moduly typu PC / 104. Základním univerzálním softwarovým nástrojem, který využíváme při realizaci řídicích úloh, je operační systém (OS). Jeho vlastnosti a chování fundamentálně ovlivňují praktické možnosti výsledného řízení a do značné míry ovlivňují architekturu řídicích aplikací. Řízení UAV vyžaduje naprosto přesně determinovatelné chování operačního systému se zaručenými odezvami, které kladou vysoké nároky v oblasti rychlosti reakce na vnější podněty. Použitý operační systém musí patřit do kategorie hard-realtime OS, neboť pozdní odezva systému by mohla vést k destrukci UAV. V řešeném projektu je použit operační systém RTLinux (Real Time Linux) na hardwarové platformě PC / AT kompatibilní.

4.7

Integrace run–time modulu do řídicího systému UAV

23

Pro přenos vytvořeného prediktoru v prostředí STATISTICA Neuronové sítě do prostředí RTLinux lze s výhodou použít přídavný modul ”Generátor zdrojového kódu” implementovaný přímo v prostředí STATISTICA. Po kompilaci zdrojového kódu v jazyce C jej bude možné použít jako jeden z procesů řídicího počítače.

24

5

5

TEZE DOKTORSKÉ DISERTAČNí PRÁCE

Teze doktorské disertační práce

Teze doktorské disertační práce, které leží nyní před vámi na stole, jsem začal psát již v polovině roku 2004. Od té doby se změnila řada věcí a především můj vlastní názor na řešenou problematiku se s přibývajícími roky posunul ke střízlivějším cílům. Jako velice zásadní se mi jeví dvě události, které ovlivnily můj náhled na danou problematiku. Bylo to jednak postgraduální studium na SUPAERO (Ecole Nationale Supérieure de l’Aéronautique et de l’Espace), kde jsem měl možnost detailně se seznámit s problematikou konstrukce letecké techniky a podílet se na dvou projektech zabývající se létajícími bezpilotními prostředky. Druhým, pro mne snad ještě významnějším, byla závěrečná diplomová práce na LAAS–CNRS pod vedením prof. Louise Travé-Massuy`es a doc. Audine Subias. Zde jsem pracoval na problematice spojení kvalitativních a kvantitativních modelů pro potřebu detekce chyb a diagnostiky. V praxi jsem se tak seznámil s kvalifikační metodou Lambda a problematikou Analytical Redundancy Relations (ARRs). Jak lze odtušit z předešlých stránek a především pak ze 4. kapitoly, původním cílem mé disertační práce byla konstrukce řídicího systému hybridního pohonu se zaměřením na vyhledávání anomálií v jeho chování. Nedílnou součástí řídicího systému se měl stát i systém monitorovací. Celá disertace pak měla vyústit v přípravu a realizaci experimentu se sériovým hybridním pohonem. Naměřená data byla použita pro konstrukci prediktoru na bázi umělé neuronové sítě. Je pochopitelné, že nezbytnou podmínkou úspěšného dokončení disertační práce bylo zkonstruování vlastního hybridního pohonu. Během vývoje sériového hybridního pohonu a bezpilotního prostředku se podařilo úspěšně ověřit některé principy přeměny energie a zkonstruovat funkční dílčí část pohonu. K zodpovědnému provedení experimentu toto však není dostačující. Samotný projekt bezpilotního prostředku by si vyžadoval poněkud více něž práci několika doktorandů a leteckých nadšenců. V rámci prací na hybridním pohonu bezpilotního prostředku a především pak během mého pobytu ve Francii jsem vypracoval několik souvisejících prací, které se nakonec ukázaly jako profilující. Výsledky jsem publikoval na národních konferencích. Na následujících řádcích bych rád detailně rozebral »nové« cíle disertační práce rozdělené již do jednotlivých kapitol i s jejich obsahovou náplní. Obsah disertační práce 1. Systémy se zvýšenou spolehlivostí – Kapitola vymezující pojem systém se zvýšenou spolehlivostí, jak lze tyto systémy vytvářet a jaké metody jsou vhodné pro jejich návrh. 2. Hybridní pohony – Kapitola obsahující teorii hybridních pohonů, jejich rozdělení, přednosti a nedostatky. Popis našeho řešení s důrazem na význam pohonu pro životaschopnost bezpilotního prostředku. V další práci se bude uvažovat tato koncepce a budou na ni aplikovány metody pro zvýšení spolehlivosti. 3. Spolehlivostní analýza systému • Statická – Tato část vychází z příspěvku na konferenci TD – Diagon 2005 Prediktivní analýza spolehlivosti hybridního pohonu, který popisuje prediktivní analýzu spolehlivosti hybridního pohonu. Je v něm popsána analýza navrženého řešení, vytvoření vhodného modelu a kvantifikace základních číselných charakteristik spolehlivosti. Cílem příspěvku bylo nalezení slabých míst pohonu a přijmout

5

TEZE DOKTORSKÉ DISERTAČNí PRÁCE

4.

5.

6.

7.

25

opatření vedoucí ke zvýšení celkové spolehlivosti. Během prezentace na konferenci měli přítomní odborníci cenné připomínky, které by bylo vhodné zapracovat. • Analýza rizik (Risk Analysis) – Tato podkapitola následuje po statické analýze, neboť využívá některých numerických výsledků, především pak střední dobu do poruchy. Teoretickou část jsem již zpracoval v angličtině v rámci projektu AELIUS, kde jsem také získal první zkušenosti s aplikací této metody. • Matematický model systému – matematický model sériového hybridního pohonu a jeho převedení do MATLABu. Model musí být vybaven prvky pro simulování poruch a šumu ve snímacích prvcích. Vytvoření modelu je klíčové pro další práci. Analytical Redundancy Relations – kapitola pojednávající o tom, co jsou residua, jakými metodami je lze získávat a k čemu obecně slouží. Po teoretickém úvodu následuje aplikace na již vytvořený model v Matlabu. Získáme residua a Fault Signature Table. Toto je dobrým startem pro detekci a isolaci poruch. Teoretickou část jsem zpracoval v rámci své diplomové práce na LAAS–CNRS na systému se dvěma nádržemi. Klasifikátor – Nevýhodou residuí je, že jsou ovlivňovány šumem, proto hledáme možnosti, jak tyto negativní vlivy potlačit. Dílčím problémem je pak samotné určení hodnoty signálu ARRs, kdy již hovoříme o residuu a tedy o projevu poruchy systému. Jako slibný a současně málo prověřený nástroj se jeví umělé neuronové sítě. Právě tímto směrem bych chtěl soustředit svoji pozornost. Rekonfigurace systému – Základ této kapitoly jsem postihl v článku Opotřebení, spolehlivost, diagnostika 2005 Rekonfigurace hybridního pohonu pomocí umělé neuronové sítě. K rekonfiguraci řídicího systému jsem využil generalizačních schopností umělé neuronové sítě. Nebylo pak třeba připravit řídicí systém na všechny myslitelné stavy, ale pouze na klíčové okamžiky. Neuronová síť navrhla sama pro ostatní stavy systému adekvátní reakci. Vstupy neuronové sítě je stavový vektor residuí poskytnutý klasifikátorem. Výstupem je vektor popisující novou konfiguraci hybridního pohonu. Závěr – Návrh systémů odolných proti poruchám je dynamicky se rozvíjející obor. Přínos disertační práce nespočívá v pilování dílčích metod, ale v jejich aplikaci jako celku. Nicméně nelze opomenout spojení ARRs s umělou neuronovou sítí. Toto řešení se objevuje v odborné literatuře spíše ojediněle.

Na závěr je nutno podotknout, že původní rozsah práce jsem byl také nucen uzpůsobit novým pracovním a životním podmínkám. Nepohybuji se již více na akademické půdě, kde jsem se mohl plně věnovat vědecké a pedagogické činnosti. V listopadu 2006 jsem byl přemístěn na bojový útvar ve Staré Boleslavi, kde se věnuji zdaleka jiným věcem než vývoji hybridního pohonu. Nadále však zůstávám studentem doktorského studijního programu, nyní však v distanční formě studia.

26

6

Literatura

[BČH+ 03] Z. Bureš, P. Čeleda, I. Hrdlička, T. Mořkovský, and V. Křivánek. Diagnostická ústředna – automatizovaný systém sběru dat u bezpilotního prostředku. Technical report, Vojenská akademie v Brně, 2003. [Cen03] M. Cenek. Akumulátory od principů k praxi. FCC Public, Praha, 2003. ISBN 80–86534–03–0. [JKT88] I. Janoušek, J. Kozák, and O. Taraba. Technická diagnostika. SNTL Praha, 1988. [Kes03] T. Keshi. Predikce vícerozměrných časových řad s využitím prediktivního modelování. Disertační práce, ČVUT Fakulta dopravní, Praha 2003. [Klé03] J. Kléma. Strojové učení v diagnostice a při predikci časových řad. On–line, 2003. bozek.cvut.cz/groups/publications/2002/k314-EPE-PEMC.pdf. [Mař00] V. Mařík. Trendy v komplexní automatizaci. Automa, č. 7 2000. [MŠL03] M. Mařík, O. Štěpánková, and J. Lažanský. Umělá inteligence (4). ACADEMIA, Praha 2003. ISBN 80–200–1044–0. [Nov98] M. Novák. Umělé neuronové sítě: teorie a aplikace. C. H. Beck, Praha 1998. ISBN 80–7179–132–6. [NŠV01] M. Novák, V. Šebesta, and Z. Votruba. Bezpečnost a spolehlivost systémů. Vydavatelství ČVUT, Praha 2001. ISBN 80–01–0233–1. [Pře97] V. Přenosil. Technické systémy se zvýšenou spolehlivostí. Sborník příspěvků konference DIAGNOSTIKA ’97, 30. září až 1. října 1997. [Pře98] V. Přenosil. Predikční diagnostika. Disertační práce, Vojenská akademie v Brně, 1998. [Pře02] V. Přenosil. Výroční zpráva projektu zÁznam ii z roku 2002. Dílčí zpráva firmy INNA ’Identifikace důsledků exploze na základě analýzy digitálních snímků’, pages Str. 7 – 33, č. 7 2002. [Rid94] R. Ridley. Alternative Cars in the 21st Century – A New Personal Transportation Paradigm. Society of Automotive Engineers, Inc., 1994. ISBN 1–56091– 519–6. [Roz04] D. Rozehnal. Měření kapacity a stanovení životního cyklu li–pol a nimh článků pro potřeby komplementace akumulátorových sad. Interní zpráva, 2004. [Sta04] StatSoft:. Statistica neuronové sítě. On–line, 2004. http://statsoft.cz. [Vdo03] F. Vdoleček. Když se řekne ’spolehlivost a diagnostika’. Automatizace, pages Str. 276 – 280, č.: 4 2003. [Wes01] M. Westbrook. The Electric And Hybrid Electric Car. The Institution of Electrical Engineers, London, United Kingdom 2001. ISBN 0–7680–0897–2. [Wes03] M. Westbrook. The Electric Car – Development and future of battery, hybrid and fuel–cell cars. The Institution of Electrical Engineers, London, United Kingdom 2003. [ŠU04] L. Šmejkal and L. Urban. Když se řekne . . . fuzzy logika. Automatizace, č.: 3 – 6 2004. ročník 47. [ČM03] Z. Čeřovský and P. Mindl. Power electronics in automotive hybrid drives. On– line, 2003. bozek.cvut.cz/groups/publications/2002/k314-EPE-PEMC.pdf.

