Автоматика и телемеханика, № 6, 2015
© 2015 г. Н.И. ХОРОШЕВ, канд. техн. наук (horoshevni@mail.ru), В.П. КАЗАНЦЕВ, д-р техн. наук (kvppgtu@yandex.ru)
/ТТ «* ,____- ** ,____- «* ,____- «* \
(Пермский национальный исследовательский политехническии университет)
ПОДДЕРЖКА УПРАВЛЕНИЯ ОБСЛУЖИВАНИЕМ ЭЛЕКТРОТЕХНИЧЕСКОГО ОБОРУДОВАНИЯ ПО ТЕКУЩЕМУ СОСТОЯНИЮ
Рассмотрены вопросы разработки системы поддержки принятия решений, направленной на повышение эффективности процессов обслуживания электротехнического оборудования по текущему техническому состоянию. При этом акцент сделан на проработку аппарата адаптивного краткосрочного прогнозирования как одного из ключевых элементов данной системы.
1. Введение
Исследования процессов эксплуатации множества электротехнических объектов с учетом отечественного и мирового опыта показали, что проведение жестко регламентированных планово-предупредительных ремонтов, как правило, приводит к ощутимым затратам денежных, трудовых и материальных ресурсов предприятий [1—5].
Основными характерными свойствами процессов эксплуатации электротехнического оборудования (ЭО) являются их разнородность, взаимозависимость, многопараметричность и иерархичность. Кроме того, контролируемые электроэнергетические объекты, как правило, распределены территориально. Данные особенности обуславливают необходимость применения принципиально новых, современных методов и средств обслуживания ответственного оборудования с возможностью предупреждения (прогнозирования) его отказов. При этом, как правило, приходится учитывать требования [6, 7], связанные с бесперебойностью и надежностью обеспечения транспорта электроэнергии, снижением ежегодных эксплуатационных расходов и энергоемкости производственных процессов в целом [8].
Повышение эффективности эксплуатации ЭО во многом определяется ходом технологических процессов (ТП), которые требуют контроля, всесторонней оценки, планирования и выработки обоснованных управляющих воздействий со стороны как автоматики, так и человеко-машинных систем. По этой причине особую значимость в последнее время приобретают методы и модели поддержки принятия оперативных управленческих решений [9—11], направленные на реализацию стратегии обслуживания оборудования по фактическому техническому состоянию (ТС) [12, 13].
Отметим, что механизмы поддержки принятия решений, позволяющие эффективно использовать возможности аппарата адаптивного краткосрочного прогнозирования (Ю.П. Лукашин, К.Д. Льюис, R.G. Brown и др.) для сокращения аварийных простоев ЭО, недостаточно проработаны на системном уровне с учетом малых выборок данных и их нечеткости [14-19].
6* 139
2. Постановка задач
Определение моментов времени, в которые необходимо осуществлять диагностику, техническое обслуживание (ТО) или ремонт ЭО, и формирование рациональных управляющих воздействий (мероприятий) в условиях производства часто сопряжены с такими ограничениями, как недостаток информации, ее искажение и нечеткость [9, 10].
С учетом обозначенных особенностей при создании системы поддержки принятия оперативных управленческих решений (СППР) при эксплуатации ЭО по фактическому ТС должны быть решены следующие связанные задачи: 1) определение структуры концептуальной модели системы поддержки принятия оперативных управленческих решений (КМПР) и способов ее формализации; 2) анализ и обоснование выбора моделей для прогнозирования ТС ЭО; 3) разработка и тестирование адаптивной комплексной модели краткосрочного прогнозирования (АКМ) как одного из ключевых элементов КМПР.
Объект исследования - процессы эксплуатации высоковольтного ЭО [2, 6]. Методы исследований базировались на использовании положений теорий прогнозирования, аппроксимации временных рядов, надежности, нечетких множеств, оптимизации и методов математического моделирования и объектно-ориентированного программирования.
3. Описание решения исследовательских задач
Центральное место в построении СППР занимает КМПР, формализация которой направлена на обеспечение эффективности процессов управления обслуживанием ЭО. Детальное описание структуры концептуальной модели и взаимосвязей ее элементов представлено в работе [20], которую условно можно отнести к решению первой исследовательской задачи (этап № 1). Отметим лишь, что в состав данной модели входят уровни: формирования функциональных и математических моделей различных физических процессов; формирования ключевых модельных и диагностических параметров ЭО (в том числе расчетных и агрегированных) с возможностью использования АКМ; принятия решений на основе теории нечетких множеств [9, 10, 21-23].
Согласно второй исследовательской задаче (этап № 2), проведен предварительный анализ [20] методов и моделей прогнозирования [14-19, 24, 25], нашедших наиболее широкое применение в различных областях деятельности человека, в результате которого выполнена их классификация по способу формализации. Выбор адаптивных моделей краткосрочного прогнозирования (АМП) для АКМ продиктован их относительной простотой в математическом плане, эффективностью работы на малых выборках эмпирических данных и адаптивностью предиктора к изменяющимся входным данным.
В результате было сформировано следующее множество АМП (предикторов) (1) [17]:
(1) РИ = {ТУ,В,ТЬ1,ТЬ2,Р0,Р1,Р2, НШ},
где TV - модель Тейла-Вейджа; B - модель Брауна; TL\ и TL2 - модели Тригга-Лича и Тригга-Лича-Шоуна; Fo, Pi, P2 - полиномиальные модели нулевого, первого и второго порядков; HW - модель Хольта-Уинтера (периодическая) .
