HU-3515 Miskolc-Egyetemváros tel.: +36-(46) mellék: 12-16, 12-18, fax : +36-(46)

Füvesi V., Kovács E.: Összetett mechatronikai rendszer hibadetektálása és hiba identifikácója, XIII. Nemzetközi Energetika - Elektrotechnika Konferencia, ENELKO 2012, Románia, Gyulafehérvár, 2012. október 11–14., ISSN 1842–4546, pp. 61–66.

Összetett mechatronikai rendszer hibadetektálása és hiba identifikációja Complex mechatronic system fault detection and fault identification FÜVESI Viktor1, KOVÁCS Ernő2 tudományos segédmunkatárs, 2PhD, egyetemi docens

4

1

Alkalmazott Földtudományi Kutatóintézet, Műszerfejlesztési és Informatikai Osztály, Miskolci Egyetem HU-3515 Miskolc-Egyetemváros, Pf. 2 tel.: +36-(46)-46/565-255 mellék: 25-12, fax : +36-(46)-363-349 1 [email protected] 2 Elektrotechnikai és Elektronikai Tanszék, Miskolci Egyetem HU-3515 Miskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18, fax : +36-(46)-563-447 2 [email protected]

Abstract In this paper artificial intelligence methods are used for fault detection and fault identification of railway track includes drivechain. Detailed model-based method is able to detect a fault of the system in wide operating conditions. The method is also able to identify the fault of the system. The features of the different network structures are investigated in the capability of error recognition and size of the recognised fault. Összefoglaló A cikkben egy sínrendszeren haladó kocsi és a kocsi hajtásáért felelős hajtáslánc hibáját detektáljuk mesterséges intelligenciás módszerek felhasználásával. A bemutatott modell-alapú módszer képes a rendszer egy lehetséges hibájának tág működési tartományon való kimutatására és hiba identifikációjára is. A kidolgozott hálózatokat értékeljük a hiba felismerő képesség szempontjából és a hibák méretének meghatározása szempontjából. Kulcsszavak: hajtáslánc, hibadetektálás, hiba identifikáció, mesterséges intelligencia

BEVEZETÉS Manapság nagy figyelmet kap a rendszerek hibadiagnosztikája. A gépek üzemeltetése szempontjából fontos azok hibátlan működése. A gépezetek hibáinak mielőbbi felismerése megtakarítást jelenthet az üzemeltetőnek, hozzásegíthet a rövidebb karbantartási időhöz is. A gépezet hibás működése, súlyosabb esetben, komoly környezeti károkat okozhat vagy akár emberi életet is veszélyeztethet. A rendszer hibátlan működésének garantálásához szükséges a folyamat fontosabb paramétereinek monitoringja, így biztosítva a megbízható működést. Ennek okán, a veszélyes folyamatok minél pontosabb kézben tartásához, alakultak ki a monitoring rendszerek alkalmazása. A monitoring rendszerek érzékszerveit adó érzékelők sem tökéletesek, számos meghibásodás felléphet működésük közben. Ennek kivédésére alkalmazható a fizikai redundancia az adott rendszerben. Ez azt jelenti, hogy ugyanazt a paramétert több érzékelő méri és a rendszerben előforduló hiba jelenlétéről vagy az érzékelő meghibásodásáról egy szavazó alrendszer dönt [1]. Ez a technika igen költséges megoldás, hiszen egy paraméter mérésére szolgáló szenzorból több darabra is szükség van, továbbá nőnek a rendszer fenntartási költségei, valamint a rendszer helyigénye is. Sikeresen alkalmazható a módszer járművek ütközésének elkerüléséhez [2], de akár erőművek érzékelőinek meghibásodásinak jelzésére is [3].