Přílohy

28

A

A

Seznam zkratek

ARR CNRS FMTV LAAS LNG OS POV UAV UNS VGA

Analytical Redundancy Relation Centre National de la Recherche Scientifique Family of Medium Tactical Wheeled Vehicles Laboratory for Analysis and Architecture of Systems Liquid Natural Gas operační systém Projekt obranného výzkumu Unmanned Aerial Vehicle umělá neuronová síť Vnitřní grantová agentura

λ(t) RA i ψ

intenzita poruch oblast přípustnosti souřadnice vektoru stavu systému křivka života systému

SEZNAM ZKRATEK

B

B

SEZNAM PUBLIKOVANÝCH ČLÁNKŮ

29

Seznam publikovaných článků

[1] Z.; Bureš, P. Čeleda, I. Hrdlička, T. Mořkovský, and V. Křivánek. Diagnostická ústředna – automatizovaný systém sběru dat u bezpilotního prostředku. Výroční zpráva o řešení projektu VGA, 2003. [2] Z. Bureš, P. Čeleda, I. Hrdlička, T. Mořkovský, and V. Křivánek. Diagnostická ústředna – automatizovaný systém sběru dat u bezpilotního prostředku. Závěrečná zpráva o řešení projektu VGA, 2004. [3] V. Křivánek. Diagnostika kontrolního bloku systému spojení odpalovacího zařízení protiletadlového raketového kompletu 2k12. Diplomová práce, Vojenská akademie v Brně, 2002. [4] V. Křivánek. Průbežná diagnostika hybridního pohonu mobilního prostředku. Závěrečná zpráva o řešení projektu VGA, 2004. [5] V. Křivánek. Prediktivní analýza spolehlivosti hybridního pohonu. Sborník příspěvků konference TD 2005 – DIAGON 2005, 2005. ISBN 80–7318–293–9. [6] V. Křivánek. Automatic generation the fault signature table due to classification. Diplomová práce, Ecole Nationale Supérieure de l’Aéronautique et de l’Espace, 10, avenue Edouard–Belin; BP 54032; 31055 Toulouse cedex 4, 7. září 2006. [7] V. Křivánek. Aktivní diagnostika hybridního pohonu. Sborník příspěvků konference IEEE Radešín 2004, Roč. 2:Str. 71 – 72, 22 – 25. září 2004. ISBN 80–214–2726–4. [8] V. Křivánek. Automatic generation the fault signature table due to classification. Sborník příspěvků Opotřebení, spolehlivost, diagnostika 2006, Ročník 15:117 – 122, 31. 10 – 1. 11. 2006. ISBN 80–7231–165–4. [9] V. Křivánek. Prediktivní diagnostika multiprocesorových systémů. Sborník příspěvků Konference studentské sekce IEEE Radešín 2003, Roč. 1:Str. 115, 8 – 11. října 2003. ISBN 80–214–2479–6. [10] V. Křivánek and V. Přenosil. Rekonfigurace hybridního pohonu pomocí umělé neuronové sítě. Sborník příspěvků Opotřebení, spolehlivost, diagnostika 2005, Ročník 14, 25. – 26. 10. 2005. ISBN 80-7231-026-7. [11] V. Křivánek and D. Rozehnal. Predikční diagnostika hybridního pohonu. Sborník příspěvků konference Moderní směry výuky elektrotechniky a elektroniky – STO9, 21. – 22. září 2005. ISBN 80–7231–011–9. [12] Z. Růžička and V. Křivánek. Využití nástrojů informatiky ve výuce předmětů elektronická měření (em) a automatizované systémy měření (asm). Závěrečná výzkumná zpráva projektu specifického výzkumu, 2003. [13] Z. Růžička, V. Křivánek, and J. Leuchter. Využití informačních technologií ve vybraných předmětech katedry. Závěrečná výzkumná zpráva projektu specifického výzkumu, 2004. [14] P. Čeleda and V. Křivánek. Automatizovaný systém sběru dat u bezpilotního prostředku. Sborník příspěvků konference TD 2004 – DIAGON 2004, Roč. 27:Str. 116 – 120, 17. června 2004 Zlín. ISBN 80–7318–195–9.

30

C

C

VÝČET DALŠíCH VÝZNAMNÝCH AKTIVIT

Výčet dalších významných aktivit 2006 2005 2005 2004 2004 2004 2003

2003 – 2004 2002 – 2004

Odborná stáž na Laboratoire d’Analyse et d’Architecture des Systémes (LAAS – CNRS) Postgradiální studium na Ecole Nationale Supérieure de l’Aéronautique et de l’Espace (SUPAERO) Řešitel projektu Aelius – Odborná stáž na Institut supérieur d’électronique de Paris Držitel grantu VGA ”Aktivní diagnostika hybridního pohonu” Řešitel grantového projektu sprecifického výzkumu ”Využití informačních technologií ve vybraných předmětech katedry” Řešitel grantového projektu sprecifického výzkumu ”Využití nástrojů informatiky ve výuce předmětů Elektronická měření (EM) a Automatizované systémy měření (ASM)” Držitel grantu VGA ”Diagnostická ústředna – automatizovaný systém sběru dat u bezpilotního prostředku” Řešitel projektu obranného výzkumu POV ”Záznam II”

AUTOMATIC GENERATION THE FAULT SIGNATURE TABLE DUE TO CLASSIFICATION Václav Křivánek École Nationale Supérieure de l’Aéronautique et de l’Espace 10, av. Édouard Belin, 31055 Toulouse, France e-mail: [email protected]

Abstract The objective of this article is a hybrid approach which combines different techniques to obtain better diagnostic performance than the use of a single technique alone and demonstrates it on a two-tank system utilized as a Benchmark. The issue is to generate automatically a Fault Signature Table by combining the model-based and data-based approaches.1

Introduction The purpose of Fault Diagnosis is to detect the faults of interest and their causes early enough so that a failing of the overall system can be avoided. Of particular importance is the detection of incipient faults. There are several reasons of incipient fault detection: avoidance of dangerous operating condition, maintenance as required, long distance diagnosis, increase of availability and productivity, and automatic quality assurance. The overall concept of fault diagnosis consists in the following three tasks [2]: • Fault detection: detection of the time of occurrence of irregularities (faults) in the functional unites of the plant, that lead to undesired or intolerable behavior of the whole system, in the face of unknown inputs. • Fault isolation: localization (classification) of different faults. • Fault analysis: determination of the type, magnitude and cause of a fault. 1

This project was supported by the DIagnosis Supervision & COntrol (DISCO) group in Lab-

oratory for Analysis and Architecture of Systems CNRS.

Model-based Approach The model-based diagnosis (called also the First principles) deals with representing the knowledge about technical system’s structure and behaviour in terms of a suitable model that lets us automate the task of locating a detected misbehaviour’s cause. Although several ways to locate causes exist, they all involve searching for the parts of the system that might have caused the misbehaviour. In recent years model-based diagnosis has proven successful in numerous application domains, and the underlying methods are now powerful enough to handle many real-world problems in a commercial setting. Fault diagnosis based on the Analytical Redundancy Relations is connected with the parity space approach. Indeed, redundancy relations are the result of the elimination of the unknown variables from the original system constraints [1]. Analytical Redundancy Relations are static or dynamical constraints which link the time evolution of the known variables when the system operates according to its normal operation model. Once ARRs are designed, the fault detection procedure checks at each time whether they are satisfied or not, and when not, the fault isolation procedure identifies the system component(s) which is (are) to be suspected. The existence of ARRs is thus a prerequisite to the design of fault diagnosis procedures. Data-based Diagnosis The advantage of data-based (or data-driven) methods are that any model is not required. Only the large database of previous data is necessary. Data-based techniques have close relationship with pattern recognition, wherein one seeks to categorize the input / output data into normal or faulty classes. The most notable techniques for data-based diagnosis include principal components analysis, Fisher discriminant analysis, partial least squares and artificial neural network. In the following, only LAMDA method will be discussed. LAMDA is a fuzzy methodology of conceptual clustering and classification based in the adequacy concept [3]. The idea is to determine the adequacy degree of an object (or individual) to each of the existing classes. This adequacy is obtained from the analysis of a relation between each characteristic of a given object and the respective parameter of each class. LAMDA may run in a sequential way where data are treated once so that the learning phase can be reduced to one or a few iterations.

Automatical Generation a Fault Signature Table The issue is to generate automatically a Fault Signature Table by making a bridge between the model-based and data-based approaches. The data-based methods use the system’s inputs and outputs to generate the classes. The classes (states) are deduced from the measured data (Fig. 1). The functional states can be included, for instance, as a faultless mode, a component failure, a sensor failure etc. The users still have the information about the actual system behavior in the real-time diagnosis and failures shall be detected. The data-based methods (in our case we talk mainly about classification-based methods) provide the final information purely from the process data. Data-based approach very often uses the black-box methods include statistically derived models (e.g., regression), artificial neural networks, and other pattern-recognition techniques.

Figure 1: Principle of the automatical generation a Fault Signature Table.

For the first approach, a statistical methods of combining will be supposed. The each of class pattern is compared with the residuals. A correspondence relation between the classes and the residuals shall be counted and analyzed. Benchmark description The process to be supervised consists of a coupled two-tank system depicted in Fig. 2 [4]. The main aim of the process is to provide a continuous water flow Qo to the consumer. Tank 1 is filled by a pump P1 up to a nominal water level of h1 = 0.5 m. The water level in the Tank 1 is controlled by a PI level controller acting to the

inlet flow Qp provided by the pump. The water flow Q12 between the tanks can be controlled by the valve 1 using an "On / Off" controller in order to keep the water level h2 at the medium level (0.09 m ≤ h2 ≤ 0.11 m) in Tank 2. The quantity of water outflow Qo to a consumer is controlled by the Valve 2 position provided by the user. For our studies, Valve 2 is opened in nominal regime. The valves Vf 1 and Vf 2 can be used to simulate a leakage respectively in the tanks. In the faultless mode Vf 1 and Vf 2 are closed.

