Национальный стандарт РФ ГОСТ Р ИСО 13379-1-2015 "Контроль состояния и диагностика машин. Методы интерпретации данных и диагностирования. Часть 1. Общее руководство" (утв. приказом Федерального агентства по техническому регулированию и метрологии от 20 октября 2015 г. N 1582-ст)

Национальный стандарт РФ ГОСТ Р ИСО 13379-1-2015
"Контроль состояния и диагностика машин. Методы интерпретации данных и диагностирования. Часть 1. Общее руководство"
(утв. приказом Федерального агентства по техническому регулированию и метрологии от 20 октября 2015 г. N 1582-ст)

Condition monitoring and diagnostics of machines. Data interpretation and diagnostics techniques. Part 1. General guidelines

Дата введения - 1 декабря 2016 г.

Взамен ГОСТ Р ИСО 13379-2009

Предисловие

1 Подготовлен Открытым акционерным обществом "Научно-исследовательский центр контроля и диагностики технических систем" (АО "НИЦ КД") на основе собственного перевода на русский язык англоязычной версии международного стандарта, указанного в пункте 4

2 Внесен Техническим комитетом по стандартизации ТК 183 "Вибрация, удар и контроль технического состояния"

3 Утвержден и введен в действие приказом Федерального агентства по техническому регулированию и метрологии от 20 октября 2015 г. N 1582-ст

4 Настоящий стандарт идентичен международному стандарту ИСО 13379-1:2012 "Контроль состояния и диагностика машин. Методы интерпретации данных и диагностирования. Часть 1. Общее руководство" (ISO 13379-1:2012 "Condition monitoring and diagnostics of machines - Data interpretation and diagnostics techniques - Part 1: General guidelines", IDT).

При применении настоящего стандарта рекомендуется использовать вместо ссылочных международных стандартов соответствующие им национальные стандарты Российской Федерации, сведения о которых приведены в дополнительном приложении ДА

5 Взамен ГОСТ Р ИСО 13379-2009

1 Область применения

Настоящий стандарт устанавливает общее руководство по интерпретации данных и диагностированию машин.

Применение настоящего стандарта:

- обеспечивает единое понимание задач диагностирования машин пользователями и изготовителями систем контроля состояния и диагностирования;

- дает пользователям возможность подготовить необходимые технические данные для последующего применения методов диагностирования;

- позволяет установить общий подход к диагностированию машин.

Настоящий стандарт распространяется на широкий класс машин, обычно применяемых в условиях производства, таких как турбины, компрессоры, насосы, генераторы, электродвигатели, воздуходувки, редукторы, вентиляторы и пр.

2 Нормативные ссылки

В настоящем стандарте использована нормативная ссылка на следующий стандарт:

ИСО 13372 Контроль состояния и диагностика машин. Словарь (ISO 13372, Condition monitoring and diagnostics of machines - Vocabulary)

3 Термины и определения

В настоящем стандарте применены термины по ИСО 13372.

4 Требования к диагностированию в системе мониторинга оборудования

4.1 Роль диагностирования в обеспечении работоспособности и техническом обслуживании машин

Диагностирование играет существенную роль в принятии решений по функционированию и техническому обслуживанию машин. Для достижения наибольшей эффективности диагностические процедуры должны быть взаимосвязаны с потенциальными неисправностями машины. Поэтому рекомендуется провести предварительные исследования, прежде чем сформулировать требования к системе контроля состояния и диагностирования машин (системе мониторинга).

4.2 Исследование потребности в диагностировании

Основные этапы исследования представлены в виде V-образной диаграммы (см. рисунок 1), связывающей высокие (техническое обслуживание: сведения о машине, оценка риска) и низкие (измерения: контролируемые параметры, периодические наблюдения, обработка данных) уровни обобщения информации.

Рисунок 1 - Цикл исследования потребности в диагностировании и его применения

Правая ветвь диаграммы соответствует работам по контролю технического состояния и диагностированию, которые обычно проводят после приемки машины в эксплуатацию. Левая ветвь - предварительным исследованиям для конкретной машины, которые проводят, чтобы получить необходимую информацию для организации контроля состояния и диагностирования. Каждому уровню обобщения информации на диаграмме соответствует своя задача стадии предварительного исследования (левая ветвь) и своя задача стадии применения (правая ветвь).