Для конкретного ЭО с учетом его специфики, которая в том числе закладывается на уровне формализации КМПР [26], множество (1) может быть экспертно уточнено с целью повышения скорости и, в целом, качества работы АКМ.
Рассмотрим в деталях реализацию третьей научно-исследовательской задачи (этап № 3), заключающейся в проработке аппарата АКМ в части комплексного использования множества адаптивных предикторов (1), номинально обладающих свойством универсальности по отношению к различным формам временных рядов [17].
На рис. 1 предложен и впоследствии программно реализован алгоритм функционирования АКМ, обладающий селективностью оптимальных моделей базового множества (1).
Данный вариант структуры обусловлен необходимостью адаптации комплексной модели к изменению значений контролируемых параметров ЭО с целью повышения достоверности их прогнозных оценок. Адаптация в этом случае является трехуровневой: по типу модели начальных условий (НУ), по типу прогнозной модели и по параметрам ее адаптации к изменяющимся данным.
К основным блокам алгоритма (рис. 1) относятся: I - обработка исходных данных и инициализация модели (блоки 1, 2 и 17); II - цикл прогнозирования на основе АМП (блоки 6-9); III - селекция оптимального варианта модели НУ (блоки 3-11); IV - критериальный выбор АМП и результирующее прогнозирование (блоки 12-16).
Функционирование АКМ связано с расчетом и селекцией оптимальных НУ (IC*), а также оптимальных АМП (FM*), на основе их ранжирования
(Prank г,Qrank i) согласно формулам (2) (блоки 4-10 и 6-9 на рис. 1):
q
Р = (EVi, EV2, ..., EV„), Prank г = J] Pi J, г =
(2) j=1
v ' q
Q = (PVi, PV2, . . . , PVjv), Qrank г = J] QiJ, i = MV,
j=1
где n - количество моделей НУ (3) [19]; N - количество АМП; q = 3 - количество элементов (строк) в векторах P и Q; EVi и PVi - векторы ошибки при формировании НУ и точности для каждой i-й АМП (блок 8 на рис. 1), определяемые выражением (4).
Согласно алгоритму работы комплексной модели прогнозирования (рис. 1), также было сформулировано множество моделей НУ:
(3) IM = {l, exp, df, hypi, hypu, hypm, log, s, rlog, reg},
где l - линейная модель; exp - экспоненциальная модель; df - степенная функция; hypi, hypii, hypш - гиперболические модели различных типов; log и
Рис. 1. Алгоритм функционирования АКМ.
№ Критерий Примечание
1 о г" —> тах Характеризует, насколько хорошо модель объясняет дисперсию зависимой переменной
2 MSE ->• min Применяется при отборе наилучших моделей прогнозирования или их параметров
3 МАРЕ ->• min Применяется для определения достоверности прогнозов и величины запаса по заданной точности прогноза 6
4 а —> min Характеризует меру рассеяния значений случайной величины в именованных единицах
rlog - логарифмическая и обратнологарифмическая функции; s - S-образная модель; reg - регрессионная модель второго порядка [19].
Оценку моделей НУ (3) и АМП (1) при формировании вектора IC*, а затем и множества FM* было предложено осуществлять на основе критериев (4):
(4)
EVi
i/r2 MSEi MAPEj
— min,
PVi
MSEi MAPEi а
— min,
где г2 - коэффициент детерминации, г2 € (0,1) [19]; МБЕ и МАРЕ - средний квадрат ошибки и средняя абсолютная процентная ошибка (5); а - средне-квадратическое отклонение прогнозных оценок значений технических параметров ЭО (5);
МАРЕ = ^ Е Ы М;
к-1
t=0 k-1
(5)
mse=-y:
-t;
t=0
а =
\
k-1 t=0
2
где = хг — хт (Ь — т) - ошибка; xt - исходные данные временного ряда; хт (Ь — т) - прогноз, произведенный в момент времени (Ь — т) на т шагов вперед; к - количество прогнозных точек.
В рамках первых двух уровней адаптации векторные критерии селекции оптимальных моделей НУ и адаптивных предикторов (ЕУ^ и РУ^) обеспечивают комплексную оценку достоверности прогнозов [17, 19] на основе различных показателей (см. таблицу).
Так, например, критерий ЕУ^ представляет собой некоторый компромисс между ошибками прогнозных оценок временного ряда (МАРЕ, МБЕ) и степенью согласованности моделей (3) с эмпирическими данными, которая определяется коэффициентом г2 (4).
Рис. 2. Механизм (а) и пример (б) определения начальных условий: К - множество исходных данных; О - подмножество данных для построения модели НУ; V - тестовое подмножество для адаптации АКМ.
Кроме того, комплексный учет параметров (см. таблицу) в (4) позволяет точнее определять наилучшие варианты НУ и/или предикторов в АКМ среди рассматриваемых альтернатив (1) и (3), а значит, и повысить достоверность прогнозных оценок на малых выборках данных.
Рассмотрим механизм определения оптимальных НУ на основе критерия (4) (EVj ^ min), заключающийся в делении
Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.