Upload
vanliem
View
237
Download
1
Embed Size (px)
Citation preview
23.5.2013.
1
Nove tehnologije u dijagnostici i upravljanju
Pripremio: Igor Vujović
Literatura
- Radovan Antonić, Nove tehnologije dijagnostike i upravljanja, PFST,
Split, 2010. Na web stranicama pfst.hr/old pod nastavni
materijali. Izravni link: http://www.pfst.hr/old/data/materijali/Nove-
Tehnologije-Dijagnostike-i-Upravljanja.pdf
- Ova prezentacija.
2.dio na web stranici predmeta. Izravni link:
http://www.pfst.hr/~ivujovic/stare_stranice/pdf_zip_word/ntdu_dio2.pdf
Vježbe, izravni link:
http://www.pfst.hr/~ivujovic/stare_stranice/pdf_zip_word/ntdu_vjz.pdf
23.5.2013.
2
Važna pitanja1. kolokvij
1. Određivanje pouzdanosti sustava u serijskom
spoju.
2. Određivanje pouzdanosti sustava u paralelnom
spoju.
3. Pojmovi: distribucija životnog ciklusa, gustoća
kvarova, srednji životni vijek, uvjetna
pouzdanost
4. Raspoloživost sustava.
5. Koncept mikroelektroničkog upravljanja
podmazivanjem cilindara.
6. Koncept inteligentnog motora.
7. Koncept sustava upravljanja i dijagnostikebrodskog dizelskog motora temeljen na bazi
znanja i sustavu nadzora
8. Osnovni zadaci u dijagnostici kvarova i procedura
dijagnostike.
9. On-line dijagnostika kvarova.
10. Stabla kvarova.
11. Binarne relacije simptomi-kvarovi.
12. Skolpovska redudantnost.
13. Analitička redudantnost.
14. Softverski zahtjevi na sustave upravljanja.
15. Koncepcija Sw strukture SU za dizelski proces.
2. kolokvij
1. Prozorske funkcije (pravokutne, ravnog vrha,Hanning).
2. Neuron s jednim ulazom.
3. Prijenosne funkcije neurona.
4. Neuron s više ulaza.
5. Algoritam povratnog prostiranja i primjena uobradi senzorskih signala brodskog dizelskogmotora.
6. Značajke pametnih mreža.
7. Eksperni sustavi - baza podataka premapravilima ili znanju.
8. Odlike ekspertnog sustava.
9. Podjele ekspernih sustava.
10. Objasnite načelo neizrazite logike.
11. Prednosti multisenzorske fuzije.
12. Temeljne arhitekture za multisenzorsku fuziju.
13. Omnibuski model procesa multisenzorskefuzije.
14. JDL i ATR multisenzorska fuzija.
15. Fuzija na razini piksela.
16. Fuzija na razini značajki.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAVećina tehničkog osoblja uključenog u održavanja pogona i tehničkih
sustava susreli su se sa praćenjem stanja strojeva ili CM (ConditionMonitoring). Po definiciji, CM znači periodičko provjeravanje stanjastrojeva i po potrebi reagiranje na bilo kakve promjene u stanjuopreme. CM se može izvršiti po različitim funkcijama održavanja.Vizualna inspekcija, traženje ostataka trošenja djelova, termografskaanaliza i praćenje vibracija su najpopularnije metode praćenja stanjastroja. U ovom poglavlju bit će opisano praćenje i analiza vibracijastrojeva na brodovima. Pod analizom vibracija podrazumjeva seperiodičko mjerenje vibracija na određenim točkama pokretnog stroja iuspoređivanje sa standardnim, odnosno poznatim radnim stanjimastroja u normalom radu. Uspoređivanjem tih stanja može se zaključiti dali je došlo do promjene u radnim stanjima stroja. Ovisno o veličiniutvrđene promjene, može se dalje analizirati opseg stanja u kojem sestroj nalazi i utvrditi prave zaštitne mjere koje je potrebno poduzeti.Glavna ideja praćenja vibracija je skupljanje podataka i reakcija napromjene u trendu, prije nego dođe do katastrofalnih kvarova.
23.5.2013.
3
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Osovinsko poravnanje je proces u kojem se dva ili više strojeva, tipično motor ipumpa, postavljaju na način da u točki prijenosa snage osovine obaju stojeva budukolinearne za vrijeme dok stroj radi u normalnim radnim uvjetima:
No, za svaku standardnu definiciju postoji izuzetak. Neke spojnice, npr zupčastespojnice, zahtjevaju namjernu grešku u poravnanju zbog osiguravanja dobrogpodmazivanja tijekom rada. Uvjeti poravnanja mogu se promjeniti u radnimokolnostima. Ovo može biti zbog niza razloga, kao što su termalni rast, naprezanjecijevi, okretni moment stroja, pomicanje baze i poigravanje ležajeva. Pošto seosovinsko poravnanje obično mjeri dok je stroj hladan, ono ne mora nužno bitinulto radno poravnanje stroja. Ono se mora mjeriti za vrijeme okretanja stroja utočnome pravcu vrtnje.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Na gornjoj slici može se vidjeti prirodno ponašanje osovine pod vlastitomtežinom. Veličina uvijanja ovisi o nekoliko faktora, a to su čvrstoćamaterijala osovina, količina težine između nosećih ležaja, dizajn ležaja injihova međusobna udaljenost. Za veliku većinu blizu uparenih osovina,ovaj luk uvijanja je zanemariv i zbog toga se iz praktičnih razloga možezanemariti. Na dugim uparenim osovinskim pogonima, nprturbogeneratori u elektroproizvođačkim pogonima ili strojevi s visokorazmaknutim osovinama, ova se luk mora uzeti u obzir (slika na sljedećemslide-u).
23.5.2013.
4
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Kod parnih turbina, na primjer, osovine su obično poravnate s greškom od1/100 [mm], dok centralna točka središnje osovine može biti i do 30 [mm]pomaknuta. Pošto se osovinsko poravnanje mora mjeriti i posljedičnoispravljati, potrebno je kvantificirati i opisati stanje poravnanja.Tradicionalno se osovinsko poravnanje mjerilo i opisivalo korištenjemindikatora s kazaljkom koji je mjerio odstupanje spojnice od baze stroja.Moderniji načini uključuju definiranje stanja pomaka u uvjetima kutnog iradijalnog pomaka, kako vertikalnog, tako i horizontalnog. Na taj načinmogu se dobiti 4 različite vrijednosti pomaka (slika na sljedećem slide-u).
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Kutni pomak opisuje kut između dviju rotirajućih osovina. Kutni se pomak možeizraziti direktno u stupnjevima, miliradijanima ili u vidu nagiba u milimetrima iliinčima. Stoga je popularnija mjera za kutni pomak razmak po promjeru. Razmakpo sebi nema smisla i potrebno ga je podijeliti s promjerom da bi se mogaoiskoristiti. Kao promjer obično se koristi promjer spojnog elementa pogonskog ipogonjenog stroja.
23.5.2013.
5
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Radijalni pomak opisuje udaljenost središnjih osi dviju osovina u zadanojtočki. Kako je vidljivo na slici, za isto stanje poravnanja vrijednost pomakavarira u ovisnosti od lokacije gdje se mjeri udaljenost između dvijuosovina.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAAko nije drukčije navedeno, radijalni pomak se mjeri u milimetrima ili tisućinkamainča u središtu spojnog elementa.Iako se naizgled radi o malim vrijednostima (deseti i stoti djelovi milimetra), uticajosovinskog poravnanja od presudne je važnosti za dobar, učinkovit, siguran iekonomski opravdan rad pogonskih strojeva. Pojedine studije su pokazale darazlika u poravnanju od samo 0,03 [mm] povećava ukupne godišnje troškoveelektrične energije i do 0,75%. Osim toga, povećavaju se vibracije i zagrijavanjestrojeva, što doprinosi ubrzanom trošenju materijala i smanjenju radnoga vijekastroja.Na slici se može vidjetitermoskopska analizaspojnog elementa za razliku uporavnanju od 0,45 [mm].Primjećuje se znatnopovećanje topline ne samospojnog elementa, već ipogonskog stroja (desno)zbog povećanog trenja uležajima.
23.5.2013.
6
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Vibracija je jednostavnoosciliranje oko referentnetočke. Na primjer, osovinavibrira relativno na kućištedijela stroja, a ležaj vibrirarelativno na kućište ležaja.Vibracija se pojavljuje kadasustav reagira na neku vanjskuili unutrašnju uzbudu i može sepodijeliti na tri osnovne vrste:
1. Vibracija slobodnog tijela
2. Vibracija struganja i prolaska
3. Vibracije trenja
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAAmplituda vibracija ovisi o magnitudi uzbudne sile, masi i krutosti sustava injegovom prigušenju. Vibracije nastaju zato što nije moguće sagraditi savršenstroj ili ga instalirati kao takvog. Kada bi se mogao konstruirati savršen stroj,centar mase rotirajućeg elementa bio bi smješen točno u gravitacijskomsredištu. Kada se ta dva središta ne podudaraju, rotor ima tešku točku i određenstupanj neravnoteže. Ova neravnoteža proizvodi vibracije proporcionalne stežinom teške točke. Dodatni izvori vibracija su tolerancije djelova stroja injegova struktura, dizajn ležajeva, opterećenje i podmazivanje, kvalitetaugradnje stroja i dodir pokretnih djelova.Frekvencija je cikličko gibanje u jedinici vremena. Jedinice frekvencije su o/min(okretaji u minuti) ili RPM (Revolutions Per Minute) i Hz – ciklusi po sekundi.Amplituda je maksimalna vrijednost dinamičkog kretanja vibracije. Obično seizražava na načine „od vrha do vrha“ (Peak to Peak), „od 0 do vrha“ (0 to Peak) iRMS (Root Mean Square) (Slika sljedeći slide). Amplituda, bilo da je izraženapomakom, brzinom ili ubrzanjem, generalni je indikator ozbiljnosti stanja. Poštosu načelni industrijski standardi vibracijskog stanja izraženi u nekom od ovihoblika, važno je dobro poznavati njihove odnose. Bitno je biti oprezan koduspoređivanja mjerenja s industriskim standardom o kojem se tipu amplitudnogmjerenja radi.