Предварительное исследование потребности в диагностировании машины включает в себя, как правило, следующие этапы:

a) анализ эксплуатационной готовности и надежности машины, степени ее критичности для технологического процесса;

b) составление перечня основных узлов машины и выполняемых ими функций;

c) анализ видов отказов и их связь с неисправностями отдельных узлов машины;

d) определение численной характеристики степени критичности машины с учетом последствий отказов (степени опасности, времени и стоимости восстановления, влияния на качество производимой продукции) и их частоты;

e) выбор диагностируемых неисправностей;

f) определение режимов работы машины, на которых может быть обеспечено наилучшее диагностирование для неисправностей разного вида;

g) выбор признаков неисправностей для анализа технического состояния машины;

h) составление перечня контролируемых параметров, на основе которых должны быть получены признаки неисправностей;

i) выбор методов измерения и преобразователей, которые должны быть использованы для получения значений контролируемых параметров (непосредственно в результате измерений или после обработки данных измерений на компьютере).

Этапы от а) до d) могут быть реализованы с применением известных методов оптимизации работ по организации технического обслуживания машин, таких как FMEA (анализ видов и последствий отказов) и FMECA (анализ видов, последствий и критичности отказов). Дополнительно рекомендуется рассмотреть возможность применения общих методов оптимизации, таких как RCM (техническое обслуживание на основе показателей надежности).

Примечание - Процедуры FMEA и FMECA описаны в [6].

Этапы от с) до i) могут быть реализованы с применением процедуры FMSA (анализ признаков видов отказов), принципы которой изложены в 4.3.

4.3 Анализ признаков видов отказов (FMSA)

4.3.1 Метод FMSA

Задача метода состоит в выборе технологии и стратегии мониторинга, позволяющем максимизировать доверительный уровень диагноза и прогноза отказа данного вида.

Метод позволяет выбрать процедуру мониторинга, обеспечивающего максимальную чувствительность к обнаружению и скорости изменения диагностического признака. Если чувствительность метода и достоверность результатов диагностирования (прогнозирования) недостаточны, то для уточнения диагноза рекомендуется применять дополнительные процедуры, совместимые с исходной.

Рассматриваемый метод является модификацией метода FMECA, позволяющей основное внимание уделить выбору диагностических признаков, по которым может быть определен вид неисправности или отказа, с последующим формированием соответствующей стратегии мониторинга.

Если в результате применения метода FMECA возможные виды отказов уже идентифицированы и ранжированы, то соответствующие этапы метода FMSA можно опустить и переходить к последующим этапам анализа.

4.3.2 Руководство по применению

Метод FMSA позволяет получить информацию и представить ее в форме, приведенной в приложении А. Основными этапами данного метода являются:

- составление перечня обследуемых узлов машины;

- составление перечня возможных видов отказов каждого узла;

- составление перечня последствий отказа каждого вида;

- составление перечня причин отказа каждого вида;

- составление перечня диагностических признаков, характерных для отказа каждого вида;

- составление перечня возможных методов мониторинга;

- оценка необходимой частоты проведения измерений;

- ранжирование видов отказов по способности обнаружения, критичности, доверительным уровням диагноза и прогноза и составление на этой основе показателя приоритетности мониторинга;

- составление перечня дополнительных методов контроля;

- оценка необходимой частоты проведения измерений при применении дополнительных методов контроля.

Наибольшую трудность представляют собой правильное определение видов отказов, их последствий и причин. Вид отказа характеризуют формой его проявления, например, погнутость, изъеденность ржавчиной. Метод FMECA, который должен предшествовать FMSA, допускает неоднозначность в определении видов отказов, их причин и последствий. Один и тот же термин может быть использован при определении причины отказа одного узла, вида или последствия отказа другого узла, а также вида отказа машины в целом. То же имеет место и для метода FMSA.

Однако следует избегать использования одного и того же термина при определении вида отказа и его причины для одного узла или машины. Для каждого узла (машины) вид отказа, его последствия и причина должны быть указаны в их причинно-следственной связи. При определении вида отказа, его последствия и причины необходимо иметь в виду, что последствие определяется видом отказа, который, в свою очередь, является следствием определенной причины.

При разработке стратегии мониторинга принимают во внимание, что:

- отказу данного вида сопутствуют диагностические признаки, которые должны быть обнаружены основным методом мониторинга, обеспечивающим высокий доверительный уровень диагноза и прогноза при проведении измерений с заданной частотой;

- повышение доверительного уровня диагноза и прогноза возможно за счет применения дополнительных методов контроля, в которых измерения проводят с заданной для них частотой.