Az előbbi módszer költség vonzata arra sarkalta a kutatókat, hogy új eljárások, megoldások felé vegyék az irányt. A megoldás az analitikus redundanciát jelentette. Az analitikus redundancia módszereinek nagy hányadában, a vizsgált rendszer matematikai modelljének segítségével végzik a hiba kimutatását a rendszeren vagy az aktuális szenzoron. Ezeket a módszereket összefoglaló néven modell-alapú eljárásoknak nevezzük. A modell-alapú hibadetektálás és diagnosztika módszere a következőképpen épül fel. A vizsgált rendszerről felépítünk egy modellt, ami lehet bármilyen matematikai modell. A valós rendszerben mért paramétereket bemenetként használjuk a modell számára. A vizsgált rendszer egyik paraméterének mért értéke és a modell kimenetének különbséget képzünk. Ez az un. reziduál, ami jó modell esetén nullához közeli érték, a rendszerben felmerülő hiba esetén viszont megnő, jelezve a hiba jelenlétét. A hibadiagnózis eddigi szakaszát reziduál képzésnek nevezzük. A rendszerünkben képzett reziduál(ok) segítségével döntést tudunk hozni a rendszer vagy rendszer alegységeinek állapotáról. Ez maga a döntéshozás szakasza. Az analitikus redundancián alapuló hibadiagnózis témakörében a 70-es évek végétől napjainkig számos eredmény és összefoglaló mű született [4, 5]. Manapság egyre népszerűbbek a mesterséges intelligenciát alkalmazó módszerek, modellek a hibadiagnosztika területén. Az egyik, ebbe a csoportba tartozó modell a lokálisan lineáris neuro-fuzzy (LLNF) [8] modell, amit előszeretettel alkalmazzák a hibadiagnosztika területén, főleg a reziduál képzés fázisában. Egy repülő online hibaészlelését mutatja be [6]. Vegyipari alkalmazásra mutat példát a [7], ahol egy forgó cement égetőkemence hibadetektálása folyik. A cikkben három hibajelenség jelzése is sikeres volt, amiből kettőt kimutatása korábban is egyszerűen ment, de a harmadikra korábban még a szakértők se ismerték rá. A hibrid technikák alkalmazására is van számos példa. Ezeknél a technikáknál több, más tématerületekről ismert, módszer együttes alkalmazása vezet jó eredményre. Szemezgessünk ezek közül néhányat. [9] cikkben egy gázturbina motor indításának kapcsán többféle technika, mint például statisztikai, jelfeldolgozási és lágy számítási technikák, együttes alkalmazása mellett kerül sor a rendszer hibaészlelésére. Főkomponens elemzéssel csökkentik a feldolgozásra szánt adatok mennyiségét és neurális hálózatot alkalmaztak a hibák osztályozására. Indukciós motor hibadetektálása és a hibák elválasztására mutat példát lágy számítási technika használatával a [10]. A felépített modell kerneljét egy neuro-fuzzy rendszer adja, ami egy ART alapú adaptive fuzzy rendszer. A bemutatott módszer segítségével 15 nem destruktív hiba kimutatása és szétválasztása történt meg. A kimutatott hibák között szerepel kiegyensúlyozatlan tápforrás, feszültségmérő hibája, ellenállások hibája, jeladó hibája, kiegyensúlyozatlan mechanikai terhelés valamint feszültségmérők és árammérők hibái is. Egy másik forrásban [11] egy diesel motor hibadetektálását végzik, modell- és jelalapú hibadetektálási módszerek segítségével. A diesel motor több paramétere is modellezve lett, három szemi-fizikai modell, LLNF segítségével. A felépített modellek között szerepel a motor szívócsonkjában beömlő levegő tömegáram változása, a motor befecskendező rendszerének változásai beleértve: az égés folyamatát és kipufogásét egyaránt. A szindrómák a felépített modellek segítségével felállíthatók és meghatározható a hiba típusa, mérete, helye.