23.5.2013.
7
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Osnovna frekvencija je primarna rotirajuća brzina stroja ili osovine koja senadzire i obično se naziva radnom brzinom stroja. U praksi se običnoizražava sa RPM. Ako se , na primjer, želi izraziti 1800 RPM u jedinicama Hz,onda je potrebno podijeliti RPM sa 60 [s] (1800·RPM/60 [s] = 30 [Hz]).Osnovna je frekvencija važna iz razloga što se mnoštvo problema nastrojevima poput neravnoteže ili osovniskog neporavnanja javlja u nekom odvišekratnika osonvne frekvencije.
Harmonici su frekvencije čija je vrijednost višekratnik vrijednosti osnovnefrekvencije, npr 1f, 2f, 3f, itd.
23.5.2013.
8
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAPomak (D) je stvarno fizičko gibanjevibrirajuće površine. Pomak se običnoizražava u tisućinkama inča (mils) ilimikronima. Kod mjerenja pomaka zanimanas peak to peak pomak što je ukupnaudaljenost od gornje do donje točkevibracije.Brzina (V) je stopa promjene pomaka ujedinici vremena. Mjeri se u [mm/s] RMS ili[in/s] RMS.Ubrzanje (A) je stopa promjene brzine ujedinici vremena. Mjeri se u gravitacijskomubrzanju (g).Vibracije stroja sastoje se od različitihfrekvencijskih komponenti, kako jeilustrirano na Slici 3.6. Amplituda svakefrekvencijske komponente pruža indikacijustanja pojedinog rotirajućeg elementastroja.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Pojednostavljeno rečeno,vibracijsko frekventnispektar pretvara vibracijskisignal u stvarnuamplitudnu reprezentacijupojedinih frekvencijskihkomponenti.Pošto je većina grešaka nastroju prikazana pri ili ublizini frekvencijskekomponente povezane sradnom brzinom,mogućnost prikazivanja ianalize spektra kaokomponenti frekvencije jeod presudnog značaja.
23.5.2013.
9
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAPrednost frekvencijske analize spektra je u mogućnosti normalizacije svake
vibracijske komponente, tako da se složeni spektar stroja može razložiti nadiskretne komponente. Ova mogućnost pojednostavljuje analizu mehaničkedegradacije unutar stroja. Slika na prethodnom slide-u ilustrira tipične valneoblike različitih komponenti stroja.
Varijacija u vrijednostima brzine i ubrzanja s frekvencijom vrlo je važna, jersačinjava osnovu za kriterij ozbiljnosti stanja vibracija, pruža smjernice za odabirvarijabli koje su najpogodnije za određenu namjenu i objašnjava kako kvarovimogu nastati bez upozorenja ako se nadzire pogrešna varijabla. Varijacija senajbolje ilustrira ako se prikaže graf pomaka i ubrzanja u ovisnosti o frekvencijipri konstantnoj amplitudi brzine od 7 [mm/s], što se može vidjeti na Slici (nextslide). Može se primjetiti da se brzina čini kao valjan indikator stanja kroz čitavspektar frekvencija. To je glavni razlog zašto se brzina koristi kao glavni indikatormehaničkog stanja stroja. Odnos između pomaka, brzine i ubrzanja takođerpruža najbolju indikaciju koji parametar je potrebno mjeriti da bi se došlo dopravog stanja. Iz dijagrama se jasno vidi da pri ispitivanju nižih frekvencija, oko iliispod radne brzine većine strojeva, mjerenje pomaka i brzine daje najboljerezultate. S druge strane, pojave poput rezonancije ležajeva pri 5-10 [kHz] i više,najbolje se mjere u vidu ubrzanja.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
23.5.2013.
10
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Lokacija i način prikupljanja podataka suod presudne važnosti za uspješanprogram motrenja vibracija. Da bi sepostavila uspješna dijagnoza kvara,podaci se moraju prikupljati u pravilnojravnini i moraju se redovito ponavljati.Neke greške pokazuju veliku amplitudu uradijalnoj, a neki u aksijalnoj ravnini, štoje vidljivo na slici. Lokacija mjerenjatrebala bi biti na izloženim djelovimastroja koji su prisupačni i prenosevibracije kućišta ležajeva. Također,strojevi mogu biti montirani uhorizontalnom i vertikalnom smjeru.Ovisno o načinu postavljanja stroja,propisane su konvencionalne lokacijepostavljanja mjernih senzora, što jevidljivo na slikama.
Horizontalno postavljen stroj s točkama mjerenja
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Točke mjerenja trebaju se jasnooznačiti da bi se osiguralomjerenje uvijek u istoj točki.Mjerenje bi se trebalo vršitikada rotor i glavni ležajevistabiliziraju radnu brzinu,temperaturu, opterećenje,napon i tlak.
Vertikalno postavljen stroj s točkama mjerenja
23.5.2013.
11
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAAkcelerometri su najrašireniji davači korišteni u programima za mjerenjevibracija. Tipični akcelerometar sadrži piezoelektrični kristal koji je inicijalnoopterećen određenom masom i čitava izvedba je zaštićena u otpornomzatvorenom kućištu. Piezoelektrični kristal proizvodi električni signal kada jepod fizičkim opterećenjem tlaka ili napetosti, kako je vidljivo na slici:
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAPromjenjiva vibracijska sila koja djeluje na masu smještenu na kristalu,proizvodi električni signal koji je proprocionalan ubrzanju. Akcelerometriimaju širok frekvencijski spektar, tipično od 2 do 10 [kHz]. Imaju dobartemperaturni odziv i lako se montiraju na kućište gdje je potrebno izvršitimjerenje, bilo uz pomoć magneta, ljepila ili se ručno drže tijekom mjerenja.Na slici može se vidjeti frekvencijski opseg akcelerometra. Područje u kojemse koristi pojedini akcelerometar treba biti linearno za čitav raspon frekvencijakoje se mjere. Ako je mjerno područje izvan mjernog opsega akcelerometra,onda treba posegnuti za korištenjem drugog tipa senzora. Tipično, što je manjiakcelerometar, to je njegov korisni frekvencijski opseg širi.
23.5.2013.
12
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Postavljanje mjerne sonde
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Na prethodnoj slici vide se načini postavljanja mjerne sonde na mjernu točkustroja. Sonda postavljena na vijak ima frekvencijski odziv do oko 20 [kHz],montaža sa ljepilom ili epoksidnom smolom daje otprilike isti odziv,permanentni magnet do oko 5 [kHz], a ručno držana sonda oko 1.5 [kHz].Što je krući kontakt sonde i stroja, bolji je frekvencijski odziv i stoga boljapouzdanost mjerenja.
„Sirovi“ podaci prikupljeni sa sonde moraju se proširiti da bi se dobili korisnipodaci. Za dobivanje podataka vibracija, podaci se moraju kondicioniratida bi se spriječile greške. Takvo kondicioniranje uglavnom uključuje:
� Filtriranje zbog uklanjanja neželjenih ili lažnih signala
� Pojačanje zbog povećavanja rezolucije slabih signala
� Usrednjavanje podataka zbog uklanjanja lažnih podataka
� Pretvaranje u frekvencijsko područje (FFT)
23.5.2013.
13
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Za pomoć ovim tehnikama filtriranja, mnogi analizatori nude broj „prozorskih“funkcija koje, ovisno o odabranom tipu, pomažu pri analizi prikupljenihpodataka.
Pravokutni prozor (Rectangular window) nudi veću nepreciznost uamplitudnoj domeni, ali veću točnost u frekvencijskoj domeni. Praktičnaupotreba ovog prozora je za prelazne procese, npr sudarne testove, gdje jepotrebno odrediti prirodne frekvencije određenih komponenti.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Prozor ravnog vrha (Flat top window) ima najveću točnost za amplitudnudomenu, ali veću netočnost za frekvencijsku rezoluciju.
23.5.2013.
14
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Hanning prozor je standardan za većinu vibracijskih analiza, ima najvećutočnost za frekvencijsku rezoluciju, ali nešto veću netočnost u amplitudnojdomeni.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAStatička neravnoteža je u fazi i stabilna vibracija. Amplituda zbog neravnotežeće se povećavati s kvadratom brzine rotora (3 puta veća brzina rotora, 9 putaveća vibracija). 1xRPM je uvijek prisutna i obično dominira spektrom. Možese ispraviti postavljanjem samo jednog utega u jednoj ravnini u gravitacijskomcentru rotora. Otprilike 0˚ fazne razlike bi trebalo postojati izmeđuunutrašnjeg (InBoard, IB) i vanjskog (OutBoard, OB) ležaja kako uhorizontalnom, tako i u vertikalnom smjeru. Također, oko 90˚ fazne razlikeizmeđu horizontalnog i vertikalnog očitanja postoji na svakom ležajunebalansiranog rotora (±30˚). Neravnoteža sile:
23.5.2013.
15
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Parna neravnoteža rezultira sa 180˚ izvanfaznim gibanjem na istoj osovini.1xRPM je uvijek prisutna i dominira spektrom. Amplituda varira sa kvadratompovećanja brzine ispod kritične brzine prvog rotora. Može uzrokovati visokeaksijalne vibracije, isto kao i radijalne. Korekcija zahtjeva postavljanje dvajuutega u najmanje dvije ravnine. Napomena da najmanje 180˚ fazne razliketreba postojati između OB i IB horizonala, kao i OB i IB vertikala. Također sejavlja oko 90˚ razlike između vertikalne i horizontalne faze na svakom ležaju(±30˚).