Figure 2: Functional diagram of two-tank system.

The Analytical Redundancy Relations for the Benchmark: p ARR1 = −Cvb · sgn(my1 + ε1 − my2 − ε2 ) |my1 + ε1 − my2 − ε2 | · mUb   dmy1 dε1 + + mQp + ε3 − Qf 1 − A1 (1) dt dt p ARR2 = Cvb · sgn(my1 + ε1 − my2 − ε2 ) |my1 + ε1 − my2 − ε2 | · mUb   p dmy2 dε2 (2) + − Cvo · (my2 + ε2 ) · mUo − Qf 2 − A2 dt dt Z ARR3 = mUp + ε4 − Kp (h1c − my1 (t) + ε1 ) − Ki (h1c − my1 (t) + ε1 )dt (3)   < mUp + ε4 < Qp max   mUp + ε4 if 0 ARR4 = mQp + ε3 −

0

  

Qp max

if mUp + ε4 ≤ 0

(4)

if mUp + ε4 ≥ Qp max

Statistical comparison The objective is to generate automatically the Fault Signification Table from the knowledge given by the LAMDA method and the ARRs. The work is split in two independent parts. On the first hand, LAMDA classification creates the classes

corresponding to the different system status (modes). On the other hand, Matlab routine counts the relationship between the classes and the Analytical Redundancy Relations. The ARRs as well system parameters are counting and saving during the preparation phase. The work process is the following. In SIMULINK, a scenario is produced for all available failures of a Benchmark. Parameters and ARRs are saved in the file. All failures are simulated. The input *.dat file is classified. The classification result is kept in a file *.res. This file and the file with ARRs are input’s data for the Matlab program which calculates the correlation between LAMDA classes and ARRs. The output of this Matlab routine is the Failure Signature Table which gives the correlation between the classes due to LAMDA and the residuals. If the class is identical with residual, in the table for right row and column there is 100 %. The Table 1 containts the classes given by LAMDA in the upper section. In the down section there are theoretical values of the combining of both methods. All correlations are mentioned in percentages. Each class represents one failure mode, e.g. pump, PI regulator failure; leakage in the tank 1 or 2; valve V 1 blockage. Additionally an error recovery as well as faultless mode was identified. From the Table 2 it is obvious that due to an error recovery, correlation between class C 4 and ARR 1 is only 42.1 %. Class C 8 catches ARR 3 and 4 because the end of failure is detected. However, this case study can be consider as successful because a correlation between classes and ARRs at least 80 % (except class C 4). In order to have the best results, it is strongly recommended, to get precisely the LAMDA classification. The good classification for some elemements of the Benchmark is not easy, particularly for the Tank 2 leakage [3]. Table 1: LAMDA classification and the theoretical ARRs. Classes C1 Failure Auxiliary

C2

C3

C4

C5

C6

C7

Pump

Pump

Tank 1

PI reg.

V 1 closed

Tank 2

Norm.

Recov.

ARR 1

Recov.

100

100

ARR 2

100

ARR 3 ARR 4

100 100

100

100

C8 Recov

Table 2: Automatically generated a Failure Signature Table. Classes C1

C2

C3

C4

C5

C6

C7

C8

ARR 1

0.5

0.0

0.0

42.1

0.0

85.7

0.0

0.0

ARR 2

0.9

0.0

0.0

0.0

0.0

83.7 79.3

0.0

ARR 3

0.0

0.9

0.0

0.0

98.0

0.0

0.0

27.8

ARR 4

0.0

97.0 100.0

0.0

0.0

0.0

0.0

27.8

Conclusions The presented work describes the automatic generation a Fault Signature Table by combining the model-based and data-based approaches. The LAMDA classification method was applied on a Benchmark, the classes correspond to the benchmark’s functional states. The Fault Signature Table is formed as a static comparison between the classes and the Analytical Redundancy Relations. The presented case studies confirmed that the automatic process for the construction of the Fault Signature Table is possible. One can assume that this process is feasible but the experts still have to interact. An expert has to primary avoid the wrong classification. By having the good classes, the automatic process works very well and the Table created can be used for Fault Detection and Isolation.

References [1] Blanke, M., Kinnaert, M., Lunze, J., and Staroswiecki, M. Diagnosis and Fault Tolerant Control. Springer–Verlag, 2003. ISBN 35–4001–056–4. [2] Dubuisson, B., Staroswiecki, M., Cassar, J. P., and Denoeux, T. Surveillance des systèmes continus. Ecole d’Été d’Automatigue de Grenoble (1996). [3] Kempowsky, T. Surveillance de procédés à base de méthodes de classification: conception d’un outil d’aide pour la détection et le diagnostic des défaillances. Thèse de doctorat, Institut National des Sciences Appliquées, Toulouse, 2004. Report LAAS No. 04748. [4] Staroswiecki, M., Ould Bouamama, B., Samantaray, A., Medjaher, K., and Dauphin-Tanguy, G. Model builder using functional and bond graph tools for fdi design. Control Engineering Practice 13, 7 (July 2001), 875–891. ISSN 0967–0661.

REKONFIGURACE HYBRIDNÍHO POHONU POMOCÍ UMĚLÉ NEURONOVÉ SÍTĚ Václav Přenosil1, Václav Křivánek2 1)

Masarykova univerzita v Brně, Fakulta informatiky, Katedra programovacích systémů a komunikací, Botanická 68a, 602 00 Brno, e-mail: [email protected] 2)

École Nationale Supérieure de l'Aéronautique et de l'Espace 10, av. Édouard Belin, 31055 Toulouse, France, e-mail: [email protected]

Abstrakt Předkládaný článek se zabývá zvyšováním technické spolehlivosti za pomoci mechanismů degradace výkonu a funkcí technického systému. Pro realizaci řídicího systému degradace pohonné jednotky malého bezpilotního prostředku byly zvoleny umělé neuronové sítě. Příspěvek popisuje krok po kroku postup návrhu řídicího systému degradace.

Úvod Úspěšnost nasazení technických prostředků je především ovlivňována jejich spolehlivostními charakteristikami. Základním přístupem k zajištění dostatečné spolehlivosti technických systémů je inherentní spolehlivost. Pokud je dán požadavek zajistit vyšší spolehlivost nebo zajistit odolnost proti poruchám, je nezbytné použít vhodné metody zvýšení spolehlivosti. K dispozici je několik nástrojů a jejich kombinace, mezi nimiž lze uvést:

● zálohování, ● rekonfigurace technického vybavení, ● degradace funkcí případně výkonu systému, ● regenerace (zotavení) systému po chybě. V článku je popsán postup zvýšení technické spolehlivosti hybridního pohonu malého bezpilotního prostředku degradací funkcí a výkonu systému za použití umělé neuronové sítě (UNS). Zvýšení spolehlivosti pomocí UNS usnadňuje vytvoření tabulky degradací funkcí, neboť není třeba apriori ošetřit všechny myslitelné případy. Z podsta-

ty UNS vyplývá, že pro další případy je možné se spolehnout na její generalizační schopnosti.

Princip degradace funkcí systému Degradace funkcí a výkonu technického systému patří mezi aktivní metody zvyšování spolehlivosti nejenom technických systémů. Jednou z možností, jak se může systém vyrovnat se vzniklou poruchou, je degradace některé funkce. To znamená, že jsou potlačeny jisté vlastnosti systému na úkor ostatních, ale s tím, že zařízení jako celek nadále uspokojivě vykonává svůj primární úkol. Předpis, jak se má degradační systém reagovat na projevy různých poruch může být uložen například v tabulce degradací. Lze si představit konstrukci takovéto tabulky pro jednu poruchu. U komplikovanějších systémů začíná být vytváření této tabulky pro více poruch značně nepřehledné a zdlouhavé. V ideálním případě by bylo třeba vytvořit tabulku pro 2N existujících stavů, kde N je počet konstrukčních prvků systému. Tento přístup k popisu degradace systému předpokládá, že všechny poruchy jsou na sobě nezávislé. Z tohoto důvodu je žádoucí najít vhodnější postup a tím se jeví řízení procesu degradací funkcí a výkonu systému prostřednictvím UNS. Umělé neuronové sítě se používají v řadě praktických úloh, které jsou charakteristické tím, že zpracovávaná data mají mnohdy ne zcela jasnou interpretaci a je třeba z těchto dat získat použitelné a adekvátní informace. Výhodou UNS je schopnost úspěšně řešit i silně nelineární úlohy v mnohodimenzionálním prostoru. K rozhodnutí použít v degradačním systému UNS vedla především schopnost generalizace. Bude-li možné naučit UNS reagovat na projev pouze jedné poruchy, pak při výskytu vícenásobné poruchy je zaručena adekvátní reakce řídicího systému. Reakce řídicího systému nemusí být nutně optimální, ale bude vycházet z obdobných problémů řešených během procesu učení UNS. Řešíme-li stejnou úlohu například pomocí rozhodovacího stromu, nesmíme opomenout žádnou z možných poruch či jejich kombinací. Algoritmus řešení pak může selhat a nemusí na projev poruchy vůbec reagovat.

Užití principu degradace na hybridní pohon Principu degradace funkcí a výkonu bylo použito na vyvíjeném hybridním pohonu pro potřeby malého bezpilotního prostředku. Vyvíjený hybridní pohon je tvořen spalovacím motorem pohánějící dva paralelně zapojené alternátory. Generované napětí je transformováno usměrňovači a stabilizováno DC/DC měničem. Samotný let bezpilotní-

ho prostředku zajišťuje čtveřice letových motorů tvořených regulátory DC/AC, elektromotory s vrtulemi. Přebytečná energie se uchovává ve dvojici baterií. Jako první byla sestavena tabulka možných poruch a reakcí degradačního systému na tyto poruchy (viz tab. 1). Vždy se jednalo o výskyt jen jedné poruchy, nebyly tedy uvažovány vícenásobné poruchy. Vznikla tak množina deseti poruch (sloupce 1 až 10) reprezentující výpadek jednoho z klíčových prvků hybridního pohonu. Na tyto vzniklé poruchy je možno zareagovat osmi povely (sloupce 11 až 18). Je možné nařídit „Let na baterie“ (sloupec 12), „Zapnout (vypnout) spalovací motor“ (13, 14), „Vypnout letový motor“ (15 – 18) nebo nařídit „Ukončení mise“ (11) a pokusit se tak zachránit UAV. Pro popis poruchy letových motorů bylo třeba použít všech šestnáct možností, neboť výsledná konfigurace pohonu musí umožnit vyvinout potřebný tah pro pokračování letu. Tohoto požadavku nelze jednoduše dosáhnout prostou generalizací výskytu jednonásobné poruchy letového motoru. Tabulka poruch (tab. 1) vymezuje de facto bariéry chování řídicího systému degradace. Tab. 1: Tabulka poruch hybridního pohonu a možných řešení

Konstruktéři při sestavování tabulky poruch vycházeli z těchto předpokladů:

● bezpilotní prostředek je schopen vodorovného přímočarého letu i s jedním letovým motorem, není však již schopen plnit úkol dané mise;

● baterie uchovávají energii pouze na část letové mise; ● každý ze zdvojených prvků nelze dlouhodobě provozovat samostatně; ● při výskytu poruchy na některém z trakčních motorů se přednostně používají vnější motory.