1. A VIZSGÁLT BERENDEZÉS Egy az olaj iparban használatos, mobil gamma-log berendezés került kifejlesztésre a Miskolci Egyetemen. A berendezés feladata, hogy megmérje az olajfúrások során kiemelt kőzetmagok szelvényeinek természetes gammasugárzást és elraktározza az értékeket a későbbi feldolgozásra. A berendezés lelke egy gammasugárzás mérő detektor, ami egy kis kocsiban kapott helyet, ami egy speciális sínrendszeren halad, a kőzetmag felett. A berendezés egyediségét mutatja, hogy a piacon elérhető megoldásokhoz képest ez a berendezés mobil. A más megoldásokban a gammasugárzást mérő detektor áll és a kőzetmagot mozgatják a detektorhoz képest. Ebben a berendezésben a kőzetmag a neki kialakított ólomlapokból készített vájatban fekszik, ami a sínpálya része. A detektort egy kis kocsi mozgatja a mag felett a sínpályán. A kocsi


mozgatásához szükséges villamos energia, a mért adatok valamint a vezérlő számítógép felől kapott parancsok egy energialánc segítségével jutnak el a kocsira. A MGL-01F berendezés hajtását egy 200W-os AC szervomotor adja. A motor kihajtótengelyére egy 70-es lassító áttételű csigahajtómű csatlakozik. A kocsi bal hátsó kereke a hajtott kerék. A rendszer pontosságáról egy jeladó gondoskodik, ami a berendezés bal első kerékhez csatlakozik. A jeladó a kocsi sínen történő pontos mozgatásáért felelős. A modellezés során ezt a rendszert és benne helyet foglaló hajtásláncot vizsgáljuk, annak előforduló hibáját észleljük, és meghatározzuk a hiba nagyságát is.

2. A RENDSZER MODELLEZÉSE A vizsgált rendszer modellezése során elsősorban valamilyen matematikai összefüggést keresünk a rendszer kimenete és a rendelkezésre álló bemeneti jelsorozatok között. A vizsgált hajtásláncból és mechanikából álló rendszer egy, a természeténél fogva, dinamikai rendszert alkot. A vizsgált hajtáslánc esetében, annak viselkedése, elmozdulásának és sebességének időbeli lefutása, leírható egy-egy több bemenetű egy kimenetű modell segítségével (MISO). A modellek a valós rendszeren történt mérések alapján kerültek kifejlesztésre. A mérések során változtattuk a kocsi gyorsulását és sebességét a megtett út viszont állandó maradt. Az így született mérésekből egy adatbázist hoztunk létre, amiből a modellezéshez felhasznált tanító, kiértékelő és teszt mintakészletek (epoch) lettek összeállítva. Az epochokat úgy állítottuk össze, hogy egymástól független adatokat tartalmazzanak. A mérések során számítógépes mérőrendszerrel mértük a három fázisfeszültséget és fázisáramokat valamint a jeladó impulzussorozatát. A nyers adatok előfeldolgozáson estek át, ami szűrésből és újra mintavételezésből állt, ami későbbi betanítás felgyorsítása érdekében volt szükséges. Az így született feszültség és áram jelsorozatok áttranszformálhatók a saját, motor állórészéhez kötött koordinátarendszereikbe. Az jeladó jelsorozatából előállítható a kocsi elmozdulás-idő, annak numerikus deriváltjából pedig, a sebességidő függvénye.