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Dinamička neravnoteža je dominantni tip neravnoteže koji se javlja ikombinacija je statičke i parne neravnoteže. 1xRPM dominira spektrom isvakako zahtjeva korekciju u 2 ravnine. Ovdje radijalna fazna razlika izmeđuOB i IB ležaja može varirati bilo gdje između 0˚ i 180˚. Međutim, horizontalnafazna razlika bi trebala usko pratiti vertikalnu razliku, kada se uspoređujumjerenja na OB i IB ležajevima (±30˚). Sekundarno, ako neravnoteža dominira,otprilike 90˚ fazne razlike obično se javlja između vertikalnih i horizontalnihočitanja na pojedinom ležaju (±40˚). Dinamička ravnoteža:
23.5.2013.
16
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Neravnoteža obješenog rotora uzrokuje visoku 1xRPM vibraciju u aksijalom iradijalnom smjeru. Aksijalna očitanja imaju težnju da budu u fazi, dokradijalna očitanja mogu biti nestabilna. Međutim, horizontalna fazna razlikaobično će pratiti vertikalnu razliku nebalansiranog rotora (±30˚). Obješni rotoriimaju i statičku i parnu neravnotežu, svaka od kojih zahtjeva korekciju. Stogase korektivni utezi gotovo uvijek moraju stavljati u dvije ravnine. Neravnotežaobješenog rotora:
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Ekscentrični rotor. Ekscentričnost nastaje kada se središte rotacije pomakneod geometrijskog središta rotirajućeg elementa. Najveća vibracija nastaje na1xRPM ekscentrične komponente u smjeru pravca kroz središta dvaju rotora.Usporediva horizontalna i vertikalna fazna očitanja obično se razlikuju za 0˚ ili180˚ (svaki od kojih ukazuje na pravocrtno gibanje). Pokušaji da se balansiraekscentrični rotor obično rezultiraju smanjenjem vibracija u jednomradijalnom smjeru, ali povećavanjem u drugom radijalnom smjeru, ovisno ostupnju ekscentriteta. Ekscentrični rotor:
23.5.2013.
17
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Savijanje osovine uzrokuje visoke aksijalne vibracije s aksijalnim faznimrazlikama koje teže prema 180˚ na pojedinoj komponenti stroja.Dominantna vibracija se obično javlja pri 1xRPM ako je osovina savijenablizu središta, ali i pri 2xRPM ako je savijena blizu spojnog elementa.Napomena; važno je imati na umu smjer orjentacije davača pri svakomaksijalnom mjerenju ako se okrene smjer sonde. Indikatorima je potrebnopotvrditi savijenost osovine. Savijanje osovine:
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Kutno neporavnanje je karakterizirano visokom aksijalnom vibracijom, 180˚izvan faze preko spojnog elementa. Tipično će se javljati visoka vibracija pri1xRPM i 2xRPM, iako nije neobično da dominira bilo koja od 1X, 2X ili 3X.Ovi simptomi mogu ukazivati i na probleme spojnog elementa. Ozbiljnakutna neporavnanja mogu uzbuditi mnoštvo 1xRPM harmonika. Za razlikuod mehaničke labavosti tipa 3, ovi mnogobrojni harmonici obično nemajupovišen nivo šuma u spektru.
23.5.2013.
18
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Paralelno neporavnanje ima slične simptome kao kutno, ali daje visokuradijalnu vibraciju koja doseže do 180˚ pomaka izvan faze na spojnomelementu. 2xRPM je obično veća od 1X, ali njena visina u odnosu na 1X ječesto diktirana od tipa i izvedbe spojnog elementa. Kad god kutno iliparalelno neporavnanje postane ozbiljno, mogu generirati visokeamplitudne skokove pri puno višim harmonicima (4X-8X) ili čak čitav nizvisokofrekventnih harmonika u sličnoj pojavi kao kod mehaničke labavosti.Materijal i tip izvedbe spojnog elementa imaju visok uticaj na čitav spektarkad je neporavnanje ozbiljno. Obično nema povišenu razinu šuma.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Neporavnanje ležaja nabijenog na osovinu uzrokuje zapažljivu aksijalnuvibraciju. Uzrokuje uvijajuće gibanje s oko 180˚ faznog pomaka od vrha dodna ili sa strane na stranu ako se mjeri u aksijalnom smjeru na istomkućištu ležaja. Pokušaji da se poravna ležaj ili balansira rotor neće olakšatiproblem. Ležaj se mora odstraniti i ispravno postaviti.
23.5.2013.
19
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Rezonancija može uzrokovati dramatične poraste amplitude, koji moguuzrokovati preuranjen ili čak katastrofalan kvar. Ako je rotor u ili blizurezonancije, može biti skoro nemoguće balansirati ga zbog velikog faznogpomaka koji se javlja (90˚ pri rezonanciji, 180˚ pri prolasku). Često zahtjevapromjenu prirodne frekvencije na višu ili nižu frekvenciju. Prirodne sefrekvencije obično ne mijenjaju s promjenom brzine, što pomaže prinjihovom identificiranju.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Tip A nastaje zbog strukturalne labavosti/slabosti baze, podloge ili nosačastroja. Fazna analiza može otkriti približno 180˚ fazne razlike izmeđuvertikalnog mjerenja na podlozi, nosaču ili samoj bazi stroja. Mehaničkalabavost tipa A:
23.5.2013.
20
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Tip B općenito nastaje zbog otpuštenih vijaka za učvršćivanje baze, pukotina u okviru nosive strukture ili nosača ležaja. Mehanička labavost tipa B:
6. ANALIZA VIBRACIJA BRODSKIH STROJEVATip C se obično generira zbog nepropisne montaže komponenti stroja prema
silama od strane rotora. Uzrokuje rezanje vremenske funkcije. Tip C čestouzrokuje opuštena košuljica ležaja u nosivoj kapi, prevelik razmak bilo učahuri ili u kotrljajućem elementu ležaja ili labav impeler na osovini. Fazatipa C je često nestabilna i može varirati jako između mjerenja, naročitoako rotor pomakne položaj na osovini između dvaju pokretanja.Mehanička labavost je često vrlo usmjerena i može uzrokovati znatnurazliku očitanja ako se usporede nivoi pri povećanju koraka od 30˚ uradijalnom smjeru čitav krug oko kućišta pojedinog ležaja. Također semože primjetiti da labavost uzrokuje i pojavu podharmonika pri 1/3 ili ½RPM (0.5xRPM, 1.5xRPM, 2.5xRPM itd).
23.5.2013.
21
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAHIDRAULIČKE I AERODINAMIČKE SILE: Frekvencija prolaska lopatice (BladePass Frequency) izražava se kao broj lopatica rotora pomnožen s brzinomvrtnje (RPM). Ova frekvencija je svojstvena pumpama, ventilatorima ikompresorima, ali obično ne uzrokuje problem. Međutim velike amplitudeBPF (i harmonici) mogu biti generirani u pumpi ako razmak između rotirajućihlopatica i statičnih krilaca difuzora nije jednak. Također, BPF (i harmonici)ponekad se mogu poklopiti s prirodnom frekvencijom uzrokujući visokuvibraciju. Visoki BPF može se pojaviti i ako prsten za trošenje impelera zapečena osovini ili ako popuste varovi koji drže krilca difuzora. Također, visoki BPFmože nastati zbog naglih zakrivljenosti cjevovoda, prepreka koje ometajuslobodan protok, postavki prigušnika ili zbog ekscentričnog rotora unutarkućišta.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
PROBLEMI ZUPČANIKA: Normalni spektar zupčanika pokazuje brzinepogonskog i pogonjenog zupčanika, kao i mrežastu frekvenciju zupčanika(Gear Mesh Frequency, GMF) i vrlo male GMF harmonike. GMF harmoniciobično imaju postranične pojaseve radne brzine. Svi vrhovi imaju maleamplitude, a prirodne frekvencije zupčanika se ne pojavljuju. Preporučenafrekvencija je pri 3.25xGMF(minimalno) kada je poznat broj zubazupčanika. Ako broj nije poznat, postavlja se pri 200xRPM na svakojosovini.
23.5.2013.
22
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Glavni indikator trošenja zuba je uzuđivanje prirodne frekvencije zupčanika(fN) zajedno sa postraničnim pojasevima koji su razmaknuti za vrijednostradne brzine lošeg zuba. GMF može i ne mora promjeniti amplitudu, iakopostranični pojasevi visokih amplituda i mnoštvo postraničnih pojasevakoji okružuju GMF obično nastaje kada je trošenje primjetno. Postraničnipojasevi mogu biti bolji indikator trošenja od samog GMF-a. Također,visoke amplitude obično nastaju pri 2xGMF i naročito pri 3xGMF, čak i kadje amplituda GMF-a prihvatljiva. Trošenje zuba zupčanika:
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
INDUKCIJSKI MOTOR: Statorski problemi generiraju visoku vibraciju pri 2xlinijskoj frekvenciji (2FL). Ekscentričnost statora proizvodi nejednakstacionarni zračni razmak između rotora i statora koji proizvodi vrlousmjerenu vibraciju. Diferencijalni zračni razmak ne smije premašiti 5% zaindukcijske motore i 10% za sinkrone motore. Meko podnožje i iskrivljenabaza mogu proizvesti ekscentrični stator. Kratko spojeni laminirani limovistatora mogu prouzročiti nejednako, lokalizirano pregrijavanje koje možeizobličiti sam stator. To stvara termalno induciranu vibraciju koja možeznačajno porasti s vremenom rada uzrokujući izobličenje statora iprobleme statičnog zračnog razmaka.
23.5.2013.