K práci s neuronovými sítěmi byl použit program společnosti StatSoft STATISTICA© Neural Networks disponující celou řadou funkcí pro práci s UNS [3]. Učení probíhalo ve dvou fázích. V první fázi byla hledána vhodná topologie sítě, byly tedy prověřovány všechny dostupné typy sítí. Velmi dobrých výsledku dosahovaly vícevrstvé perceptronové sítě (MLP) a RBF (Radial Basis Function). V druhé fázi se experimentovalo pouze s těmito dvěma typy UNS. Prověřeno bylo řádově 2 500 druhů sítí. Při hledání vhodné sítě je důležité, aby se repertoár počtů a typů poruch rovnoměrně vyskytoval v souborech trénovacích, výběrových i testovacích dat. Optimálních vlastností dosáhla síť s deseti vstupními neurony, 140 neurony ve skryté vrstvě a s osmi výstupními neurony. K učení byl použit algoritmus zpětného šíření (back propagation). Pro ověření generalizačních vlastností takto naučené sítě, byl vytvořen kontrolní soubor obsahující kombinace poruch nepostižených trénovací množinou. Jak se lze přesvědčit v tab. 2, vybraná UNS řídila degradaci výkonu hybridního pohonu téměř v souladu s názory kvalifikované lidské obsluhy. Tab. 2: Tabulka s výsledky pro druhou fázi učení UNS

V některých případech (např. řádek 21 – výpadek spalovacího motoru a jedné baterie) by bylo vhodnější vypnutí jednoho páru letových motorů než let na jeden motor. Toto je zajímavé řešení a nelze jej označit jako nesmyslné. Projevila se však i negativní vlastnost UNS. V některých případech byl vydáván současně povel k vypnutí a zapnutí spalovacího motoru. Tuto chybu je pochopitelně možné dalšími úpravami UNS potlačit.

Optimalizace architektury řídicího systému degradace Validace řešení prokázala, že byla nalezena vhodná topologie umělé neuronové sítě, která splňuje požadavky obsažené v zadání. Nyní bylo možno přistoupit k optimalizaci architektury UNS. Cílem optimalizace architektury neuronových modelů je doladit navržený systém tak, aby jeho výkonnost byla co nejvyšší. Optimalizace se může týkat celé řady aspektů jako je odstranění nadbytečných parametrů, zvětšování malé sítě, použití citlivostní a toleranční analýzy [2]. Optimalizace UNS byla nejdříve zaměřena na množinu zpracovávaných veličin. Je zřejmé, že povel „Zapnout spalovací motor“ a „Vypnout spalovací motor“ jsou komplementární a UNS nedokáže vždy zaručit jejich vzájemnou inverzi. Proto bylo přistoupeno k redukci pouze na signál „Vypnout spalovací motor“. Další redukce vstupních ani výstupních veličin nebyly zvažována. V tabulce 1 byl vynechán sloupec č. 13, „Zapnout spalovací motor“ a celý proces učení neuronové sítě byl zopakován. Smyslem bylo nalézt optimální řešení pro tuto úlohu. Další postup nespočíval pouze v prostém přeučení předcházející vítězné sítě. Bylo vyzkoušeno přes 8 200 možných struktur a jako síť s nejnižším rozdílem mezi chybou ve výběrových a testovacích datech byla vybrána konfigurace UNS s deseti vstupními, 99 vnitřními a sedmi výstupními neurony. Chování optimalizované sítě není totožné s původní sítí (viz tab. 2). V některých případech se optimalizovaná síť chová „racionálněji“, jindy je tomu obráceně. Síť s 99 vnitřními neurony je možné považovat za uspokojivou a vyhovující zadání. Dalším krokem optimalizace architektury neuronového modelu může být nalezení kanonické soustavy. Tedy takové, která má právě nezbytný počet N = Nkrit prvků nutných k tomu, aby bylo možno splnit požadavky kladené na systémové funkce. Neexistuje žádné obecně platící pravidlo o tom, kolik neuronů má být ve skryté vrstvě, některá doporučení hovoří o tom, že by to měl být dvojnásobek neuronů ve vstupní vrstvě [2]. Z tohoto pohledu se výsledná síť jeví jako redundantní, protože v optimalizované UNS bylo N > Nkrit. Následoval tedy další krok pro nalezení jednodušší struktury řídicího systému degradace. Při další optimalizaci struktury se používaly sítě s maximálně 30 neurony ve skryté vrstvě. Jako nejvhodnější ukázala síť s deset vstupními 26 skrytými a sedmi výstupními neurony. Konfrontace výsledků naznačuje, že tato síť dosáhla stejně kvalitních případně

i lepších výsledků než obě předchozí struktury (např. řádky 4 či 20 v tabulkách 2 a 3). Tab. 3: Tabulka s výsledky po provedení klestění

Z podstaty úlohy vyplývá, že aplikace citlivostní a toleranční analýze je bezpředmětné, protože při formulování úlohy, byly jednotlivým poruchám hybridního pohonu přiřazeny stejné váhy vlivu na spolehlivostní charakteristiky bezpilotního prostředku.

Závěr Na tomto malém příkladu je patrno, že použití umělé neuronové sítě pro řízení degradace funkcí je velmi vhodné. Při použití klasického postupu by bylo třeba pracovat s množinou 1 024 možných poruchových stavů hybridního pohonu. Pro vytvoření degradačního systému pomocí UNS postačila množina o 24 vzorech. Program STATISTICA© Neural Network disponuje nástavbou pro převod výsledné neuronové sítě do kódu v jazyce C. Ten pak můžeme snadno implementovat jako jeden z procesů do řídicího počítače bezpilotního prostředku, jenž se bude starat i chod hybridního pohonu.

Literatura [1] KŘIVÁNEK, V.: Průběžná diagnostika hybridního pohonu mobilního prostředku. Závěrečná zpráva o řešení projektu VGA. Univerzita obrany. Brno 2004. [2] NOVÁK, M. a kol.: Umělé neuronové sítě: teorie a~aplikace. C. H. Beck, Praha 1998. ISBN 80-7179-132-6. [3] STATSOFT: STATISTICA Neuronové sítě. [On-line] http://statsoft.cz.

PREDIKTIVNÍ ANALÝZA SPOLEHLIVOSTI HYBRIDNÍHO POHONU Václav Křivánek Univerzita obrany, Katedra elektrotechniky a elektroniky Kounicova 65, 612 00 Brno E-mail: [email protected]

Abstrakt Předkládaný článek se zabývá prediktivní analýzou spolehlivosti konstruovaného hybridního pohonu pro létající bezpilotní prostředek. V příspěvku je popsána analýza navrženého řešení, vytvoření vhodného modelu a kvantifikace základních číselných charakteristik spolehlivosti. Cílem je nalezení slabých míst pohonu a přijmout opatření vedoucí ke zvýšení celkové spolehlivosti.

Úvod V loňském roce na konferenci TD 2004 – Diagon byla v článku „Automatizovaný systém sběru dat u bezpilotního prostředku“ [1] představena koncepce elektronického vybavení malého létajícího bezpilotního prostředku (angl. UAV – Unmanned Aerial Vehicle), který je konstruován na půdě Univerzity obrany v Brně. Především z technicko-taktických důvodů bylo třeba nahradit stávající spalovací motor a baterie vhodnějším zdrojem kinetické a elektrické energie. Řešitelé se rozhodli použít řešení známé především z automobilní a železniční techniky – sériový hybridní pohon (SHP) [2]. Jeho výhodou je možnost nastavit pracovní bod spalovacího motoru tak, aby jeho účinnost byla při daném výkonu maximální. Dále se využívá vysoké účinnosti elektromotorů určených k pohonu mobilního prostředku. Sériový hybridní pohon tvoří spalovací motor pohánějící generátor. Generovaná elektrická energie je použita pro dobíjení baterií, napájení avioniky a pohonných elektromotorů s vrtulemi. Od prvopočátku bylo jasné, že celý hybridní pohon bude nutné navrhovat s ohledem na bezpečnost, zvýšenou spolehlivost a diagnostiku. Zpětné doplňování těchto vlastností do funkčního zařízení přináší vždy množství komplikací a mnohdy se ani nelze dobrat uspokojivých výsledků. V tomto článku budou posuzovány vlastnosti základního zapojení SHP a redundantního SHP pomocí prediktivní analýzy spolehlivosti. Cílem je kvantifikovat přírůstek spolehlivosti použitím částečného zálohování některých prvků hybridního pohonu.

Identifikace systému Před započetím predikční analýzy je nezbytné detailně popsat celý systém. Lze zvolit z celé řady forem popisu např. grafický, slovní aj. Základní zapojení SHP je jasné a slovní popis je dostatečně výstižný. Sériový hybridní pohon tvoří spalovací motor A1 pohánějící alternátor A2. Generované napětí je transformováno usměrňovačem A3 a stabilizováno A4. Vyráběné napětí slouží pro napájení elektronického vybavení bezpilotního prostředku A10. Nezbytná úprava napětí na jmenovitou hodnotu je řešena stabilizátorem A9. Samotný let UAV