2.1. LLNF modell és a dinamika A radiális bázis függvény (RBF) hálózat egy kiterjesztéseként ismert lokálisan lineáris modell hálózatot (LLNF) használtuk a rendszer modellezésére. Ebben a struktúrában a kimeneti réteg neuronjainak súlyai, a neuronok bemenetének lineáris kombinációjával lettek helyettesítve, továbbá a RBF hálózat normalizált is [8]. A hálózat betanítása a lokálisan lineáris modell fa algoritmussal (LOLIMOT) lehetséges, ami stabil és gyors konvergálást biztosít. A betanítás folyamata két részből áll. A betanítás első felében a bemeneti teret képezzük le az érvényességi függvény paramétereinek meghatározásával. A második lépés során a lokális modellek (LLM) optimalizációja zajlik, a legkisebb négyzetek módszerének segítségével [8]. Alapesetben ez a hálóstruktúra nem alkalmas dinamikai rendszer modellezésére, ezért külső dinamikával ellátott bemeneti konfigurációt alkalmaztunk. A transzformált áram és feszültség szolgált bemenetként, mind a kocsi mozgását, mind a sebességét leíró időfüggvényeket közelítő modellekben. A berendezésen végzett mérések alapján betanításra került FIR típusú külső dinamikával rendelkező hálózat. Ennek a külső dinamikának az a lényege, hogy az i. időpillanat a kimenet közelítéséhez az i-1. időpillanathoz tartozó bemeneti értéket és még korábbi időpontok bemeneti értékeit is megkapja. Ebből a modelltípusból nem született megfelelő pontosságú modell az elmozdulás se a sebesség esetére sem. ARX típusú bemeneti modell struktúrával, ami a FIR bemeneti konfiguráció mellett a megkívánt, tanításhoz felhasznált, eggyel korábbi időpillanathoz tartozó y megkívánt kimenetet is a bemeneti térbe helyezi, jó eredmények születtek. A formázott és transzformált mennyiségek segítségével felépített, a kocsi elmozdulását és sebességét közelíteni képes modellek születtek. Az így felépített modelleket használtuk a rendszer egyik hibájának kimutatására és hiba méretének meghatározására.


3. HIBADETEKTÁLÁS ÉS HIBA IDENTIFIKÁCIÓ A hibadetektálás során meghatározzuk a hiba jelenlétét a rendszerben illetve a hiba felmerülésének időpontját. A hiba identifikáció során viszont a rendszerben felmerülő hibának valamilyen tulajdonságát határozzuk meg. Ez a tulajdonság a mi esetünkben a hiba nagysága. A módszer minősítéséhez hibás jelsorozatokat mesterségesen generáltuk a mérésekből. A hibák számának és az előfordulások pontos idejének ismeretében vizsgálható a detektáló-képességet. Vizsgáltuk a kidolgozott módszer képességeit és korlátait, valamint a használt hálóstruktúrák hatását az egyes esetekben. A kocsirendszer hibája, amit detektálni és a hiba nagyságát szeretnénk meghatározni, az a rendszer valós és mért elmozdulása közti különbség. Ez a hibajelenség több forrásból is fakadhat. Maga a kocsi a sínrendszeren jár. A kocsi gyors leállításakor magának a kocsinak a tehetetlenségéből fakadóan csúszás léphet fel. Másrészt a sínrendszer moduljának összeillesztésénél előfordulhat a bakkanás vagy megakadás, ami szintén okozhat elmozdulás differenciát a mért és a megvalósított között. Esetleg előfordulhat a hajtott kerék, sínen való megcsúszása is. Valamint a sin illesztésének egyenetlenségeiből fakadó mozgás és a kerek mereven a kocsi testhez való rögzítése miatt előfordulhat a jeladóval ellátott kerék, síntől való elemelkedése. Ezek együttes hatásából fakadó hibák nagysága meghatározható. Ezen hibák detektálást és identifikációját mutatjuk be a következőkben. A hiba detektálásához és identifikációjához többrétegű, előrecsatolt neurális hálózat (MLP) volt a segítségünkre. Itt vizsgáljuk a feladathoz legjobban illeszkedő hálózat konfigurációt. A kísérletek során négy konfigurációt vizsgáltunk, amelyek átviteli függvényeit a 1. táblázat tartalmazza.

Különféle hálókonfigurációk Strukturák Konfiguráció 1. Konfiguráció 2. Konfiguráció 3. Konfiguráció 4.