23
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Ekscentrični rotor stvara promjenjivi zračni procjep između rotora i statorakoji inducira pulsirajuću vibraciju (obično između 2FL i najbližeg harmonikaradne frekvencije). Obično zahtjeva „uvećanje“ spektra radi razdvajanja 2FL
i harmonika radne brzine. Ekscentrični rotor generira 2FL okuženeharmonicima frekvencije prolaska polova (FP) kao i FP postranične pojaseveoko radne brzine. Sam FP se javlja oko pri nižim frekvencijama. Normalnevrijednosti FP raspona su od 20 do 120 RPM (0.3-2.0Hz). Meko podnožje ilineporavnanje često induciraju promjenjivi zračni raspon zbog distorzije(mehanički problem, ne električni).
6. ANALIZA VIBRACIJA BRODSKIH STROJEVAOstali problemi rotora su napuknute rešetke ili kratkospojni prstenovi, slabi
spojevi između rešetki i prstenova (Slika 3.36a). Kratko spojeni laminiranilimovi rotora će proizvesti visoku 1xRPM vibraciju s postraničnim pojasevimafrekvencije prolaska polova (FP). Također, ovi problemi će često generirati FP
postranične pojaseve oko drugog, trećeg, četvrtog, petog i šestog harmonikaosnovne frekvencije. Labave ili otvorene rešetke rotora (Slika 3.36b) suindicirane s postraničnim pojasevima dvostruke linijske frekvencije (2FL) kojeokružuju frekvenciju prolaska rešetki rotora (Rotor Bar Pass Frequency, RBPF)i njenih harmonika. Često će uzrokovati visoke nivoe pri 2xRBPF, s malomamplitudom pri 1xRBPF. Elektični lukovi koji nastaju među labavim rotorskimrešetkama i završnim prstenovima, često će pokazivati visoku vibraciju pri2xRBPF (sa postraničnim pojasevima 2FL frekvencije), ali malo ili bezpovećanja amplitude pri 1xRBPF.
23.5.2013.
24
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
REMENSKI PRIJENOS: Frekvencije remena su niže od frekvencija pogonske ilipogonjene remenice. Kada je istrošen, labav ili neodgovara namjeni, običnouzrokuje 3 do 4 puta višekratnike frekvencije remena. Često je 2X frekvencijadominantni šiljak. Amplitude su obično nestabilne, nekad pulsiraju izmeđufrekvencije pogonske i pogonjene remenice. Na pogonima s vremenskimremenom, istrošenost ili neporavnatost remenika se indicira visokimamplitudama pri Vremenskoj Frekvenciji Remena (VFR).
gdje je: – vremenska frekvencija remena– frekvencija remena– promjer kanala koloturnika– brzina koloturnika– dužina remena– broj zuba remena– broj zuba koloturnika
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Istrošen, labav ili neodgovarajuć remen
23.5.2013.
25
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Neporavnanje remenice stvara visoku vibraciju pri 1X pogonskoj ilipogonjenoj frekvenciji u aksijalnom smjeru. Omjer amplituda pogonske ipogonjene frekvencije ovisi o mjestu uzimanja podataka kao i o relativnojmasi i krutosti okvira. Često, kod neporavnate remenice, najveća aksijalnavibracija s motora se može javiti na ventilatoru ili obrnuto. Neporavnanjeremenice:
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Ekscentrična remenica uzrokuje visoku 1xRPM vibraciju u radijalnom smjeruekscentrične remenice. Amplituda je obično najveća u pravcu sa remenomi dolazi do izražaja i na pogonskom i pogonjenom ležaju. Nekada jemoguće balansirati ekscentrične remenice dodavanjem podloški nasigurnosne vijke. Međutim, čak i balansiran, eksentricitet će prouzrokovativibraciju i povratni stres u remenu. Ekscentričnost remenice može sepotvrditi faznom analizom koja pokazuje vertikalne i horizontalne razlikeskoro 0˚ ili 180˚.
23.5.2013.
26
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA
Rezonancija remena može uzrokovati visoke amplitude ako se prirodnafrekvencija remena približi ili poklopi bilo s frekvencijom motora ilipogonjenom frekvencijom. Prirodna frekvencija remena može sepromijeniti mijenjanjem napetosti, dužine ili poprečnog presjeka remena.Može se utvrditi napinjanjem i otpuštanjem remena dok se mjeri odzivremenica ili ležajeva. Međutim, za vrijeme rada, prirodna frekvencijaremena će težiti povećanju na zategnutoj strani, a smanjenju naopuštenoj.
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA: Primjer praktičnog mjerenja
Naslov : Yellotec istraživanje slučaja 0124Naziv : Glavni ispušni ventilator strojarniceKategorija stroja : Indukcijski motorKategorija problema : Napuknute/slomljene rešetke rotoraInformacije o problemu : Rutinsko uzimanje vibracija pokazalo je povećanje u
razini vibracija na motoru jednog od glavnih ispušnih ventilatora brodske strojarnice (Slika na sljedećem slide-u).
Dijagnoza: Višestruki postranični pojasevi frekvencije prolaska polova okoharmonika radne brzine.
=
=
=1,333[Hz]
23.5.2013.
27
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA: Primjer praktičnog mjerenja
Kritične vibracije na rotoru indukcijskog motora
6. ANALIZA VIBRACIJA BRODSKIH STROJEVA: Primjer praktičnog mjerenja
gdje je:
- frekvencija prolaska polova
- klizna frekvencija
- broj polova
Savjet : Otvoriti i istražiti motor za napuknute ili slomljene rešetke rotora.
Zaključak: Rezultat je bio da je motor katastrofalno otkazao prije nego je mogao biti zamjenjen (Slika dolje).
23.5.2013.
28
7. TERMOGRAFSKA DIJAGNOSTIKA
Infracrvena “kamera”(osjetnik)
Termovizijska kamera- vizuelizacija prostora prema IC zračenju- optika je jednaka kao kod optičkih kamera, ali je materijal drugi- visoka cijena
Infracrveni detektor-temepratura jedne točke- niža cijena
7. TERMOGRAFSKA DIJAGNOSTIKAPoznato je da sva tijela kojima je temperatura veća od apsolutne
nule (-273ᵒC) emitiraju EM (elektromagnetsko zračenje).
Temperatura apsolutne nule je ona na kojoj elektroni, molekule
i atomi nemaju mogućnost promjene energijskih stanja pa
stoga nema ni EM zračenja. Na temperaturama iznad -273ᵒC
postoji zračenje i količina tog zračenja ovisi o temperaturi
tijela i karakteristikama površine tog tijela ili emitivnostii.
Maksimalna količina zračenja tijela na nekoj valnoj duljini ovisi
o temperaturi i emisivnosti tijela na toj valnoj duljini i to se
može vidjeti prema Planckovoj formuli:
W(λ, T) = e (λ) c1/πλ5[e(c2/λT) – 1]
gdje je W(λ, T) zračenje za valnu duljinu λ u µm a temperatura T
je u kelvinima. c1 = 3,7418 × 108; c2 = 14387,9. c1 i c2 su
konstante za ovu Planckovu formulu, a e (λ) je emisivnost na
valnoj duljni te varira od 0 do 1.
23.5.2013.
29
7. TERMOGRAFSKA DIJAGNOSTIKA
Vidimo razinu zračenja tijela iste emisivnosti, ali na četiri različitetemperature. Uzete su sobna (cca. 20ᵒC) , temperaturažaruljne niti (cca. 2,727ᵒC) te temperatura smrznute (0ᵒC) ikipuće (100ᵒC) vode. Na slici se također vidi i raspon valneduljine na koje je ljudsko oko osjetljivo, koja je približno od 0,4do 0,75 μm što je i temperatura žarne niti.
7. TERMOGRAFSKA DIJAGNOSTIKA
Atmosferski prijenos značajan je faktor u termografiji. Npr. vodenapara, ugljični dioksid, ugljični monoksid i kisik apsorbirajuzračenje unutar njihove valne duljine.
Stoga je za termografiju bitan sastav medija kroz koji se prenosisignal.
23.5.2013.
30
7. TERMOGRAFSKA DIJAGNOSTIKA
Važni čimbenici u primjeni IC kamera:
- odziv na temperaturu površine
zračenje razmjerno temperaturi tijela i zbog toga IC uređaje možemo
koristiti kao sredstvo mjerenja temperature, omogućuje dvodimenzionalnukartu promjene i distribucije topline na promatranom objektu
- pasivno gledanje (bez izvora svjetla)
nije potreban nekakav vanjski izvor svjetla da bi se vidjelo tijelo
- vidljivost kroz dim i maglu
Zbog činjenice da su u ovim uvjetima valne duljine 10 do 20 puta većenego u vidljivom spektru zračenje koje promatramo podilazi manjemraspršenju od strane stranih čestica u atmosferi. Posljedica toga je dase vidljivost kroz dim i maglu naglo povećava
7. TERMOGRAFSKA DIJAGNOSTIKA
Opći prikaz IC kamere
23.5.2013.
31
7. TERMOGRAFSKA DIJAGNOSTIKAElementi IC kamere:
• optički sustav koji može formirati sliku koristeći zračenjepromatranog objekta,
• jedan ili više detektora koji pretvaraju zračenje tijela uelektrični signal razmjeran tom zračenju,
• neki uređaji imaju i skenerski dio, koji u pravilnom uzorkuskenira djelove detektora za potpunu sliku, ali ovo, u načelu,više nije u upotrebi, jer noviji uređaji imaju velike detektorepolja, koji mogu odjednom pokriti cijelo vidno polje (cijelusliku),
• elektonički procesor, koji signale detektora ili skenerskogmehanizma pretvara u video signale,
• video sustav, koji generira sliku prema video signaludobivenom od procesora.
