Являясь сложными техническим системами (далее – СТС) с уникальной конструкцией, МНЛЗ функционируют в обстановке больших помех и погрешностей измерения значительного числа параметров при отсутствии или большой неопределенности точных числовых данных этих параметров элементов системы. В этих условиях высокую эффективность показывают нечеткие модели, обладающие низкой чувствительностью к помехам и погрешностям измерения и способностью быстро настраиваться на меняющиеся условия производства.

Поэтому с целью повышения достоверности/эффективности прогнозирования уровня аварийности СТС МНЛЗ в условиях отсутствия четкой информации значений входных переменных предложен новый метод прогнозирования уровня аварийности оборудования на примере машины непрерывного литья заготовок.

Описание метода

Для реализации процесса нечеткого моделирования используется соответствующая библиотека нечеткой логики (Fuzzy Logic Toolbox) из пакета MATLAB.

Метод включает в себя следующие этапы:

1. Построение информационной модели технической системы МНЛЗ, исходя из существующей физической структуры МНЛЗ с учетом правил теории надежности в среде интерактивного моделирования Simulink, где в качестве компонентов системы применяются запрограммированные контроллеры нечеткой логики,
2. Анализ, идентификацию, сбор данных, содержащих технологические параметры контролируемого процесса разлива и статистические данные о ремонтах, техническом обслуживании, внеплановых остановках и отказах узлов МНЛЗ, экспертных оценок,
3. Интеграцию собранных данных,
4. Оценку технического состояния оборудования и реализацию процесса прогноза технического состояния эксплуатируемого оборудования;
5. Распознавание уровня безопасности сталеразливочного оборудования; вывод результатов прогнозирования аварийности – указание основных источников аварийных сигналов и визуализация результатов прогнозирования в виде диаграмм состояния на каждом узле, агрегате системы, и категории уровня безопасности сталеразливочного оборудования «безопасно», «аварийный режим», «требует специального осмотра и обследования»).

На основе информационной модели определены основные блоки системы прогнозирования (см. рис. 1).

Рисунок 1. Обобщенная логическая модель метода прогнозирования уровня аварийности оборудования НРС 

Организация сбора и передачи информации

Для формирования базы знаний системы нечеткой логики для оценки технического состояния узлов системы МНЛЗ предварительно определены входные и выходные переменные.

Для описания процесса возникновения отказа элементов технической системы МНЛЗ в математической модели прогноза основными переменными являются выходные(остаточный ресурс, сигнал о повышении вероятности аварии и т.д.), определяющие уровень безопасности (состояние аварийности) узлов МНЛЗ.

Входные переменные модели  , оказывают влияние на состояние безопасности оборудования. Входной информацией являются:

-    срок службы узла от момента его ремонта или замены,

-    количество произошедших аварий с момента последнего ремонта или замены узла,

-   экспертная оценка износа узла,

-    промежуточная информация (параметры контролируемого технологического процесса, поступающие от АСУТП).

Математическое обеспечение метода

Моделированию подлежит процесс появления отказов оборудования при непрерывной разливке стали, представляющий собой сложный технологический объект с несколькими взаимосвязанными входными переменными и одной выходной. Математическая модель прогноза уровня безопасности представлена в следующей обобщенной форме [1, 2]:

где–  входные переменные (факторы), оказывающие наиболее существенное влияние на состояние безопасности оборудования,; y – интегрированный показатель аварийности, принимающий значения, близкие к 1 (безопасный режим работы) и 0 (аварийное состояние оборудования).

Высокую эффективность в задачах прогнозирования технологических процессов показала одна из разновидностей нечетких моделей (1), состоящая из совокупности продукционных правил

 : если  есть , , ,  есть , есть 

                                                                                       то  , есть                                                                                           (1).

где  – нечеткие множества, характеризующие входные переменные , ,,, – выходная переменная-го порядка и соответствующее нечеткое множество.

В качестве нечеткого логического вывода о состоянии оборудования и синтеза контроллеров применена адаптивная сеть нейро-нечеткого вывода типа Сугено – ANFIS–редактор (Adaptive–Network–Based Fuzzy Inference System – ANFIS), входящий в состав Fuzzy Logic Toolbox программного комплекса MATLAB.

Расчет выхода  в -ом правиле осуществляется с помощью линейного уравнения (2)

                                                                                                                                                                               (2).

Процедура фазификации Fuz (Fuzzyfication) заключается в вычислении функций принадлежности,  j = 1,2, …, k при заданных значениях  переменных и вектора параметров.

С помощью процедуры нечеткого вывода FI (Fuzzy Inference) вычисляется величина истинности θ-го правила

и нечеткая  функция              

где –  операция алгебраического умножения (×), определения максимума (max) или минимума (min) и др.

Процедура дефазификации Def (Defuzzyfication) служит для определения конкретного значения выхода по соответствующим формулам

                                                                                                                                                                                                    (3).

где    –  линейное уравнение (2) в векторной форме; – вектор коэффициентов;  – функция принадлежности; Y – область значений.

Структура нечеткого логического вывода представлена на рисунке 2.

Вывод

Разработанный метод позволяет получить количественные и качественные оценки состояния оборудования МНЛЗ и оперативно использовать их в реальных производственных условиях на стадии эксплуатации для:

- эффективного планирования работ в рамках системы управления промышленной безопасностью и охраной труда;

Рисунок 2. Структура нечеткой модели

- повышения эффективности планирования сервисных и ремонтных работ.