4.3.3 Руководство по ранжированию

4.3.3.1 Общие положения

Ранжирование осуществляют для каждого узла (машины) по вероятности обнаружения отказа, точности прогноза и критичности отказа. На основе последовательного применения процедур ранжирования в процессе анализа получают значение показателя приоритетности мониторинга, причем более высокому значению показателя для данного узла (машины) соответствуют более высокий риск, связанный с отказом данного узла (машины).

4.3.3.2 Ранжирование по способности обнаружения (DET)

Показателю DET присваивают значения в диапазоне от 1 до 5 в зависимости от способности обнаружить отказ данного вида безотносительно к точности последующего диагноза и прогноза.

Результат ранжирования должен отражать ограничения применимости диагностических признаков для отказов данного вида. Значения показателя DET понижают, если признаки отказа:

- могут быть выявлены, но обладают плохой повторяемостью;

- не могут быть выявлены;

- не подлежат измерению в реальных условиях эксплуатации;

- могут маскироваться диагностическими признаками отказов других видов.

Показателю DET присваивают следующие значения:

DET = 1 - существует лишь НЕЗНАЧИТЕЛЬНАЯ вероятность обнаружения отказа данного вида;

DET = 2 - существует НИЗКАЯ вероятность обнаружения отказа данного вида;

DET = 3 - существует СРЕДНЯЯ вероятность обнаружения отказа данного вида;

DET = 4 - существует ВЫСОКАЯ вероятность обнаружения отказа данного вида;

DET = 5 - отказ данного вида будет обнаружен ПОЧТИ НАВЕРНОЕ.

4.3.3.3 Ранжирование по критичности отказа (SEV)

Данный вид ранжирования отражает результаты предшествующей процедуры FMECA и предназначен для оценки отдельных видов отказов по связанным с ними рискам.

Показателю SEV присваивают следующие значения:

SEV = 1 - отказ и его последствия могут понизить способность технологической системы выполнять свои функции, приводят к незначительным нарушениям в системе или к ущербу окружающей среде без опасности для жизни и риска получения травм;

SEV = 2 - отказ и его последствия снижают способность технологической системы выполнять свои функции, но не сопровождаются существенными нарушениями системы и не связаны с опасностью для жизни и риском получения травм;

SEV = 3 - отказ и его последствия способны привести к невозможности выполнения технологической системой ее основных функций, к серьезным нарушениям системы или к ущербу окружающей среде с незначительной опасностью для жизни и незначительным риском получения травм;

SEV = 4 - отказ и его последствия способны привести к невозможности выполнения технологической системой ее основных функций, к серьезным нарушениям системы или к ущербу окружающей среде с высокой опасностью для жизни и высоким риском получения травм.

4.3.3.4 Ранжирование по доверительному уровню диагноза (DGN)

Ранжирование по ожидаемой точности диагноза (показателю DGN) в пределах от 1 до 5 позволяет выявить виды отказов, для которых признаки:

- поддаются выявлению, но обладают плохой повторяемостью;

- неизвестны;

- неразличимы среди диагностических признаков отказов других видов.

Показателю DGN присваивают следующие значения:

DGN = 1 - вероятность правильного диагноза отказа данного вида незначительна;

DGN = 2 - существует НИЗКАЯ вероятность правильного диагноза отказа данного вида;

DGN = 3 - существует СРЕДНЯЯ вероятность правильного диагноза отказа данного вида;

DGN = 4 - существует ВЫСОКАЯ вероятность правильного диагноза отказа данного вида;

DGN = 5 - правильный диагноз отказа данного вида будет поставлен ПОЧТИ НАВЕРНОЕ.

4.3.3.5 Ранжирование по доверительному уровню прогноза (PGN)

Ранжирование по ожидаемой точности прогноза (показателю PGN) в пределах от 1 до 5 позволяет выявить виды отказов, для которых:

- диагностические признаки поддаются выявлению, но обладают плохой повторяемостью;

- диагностические признаки нечувствительны к развитию неисправностей;

- неизвестна скорость развития неисправностей;

- диагностические признаки неразличимы среди диагностических признаков отказов других видов.

Показателю PGN присваивают следующие значения:

PGN = 1 - вероятность точного прогноза отказа данного вида незначительна;

PGN = 2 - существует НИЗКАЯ вероятность точного прогноза отказа данного вида;

PGN = 3 - существует СРЕДНЯЯ вероятность точного прогноза отказа данного вида;

PGN = 4 - существует ВЫСОКАЯ вероятность точного прогноза отказа данного вида;

PGN = 5 - правильный прогноз отказа данного вида будет сделан ПОЧТИ НАВЕРНОЕ.