7. TERMOGRAFSKA DIJAGNOSTIKAMaterijali za izradu leća IC uređaja
Materijal Korisni spektar valne
duljine u µm
Indeks refrakcije Svosjtvo
Silicij 1,4-7 i 20-25 3,43 pri 4µm
3,42 pri 10µm
Ima dobra apsorcijska svojstva u 8-12
µm pojasu
Germanij 1,6-20 4,02 pri 4µm
4,01 pri 10µm
Najčešće korišten materijal u 8-14µm
Cink sulfat 0,4-12 2,25 pri 4µm
2,20 pri 10µm
Cink selenid 0,5-20 2,43 pri 4µm
2,41 pri 10µm
Često korišten zajedno s germanijem u
više elementskim objektivima 8-14µm
pojasa
Kalcijev fluorid 0,13-12 1,41 pri 4µm
1,31 pri 10µm
Safir (aluminij
oksid)
0,17-6,5 1,67 pri 4µm Vrlo tvrd te otpooran na ogrebotine
KRS5 (talij
bromo jodid)
0,5-40 2,38 pri 4µm
2,37 pri 10µm
Treba uzeti u obriz da talijeve soli vrlo
otrovne
Natrijev klorid 0,17-18 1,52 pri 4µm
1,49 pri 10µm
Vrlo higroskopan materijal ali se to
može izbjeći raznim zaštitinim
premazima
23.5.2013.
32
7. TERMOGRAFSKA DIJAGNOSTIKASustav za generiranje slike
Najvažniji elementi su leće i materijali za anti-refleksijski sloj isami zaštitni film leće. Bitan je i indeks refrakcije togmaterijala.
Leća koja se nalazi ispred skenera mora pokriti samo malo vidnopolje i to je zadnja leća optičkog sustava. Druga leća (ispredprve) mora pokriti vrlo široko polje i često uz sebe ima jošneke elemente i premazana je s više slojeva kako bi zadovoljilasve potrebne uvjete. Kod “staring” sustava leće moraju pokriticijelo vidno polje kamere te je ta optička struktura mnogokompleksnija od ostalih. Ovi sustavi mogu imati i posebnu lećuza uvećanje (zoom).
7. TERMOGRAFSKA DIJAGNOSTIKA
Staring sustav
23.5.2013.
33
7. TERMOGRAFSKA DIJAGNOSTIKA
Mehanizmi za pretraživanje (skeniranje)
Funkcija ovih mehanizama je da sliku koja se formirala preko leće prenese do detektora.
Načelo rada pretražnika
7. TERMOGRAFSKA DIJAGNOSTIKA
Pretražnik slike Pretražnik objekata Afokalni pretražnik
23.5.2013.
34
7. TERMOGRAFSKA DIJAGNOSTIKAPretražik slike: Fokus mijenja s pomicanjem i rotiranjem uređaja.
Dovoljno dobar signal ne dolazi na detektore. Potreban je uređaj zatu kompenzaciju što poskupljue i otežava izradu. Prikaz na zaslonuzbog fokusa postaje iskrivljen na krajevima zaslona. Problem nastajekada otvor kroz kojeg dolazi signal stoji paraleleno s lećom. Zračenjena detektorima upada pri različtim kutevima te se javljaju greške uočitanju.
Objektni pretražnik: većina kamera leću postavlja odmah iza otvorakroz koji upada slika te se zbog toga ne javlja greška da pretražnikočitava i temperaturu kučišta (kao kod pretražnika slike). Ovakavoblik pretražnika se rijetko koristi zbog velikih dimenzija i što imapokretne djelove na prednjem dijelu.
Afokalni pretražnik: s mijenjanjem faktora pojačanja afokalnog dijelamožemo mijenjati i razlučivost slike, nije pogodan za generiranjeslika od 25 fps i više (real time).
7. TERMOGRAFSKA DIJAGNOSTIKADetektori (osjetnici) zračenja
Najvažniji element IC kamere je detektor zračenja. O ovomelementu najviše ovisi termalna i prostorna razlučivost kojanam je bitna za gledanje na kameri. Postoje dvije vrste ovihdetektora. Prva vrsta ovisi detektorskom elementu kojegzagrijava IC zračenje te taj porast temperature okidamehanički element koji prema tome mjeri razinu zračenja.Ovaj tip se naziva termalni detektor.
Druga vrsta detektora je ona kod koje fotoni (sporedno zračenje),na molekularnoj ili atomskoj razini djeluju na materijaldetektora te stvaraju električni napon ili promjenu otpora nadetektorskom elementu. Ovo se obično događa na način daelektron apsorbira foton te prelazi sa jedne energetskekvantne razine na drugu. Ovi tipovi detektora se nazivajukvanti ili fotonski detektori.
23.5.2013.
35
7. TERMOGRAFSKA DIJAGNOSTIKAFotonski/kvantni osjetnici
Signal se generira izravnim djelovanjem fotona s nosiocimanaboja materijala osjetnika kako bi im promijenili energetskostanje. Energija fotona mora biti veća od energijepromijenjenog stanja kako bi se postigao željeni učinak:
λ0 = hc/Eg
gdje je Eg odgovarajući energetska praznina promjene nekogkvantnog stanja. Fotonski detektori su većinom poluvodiči sodređenim poboljšanjima kako bi zadovoljili određene uvjete.Obično rade kao fotovodiči gdje dolazno zračenje mijenjavodljivost detektorskog elementa, ili kao fotonaponskielementi gdje zračenje stvara napon obično u nekom PNspoju. Treća varijanta ovih osjetnika je gdje se napon generirapreko metal – poluvodič veze (Schottky-jeva barijera).
7. TERMOGRAFSKA DIJAGNOSTIKA
Često korišteni materijali za izradu fotonskih detektora:
• CMT (kadmij živa telurij)
• InSb (indij antimon)
• PtSi (platina silicij)
• QWIP (IC fotodetektor s kvantnom jamom, engl. Quantumwell infrared photodetector)
23.5.2013.
36
7. TERMOGRAFSKA DIJAGNOSTIKA
Termalni osjetnici
Termalni detektori su općenito gledani jedino korisni za termografiju uobliku 2D staring detektora. Ovdje im prednost da reagiraju nafrekvenciju slike, a ne na frekvenciju video signala (25-50 Hz a neviše MHZ), daje temperaturnu i prostornu rezoluciju koja je dovoljnaza širok spektar upotrebe u raznim industrijama. Razvoj visokokorisnih termalnih detektora je tek sada postao moguć s razvojemMEMS (mikro-elektromehanički sustavi) tehnologije.
Tipovi termalnih detektora:
Pirovidikon cijev
Otporni bolometar
Feroelektrični/piroelektrični
bimetalni detektor
7. TERMOGRAFSKA DIJAGNOSTIKA
Hlađenje detektora
Kao što smo već prije rekli većina detektora koji se koriste utermografiji zahtjeva nekakav oblik hlađenja ili temperaturnekontrole. Tip hlađenja koji se koristi ovisi o razini temperaturekoja je potrebna za hlađenje određenih materijala. Postoječetiri osnovna postupka hlađenja detektora.
Bulk hlađenje: Ovo je najjednostavniji tip hlađenja detektora(slika 3.9). Detektor se postavlja u Dewar te se izravno hladipunjenjem Dewara tekućim dušikom. Dewar (također poznatkao Dewar tikvica, Dewar boca ili termos) je izolacijska posudaza skladištenje koja čuva njezin sadržaj toplijim ili hladnijimnego temperatura njegove okolice [5].
23.5.2013.
37
7. TERMOGRAFSKA DIJAGNOSTIKATermoelektrično hlađenje(Peltier hlađenje): Načelohlađenja je da prekoSeebeckovog ili Peltierovogučinka. Kad električna strujaprolazi kroz spoj između dvarazličita materijala, hladi tajspoj ako struja prolazi ujednom, a zagrijava udrugom smjeru. Kroz spoj nadrugom kraju petlje(materijala) će u tomtrenutku protjecati strujasuprotnog smjera te gazagrijavati dok se prvi hladi iobratno.
7. TERMOGRAFSKA DIJAGNOSTIKAJoule-Thomsonov hladnjak:Kada se plin širi kroz mali otvor,on se hladi te ako ohlađeni plinprolazi kroz toplinskirazmjenjivač, gdje hladi,dolazeći plin stvara seobnavljajući proces koji rezultiratime da se plin postepeno hladi.Stirling hladnjaci: Ovi uređajihlade prema načelu Stirlingovogciklusa te je to isto načelo kojimse hlade kućni hladnjaci. Ovo susamostalni uređaji zatvorenepetlje te im je za rad potrebnasamo opskrba električnomenergijom.
23.5.2013.
38
7. TERMOGRAFSKA DIJAGNOSTIKAVažni parametri detektora su:
Kvantna učinkovitost ili DQE (engl. detective quantum efficiency,
učinkovitost detektiranja kvanta): Za fotonski detektor to je postotak fotona kojidjeluju s nekim materijalom kako bi stvorili signal. Visoka DQE ne znači nužno idetektor s dobrim karakteristikama. Važniji je SNR.
RMS (engl. root mean square, srednja kvadratna vrijednost) šuma: Šum se obično
prikazuje kao srednja vrijednost korijena svih vrijednosti šuma signala. Više jeizvora šuma osim onoga kojeg stvaraju fotoni.
• NEP (engl. noise-equivalent power, snaga ekvivalentna šumu): Ovo je mjera
signala šuma kojeg generira detektor. NEP je jednak snazi RMS-a u W/s koja dolazina detektor koja je potrebna da generira signal jednak signalu RMS šuma. NEP ovisio frekvenciji te valnoj duljini zračenja. Ove varijable moraju biti točne kako bi NEPimao pravo značenje i upotrebu.
• D* (engl. D-star): Ovo je jedna od najvažnijih karakteristika za dobar rad
detektora. Svrha ovog parametra je da služi kao mjera S/N karakteristike detektora.