zajišťuje dvojice letových motorů tvořených regulátorem DC/AC A6, elektromotorem A7 a vrtulí A8. Aby bylo možné provést kvantitativní analýzu spolehlivosti, je nezbytné nejdříve stanovit spolehlivostní charakteristiky jednotlivých prvků tvořících SHP. Tento krok je zjevně nejdůležitější a autor mu věnoval náležitou pozornost. Velmi vysokou vypovídající hodnotu má intenzita poruchy λ, proto bylo úsilí soustředěno právě na tento parametr. K práci byly použity materiály výrobců, byly-li k dispozici, nezbytné byly taktéž konzultace s odborníky. Většinou však autor pracoval s americkou armádní normou Military Handbook MIL-217 Reliability Prediction of Electronic Equipment. Do empirických výpočetních vztahů jsou dosazovány hodnoty reprezentující použití daného prvku v různých provozních podmínkách. Nejčastěji se opakujícím parametrem v těchto vztazích je Temperature Factor – πT a Environment Factor – πE. Pro celý SHP byla stanovena maximální provozní teplota 50°C, neboť lze očekávat velmi dobré chlazení výkonových prvků proudem obtékajícího vzduchu za letu UAV. Environment Factor byl použit pro kategorii AIC, tedy pro prostředí v letounu s minimálním výskytem extrémních tlaků, teplot a minimální hodnotou vibrací. Neuvažuje se totiž s provozováním SHP ve vyšších výškách než 1500 m nad povrchem země a po většinu doby se bude jednat o přímočarý let. Jisté úskalí skýtalo stanovení střední doby do poruchy avioniky UAV. Tento prvek je neustále vyvíjen a jeho přesné složení není zatím stanoveno. Avionika zajišťuje řízení UAV ve fázi autonomního letu. Do budoucna se počítá s jistou modulárností a výměnami elektronického vybavení v závislosti na poslání letové mise. Avionika je tvořena především řadou senzorů různých elektrických a neelektrických veličin. Funkčně se význam některých čidel překrývá a ne všechny jsou k vlastnímu letu nezbytné. Jednou z možností určení střední doby do poruchy avioniky UAV je nalézt minimální systém, kdy bude ještě možné autonomně řídit let UAV. Je několik možných kombinací minimálního systému. Autor si vybral variantu s nejmenším počtem funkčních bloků. Minimální systém funkčně tvoří: inerciální navigační soustava, přijímač GPS, autopilot a řídicí systém. Z pohledu realizace je tento minimální systém tvořen elektronickým gyroskopem, signálovým procesorem, přijímačem GPS, průmyslovým počítačem PC/104. Stanovení výsledné intenzity poruchy avioniky UAV je pak sumou dílčích intenzit poruchy, které lze nalézt buď ve výrobní dokumentaci či empiricky stanovit podle [5]. Tab. 1. Popis a vlastnosti prvků sériového hybridního pohonu Ozn.

Název

Popis funkce

λstř [h-1]

A1

Spalovací motor

Zdroj kinetické energie

8,3 · 10-4

A2

Alternátor

Převod kinetické energie na elektrickou

2,2 · 10-7

A3

Usměrňovač

Usměrnění třífázového napětí

3,6 · 10-7

A4

Stabilizátor DC/DC Stabilizace parametrů stejnosměrného napětí

4,2 · 10-5

A5

Baterie

Záložní zdroj elektrické energie

6,6 · 10-4

A6

Regulátor DC/AC

Tvorba řídicích proudů pro elektromotory

3,6 · 10-5

A7

Elektromotor

Převod elektrické energie na kinetickou

1,7 · 10-6

A8

Vrtule

Výkonný prvek; let UAV prostorem

1,0 · 10-4

A9

Stabilizátor DC/DC Stabilizace parametrů stejnosměrného napětí

4,2 · 10-5

A10

Avionika

3,0 · 10-5

Elektronické vybavení UAV

V tab. 1. jsou popsány a kvantifikovány jednotlivé prvky SHP. Jsou-li stanoveny všechny dílčí spolehlivosti prvků sériového hybridního pohonu, lze přistoupit k dalším krokům kvantitativní analýzy.

Konstrukce spolehlivostního modelu Vytvoření modelu je vždy spojeno se zjednodušením modelované reality, protože abstrahuje od vlastností objektu, které nejsou pro sledovaný účel podstatné. Ve spolehlivostních modelech proto zpravidla rozlišujeme pouze stavy systému důležité z hlediska jeho spolehlivosti (provozuschopný nebo porouchaný). Zjednodušující podmínkou v našem případě bude předpoklad vzájemné nezávislosti poruch. V takovém případě jsou doby do poruchy u jednotlivých prvků nezávislé náhodné veličiny. Spolehlivostní modely systémů s nezávislými prvky jsou relativně jednoduché, a proto v případě, kdy máme možnost volby, jim dáme přednost před jinými typy modelů. Po matematické stránce jsou tyto modely založeny na vztazích pro násobení pravděpodobností nezávislých náhodných jevů (tj. pravděpodobnosti bezporuchového provozu R(t) a pravděpodobnosti poruchy Q(t) jednotlivých prvků) a pro sčítání pravděpodobností vzájemně se vylučujících jevů (tj. možných stavů systému) [3]. Sériový model používáme v případě, kdy porucha kteréhokoliv prvku způsobí poruchu celku a časové intervaly do poruchy jednotlivých prvků jsou navzájem nezávislé náhodné veličiny. Jestliže známe pravděpodobnosti bezporuchového provozu Ri(t) pro každý prvek Ai, je výsledná pravděpodobnost bezporuchového provozu R(t) dána jejich součinem. Paralelní model používáme tehdy, dochází-li k poruše systému pouze při poruše všech jeho prvků. Jestliže známe pravděpodobnost poruchy Qi(t) pro každý prvek Ai a jsou-li poruchy prvků nezávislé, můžeme výslednou pravděpodobnost poruchy Q(t) vyjádřit jako součin dílčích pravděpodobností poruchy Qi(t).

Spolehlivost základního zapojení sériového hybridního pohonu Jak již vyplývá z verbálního popisu SHP, pro správnou funkci UAV je nezbytné korektní fungování všech jednotlivých prvků. Pro další analýzu použijeme tedy sériový poruchový model obr. 1. popisující tuto závislost.

Spalovací motor A1

Alternátor A2

Avionika A10

Usměrňovač A3

Stabiliz. DC / DC A4

Baterie

Stabiliz. DC / DC A9

Vrtule A8

A5

Regulátor DC /AC A6

Elektromotor A7

Elektromotor A7

Regulátor DC /AC A6

Vrtule A8

Obr. 1. Poruchový model základního zapojení sériového hybridního pohonu Výsledná intenzita poruchy sériového hybridního pohonu je dána sumou všech prvků.

λS = λ1 + λ2 + λ3 + λ4 + λ5 + 2 ⋅ (λ6 + λ7 + λ8 ) + λ9 + λ10 = 1,88 ⋅ 10-3 h −1

(1)

Pravděpodobnost bezporuchového provozu R(t) při použití exponenciálního zákona rozložení RS (t ) = e − λS ⋅t = e (-1,88⋅10

-3

⋅t)

(2)

Střední doba bezporuchového provozu SHP je pak ∞

∞

0

0

TS = ∫ RS (t ) = ∫ e (-1,88⋅10

-3

⋅t)

= 531,9 h

(3)

Aby bylo možné určit nejslabší prvky řešení sériového hybridního pohonu, je třeba provést další výpočty a analýzy. Autor se pokusil uplatnit níže popsaný algoritmus citlivostní analýzy. Postupně byla každá intenzita poruchy snížena a posléze zvýšena o jeden a o dva řády. Opět byla přepočítána střední doba do poruchy a výsledek byl porovnáván s původní hodnotou. Jako nejslabší místo koncepce s nejvyšším (nejnižším) procentuálním přírůstkem k TS se ukázal spalovací motor, baterie a vrtule bezpilotního prostředku.

Spolehlivost redundantního sériového hybridního pohonu Nejen z důvodů zvyšování inherentní spolehlivosti hybridního pohonu bylo přikročeno k jeho částečnému zálohování. Dalšími důvody bylo zlepšení chlazení některých prvků, vhodnější rozložení hmoty součástek SHP do draku bezpilotního prostředku, snížení hmotnosti prvků při současném zachování jejich jmenovitého výkonu. Ke zdvojení došlo v případě alternátoru A2 a usměrňovače A3 především z důvodů jejich lepšího chlazení. Baterie byly rozděleny na dvě nezávislé jednotky kvůli lepšímu umístění vzhledem k těžišti UAV. Taktéž byla zvýšena jejich kapacita, aby byla prodloužena fáze „tichého letu“. Počet letových motorů z původních dvou byl zvýšen na čtyři, což se odráží jednak ve zvýšení spolehlivosti jejich funkce a v možnosti lepšího řízení UAV. Je možné měnit směr letu nejenom směrovými plochami, ale též změnou velikosti tahu letových motorů. Použití druhého spalovacího motoru na palubě malého bezpilotního prostředku není možné z mnoha příčin. Především je to jeho velká hmotnost, mechanické problémy při zdvojování aj. Na obr. 2. je znázorněno zálohování vybraných prvků v poruchovém modelu sériového hybridního pohonu.

Alternátor A2

Usměrňovač A3

Baterie A5

Spalovací motor A1

Stabiliz. DC / DC A4 Alternátor A2

Vrtule A8

Elektromotor A7

Usměrňovač A3

Regulátor DC /AC A6

Stabiliz. DC / DC A9 Baterie A5

Vrtule A8

Elektromotor A7

Regulátor DC /AC A6 Avionika A10

Vrtule A8

Elektromotor A7

Regulátor DC /AC A6

Vrtule A8

Elektromotor A7

Regulátor DC /AC A6

Obr. 2. Poruchový model redundantního zapojení sériového hybridního pohonu Určení celkové pravděpodobnosti bezporuchového provozu Rz není tak snadné jako v případě nezálohovaného hybridního pohonu. Redundantní SHP je třeba řešit jako sérioparalelní obvod.

[

] [

][

]

RZ = R1 1 − (1 − R2 R3 ) 2 R4 1 − (1 − R5 ) 2 ⋅ 1 − (1 − R62 R72 R82 ) 2 ⋅ R9 R10

(4)

− λ ⋅t Do vztahu (4) dosadíme časové závislosti Ri (t ) = e i popisující exponenciální zákon rozložení. Výslednou střední dobu bezporuchového provozu získáme ∞

TZ = ∫ RZ (t )dt = 767,6 h 0

(5)

Již z pouhého srovnání Ts a Tz je vidět, že došlo k nárůstu inherentní spolehlivosti hybridního pohonu o více než 44 %. Při provedení stejné citlivostní analýzy jako v případě základního zapojení SHP se ukazuje, že byla potlačena významnost spolehlivosti baterií a vrtulí. Na druhou stranu ještě více vzrostl význam spolehlivosti spalovacího motoru na střední dobu bezporuchového provozu TZ SHP a celý pohon se stal citlivější na kvalitu stabilizátorů DC/DC A4 a A9. Intenzitu poruchy stabilizátoru DC/DC nejvíce ovlivňují vlastnosti použitých kondenzátorů, které jsou k obvodu vlastního stabilizátoru externě připojovány. Autor se tedy logicky zabýval myšlenkou, co se stane s celkovou spolehlivostí, použijí-li se kondenzátory s o řád lepší intenzitou poruchy λ než byly původně uvažovány. Celková doba bezporuchového provozu se zvýší na 809,2 h, což je nárůst o 5,4 % oproti redundantnímu SHP TZ a dokonce o 52,1 % oproti původnímu nezálohovanému TS.