На точность прогноза оказывает влияние частота проведения измерений. Чем чаще проводят измерения, тем больше информации о скорости развития повреждения и тем достовернее прогноз отказа.

4.3.3.6 Показатель приоритетности мониторинга (MPN)

Данный показатель является произведением показателей, определенных в 4.3.3.2 - 4.3.3.5, и дает обобщенную характеристику отказу каждого вида.

Чем выше показатель приоритетности мониторинга MPN, тем в большей степени выбранный метод мониторинга пригоден для обнаружения, диагностирования и прогнозирования отказа данного вида.

Однако низкое значение показателя приоритетности мониторинга свидетельствует не столько о том, что мониторинг является необязательным, сколько о том, что данный метод мониторинга с выбранными интервалами между измерениями неспособен обеспечить обнаружение неисправности, диагностирование и прогнозирование с высокой достоверностью.

Наихудшим случаем является высокая критичность отказа данного вида при низких значениях показателей способности его обнаружения, доверительных уровней диагноза и прогноза.

Наиболее благоприятный случай - это низкая критичность отказа данного вида, сопровождающаяся легкостью его обнаружения, когда разным степеням развития повреждений соответствуют известные области значений диагностических признаков, что обеспечивает высокую достоверность диагноза и прогноза.

В общем случае при применении FMSA и создании системы мониторинга необходимо учитывать следующие обстоятельства:

- риски, связанные с отказами каждого вида;

- ожидаемые скорости развития повреждений, связанных с отказами каждого вида;

- среднее время между отказами каждого вида;

- виды вторичных отказов;

- наличие взаимосвязи между отказами разных видов;

- требуемое время на переход к техническому обслуживанию по результатам мониторинга;

- обеспеченность запасными частями;

- показатели надежности и готовности, которых необходимо достичь.

Оценки всех показателей должны непрерывно уточняться с накоплением опыта при вводе новых систем мониторинга и модернизации действующих.

4.4 Отчет о требованиях к диагностированию

Рекомендуется завершать стадию предварительных исследований составлением отчета о требованиях к диагностированию, в который включают следующие сведения:

a) информацию о разборках машин на отдельные узлы;

b) перечень неисправностей, связанных с этими узлами;

c) возможные диагностические признаки неисправностей;

d) предлагаемые контролируемые параметры;

e) методы определения значений контролируемых параметров.

Может оказаться, что отдельные критичные неисправности не будут охвачены системой мониторинга и, таким образом, останутся недиагностируемыми. Поэтому в отчете должно быть указано, какие неисправности могут быть распознаны с применением системы мониторинга, а какие нет. При этом полезно повторно оценить целесообразность добавления возможностей обнаружения отказов определенных видов.

Отчет о требованиях к диагностированию может состоять из двух частей:

a) описание машин [соответствует 4.2, перечисления а) - b)]: идентификация, роль в технологическом процессе, узлы, анализ критичности;

b) анализ видов отказов и диагностических признаков [соответствует 4.2, перечисления с) - i)]: виды отказов, диагностические признаки, контролируемые параметры и измерения, используемые в целях диагностирования.

Для составления части b) может быть использована таблица FMSA, приведенная в приложении А.

Рекомендуется рассчитывать предполагаемую эффективность системы мониторинга. Некоторые предложения по такому расчету приведены в приложении В.

5 Элементы системы диагностирования

5.1 Данные, относящиеся к контролю технического состояния

5.1.1 Измерения

Измерения, выполняемые при контроле технического состояния, обычно могут быть использованы и в целях диагностирования. Вместо исходных сигналов физических процессов рекомендуется сохранять значения контролируемых параметров, поскольку они обладают большей селективностью в отношении неисправностей.

В таблице 1 приведены примеры параметров, подлежащих измерению в целях контроля технического состояния и диагностирования машин, и виды измерений.