• Responsivity (odziv detektora): Omjer je signala detektora prema snazi
zračenja, a mjeri se u W/A ili W/V ovisno o tipu detekora. U konkretnom slučajufotodetektora, ovaj parametar mjeri električni izlaz po jednom optičkom ulazu.
7. TERMOGRAFSKA DIJAGNOSTIKA• Spektralni odziv: Ovo je mjera kojom se gleda koliko odziv detektora ovisi o
valnoj duljini.
• Frekvencijski odziv: Mjera koja pokazuje kako amplituda izlaznog signaladetektora ovisi o frekvenciji ulaznog zračenja toka koje varira sinusoidalno. Svevrste detektora će iznad određene frekvencije imati frekvencijski odziv jednak nuli.
• Vremenska konstanta: Vremenska konstanta je izravno vezana sfrekvencijskim odzivom detektora te je alternativan način za iskazivanje istog.Definirana je kao vrijeme potrebno da signal dosegne iznos (1 – e-1) nakon štoprimi skočni (step) signal zračenja toka ili kao vrijeme potrebno da signal padne nae-1 svog maksimuma nakon što se isključi ulazna vrijednost.
• Modulacijska prijenosna funkcija (MTF): U slučaju detektora objektkoji se promatra je prava slika na detektoru, ali u obliku električnog signala. Tako semože definirati MTF kao omjer modulacije izlaza signala i modulacije ulaznog tokazračenja koji sinusno varira kroz prostor te preko detektora. MTF je određen kaofunkcija prostorne frekvencije (obično se mjeri u ciklusima po milimetru c/mm).Kod detektora koji su građeni od jednog elementa MTF uvelike ovisi o obliku togelementa. Za četverokute ili kvadratne detektore s širinom w u smjeru skeniranja ijedinstevnim odzivom preko cijele površine MTF se izražava
MTF(s) = |sin(π.w.s)/ (π.w.s)|
23.5.2013.
39
7. TERMOGRAFSKA DIJAGNOSTIKABitni parametri skenera su:
• Linearnost horizontalnog skeniranjaVeza između vremena i kutne ili linearne pozicije skenirane slike uhorinzotalnom smjeru
• Linearnost vertikalnog skeniranja
Veza između vremena i kutne ili linearne pozicije skenirane slike u
vertikalnom smjeru bi također trebala biti linearna. Nelinearnost ćerezultirati nejednolikim razmakom između linija skenirane slike idistorzijom slike.
• Treskanje (engl. judder)
Ovo se odnosi na horizontalno zamjenjivanje između skeniranihlinija. Zamjena može biti u redovitim intervalima ili nasumičnaovisno o mehanizmu koji stvara ovaj učinak. Učinak treskanja se naslici vidi kao mućenje slike te ovaj učinak ima utjecaja na padvrijednosti MTF-a sustava.
7. TERMOGRAFSKA DIJAGNOSTIKAZaslon:
Maksimalna osvijetljenost Osvijetljenost se mjeri s fotometrom te se izražava u
cd/m2
Polarna osvijetljenostPokazuje kako osvijetljenost zaslona varira s kutem gledanja
te je obično stardardiziarana za okomito gledanje na ekran.
Grey scale/linearnost Zaslon bi trebao biti sposoban dati komparativnu informaciju
o promjenama temperature objekta unutar promatranog prostora, tj. jednaki pomaci utemperaturi bi promatraču trebali izgledati kao jednolike promjene u osvijetljenosti.
MTF: Ovaj parametar je mjera kvalitete slike koju zaslon može generirati, u smislu da
reproducira sliku s dobrim kontrastom.
Distorzija (izobličenje): Isto kao što i leća može stvoriti iskrivljenu sliku može i
zaslon. Općenito gledajući izobličenje se javlja samo kod CRT zaslona. Ako distorzijumjerimo direktno na ravnom ekranu može se definirati kao:
V = (ρ – β.S)/ρgdje je ρ udaljenost točke slike od središta polja, S je ekvivalentan napon CRT zaslona (S =
gdje su Sx i Sy ekvivalentni horizontalni i vertikalni napon), a β = lim(S�0) ρ/S. Razinadistorzije do 3% se ne primjeti, a veći iznosi se mogu lako popraviti.
23.5.2013.
40
7. TERMOGRAFSKA DIJAGNOSTIKA
Kod komercijalnih televizija distorzija se obično mjeri prekovisine slike: PHD = 0,5[V(r) – V(H/2)]
7. TERMOGRAFSKA DIJAGNOSTIKA
Odsjaj slike:
Ovo je drugi naziv za nepoželjno svjetlo koje se vidi na slici te nedoprinosi kvaliteti slike, već smanjuje kontrast.
Dio odsjaja može doći i od samog ekrana ili proizići od višestrukihodraza ekrana, prozora i slično.
Kod CRT zaslona unutarnje pojave kao raspršenje ili sekundarnaemisija elektrona (od elektronskog topa) može dovesti doodsjaja.
Obično razlog odsjaja je refleksija svjetla u prostoriji. Neki zasloniimaju posebne slojeve koji sprečavaju odsjaj.
23.5.2013.
41
7. TERMOGRAFSKA DIJAGNOSTIKA
PRIMJENE INFRACRVENIH KAMERA
- Uređaji za mjerenje stvarne temperature
7. TERMOGRAFSKA DIJAGNOSTIKA
- Praćenje temperature i programska podrška IC uređaja
23.5.2013.
42
7. TERMOGRAFSKA DIJAGNOSTIKA
IC uređaji za nadzor
Prednosti IC uređaja za nadzor:
• to su pasivni uređaji te im netreba vanjska osvijetljenost kakobi se mogao promatrati određen prostor. Vozila, osobe iliživotinje se promatraju samo pomoću zračenja (slika 4.3prikazuje kako je lako uočiti uljeza u mraku);
• teško je proizvesti kamuflažu koja će omogućiti skrivanje od ICuređaja;
• dim i magla ne smanjuju toplinsko zračenje kao što je to slučajkod zračenja vidljive svjetlosti. Prednost toga je da osim što seobjekti mogu vidjeti kroz dim i maglu mogu se vidjeti i navećim udaljenostima i na normalnim atmosferskim uvjetima.
7. TERMOGRAFSKA DIJAGNOSTIKA
Primjer vatrogasne ručne IC kamere
23.5.2013.
43
7. TERMOGRAFSKA DIJAGNOSTIKA
Electrical Equipment - Thermographic Survey Report
7. TERMOGRAFSKA DIJAGNOSTIKAInfracrvena termografija se široko koristi u PPM tehnologiji te se može
primijeniti na električne i mehaničke sustave u pomorskoj industriji.Uz uštedu novca i produženje vremena dotrajalosti, termografija može
igrati važnu ulogu u održavanju sigurnosti i pouzdanosti pomorskihobjekata, kod kojih kvar može dovesti do katastrofičnih gubitakaplovila i posade.
Curenje naftnih derivata na vrućim točkama strojeva je glavni uzrokpožara u brodskoj strojarnici. Prema statistici, više od 60% svih požarau strojarnici počelo je na vrućoj točki (hot spot).
Većina librikanata, hidrauličkih ulja i pogonskih goriva imajusamozapaljenje na temperaturama iznad 250oC. Ako tekućina padnena površinu topliju od temperature samozapaljenja, tekućina se samamože zapaliti (sjetite se trokuta požara: kisik, temperatura, ???).Svaka takva točka odmah povećava rizik od požara u slučaju curenjaulja ili goriva.
23.5.2013.
44
7. TERMOGRAFSKA DIJAGNOSTIKAVarijable
Mnogo je varijabli koje mogu utjecati na točnost termografskog oslikavanja,npr. udaljenost od objekta, ambientalna temperatura, relativna vlažnost, inajvažnije emisivnost materijala.
Emisivnost je modificirajući faktor korišten u termografiji u boji kako bi sepostoglo ispravno očitanje temperature. Emisivnost (učinkovitost zračenja)većine materijala je funkcija površinskih uvjeta, temperature i valne duljinemjerenja. Kamera radi na dužim valnim duljinama IC spektra (7- 14 µm).
Ambientalna temperatura i relativna vlažnost se mjere na točki proučavanja ikorigira se za podešenje kamere. Vrijednosti emisivnosti su ekstrapolirane sreferentnim vrijednostima npr. iz. 'Table of Emissivity of Various Surfaces'(Mikron Instruments).
Na kraju svakog izvješća nalazi se:”Advisory Note & Disclaimer”, gdje seopisuje sustav koji je korišten, npr. NEC San-ei Thermo Tracer TH7102.Također se opisuje koji dio je provjeren te u kojim je termografskimlistovima koji dio. Izvješće naglašava i identificira vruće i hladne točkenađene na dan kontrole, koje su jasno naglašene na listovima izvješća.
7. TERMOGRAFSKA DIJAGNOSTIKA
PrimjenaDetaljne termalne slike su popraćene digitalnim fotografijama kako bi
se u stvarnosti lakše identificiralo tipične točke kontroliranogpostrojenja. Također se u izvješću ograđuje na način da ga trebaanalizirati kvalificirano osoblje kako bi se poduzele potrebne mjere.Npr. Marine Thermographic Services se ograđuje da je to izvješćesavjetodavne naravi o odbija bilo kakvu odgovornost za posljedice iakcije koje su temeljem njega poduzete.
Tvrtka ne daje nikakvo jamstvo, eksplicitno ili implicitno oko sadržaja iinterpretacije izvješća. Uz to, Marine Thermographic Services nitinjegovi uposlenici ne mogu se držati pravno odgovornima zaozlijede ili oštečenja ili bilo kakvu štetu povezanu s ovim termalnimnadzorom ili zboh nedostatka inspekcije.
23.5.2013.