Závěr Prediktivní analýza spolehlivosti konstruovaného hybridního pohonu pro létající bezpilotní prostředek popsaná v tomto článku jasně ukázala v jakých relacích se bude pohybovat jeho střední doba do poruchy. Tento údaj je nezbytný pro praktické nasazení UAV, plánování preventivní údržby, objednávání nových náhradních dílů a další úkony spojené s provozem UAV. Potvrdilo se, že vhodným zdvojením (statickým zálohováním) klíčových prvků, tedy při potřebě minimálních investic, lze značně zvýšit životnost hybridního pohonu. Totéž platí pro použití kvalitnějších kondenzátorů v obvodu stabilizátoru DC/DC. Celková spolehlivost se zvýší o dalších 5,4 % pouhým nasazením vhodnějších kondenzátorů. Na systém SHP mají být implementovány prvky aktivní diagnostiky. Proto je nyní na místě, v době návrhu, přistoupit k otázce zvýšení spolehlivosti nejslabšího prvku, tedy spalovacího motoru. V úvahu přichází celá řada metod aktivní diagnostiky jako např. vibrodiagnostika, tribodiagnostika a další. Podaří-li se snížit intenzitu poruchy spalovacího motoru, dojde ke kýženému nárůstu střední doby do poruchy hybridního pohonu jako celku.

Literatura [1] ČELEDA, P.; KŘIVÁNEK, V.: Automatizovaný systém sběru dat u bezpilotního prostředku. Sborník technická diagnostika – DIAGON 2004, s. 116 – 120. UTB Zlín, 2004. [2] ČEŘOVSKÝ, Z. a kol.: Power Electronics in Automotive Hybrid Drives. Technical report, [online], . [3] JANOUŠEK, I.; KOZÁK, J.; TARABA, O.: Technická diagnostika. SNTL Praha, 1988. [4] Křivánek, V.: Průběžná diagnostika hybridního pohonu mobilního prostředku. Závěrečná zpráva o řešení projektu VGA. Univerzita obrany. Brno 2004. [5] Military Handbook MIL-HDBK-217F Reliability Prediction of Electronic Equipment.

PREDICTION DIAGNOSTICS OF HYBRID PROPULSION PREDIKČNÍ DIAGNOSTIKA HYBRIDNÍHO POHONU 1 Václav 1 Katedra

Křivánek, 2 Dalibor Rozehnal

elektrotechniky a elektroniky, e-mail: [email protected]

2 Katedra

letadel a motorů, e-mail: [email protected]

Univerzita obrany, Kounicova 65, 612 00 Brno Abstract: Technical systems for use in medicine, military, etc., have to fulfil specific requirements as to as reliability of their operation. In the synthesis of reliable systems several different approaches are used, e.g. the application of over–dimensioned system components, the improvement of component and system production technology. The practically example of implementation a prediction diagnostic is proposed in this paper. The paper describes experimental model of hybrid propulsion for unmanned vehicle.

1. Úvod Donedávna obecně platilo, že diagnostika v elektrotechnice spočívá především v měření elektrických veličin a funkční diagnostice. Klasickou funkční diagnostikou se zpravidla testuje, zda je na určitém místě obvodu napětí v definovaném rozmezí, průběh signálu apod. Obecně jsou známy různé typy diagnostických přípravků a systémů – testerů, které po přiložení k jistému místu desky přístroje signalizují dobrý či špatný stav. Základem diagnostiky elektrických zařízení je i nadále měření elektrických veličin a u číslicových systémů ohodnocování stavů logickou úrovní „1“ či „0“. Tento emprirický postup je v praxi osvědčený, ale pro některé typy aplikací nedostačující. Proto se v této oblasti začíná uplatňovat nový přístup – predikční diagnostika. V tomto příspěvku se autoři pokusí objasnit podstatu predikční diagnostiky a postup její implementace. Pro potřeby získávání signifikantních příznaků vznikajících poruch bylo zkonstruováno experimentální zařízení umožňující dlouhodobé sledování technické stavu hybridní pohonné jednotky. Autoři si kladou za cíl ozřejmit na tomto praktickém příkladu prvotní kroky integrace predikční diagnostiky do reálného zařízení. Důraz je především kladen na popis diagnostické analýzy, ale především na samotný monitorovací systém a model hybridního pohonu.

2. Predikční diagnostika Principem predikční diagnostiky je předpovídání tvaru křivky života systému, což vlastně znamená předpovídání místa a času protnutí hranice oblasti přípustnosti RA křivkou života ψ. Predikční diagnostika nachází především uplatnění při konstrukci systémů se zvýšenou spolehlivostí. Vychází z aktivních metod zvyšování provozuschopnosti [3], které v sobě zahrnují mechanismy aktivní reakce na chyby a poruchy uplatněním principů regenerace systému, rekonfigurace systému či degradace některých funkcí systému. Implementace predikční diagnostiky vyžaduje instalaci dodatečných technických prvků a funkcí do systému a také řadu organizačních opatření. Lze ji rozdělit do tří technologických fází: • diagnostická analýza systému, • sběr (uchovávání) dat, • vyhodnocení dat.

Diagnostická analýza systému představuje činnost, jejímž cílem je stanovit soustavu signifikantních charakteristik systému – markerů, popisujících stav systému a umožňujících predikci technického stavu systému. Marker je tedy termín pro označení podmnožiny dostatečně přesných, dostatečně věrohodných a spolehlivých příznaků diagnostického stavového prostoru, které dostatečně spolehlivě popisují stav diagnostikovaného systému. Sběr dat – soustava markerů je výchozím podkladem pro výběr čidel a konstrukční úpravy jednotlivých komponent systému do takové podoby, aby bylo možno s markery pracovat. Hodnoty snímané čidly markerů jsou poté k dispozici monitorovacímu systému. Vyhodnocení dat představuje operace nad časovými řadami markerů, následné zpracování a použití pro obnovení spolehlivé funkce kontrolovaného systému. Predikční diagnostika spočívá v předcházení poruchy systému předpovídáním technického stavu konstrukčních prvků systému. Tato schopnost jednak dovoluje spustit rekonfigurační nebo degradační mechanismy obnovení provozuschopnosti systému s předstihem, tedy před výskytem nebo projevem poruchy a dále umožňuje provádět výměnu komponent systému na základě jejich skutečného technického stavu [3].

3. Diagnostická analýza hybridního pohonu Na půdě Univerzity obrany se zabýváme otázkou aplikace predikční diagnostiky na malý sériový hybridní pohon (SHP) určený pro autonomní prostředek. Sériový hybridní pohon tvoří spalovací motor pohánějící generátor. Generovaná elektrická energie je použita pro dobíjení baterií, napájení elektronického vybavení a pohonných elektromotorů. Rozšířením diagnostické analýzy SHP bylo provedení prediktivní analýzy, jejíž výsledky byly představeny na mezinárodní konferenci TD – DIAGON 2005 [1]. V ní bylo matematicky dokázáno, že zálohování vybraných prvků SHP vede ke zvýšení střední doby do poruchy. Navrhovaná koncepce SHP tak dosahuje nárůstu inherentní spolehlivosti až o 50 % oproti původní neredundantní variantě uspořádání. Prvky, u kterých nelze použít zálohu a současně nejvíce ovlivňují střední dobu do poruchy, jsou spalovací motor a baterie. Limitujícím faktorem použití záloh je zde především nosnost autonomního prostředku. Na tyto prvky je tedy nanejvýše vhodné aplikovat prvky predikční diagnostiky. Kýženým výsledkem diagnostické analýzy je nalezení všech signifikantních příznaků – markerů. Nejdříve je však třeba definovat diagnostický statovový prostor a v něm analyzovat diagnostické příznaky [3]. Diagnostický stavový prostor systému představuje množinu diagnostických parametrů systému. Ty mohou být jak statickými, tak i dynamickými charakteristikami systému, specifikovaných jejich absolutní velikostí a polaritou, případně také velikostí a polaritou rychlosti změny nebo zrychlení změny hodnoty těchto charakteristik systému. Diagnostickou analýzu lze provést dvěma odlišnými přístupy. První metoda, kvalitativní analýza, předpokládá expertní znalost celého diagnostikovaného systému. Jsou známy všechny vazby v systému a s jeho okolím. Množinu markerů je tedy možné stanovit přímo. Naproti tomu kvantitativní analýza tuto apriorní informaci nevyžaduje, ale snaží se ji naopak odhalit. To ovšem klade zvýšené nároky na velikost monitorovacího systému, neboť předem nevíme, které veličiny jsou diagnostickými příznaky a které ne. U komplexních systémů, kam zajisté patří i sériový hybridní pohon [4], často nelze apriori nashromáždit potřebnou bázi informací nutnou k popsání chování systému. Předem není možné postihnout všechny vazby v tomto mechatronickém systému, a proto se autoři rozhodli použít kvantitativní přístup řešení. Ve své další práci se zaměřili na sledování hodnot napětí, protékaných proudů, povrchové teploty a u rotačních částí zahrnuli navíc měření otáček. Chtějí nashromáždit dostatečné množství naměřených dat, aby bylo možné hledat kauzální závislosti mezi stavem provozních veličin a projevujícími se poruchami.

4. Monitorovací systém hybridního pohonu Důležitým krokem diagnostické analýzy je návrh, dislokace a instalace (začlenění) čidel do vhodných míst v systému a v závislosti na tom výběr odpovídajících senzorů. Problematika výběru čidel je často výsledkem řady kompromisů, které ovlivňují výslednou přesnost a efektivnost aplikace predikční diagnostiky. Je možné, že během experimentu se ukáže potřeba měřit některou z dalších provozní veličinu, monitorovací systém by měl mít proto otevřenou architekturu [2]. Jedním z možných přístupů je použití počítačové měřicí karty v kombinaci se softwarem LabView © namísto proprietárního řešení. Vytvoření monitorovacího systému bude pak jednoduché, rychlé a snadno modifikovatelné. Naměřená data budou moci snadno zpracovávat i další programy. Autoři se rozhodli pro automatizované měření za pomocí měřicí karty DAQCardT M – 6062E společnosti National Instruments. Tato karta nám umožňuje měřit až 16 analogových napětí v rozsahu ±10 V, generovat dva výstupní signály a adresovat nezávisle 12 bitů. Měření protékajících proudů je realizováno bočníky. Provozní teploty součástí dobře chlazeného hybridního pohonu by neměly překročit 150◦ C. Tyto hodnoty jsou v měřicím rozsahu běžných digitálních teploměrů jako např. ADT7301. Hodnota otáček motorů je úměrná opakovací periodě na výstupu řídicích regulátorů, popř. lze měřit pomocí optické závory či jiným obdobným způsobem. Monitorovací systém nemá pouze zajišťovat sběr a ukládání dat, očekává se od něj i aktivní zásah do řízení SHP. Pro tyto účely bylo navrženo rozhraní, které je ovládáno z osobního počítače přes sběrnici RS232. Tento modul provádí: • • • •

sběr dat až z šestnácti teplotních čidel ADT7301 přes rozhraní SPI, řízení až šesti řídicích regulátorů elektromotorů pomocí PWM, měření otáček až ze tří regulátorů elektromotorů, havarijní zastavení modelu hybridního pohonu.