Таблица 1 - Примеры измеряемых параметров и видов измерений

Измерения эксплуатационных характеристик	Механические измерения	Электрические измерения	Другие измерения и наблюдения
Энергопотребление Производительность Температура Термограмма Давление Расход	Тепловое расширение Местоположение Уровень жидкости Температура Перемещение Термограмма Скорость Ускорение Акустический шум Ультразвук	Сила тока Напряжение Сопротивление Индуктивность Термограмма Электрическая емкость Магнитное поле Сопротивление изоляции Частичный разряд	Анализ масла Феррографический анализ частиц износа Размеры изделия Физические свойства изделия Химические свойства изделия Цвет Запах Визуальный осмотр и другие виды неразрушающего контроля

5.1.2 Контролируемые параметры

Значения контролируемых параметров могут быть получены либо прямым измерением, либо после обработки результатов измерений. Контролируемые параметры часто предпочитают исходным данным измерений по причине их большей селективности. Чем выше селективность контролируемых параметров, тем выше селективность признаков неисправностей и, соответственно, тем проще поставить диагноз. Селективность контролируемых параметров позволяет уменьшить число рассматриваемых гипотез при выводе заключения о виде неисправности по наблюдаемым диагностическим признакам.

Примеры - Амплитуда первой гармоники перемещения вала, пик-фактор ускорения, общее кислотное число масла, частота вращения, энергия импульсов в вибрации подшипников качения, температурный градиент на термограмме.

5.1.3 Признаки неисправностей

Для формирования признаков неисправностей могут быть использованы следующие элементы:

a) временная характеристика: постоянная времени изменения контролируемого параметра.

Примеры - 1 ч, 10 дней, медленно (временная характеристика шумомера);

b) вид и скорость изменения контролируемого параметра.

Примеры - Наличие изменения, отсутствие изменения, монотонное увеличение, уменьшение, постоянство, более 10, менее 200, 40 мкм за цикл;

c) контролируемый параметр.

Примеры - Температура, первая гармоника перемещения;

d) местоположение: место на машине, где наблюдают диагностический признак.

Примеры - Ось вала в подшипнике N 3, вертикальное направление; опора подшипника N 4; ступень высокого давления (спереди слева), подшипник N 2;

e) обстоятельства: режим работы, при котором наблюдают признаки неисправностей.

Примеры - На выбеге, в течение 1 ч после холодного пуска, при работе на полной мощности, при работе в любом режиме.

При выборе признаков неисправностей следует избегать включения в перечень двух или нескольких признаков, имеющих тесную статистическую связь (корреляцию), поскольку включение дополнительных коррелированных признаков не дает дополнительной информации и, тем самым, не способствует повышению точности диагноза.

Примерами признаков неисправностей являются: медленное и постоянное изменение вектора первой гармоники перемещения вала; повышение температуры подшипника на 10°С по сравнению с номинальной; резкий скачок на 2 мм/с скорости на корпусе подшипника; циклические изменения первой гармоники перемещения (более 10 мкм после изменения передаваемой мощности); необычный шум; темный цвет смазочного масла.

5.1.4 Неисправности

Для описания неисправности могут быть использованы следующие элементы:

a) машина: название или идентификатор машины.

Примеры - Блок N 1 турбины, питательный насос N 2 котлоагрегата, BFW PU2, циркуляционный насос, угледробилка N 5;

b) узел: название или идентификатор узла машины, на котором наблюдают неисправность данного вида.

Примеры - Подшипник N 3, вал, поршень, ступень низкого давления, уплотняющая манжета N 2;

c) тип деградации узла машины.

Примеры - Износ, поперечная трещина, истирание, выкрашивание, дисбаланс, расцентровка;

d) критичность: ранг (например, по 4.3.3.3), характеризующий степень деградации или вид отказа.

5.1.5 Эксплуатационные параметры

Эксплуатационные параметры часто применяют при диагностировании как в качестве контролируемых параметров, так и для описания режимов работы, при которых наблюдают признаки неисправностей.

Таким образом, эксплуатационный параметр может быть как выходным параметром в системе мониторинга (если его используют в качестве контролируемого параметра), так и выходным параметром (если он определяет режим работы при контроле технического состояния). Эти две функции эксплуатационных параметров не следует путать. Например, температура корпуса турбины является контролируемым параметром при контроле состояния и диагностировании турбины. Но она становится параметром режима при контроле состояния подшипника, поскольку влияет на его работу. В последнем случае температуру корпуса турбины уже нельзя рассматривать как признак неисправности подшипника.

5.2 Информация о машине

Зачастую для диагностирования необходимы специальные знания о машине. Например:

- для вибрационного диагностирования необходимыми сведениями являются кинематические характеристики машины, такие как частота вращения, число зубьев в шестерне, характерные частоты подшипников качения;

- для диагностирования методом анализа масла необходимо иметь сведения о масляных каналах в машине, расходе масла, составе контактирующих металлов, расположении масляного фильтра и тонкости фильтрации и т.д.;

- при использовании термографии необходимо знать излучательную способность поверхности тела в инфракрасном диапазоне частот.