45
7. TERMOGRAFSKA DIJAGNOSTIKATEMP RISE ABOVE
AMBIENTSITUATION REPAIR PRIORITY
Greater than 50oC(Greater than 90oF)
Acute overheating Immediate repairs required
30oC to 50oC(54oF to 90oF)
Excessive overheating Repair as soon as possible
10oC to 30oC(18oF to 54oF)
Second stage of overheating
Should be attended to at first opportunity
5oC to 10oC(9oF to 18oF)
First stage of overheating
Should be monitored and repaired during next scheduled maintenance
Less than 5oC Normal operation None
Priority Level MEDEquipment ID L9 CIRC 1Equipment Location GALLEY DECKLoad 22 amps
IR Image : TH710001.SIT 12/06/2005 Identification Image :
Point1 Point2 Rect3 Ref. Line5 Line6Emiss. 1.0 1.0 1.0 1.0 1.0 1.0Avg 38.8 °C 45.3 °C 38.6 °CMin 30.9 °C 39.5 °C 38.4 °CMax 48.4 °C 46.9 °C 57.5 °C 39.0 °C 54.4 °C 38.7 °CDelta 9.4 °C 7.9 °C 18.5 °C 15.4 °C -0.3 °C
Comments & Recommendations:THIS CONDITION IS DUE TO ITEMS BEING ADDED TO CIRCUIT. ELECTRICIAN IS GOING TO CHECK AND REARRANGE
Thermographer: - Jim Scott
Repair Date: Repaired By:
23.5.2013.
46
23.5.2013.
47
23.5.2013.
48
23.5.2013.
49
7. TERMOGRAFSKA DIJAGNOSTIKAAkumulatori/baterije pohranjuju električnu energiju temeljem kemijskih
procesa. Nisu potpuno definirani pa tako napon potpuno pune čelije moževarirati od 2,19-2,35 V. Mjerenje gustoće elektrolita ukazuje na razinupopunjenosti akumulatora, ali ne i stvarne uvjete ili kapacitet da dajeenergiju. Većina modernih akumulatora danas su gel ili AGM, kod kojih segustoća niti ne može provjeriti. Ukupni kapacitet kroz čeliju uključujemetalnu ili omsku stazu, kao i elektrokemijsku.
Rmetala: je omski put i uključuje otpor
izvoda, mrežnu strukturu, spojeve na
mrežu.
Relektrokemijski: je elektrokemijski put i
uključuje elektrolite i separatore.
Kapacitet, C, je rezultat svih
paralelnih dijelova između kojih se
nalazi dielektrik i predstavljen je s
vrijednošću reaktivnog otpora, Xc.
7. TERMOGRAFSKA DIJAGNOSTIKAGledajući pobliže na ekvivalentni krug, jasno je da Xc učinkovito šantira Re(elektrokemijski put) maskirajući izmjene koje mogu uzeti mjesto u tom dijelu puta.Otpor unutarnjeg kruga je ono što utječe na kapacitet čelije, te je zato važanparametar koji treba mjeriti. Kao pravilo Ri (unutarnji otpor) je obrnuto razmjerankapacitetu akumulatora.Svrha ovog izvješća je izrada zapisnika o uvjetima svakog akumulatora na brodu.Početni testovi su temelj za buduće testove te sestanje akumulatora moranadzirati. Mjerenja Ri i napona akumulatora su uzeti u intervalima od godinu danapod istim okolnostima. Kad se Ri poveća za 35% akumulator treba zamijeniti.Početne referentne vrijednosti se izačunavaju prema parametrima:- očitanja se moraju ostvariti pod punim opterećenjem, a da bi se to ostvarilo
mora se udovoljiti:- kod kiseline uzeti SG, a kod ostalih baterija puniti dovoljni period- ako nije potpuno napunjen postoje tabelarni podaci za korekciju- mora se uzeti u obzir razina punjenja akumulatora- mora se zabilježiti pod kojim opterećenjem je izvršeno mjerenje- mora se vidljivo stanje akumulatora opisati- temperatura abijenta se mora mjeriti
Unutarnji otpor se mjeri i procejnjuje prema tablici u uputama.
23.5.2013.
50
7. TERMOGRAFSKA DIJAGNOSTIKA
AH (Ampere Hour) Cell 6V 12V 1Ah 25mOhm 75mOhm 150mOhm10Ah 8mOhm 25mOhm 50mOhm100Ah 1,6mOhm 5mOhm 10mOhm1000Ah 0,12mOhm 0,36mOhm 0,72mOhm
Table 1 : Ri versus battery capacity
Table 2 : Typical Ri values of a 100Ah 12V battery being discharged
Discharge 0% 20% 40% 60% 80% 100%Ri 10mOhm 11mOhm 12mOhm 15mOhm 30mOhm 120mOhm
U “Advisory Note & Disclaimer” se govori o tipu mjerenih uređaja, npr.
Infratek 23 DC Battery Tester. Također i ograđivanje od
odgovornosti.
7. TERMOGRAFSKA DIJAGNOSTIKA
23.5.2013.
51
23.5.2013.
52
7. TERMOGRAFSKA DIJAGNOSTIKA: Termografsko izvješće ispuha alternatora
Svi strojevi moraju prilikom testiranja raditi pri normalnomopterećenju.
Item Description Running Load / ConditionNo 1 ALTERNATOR ENGINE LAGGING 600 KW
No 2 ALTERNATOR ENGINE LAGGING 600 KW
No 3 ALTERNATOR ENGINE LAGGING 600 KW
23.5.2013.
53
23.5.2013.
54
23.5.2013.
55
8. Neuronske mrežeDok čitamo ovaj slide, koristimo složenu biološku neuronsku
mrežu. Ljudi imaju visoko povezani skup od 1011 neurona kojiobavlja čitanje, disanje, kretanje, razmišljanje i dr.
Svaki od neurona je sastavljen od bogatog spoja tkiva i kemije teima složenost, ako ne i brzinu, mikroprocesora. Dio neuronskestrukture je nastao još kod poroda, a drugi dijelovi su oformljeniiskustvom.
Znanstvenici su tek počeli razumijevati kako biološke neuronskemreže funkcioniraju.
Općenito se podrazumijeva da su sve biološke funkcije, uključujućipamćenje, pohranjene u neuronima i njihovim vezama.
Učenje se promatra kao uspostavljanje novih veza između neuronaili modifikacija postojećih.
8. Neuronske mreže
Postavlja se pitanje, bez obzira na naše skromno znanje biološkihneuronskin mreža, da li je moguće konstruirati mali skupjednostavnih umjetnih “neurona” i trenirati ih za neku korisnufunkciju?
Odgovor je DA.
Neuroni koje razmatramo nisu biološki. Oni su ekstremnojednostavne abstrakcije bioloških neurona, realizirani odkomponenti u programu ili sklopovlje (strujni krugovi) odsilicija. Ova mreže namaju niti djelić snage ljudskog mozga, alise mogu istrenirati za izvođenje korisnih funkcija.
Najmanje 2 sastojka su potrebna za napredak tehnologije:koncept i implementacija.
23.5.2013.
56
8. Neuronske mrežePrvo se treba imati kocept, način razmišljanja o temi, neke poglede
na nju koji daju jasnoću koje prije nije bilo. To može uključitijednostavnu ideju i/ili matematički opis.
Za ilustraciju, zamislimo povijest srca. Mislilo se da je centar duše iliizvor topline. U 17-om stoljeću praktikanti medicine počeli sushvaćati srce kao pumpu te su osmislili eksperimente zaizučavanje akcija pumpanja. Ovi eksperimenti surevolucionalizirali naš pogled na cirkulatorni sustav. Bezkoncepta pumpe, razumijevanje srca je bilo nemoguće.
Koncepti i pripadajuća matematika nisu dovoljni tehnologiji dasazrije osim ako nema nekog načina da se sustav implementira.Npr. matematika potrebna za rekonstrukciju slike za računalompotpomognutu tomografiju (computer-aided tomography, CAT)je bila poznata mnogo godina prije neophodnih brzih računala iučinkovitih algoritama, koji su je učnili praktično izvedivom.
8. Neuronske mreže
Povijest neuronskih mreža je napredovala kroz konceptualneinovacije i kroz primjenu. Ovi napretci nisu se događali upostojanoj evoluciji.
Uvodni radovi iz ovog područja nastali su u kasnom XIX i ranomXX stoljeću. Primarno su bili interdisciplinarni radovi u fizici ineuropsihologiji (Hermann von Helmholtz, Ernst Mach, IvanPavlov). Ti rani radovi naglašavali su opće teorije učenja, vida,kondiciranja, itd. Nisu uključivali specifične matematičkemodele neuronskih operacija.
Moderni pogled na neuronske mreže počeo je 1940-im s radomWarren McCulloch-a i Walter Pitts-a, koji su pokazali da mrežeumjetnih neurona mogu, u načelu, računati bilo kojuaritmetičku ili logičku funkciju.
23.5.2013.
57
8. Neuronske mrežeDonald Hebb je predložio mehanizam za učenje bioloških mreža. Prvapraktična primjena UNM pojavila se kasnih 50ih XX st. s izumomperceptonske mreže i povezanog pravila učenja. Pri tome je demonstrirananjena mogućnost prepoznavanja uzoraka. Ovaj rani uspjeh pokrenuo je valinteresa za istraživanjem neuronskih mreža. Nažalost, kasnije je pokazanoda se temeljem ovih mreža može riješiti samo ograničeni skup problema.1960ih godina interes za NM je opadao, jer nije bilo novih ideja i jakihračunala s kojima bi se eksperimentiralo.Tijekom 1980ih oba problema su nadvladana te je istraživanje NMdramatično poraslo. Nova osobna računala i radne stanice, kojima susposobnosti rapidno porasle, postala su široko dostupna. Uz to, važni novikoncepti su uvedeni.Dva nova koncepta zaslužna za ponovno rođenje NN su:1. Uporaba statističkih mehanika za pojašanjavanje operacija određenihklasa recurrent mreža, koje bi mogle biti korištene kao asocijativnamemorija.