5. Model hybridního pohonu a sběr dat Pro potřeby ověření správnosti návrhu SHP a především pro získání množiny diagnostických příznaků byl zkonstruován funkční model SHP. Blokové uspořádání tohoto modelu je na obr. 1. Spalovací motor byl v prvním přiblížení nahrazen výkonným proudovým zdrojem a elektromotorem. K tomuto zjednodušení se řešitelé odhodlali především kvůli zjednodušení obsluhy modelu a odstranění komplikací spojených s provozováním spalovacího motoru v laboratorních podmínkách. Do budoucna se počítá s kompletní realizací celého SHP pro potřeby predikční diagnostiky. Elektromotor (hnací jednotka) nahrazuje spalovací motor. Přeměnu kinetické energie na elektrickou zajišťuje pár alternárorů. Jako zátěž slouží proudově nezávislá zátěž a elektromotor (trakční motor) opatřený vrtulí. Ta jednak zatěžuje elektromotor, ale především slouží k ochlazování celého modelu proudem vzduchu. Nezbytnou součástí modelu je svazek šesti sériově řazených lithium–polymerových baterií udržujících hodnotu palubního napětí okolo 24 V. Aby nedošlo k přebíjení baterií, je každý jednotlivý článek opatřen obvodem pro jeho odpojení. Jednotlivé díly funkčního modelu jsou pevně fixovány k pracovní desce a rozmístěny tak, aby umožňovaly dobrý přístup. Cílem experimentu s modelem SHP je nashromáždit dostatek diagnostických příznaků v podmínkách co možná nejvíce se blížících reálnému provozu mobilního prostředku. Proto není prováděno pouze pasivní monitorování stavu systému, ale taktéž aktivní zásah řídicího počítače. V současné době je připravovám monitorovací a řídicí software v programu LabView© . Pomocí něj budou zaznamenávány jednotlivé provozní cykly pohonu ve všech režimech reálně připadající do úvahy. Pozornosti by neměl uniknout především režim, kdy je odpojen spalovací motor a celý

AC / DC

Odpojovač

Usměrňovač

baterií

zdroj

Elektromotor - hnací jednotka

AC / DC Alternátor

PWM

Usměrňovač

Proudově nezávislá zátěž

DC / AC 3 fázový regulátor

Elektromotor - trakční motor

PWM

Proudový

Baterie

PWM

Alternátor

Obr. 1: Blokové schéma modelu hybridního pohonu pro účely predikční diagnostiky

bezpilotní prostředek je poháněn pouze z baterií. Lze očekávat, že v tomto režimu se nejdříve objeví změny provozní spolehlivosti použitých bateriích. Řídicí počítač bude přes rozhraní RS232 uvádět model hybridního pohonu do různých režimů odpovídající skutečným provozním podmínkám. Měřicí software průběžně zaznamenává hodnoty provozních veličin. Celý tento proces se cyklicky opakuje. Cílem je detailně poznat a popsat chování použitých baterií v různých režimech provozování popř. odhalit výskyt jiných poruch.

6. Závěr Návrh a proces sběru diagnostických dat představuje zjevně nejsložitější a časově nejnáročnější část implementace predikční diagnostiky. Po nashromáždění dostatečného množství dat, lze přistoupit k jejich analýze a nalezení vhodných markerů. Pro zpracování naměřených dat se jeví jako velmi perspektivní program Statistica© disponující rozšířenými statistickými funkcemi, jakož i možností pracovat s časovými řadami. Od těchto analýz lze pak snadno přejít k vytváření prediktorů bez nutnosti další konverze vstupních dat, neboť Statistica© tyto moduly taktéž obsahuje. Od fungujícího prediktoru je již krůček k její integraci do monitorovacího a řídicího modulu hybridního pohonu. Problémy a překážky v oblasti teorie predikční diagnostiky spočívají v nelineárním charakteru posuzování dějů a v problému jak najít, kde hledat a jak definovat markery konkrétních technických systémů. Teoretické komplikace spojené s hledáním těchto příznaků jsou často vyváženy přínosem ve vypovídací schopnosti prognózy vývoje sledovaného parametru.

Literatura [1] Křivánek, V. Prediktivní analýza spolehlivosti hybridního pohonu. Sborník technická diagnostika – DIAGON 2005, s. 36 – 40. UTB Zlín, 2005. ISBN 80–7318–293–9. [2] Křivánek, V. Průbežná diagnostika hybridního pohonu mobilního prostředku. Závěrečná zpráva o řešení projektu VGA, Univerzita obrany, 2004. [3] Přenosil, V. Predikční diagnostika. Disertační práce, Vojenská akademie v Brně, 1998. [4] Westbrook, M. The Electric And Hybrid Electric Car. The Institution of Electrical Engineers, London, United Kingdom 2001. ISBN 0–7680–0897–2.

52

H

H

PŘíSPĚVEK NA KONGERENCI TD 2004 – DIAGON 2004

Příspěvek na kongerenci TD 2004 – DIAGON 2004

Automatizovaný systém sběru dat u bezpilotního prostředku Pavel Čeleda, Václav Křivánek Vojenská akademie v Brně, Katedra automatizovaných systémů velení a informatiky, Kounicova 65, 612 00 Brno E-mail: [email protected], [email protected] Abstrakt Návrh sběrnicové topologie u bezpilotního prostředku (systém se zvýšenou spolehlivostí). Distribuce výpočetního výkonu při řízení v reálném čase. Volba senzorického podsystému s vhodnou součástkovou základnou a vazbou na hlavní řídicí systém. Měření a sběr elektrických a neelektrických veličin pomocí inteligentních senzorů. Záznam a komprimace letových dat na paměťové médium. Využití naměřených veličin k vytvoření matematického modelu bezpilotního prostředku, autopilotu, modelu diagnostiky aj.

Úvod Rozvoj technologií v oblasti aerodynamiky, mikroelektroniky, optiky a navigace na konci 20. století umožnil realizaci bezpilotních prostředků (angl. UAV - Unmanned Aerial Vehicle). Jedná se o obor, kde došlo v posledních dvaceti letech k bouřlivému rozvoji, jenž není ještě zdaleka u svého konce. Bezpilotní prostředek obecně představuje pohybující se objekt bez lidské posádky. Své uplatnění většinou nalézá v oblastech, kde je nevhodné a riskantní vystavovat pilotované prostředky a jejich posádky nebezpečí, pro velmi vysokou pravděpodobnost ztrát na lidských životech. Malé rozměry umožňují nepozorovaně proniknout do střežených a rizikových oblastí a tam plnit stanovené úkoly. Pro nižší výrobní a provozní náklady a absenci lidského organismu nachází stále větší uplatnění jak v armádním tak i v civilním sektoru.

oniky) pro UAV. Jedná se o systém se zvýšenou spolehlivostí, neboť selhání řídicího systému může ve valné většině případů vést k destrukci celého bezpilotního prostředku. Od prvopočátku bylo jasné, že celý UAV bude nutné navrhovat s ohledem na bezpečnost, zvýšenou spolehlivost a diagnostiku. Zpětné doplňování těchto vlastností do funkčního zařízení přináší vždy množství komplikací a mnohdy se ani nelze dobrat uspokojivých výsledků.

Volba koncepce

Výchozím bodem při návrhu architektury libovolného systému je analýza požadavků, které je nutné splnit, aby bylo možné nalézt optimální řešení zkoumaného problému. Zde můžeme uplatnit jednu ze dvou základních metod přístupu. První metoda předpokládá expertní znalost navrhovaného systému umožňující vytvoření finální koncepce již v samotném prvopočátku návrhu. Předkládaný příspěvek popisuje ná- Druhá metoda je založena na postupné reavrh koncepce elektronického vybavení (avi- lizaci klíčových prvků a vytvoření znalostní

H

PŘíSPĚVEK NA KONGERENCI TD 2004 – DIAGON 2004

53

báze umožňující nalezení cílového řešení. V obou případech jsou kladeny vysoké nároky na teoretické a praktické znalosti zkoumané problematiky nutné k navržení celkové koncepce řešení. Nedílnou součást též tvoří zvládnutí fyzické realizace s dostupnou součástkovou základnou a programovým vybavením. U komplexních systémů, kam zajisté spadá i konstrukce UAV, často nelze apriori shromáždit potřebnou bázi informací nutnou k popsání chování systému (např. fyzická konstrukce draku, vlastnosti pohonů, aerodynamické vlastnosti, užitečná zátěž, příkon avioniky atd.), což bylo důvodem použití druhé metody. Start i přistání UAV je prováděno operátorem z pozemního stanoviště pomocí bez-

drátového řízení. Vlastní let a plnění úkolu mise musí být zcela autonomní s minimální komunikací s pozemním personálem. Základní seznam požadavků kladených na řídicí systém UAV: • distribuované řízení v reálném čase, • řídicí sběrnice se systémem priorit a garancí doručení zpráv, • vytvoření modulární struktury s pevně definovaným rozhraním, • zálohování (redundance) klíčových prvků, • limitovaná hmotnost a proudová spotřeba elektronického vybavení, • ekonomicky přijatelná cena a dostupnost použité součástkové základny na trhu.

Celý bezpilotní prostředek je členěn do následujících podsystémů:

• aplikační SW & HW – rozšiřující zařízení (kontejner) realizuje vlastní úkol mise UAV.

