Микропроцессорная диагностика технических систем

Микропроцессорная диагностика технических систем

Основной информацией, поступающей на вход микропроцессорной системы технического диагностирования, являются электрические сигналы, пропорциональные измеряемым величинам. Форма электрических сигналов однозначно соответствует определенному классу состояния объекта, и это идентифицируется различными алгоритмами. Описание признаков, характеризующих определенные параметры системы, является одно из важных задач классификации. По сути любое диагностирование представляет собой классификацию: определение по исходным данным состояния объекта можно рассмотреть как задачу разбиения на классы в зависимости от преобразованных значений выходной информации, где под классом следует понимать различные состояния одного и того же объекта.

Каждое такое состояние диагностируемого объекта характеризуется определенным набором признаков. В общем случае работающий динамический объект будем рассматривать как физическую систему состояний G, находящуюся в одном r случайных состояний Одни из них будут принадлежать к классу нормальных состояний, другие будут связаны с возникновением аномальных режимов работы, а также тех или иных неисправностей. Система состояний проявляется через систему признаков K. Система признаков K — некоторая совокупность признаков каждый из которых с определенной вероятностью характеризует положение (состояние) системы G.

В общем случае имеем алфавит системы состояний.

и алфавит системы признаков.

Возможные комбинации системы признаков и системы состояний устанавливаются на основе теоретических и экспериментальных исследований.

Количество признаков, необходимое для правильной диагностики с заданной степенью точности, зависит от разделяющих Качеств выбранных признаков. Для облегчения анализа этой задачи признаки разделяют на три категории: физические, структурные и математические, физические и структурные признаки являются сугубо проблемно-ориентированными в том смысле, что их использование связано с созданием специализированных алгоритмов. По сравнению с этими признаками математические являются более общими по своей природе, и они легко поддаются машинной реализации.

Чем более эффективно выбраны признаки, тем меньше размерность вектора измерений, и чем больше число параметров, характеризуемых данным признаком, тем более информативным или важным считается данный признак.

Для получения оценки важности признака вводят величину, называемую весом i-го признака, где K — общее число признаков, — число параметров, в состав характеризующих признаков которых входит i-ый признак. Причем, если выбор признаков осуществляется вне со схемой классификации, то оптимальный выбор признаков определяется максимизацией и минимизацией некоторых функций критерия, т. е. без учета ограничений. Когда же эффективность выбранных признаков непосредственно связана, то эта связь выражается в терминах вероятности правильного распознавания.

Вероятность реализации того или иного состояния — одна из основных характеристик работоспособности объекта диагностирования. Вероятность вычисления состояний вычисляется по формуле:

микропроцессорный диагностика транспортный работоспособность.

где — априорная вероятность системы состояния; - функция правдоподобия; - апостероприорная вероятность гипотезы о принадлежности j-той системы признаков к I-той системы состояний Gi.

С целью выявления недопустимых изменений параметров объекта в процессе эксплуатации вводятся допустимые отклонения, соответствующие нормальному состоянию, отклонению параметра и выходу за все возможные границы допусков.

Важным ограничивающим условием реализации диагностирования с использованием микропроцессоров является быстродействие выбранной вычислительной системы, так как весьма часто требуется контролировать различные значения измеряемой величины с неодинаковой точностью. Микропроцессорные системы, включенные в состав диагностирующих средств, используя программные средства, позволяют изменить число контролируемых точек, последовательность их опроса, допустимые пределы при контроле параметров, учесть предыдущее состояние объекта.

• 1. Гольдман Р. С., Москаленко Ю.C. Исследование вопросов различимости объектов. — М.: Наука, 1980.
• 2. Поезжаева Е. В. //Теория механизмов и механика систем машин. Промышленные роботы: учеб. пособие: в 3 ч. / Е. В. Поезжаева. — Пермь: Изд-во Перм. Гос. техн. ун-та, 2009.-Ч.2−185.