Необходимо отличать данные, связанные с измерениями, и данные, относящиеся к конфигурации машины. И те и другие важны для диагностирования. Данные о конфигурации машины обычно хранят в файле технических характеристик машины. Данные, относящиеся к методу контроля состояния, предпочтительно хранить в отчете о требованиях к диагностированию в разделе, где устанавливают требования к контролируемым параметрам.

5.3 История эксплуатации машины

Неисправность часто может быть связана с особенностями использования машины и ее техническим обслуживанием. Случается, что неисправность возникает в процессе капитального ремонта машины. Поэтому важно вести записи всей истории эксплуатации машины, ее технического обслуживания, выявленных неисправностей, чтобы иметь возможность учесть эти факторы при диагностировании.

6 Два подхода к диагностированию

6.1 Общие положения

Процесс диагностирования обычно начинается после обнаружения отклонений в поведении машины во время проведения штатных или нештатных процедур мониторинга или на основе субъективной оценки работника, обслуживающего машину. О наличии такого отклонения свидетельствует сравнение текущих значений контролируемых параметров с их эталонными значениями (обычно называемыми базовым уровнем), которые устанавливают на основе опыта эксплуатации, по рекомендациям изготовителя, по результатам приемочных испытаний или на основе статистического анализа данных (например, усредняя их на большом интервале времени).

В число возможных результатов любой диагностической процедуры должен входить случай, когда никаких неисправностей в обследуемой машине не существует.

В целях диагностирования машин используют два основных подхода:

a) на основе данных. Включает в себя методы построения и анализа трендов, нейронных сетей, распознавания образов, статистического анализа, диаграмм Парето и прочие численные методы. Такие методы обычно автоматизированы, не требуют глубокого понимания механизма возникновения и развития неисправности, но нуждаются в периоде обучения и больших массивах данных наблюдений неисправностей разного вида;

b) на основе знаний. Данный подход основан на представлениях, связывающих неисправности и соответствующие изменения признаков неисправностей. Данный подход включает в себя модели развития неисправности, модели нормального функционирования машины или описания типичных ситуаций в поведении машины.

Следует понимать, что четкого разграничения между указанными подходами не существует, и конкретное решение по диагностированию может включать в себя элементы разных подходов.

С целью анализа общего процесса построения диагностических моделей вводят понятие "спецификации наблюдений". Такая спецификация определяет методы описания и интерпретации собранных данных с разной степенью детализации, например, каким образом в модели осуществляется обработка характерных признаков эволюции процессов, их формы, временных особенностей, уровней и корреляций. Разные виды диагностических моделей описаны в 6.2 - 6.4.

6.2 Общее руководство по выбору подхода к диагностированию

Выбор соответствующего подхода к диагностированию (схематично показанный на рисунке 2), зависит от:

- применения оборудования;

- конечного пользователя результатов применения диагностической модели;

- метода мониторинга;

- уровня сложности знаний, которые должны быть включены в модель;

- потребности в объяснении связи между неисправностями и их признаками;

- необходимости в регулярном переобучении модели;

- наличия данных наблюдений в нормальном и неисправном состояниях машины.

Примечание - Важно на начальной стадии проектирования разделить элементы процедуры диагностирования в реальном и не в реальном масштабе времени с учетом имеющихся программных и аппаратных средств. После этого указанные элементы следует объединить в единый процесс диагностирования.

Рисунок 2 - Общий подход к выбору диагностической модели

Некоторые дополнительные сведения по выбору подхода к диагностированию приведены в приложениях С и D.

6.3 Подход на основе данных

6.3.1 Перечень методов

Подход на основе данных включает в себя следующие методы:

- статистический анализ данных и анализ случаев из практики;

- нейронные сети;

- деревья классификации;

- случайный лес;

- логистическая регрессия;

- метод опорных векторов.

Данный перечень не является исчерпывающим, но включает в себя наиболее употребительные методы диагностирования.

Основным принципом всех методов в рамках рассматриваемого подхода является использованием модели для классификации различных условий работы машины: нормальных, с неисправностью одного вида, с неисправностью другого вида и т.д. Эти методы предполагают начальный этап обучения на основе имеющихся записей для каждого классифицируемого состояния с последующей классификацией состояния на основе поступающих данных.

Ниже рассмотрены сильные и слабые стороны, характерные для всех методов диагностирования на основе данных. Кроме того, для каждого метода приведено его краткое описание, рекомендации по построению диагностических моделей, а также специфические достоинства и недостатки.