1. táblázat

Megvalósított átviteli függvények ye(t) = f[s(t), w(t), y(t-1), wm(t)] ye(t) = f[s(t), s(t-1), w(t), w(t-1), y(t-1), y(t-2), wm(t), wm(t-1)] ye(t) = f[s(t), s(t-1), s(t-2), w(t), w(t-1), w(t-2), …, y(t-1), y(t-2), y(t-3), wm(t), wm(t-1), wm(t-2)] ye(t) = f[s(t), s(t-1), s(t-2), s(t-3), w(t), w(t-1), w(t-2), w(t-3), …, y(t-1), y(t-2), y(t-3), y(t-4), wm(t), wm(t-1), wm(t-2), wm(t-3)]

A táblázatban a paraméterek a következők: ye(t) a t. pontban az identifikációt végző hálózat közelítése, f a hálózat által megvalósított függvény, s(t) a t. pontban az enkóder jeléből képzett normalizált elmozdulásprofil megfelelő értéke, w(t) a t. pontban az enkóder jeléből képzett sebességprofil megfelelő értéke, y(t) a t. ponthoz tartozó hálózattól megkívánt kimenet és wm(t) a sebesség profilt közelítő LLNF modell megfelelő értéke. Ezek a hálózat típusok párhuzamos modellt valósítanak meg, mert tartalmazzák a modell megkívánt kimenetének eggyel korábbi időpillanathoz tartozó értékét is. A szimulációk során változtattuk a rejtett rétegben lévő rejtett neuronok számát. Ezt úgy tettük, hogy a rejtett réteg neuronjainak száma a bemenetek egész számú többszöröse legyen. A többszörös egytől négyig terjedő skálán változtattuk.

3.1. A hálózatok kiértékelése A neurális hálózatok tanírása az Rprop algoritmus [12] alapján történt, a lokális minimumok elkerülésére a minden betanítás százezer ciklusig folytattunk, majd kiértékelő mintakészlet átlagos négyzetes hibája (MSE) alapján kiválasztottuk a legjobb hálózatot. Ez az MSE érték nem ad kiértékelhető információt a hálózat hibafelismerési-képességéről. Vagyis arról, hogy a hálózat mennyire tudja a rendszer hibáját időben jelezni és hiba nagyságát meghatározni. A hálózat által generált riasztások impulzusszerű jelek, amelyeknek a megjelenésének ideje, a rendszerben felmerülő hiba idejére utal, még a nagyság a hiba méretére. A rendszerben felmerülő hibák és a vizsgálati módszer értékelését végezzük a következőkben.


Az eljárás azon tulajdonsága, hogy mennyire képes időben jelezni a rendszerben felmerülő hibát egy hibafelismerő képesség paraméterrel jellemezhetjük, amit a következő módon számíthatunk ki.

HFK 

RF 100% RF  BA  MF

(1)

ahol: RF - az időben felismert hibák száma, BA - nem felismert hibák száma, vagyis a valóságban hibázik a rendszer, de a hálózat nem generál riasztást, MF – a vakriasztások száma, vagyis nincs hibajel, de a hálózat generál riasztást. A különféle konfigurációk kiszámított HFK értékeit a 1. ábra összesíti. A kiértékelés során az számított riasztásnak, amelyik a maximális riasztás értékének 30 %-át elérte és fel- és lefutása is megfelelő időben történt. A konfigurációk közül több jó eredményt (1. ábra) ad, annak ellenére, hogy teszt mintakészlet MSE értéke nem annyira jó. A jó eredményt (HFK ~ 95%) adó hálózatok hibázása egy vakriasztából fakadt, az összes hibát időben felismerte és riasztott.

1. ábra HFK értékek a különféle hálózatoknál A jó HFK értéket adó hálózatok adott válaszai további értékelés alá kerültek. Ahhoz hogy értékelni tudjuk a riasztások minőségét, a riasztásokat jelentő impulzusok megjelenésének közvetlen környezetét vizsgáltuk. A hálózattól megkívánt riasztások nagyságához viszonyítjuk a neurális hálózat kimenetéből adódó riasztás méretét, annak relatív hibáját vesszük. A 3. konfiguráció, 2-es hálózata által generált riasztások a teszt mintakészletre, az 2. ábrán felül láthatók.

2. ábra Riasztás méretének kiértékelése fent: Megkívánt hiba a rendszerben és módszer által generált riasztás lent: Teszt mintakészletben fellehető riasztások relatív hibáinak abszolút eltérése százalékban A hálózat identifikációs képességének egyszerűbb kiértékeléséhez a riasztások méretbeli hibájának átlagát, szórását és terjedelmét vizsgáltuk. A hálózat konfigurációkra ezeket az értékeket, összesítve a 3. ábra tartalmazza. Az ábrából jól látszódik, hogy a korábban is emlegetett 3. konfiguráció 2-es modellje generálta a legjobb eredményt.