• senzorický – zajišťuje monitorování stavu vlastního systému, obsahuje čidla pro podporu své činnosti,

Distribuované řízení v reálném čase

• motorický – zahrnuje všechny části, Základním univerzálním softwarovým které se podílejí na pohonu bezpilotnástrojem, který využíváme při realizaci říního prostředku, dicích úloh je operační systém (OS). Jeho • autopilot – obsahuje prvky pro stabilivlastnosti a chování fundamentálně ovlivzaci pohybu UAV, ňují praktické možnosti výsledného řízení • diagnostický – monitoruje stav UAV, a do značné míry ovlivňují architekturu řídihodnoty význačných provozních signálů cích aplikací. Řízení UAV vyžaduje naprosto porovnává s referenčními hodnotami přesně determinovatelné chování operačního a o výsledku zpravuje řídicí podsystém systému se zaručenými odezvami, které klaUAV, dou vysoké nároky v oblasti rychlosti reakce • palubní síť – její součástí jsou všechny na vnější podněty. Použitý operační systém musí patřit do prvky zapojené do procesu úpravy kategorie hard-realtime OS, neboť pozdní a distribuce napájecích napětí, • řídicí – uchovává v sobě úkol mise odezva systému by mohla vést k destrukci UAV. Výběr OS je spjat s volbou vhodné a podle něj řídí chování UAV, hardwarové platformy schopné garantovat • komunikační – umožňuje obousměrnou potřebný výpočetní výkon. V řešeném prokomunikaci s pozemním stanovištěm, jektu jsme se rozhodli využít operační sys• záznamník letových dat – zaznamenává tém RTLinux (Real Time Linux) na harddata o průběhu letu letounu, warové platformě PC/AT kompatibilní. Jed-

H

PŘíSPĚVEK NA KONGERENCI TD 2004 – DIAGON 2004

Motorický podsystém

Inerciální navigační soustava

Pohonové elektromotory

Kompas

Řízení servopohonů

GPS

Diagnostický podsystém

Výškoměr

Sběrnice řízení, CAN BU S

Senzorický podsystém

Řídicí podsystém

Autopilot

Komunikační podsystém

Palubní síť

Řízení sběrnice CAN

Záznamník letových dat

Aplikační SW & HW

Aplikační sběrnice

54

Obr. 8: Bloková struktura UAV

ním z hlavních důvodů byla cenová dostupKoncepce řešení postavená na hardwanost tohoto řešení v porovnání s komerčními rové platformě PC/104 má mimo již zmídistribucemi OS pracujících v reálném čase. něné výhody i jednu zásadní nevýhodu. Obecně procesorový modul PC/104 (proCentrální řídicí jednotka je založena na cesor + základní periferie PC) nedisponuje architektuře PC/104 a je kompatibilní s vět- žádnými volnými digitálními a analogovými šinou běžně dostupného programového vy- vstupy/výstupy. Jakékoliv měření analogobavení. Výhodou je zejména možnost vyu- vých veličin vyžaduje použití další rozšiřužít předchozích znalostí z oblasti softwaru jící měřicí karty. V případě UAV se jedná a hardwaru PC a výrazně tak snížit čas a ná- o distribuované měření, kdy se měřené veklady potřebné pro vývoj. Navíc je systém ličiny nacházejí v různých částech letounu mechanicky konfigurovatelný a rozšiřitelný a centralizace měření je obtížná. Naše varistandardními moduly typu PC/104.

H

PŘíSPĚVEK NA KONGERENCI TD 2004 – DIAGON 2004

55

anta počítá se zálohovanou centrální řídicí měření je pak prováděno pomocí inteligentjednotkou, do které jsou zasílány předzpra- ních senzorů připojených na sběrnici CAN. cované informace po sběrnici CAN. Samotné

Řídicí sběrnice pro UAV Výběr optimální řídicí datové sběrnice zahrnoval analýzu v současné době používaných sběrnic pro víceprocesorové systémy. Každá z dostupných technologií má své klady a zápory, a proto může být vhodná pro jiný typ úlohy. Na základě požadovaných kritérií bylo nutné uvážit a stanovit základní množinu parametrů, kterých by měla výsledná sběrnice dosahovat. Studiem technické dokumentace jednotlivých sběrnic byla na závěr vybrána jako optimální sběrnice CAN (Controller Area Network). Vlastnosti sběrnice CAN: • sdílená sběrnice s prioritním rozhodováním o přístupu k médiu, • zaručená doba odezvy, • libovolný uzel může vyslat zprávu, • přenosová rychlost do 1 Mb/s, • detekce chyb a automatické opakování chybných zpráv, • automatické odpojení poškozených jednotek. Spolehlivost systému byla podtržena fyzickým zdvojením řídicí sběrnice CAN (hlavní a záložní). Následně došlo k vytvoření topologie a přiřazení priorit mezi jednotlivými uzly bezpilotního prostředku. Navíc bezpilotní prostředek disponuje aplikační sběrnicí určenou pro uživatelské aplikace spojené s úkoly plněných misí. Tato sběrnice se vyznačuje vysokou přenosovou rychlostí s možností připojení více uzlů a podle typu aplikační úlohy se může měnit (např. Ethernet, SPI, SMB atd.). Funkčnost zvoleného řešení byla ověřena programovou simulací komunikace jednotlivých uzlů uvnitř bezpilotního prostředku. K simulaci slouží vývojové prostředí CANalyzer. Výstupem programu je simulace letu bezpilotního prostředku

s možností interaktivních změn přenášených parametrů. Prostředí CANanalyzer umožňuje kombinovat reálné prvky na sběrnici CAN s virtuálními (simulovanými) uvnitř PC. Lze snadno provádět verifikaci funkce sběrnice, uměle vnášet poruchy do systému a zkoumat odezvu na ně.

Modulární struktura s pevně definovaným rozhraním Základem celého systému UAV je centrální řídicí jednotka založena na architektuře PC/104 ke které se přes rozšiřující kartu s CAN rozhraním připojují ostatní inteligentní senzory a podpůrné obvody. Jádro inteligentních senzorů tvoří výkonný 16-bitový jednočipový mikropočítač (JM). Výběr správného JM je jedním z kritických rozhodnutí, která často ovlivňují úspěch či selhání celého projektu. Hlavním naším cílem při návrhu inteligentních senzorů byla volba moderního JM schopného splnit požadavky kladené současným trendem v oblasti vývoje zabudovaných (angl. embedded) zařízení. Stále více inteligentních periferií je integrováno přímo na čipu. Tato skutečnost se positivně projevuje do nárůstu spolehlivosti (testování již během výroby, snížení počtu externích periferií) a komfortu při ovládání (dedikované instrukce procesoru). Vyloučení externích prvků sebou přináší i snížení požadavků na velikost desky plošných spojů a příkon celého zařízení. Poměr pamětí RAM ku FLASH se v minulosti pohyboval 1:32, dnešní trend však směřuje k 1:16 (1:8). Více paměti RAM umožňuje použít při vývoji software perspektivnějších vyšších programovacích jazyků. Pro aplikace, kde se předpokládá změna kódu programu, jsou vhodné JM

56

H

PŘíSPĚVEK NA KONGERENCI TD 2004 – DIAGON 2004

s pamětí programu typu FLASH a rozhraním ISP popř. JTAG. V komplexnějších projektech je těžiště při samotné realizaci v oblasti návrhu a testování firmwaru. Vhodná volba vývojových a podpůrných nástrojů šetří množství zbytečných komplikací nyní i v budoucnu. Není důvod se obávat nasazení vyšších programovacích jazyků. Sestavený kód programu v kvalitním překladači jazyka C pro JM je dnes plně srovnatelný s programem napsaným v jazyce symbolických adres. Jedním z klíčových prvků při výběru JM bylo mimo dostatečného výpočetního výkonu (požadavky na výpočty v plovoucí řádové čárce) i fyzická integrace dvou řadičů CAN přímo na čipu. Naše volba padla na JM Hitachi H8S/2638, který splňuje výše uvedené požadavky. Úlohy, u kterých hraje důležitou roli časování (např. buzení servo motorů, přepínání řízení UAV), byly navrženy pomocí programovatelných logických obvodů FPGA (Field Programmable Gate Arrays).

On-line záznam a komprimace dat Záznamové zařízení musí být schopno ukládat velké objemy dat ve standardním formátu tak, aby bylo možné tato data po ukončení letu jednoduše postoupit k dalšímu zpracování. Množství dat v nekomprimovaném stavu se předpokládá v řádech desítek až stovek megabajtů. Objem ukládaných dat se redukuje použitím bezztrátové kom-

Závěr U systémů se zvýšenou spolehlivostí je nutné brát od prvopočátku zřetel na zvolení vhodné koncepce řešení. Dlouhá životnost těchto systémů klade nároky na otevřenost a modulárnost. Celý systém lze přirovnat k živému organismu, který se během doby přetváří a je schopen se adaptovat novým poznatkům a technologiím. Pří-

primace. Existuje několik typů médií, která jsou schopná pojmout získaná data. Pro naše účely jsme zvolili záznamovou kartu typu COMPACT FLASH sloužící zároveň jako paměť systému souborů pro řídicí jednotku. Tato koncepce garantuje možnost ukládání dat do několika souborů současně a po skončení letu vysokorychlostní přenos dat do PC. Zvolené řešení ušetřilo řadu problému v porovnání s vývojem proprietárního záznamového zařízení. V současné době je hlavním cílem nashromáždit co nejvíce dat naměřených během pilotovaného letu. Takto získané informace budou použity pro vytvoření matematického modelu chování UAV, která poslouží k návrhu autopilotu. Tato data nacházejí uplatnění i v dalších úkolech řešených v rámci projektu jako je např. vizualizace letu, provozní diagnostika, ověření funkce jednotlivých přístrojů.

Fyzická realizace první generace UAV Drak malého bezpilotního prostředku je koncipovaný jako model letadla v hornoplošním uspořádání o hmotnosti 12 kg, délce 2,18 m a rozpětí 2,8 m. Hornoplošní uspořádání bylo zvoleno z důvodu autostabilizace letounu. Pohon zabezpečuje benzínový spalovací motor a napájení elektrických systémů akumulátory. Užitečná zátěž je přibližně 2 – 3 kg. V současné době je dokončována druhá generace draku letounu v provedení delta.

spěvek popisuje koncepci a problémy spojené s návrhem avioniky bezpilotního prostředku. Návrh a konstrukce UAV je mezioborovou záležitostí, kde nachází své uplatnění celá řada odborníků. V rámci vývoje avioniky byly ukončeny dílčí úkoly a dochází k postupné agregaci jednotlivých bloků a zabudování do draku UAV. Funkčnost jednotlivých prvků je zpočátku ověřována v labo-

H

PŘíSPĚVEK NA KONGERENCI TD 2004 – DIAGON 2004

57

Obr. 9: Fotografie draku bezpilotního prostředku

ratorních podmínkách na modelu rádiem ří- mají v praxi ověřit vhodnost zvolené konzeného automobilu. Na léto 2004 jsou pláno- cepce. vány první pilotované lety s avionikou, které

Literatura [I.] Bureš, Z.; Čeleda, P.; Hrdlička, I.; Mořkovský, T.; Křivánek, V.: Diagnostická ústředna – automatizovaný systém sběru dat u bezpilotního prostředku. Výroční zpráva o řešení projektu VGA. Vojenská akademie v Brně 2003. [II.] Kopetz, H.: Design Principles for Distributed Embedded Applications. Kluwer Academic Publishers 2004. ISBN 0–7923–9894–7.

Václav Křivánek Teze doktorské disertační práce Aktivní diagnostika řídicích systémů Grafická úprava a sazba Václav Křivánek Univerzita obrany, Kounicova 65, 612 00 Brno. www: http://www.unob.cz e-mail: [email protected] Sazba programem LATEX 2ε . Neprošlo jazykovou úpravou. Ve Staré Boleslavi 2007, počet stran 64.