6.3.2 Сильные и слабые стороны всех методов диагностирования на основе данных

По сравнению с подходом на основе знаний методы на основе данных не требуют глубокого знания процессов, происходящих в диагностируемом оборудовании.

Кроме того, эти методы не налагают ограничений на формат независимых переменных. Это означает, что состояние машины может быть описано через дихотомию (например, на нормальное и неисправное состояния), через несколько классов состояний (например, "прогрев", "нормальная работа", "максимальная выходная мощность", "работа в режиме холостого хода") или с помощью переменной состояния (например, температуры, давления, скорости), принимающей непрерывные значения.

К недостаткам методов диагностирования на основе моделей преобразования данных относятся:

- необходимость стадий обучения, калибровки и, возможно, подстройки модели перед ее использованием. При этом может оказаться необходимым пройти каждую стадию заново при модификации оборудования или при изменении его применения, а также при обнаружении нетипичных ситуаций, не рассмотренных на стадии обучения ранее;

- необходимость относительно большого числа выборок данных для нормального и каждого неисправного состояния, используемых при построении модели;

- неспособность модели указать причину появления неисправного состояния;

- возможная высокая сложность вычислений, требуемых моделью.

Некоторые методы (логистическая регрессия, нейронные сети, деревья классификации, случайный лес, метод опорных векторов) целесообразно использовать без математической формализации, а на основе примеров из практики или полученных с помощью имитационного моделирования (испытания по принципу "прошел - не прошел", испытания химических реакторов и т.д.).

6.3.3 Статистический анализ данных и анализ случаев из практики

6.3.3.1 Общее описание метода

В основу метода положен принцип аналогии между наблюдаемой ситуацией и уже известными и рассмотренными случаями из практики.

Случаи из практики могут быть описаны через исходные наблюдаемые данные (одно- и многомерные величины, тренды, маски и пр.) или через результаты обработки этих данных, посредством которой сформированы признаки неисправностей.

Метод состоит в поиске случая или нескольких случаев из базы данных, похожих на текущее состояние, требующее диагностирования. Применяемые модели требуют стадии обучения с обратной связью и подробно описанными случаями из практики.

6.3.3.2 Построение модели

Вначале определяют данные, через которые описывают случаи из практики.

Потом задают метрику, посредством которой описывают степень схожести различных состояний (обычно ее называют расстоянием между состояниями), и способ классификации состояний (объединения схожих состояний в классы эквивалентности).

На последнем этапе обучения осуществляют калибровку (и, возможно, итеративную подстройку модели), в ходе которой все известные случаи объединяют в одну систему диагностирования.

6.3.3.3 Сильные и слабые стороны метода

По сравнению с другими методами на основе данных рассматриваемый метод требует более тщательного структурирования и описания случаев из практики.

6.3.4 Нейронные сети

6.3.4.1 Общее описание метода

Нейронная сеть (часто называемая также искусственной нейронной сетью) представляет собой нелинейную статистическую модель, которая может быть использована для описания сложных отношений между объектами. Структурно нейронная сеть представляет собой объединение множества простых процессоров (нейронов), чье коллективное поведение позволяет аппроксимировать заданную функцию.

6.3.4.2 Построение модели

Построение нейронной сети предполагает стадию обучения, во время которого происходит настройка сети посредством предъявления данных для нормального и неисправных состояний машины, и подгонки весовых коэффициентов, позволяющей согласовать выход модели с состоянием, для которого получены входные данные. После завершения процесса обучения нейронная сеть ведет себя как "черный ящик", который после поступления на его вход новых данных генерирует выходной сигнал, соответствующий одному из возможных состояний машины (из тех, что рассматривались в процессе обучения).

6.3.5 Деревья классификации

6.3.5.1 Общее описание метода

Деревья классификации (см. [9]) представляют собой непараметрический метод рекуррентного разбиения данных на подмножества, относящиеся к разным состояниям машины (нормальное, первая неисправность, вторая неисправность и т.д.), в ходе которого проверяются все независимые переменные (признаки) и все возможные ветвления в каждом узле и осуществляется отбор одной наилучшей переменной и значений, при которых происходит ветвление. В разбиении исходных данных могут быть использованы не все переменные. Другие же переменные могут быть использованы по нескольку раз в разных узлах ветвления.