3. ábra Riasztások méretbeli hibáinak összehasonlítása

ÖSSZEFOGLALÁS Egy összetett mechatronikai rendszerben előforduló hibák mesterségesen lettek előállítva a mérésekből származó jelsorozatokon. Egy hibrid mesterséges intelligenciát hasznosító módszert mutattunk be a rendszer egyik hibájának detektálására. A rendszer bukkanásából, megcsúszásából származó hiba mérete is meghatározható. A kidolgozott módszert több szempontból is vizsgáltok, mint hiba felismerő képesség és a hibák méretének meghatározása.

KÖSZÖNETNYILVÁNITÁS A kutató munka a TÁMOP-4.2.1.B-10/2/KONV-2010-0001 jelű projekt részeként – az Új Magyarország Fejlesztési Terv keretében – az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg.

FELHASZNÁLT IRODALOM Palade, V.; Bocaniala, C. D.; Jain, L.: Computational Intelligence in Fault Diagnosis, Springer, 2007, ISBN 9781-84628-343-7. [1] Alag, S.; Goebel, K.; Agogino, A.: A methodology for intelligent sensor validation and fusion used in tracking and avoidance of objects for automated vehicles, Proc. of American Control Conference, Seattle, WA, 1995, p. 3647 - 3653. [2] Dorr, R.; Kratz, F.; Ragot, J.; Loisy, F.; Germain, J. L.: Detection, isolation, and identiﬁcation of sensor faults in nuclear power plants, IEEE Trans. Contr. Syst. Techn. 5 (1), 1997, p. 42 – 60. [3] Patton, R. J.; Frank P. M.; R. N. Clark: Issues of fault diagnosis for dynamic systems, London, Springer, 2000. [4] Anderson, T.; Lee, P. A.: Fault Tolerant Principles and Practice, Prentice-Hall, 1981. [5] Ichtev, A.; Hellendoorn, J.; Babuska, R.: Fault detection and isolation using multiple Takagi-Sugeno fuzzy models, The 10th IEEE International Conference on Fuzzy Systems, 2001, Vol. 3, pp. 1498 – 1502. [6] Makaremi, I; Fatehi, A.; Araabi, B. N.; Azizi, M.; Cheloeian, A.: Abnormal condition detection in a cement rotary kiln with system identification methods, Journal of Process Control 19, 2009, pp. 1538 – 1545. [7] Isermann, R.: Mechatronic system, Fundamentals, Springer, London, ISBN 1-85233-930-6, 2005, pp 314 - 323. [8] Uluyol, O.; Kim, K.; Menon, S.; Nwadiogbu, E. O.: Synergistic use of soft computing technologies for fault detection in gasturbine engines, Proc. of IEEE Int. Workshop on Soft Computing in Industrial Applications, 2003. SMCia/03. pp. 476 – 484. [9] Sainz Palmero, G. I.; Juez Santamaria, J.; Moya de la Torre, E. J.; Peran Gonzalez, J. R.: Fault detection and fuzzy rule extraction in AC motors by a neuro-fuzzy ART-based system, Engineering Applications of Artiﬁcial Intelligence 18, 2005, pp.867–874. [10] Kimmich, F.; Schwarte, A.; Isermann, R.: Fault detection for modern Diesel engines using signal- and process model-based methods, Control Engineering Practice 13, 2005, pp 189 – 203. [11] Igel, C.;Husken, M.: Improving the Rprop Learning Algorithm, Proc. of the 2nd International Symposium on Neural Computation, NC’2000, ICSC Academic Press, 2000, pp. 115–121. [12]

HU-3515 Miskolc-Egyetemváros tel.: +36-(46) mellék: 12-16, 12-18, fax : +36-(46)

Recommend Documents