Деревья, у которых не установлено ограничение на число ветвлений, способны осуществить абсолютно точную классификацию для любой обучающей выборки, когда каждой конечной (терминальной) вершине будет соответствовать строго один класс состояния (так называемое "переобучение"). Чтобы избежать этого, используют процедуру кросс-проверки, удаляющей нижние ветви дерева и делающей процедуру классификации менее чувствительной к новым тестовым данным. Данный процесс называют "отсечением".

6.3.5.2 Построение модели

Построение дерева классификации требует стадии обучения, в ходе которой сначала строят дерево, обеспечивающее точную классификацию по обучающей выборке, а затем совершают отсечение ветвей до достижения оптимального размера дерева. После завершения обучения и отсечения ветвей дерево оптимального размера используют для классификации новых данных.

6.3.6 Случайный лес

6.3.6.1 Общее описание метода

Случайный лес (см. [7]) представляет собой метод непараметрической классификации, в котором используется применение процедуры бэггинга (формирования ансамблей классификаторов из их исходной совокупности путем бутстрэп-выборки, см. [8]) к множеству деревьев классификации (см. [9]). Лес состоит из деревьев классификации, каждое из которых построено по одному наилучшему признаку. Деревья строят для совокупности бутстрэп-выборок (случайных выборок из общей выборки обучающих примеров с заменой) и ограниченного числа случайным образом выбранных признаков для каждой бутстрэп-выборки. Бутстрэп-выборки слегка отличаются одна от другой, при этом некоторые из обучающих примеров могут попадать в выборки по нескольку раз, а ряд примеров - ни разу.

В противоположность методу деревьев классификации все деревья должны быть построены с переобучением (т.е. без применения процедуры отсечения ветвей). Несмотря на то, что метод предполагает построение сотен деревьев, процедура обучения в нем осуществляется достаточно быстро (как правило, много быстрее, чем в методе нейронной сети с заданным числом примеров и процессоров). Окончательная классификация состояния осуществляется на основе классификаций, полученным по всем построенным деревьям (по принципу большинства голосов). Метод случайного леса обычно обеспечивает лучшую классификацию, чем метод одиночного дерева классификации.

6.3.6.2 Построение модели

Из полного набора обучающих примеров строится бутстрэп-выборка (выборка заданного числа примеров с замещением). Случайным образом выбирается несколько признаков из их общего числа (обычно число выбранных признаков приблизительно равно квадратному корню из общего числа признаков). По бутстрэп-выборке и выбранным признакам строится дерево классификации, причем каждое ветвление осуществляется по оптимальному признаку. Процедура ветвления осуществляется до тех пор, пока не будет получена абсолютно точная классификация для всех примеров бутстрэп-выборки. После этого формируется новая бутстрэп-выборка и на ее основе строится новое дерево классификации. Классификацию нового, неизвестного состояния получают на основе классификаций, сделанных всеми построенными деревьями, выбирая ту из них, что встречается чаще других.

6.3.6.3 Сильные и слабые стороны метода

Существенным преимуществом алгоритма случайного леса по сравнению с методом деревьев классификации является то, что первый позволяет получить оценку важности независимых переменных (признаков), которая может быть использована при отборе признаков.

Другим преимуществом является использование всех обучающих примеров в полном объеме, т.е. нет необходимости резервировать ряд обучающих примеров для выполнения процедуры кросс-проверки.

К преимуществам относится также то, что, за редким исключением, в отличие от многих алгоритмов классификации данный метод не сталкивается с проблемой переобучения. Как правило, если обучение пополнять все новыми примерами, то погрешности классификации будут незначительно колебаться относительно некоторого установившегося значения.

Наконец, в отличие от многих других алгоритмов классификации, данный метод требует настройки только по двум параметрам (числу деревьев и числу переменных, проверяемых при построении ветвления), причем чувствительность к этим параметрам невысока (при отклонении указанных параметров от оптимальных качество работы алгоритма изменяется незначительно).

Слабой стороной метода является то, что, подобно многим другим методам классификации на основе данных, по принципу своего действия он представляет собой "черный ящик", те для каждого частного случая классификации трудно объяснить, почему она оказалась именно такой, а не другой.

6.3.7 Логистическая регрессия

6.3.7.1 Общее описание метода

Логистическая регрессия (см. [10]) моделирует соотношение между переменными (признаками) и ожидаемым значением E(у) через логистическую функцию:

.

(1)

В результате преобразования получаем

.

(2)

Ожидаемая величина определяет дихотомию состояний, т.е. должна принимать одно из двух возможных значений (0 или 1), в то время как л