2. Algoritam povratnog prostiranja (backpropagation algorithm) zatreniranje višeslojnih perceptronskih mreža.
8. Neuronske mrežeNajutjecajniji članak o unazadnoj propagaciji napisali su Rumelhart andJames McClelland 1986. Zadnjih desetak godina tisuće je članakanapisano o primjenama NM (engl. ANN). Područje je krcato novihteorijskih i praktičnih radova. Nije jasno gdje će nas sve to odvesti ubudućnosti.
1988 DARPA Neural Network Study napisala je različite NM primjene,počevši od adaptivnog ekvilizera kanala iz 1984. Ova naprava, kojaje imala izniman komercijalni uspjeh, je jednoneuronska mrežakorištena u telefonskom sustavu da bi se stabiliziralo glasovnesignale. Daljnje komercijalne primjene bile su u prepoznavanjumalih riječi, nadzoru procesa, sonarom klasifikatoru i sustavuanalize rizika. NM su primjenjene u mnogim poljima.
Aerosvemirske primjene – za poboljšanje karakteristika zrakoplovnihautopilota, simulacije plana leta, sustave upravljanja zrakoplovima,poboljšanje autopilota, simulaciju komponenti zrakoplova te njihovesustave otkrivanja kvarova.
23.5.2013.
58
8. Neuronske mrežePrimjene u automobilskoj industriji – automatski sustavi vođenja,
analizatori aktiviranih upozorenjaBankarstvo – provjeri i čitanje dokumenata, evaluatori primjene
kreditaObrana – navođenje oružja, praćenje mete, razlikovanje objekata,
prepoznavanje lica, novi tipovi senzora, obrada i sažimanje signalasonara, radara i slike, izlučivanje karakteristika i suzbijanje šuma,idetnifikacija signala/slike
Elektronika - predviđanje niza u kodu, priprema IC čipa, upravljanjeprocesom, analiza kvara čipa, strojni vid, sinteza glasa, nelinearnomodleiranje
Zabava – animacija, specijalni efekti, predviđanje tržištaFinancijske primjene – procjena nekretnina, savjetnik za kredite,
procjena hipoteke, ocjena obveznica, analiza koristi kreditne linije,program trgovine portfolia, financijska analiza korporacija,predviđanje cijena valuta
8. Neuronske mrežePrimjene u osiguranju – procjena prijave za policu, optimizacija
proizvodaProizvodnja – upravljanje procesom proizvodnje, projektiranje
proizvoda, analiza proizvoda, dijagnoza procesa i strojeva,identifikacija čestica u stvarnom vremenu, vizualni sustaviinspekcije, testiranje piva, kvaliteta lemljenja, predviđanjekvalitete papira, analiza kvalitete računalnog čipa, analizakemijskih proizvoda, analiza održavanja strojeva, planiranje irukovođenje, dinamičko modeliranje kemijskim procesima
Medicinske primjene – analiza čelija raka dojke, analiza EEG iECG, dizajniranje proteza, optimizacija vremena transplatacije,smanjenje troškova bolnice, poboljšanje kvalitete bolnice, testsobe za hitne slučajeve
Nafta i plin - Istraživanje
23.5.2013.
59
8. Neuronske mrežeRobotika – vođenje putanjom, upravljanje manipulatorom, vizuelni sustaviGovor – prepoznavanje govora, sažimanje govora, klasifikacija uređaja zagovor (pomoć njemima), sinteza govora iz teksta (čitanje)Izvedenice – analiza tržišta, automatsko svrstavanje obveznica, sustavisavjetovanja u trgovini dionicamaTelekomunikacije – sažimanje slika i podataka, automatizirani informacijskisustavi, prevođenje govorenog jezika u stvarnom vremenu, sustavi obradeplaćanja klijenataTransport – dijagnostički sustav kamionskih kočnica, raspoređivanje vozila,sustavi upućivanja
Biološka inspiracija
UNM (ANN) su u vezi s biološkim parnjacima. U nozgu je npr. svaki neuronvezan s 10000 drugih. Neuroni se sastoje od 3 temeljna dijela: dendrita,tijela čelije i aksona.
8. Neuronske mreže
Dendriti su receptivne mreže slične stablu, a sastoje se od živčanihvlakana koja prenose električni signal u tijelo čelije. Tijelo čelijeučinkovito zbraja i provodi operaciju praga na dolazećimsignalima. Akson je jedno dugačko vlakno koje provodi signal izčelije do drugih neurona. Točka kontakta između aksona jednečelije i dendrita druge naziva se sinaposom. Uređenje neurona isnaga pojedinih sinapsi, određena složenim kemijskimprocesima, uspostavljaju funkciju NM.
Neke neuronske strukture definirane su pri rođenju, a drugeprocesom učenja. Kako se stvaraju nove veze, neke stare seprekidaju. Ovakav razvoj je uočljiv u ranim stadijima razvojaživota. Npr. pokazano je da ako se mladoj mački uskratikorištenje jednog oka kroz jedan kritičan vremenski prozor, nikadneće razviti normalan vid na to oko.
23.5.2013.
60
8. Neuronske mrežeDendriti
Akson
Tijelo čelije
Sinapsa
Shematski prikaz biološkog neurona
8. Neuronske mrežeStruktura neurona nastavlja se mijenjati tjelok života. Te kasnije promjene težetome da su uglavnom jačanje ili slabljenje sinaptičkih spojeva. Npr. vjeruje seda nova pamćenja nastaju modificiranjem sinaptičkih veza. Stoga se procesučenja lica novih prijatelja sastoji iz izmjejna različitih sinapsi.UNM se po složenosti ne približuju složenosti mozga, ali su uočljive dvijesličnosti između bioloških i umjetnih NM:1. Blokovi od kojih su građene mreže su jednostavne naprave za računanje(iako su umjetno mnogo jednostavnije) koje su mođusobno jako povezane.2. Veze između neurona određuju funkciju mreže.Stoga je primarno odrediti odgovarajuću vezu da bi se riješili određeniproblemi. Ništa ne vrijedi što su biološki neuroni vrlo spori u odnosu naelektorničke, kad je mozak sposoban izvoditi mnoge zadaće brže odkonvencionalnih računala. To je zato što su biološke NM masivno paralelnestrukture te svi neuroni rade u isto vrijeme. UNM dijele tu paralelnustrukturu. Iako se većina UNM trenutno implementira na konvencionalnimdigitalnim računalima, njihova paralelna struktura čini ih idealno prilagođenimza implementaciju VLSI, optičkim napravaoma i paralelnim procesorima.
23.5.2013.
61
8. Neuronske mreže
NM su tako nove da nemaju općeprihvaćeni matematičku notaciji i/iliarhiteturno predstavljanje. Uz to, literatura o NM dolazi iz različitihpodručja, kao tehnika, fizika, psihologija, matematika i dr te autorikoriste volabular primjeren njihovoj struci. Stoga su mnogereference teške za čitanje i mnogi se koncepti čine težima nego štojesu. To je dovelo do više od jednog “otkrivanja kotača”.
Jedna od preporučljivih notacija je da se:
- Skalarne veličine pišu malim kosim slovima a,b,c
- Vektorske veličine pišu masnim malim slovima a,b,c
- Matrične veličine velikim masnim slovima A,B,C
8. Neuronske mreže
Skalarni ulaz p se množi saskalarnim teženskim faktoromw te dobiva wp. To je prvi ulazu sumator. Drugi ulaz semnoži s b i onda prenosisumator. Izlaz iz sumatora(mrežni ulaz) ide u prijenosnufunkciju, koja stvara skalarnineuronski izlaz.Ako se ovaj jednostavn modelpoveže s biološkimneuronima, težina w odgovarasnazi sinapse, a tijelo čelijepredstavlja sumator iprijenosnu funkciju. Neuronskiizlaz je tada signal aksona.
Ulazi Općeniti neuron
Neuron s jednim ulazom
23.5.2013.
62
8. Neuronske mrežeNeuronski izlaz se računa prema: a = f (wp + b)
Ako je npr. w = 3, p = 2 i b = –1,5 , onda je a = f (3(2) – 1,5)= f (4,5), w i b podesiviskalarni parametri neurona.
Prijenosna funkcijaPrijenosna funkcija može biti linearna ili nelinearna. Bira se tako da zadovolji nekispecifični problem (ili njegov dio). Prijenosna funkcija s teškim ograničenjempostavlja izlaz neurona na 0 ako je argument manji od 1 ili na 1 ako je argumentveći ili jednak nuli. Ova funkcija se može koristiti za odvajanje dvije jasnorazgraničene kategorije.
Prijenosna funkcija s jakim ograničenjem Neuron s jednim ulazom i hardlim
Prijenosna funkcija s jakim ograničenjem
Oznaka za ovakvu prijenosnu funkciju
8. Neuronske mrežeIzlazna linearna funkcija prijenosa je jednaka njegovom ulazu: a = n.
Neuroni s ovom prijenosnom funkcijom se koriste u tzv. ADALINEmrežama. Izlazne naspram ulaznih karakteristika lineranog neuronas jednim ulazom prikazana je na slici:
Linearna prijenosna funkcija Neuron s jednim ulazom (purelin)
Linearna prijenosna funkcija
Oznaka za ovakvuprijenosnu funkciju
23.5.2013.
63
8. Neuronske mrežePrijenosna funkcija log-sigmoid (sa slike) uzima ulaz (koji može biti bilo
koja vrijednost) i sabija je u izalz opsega od 0 do 1 prema izrazu:
Oznaka za ovakvuprijenosnu funkciju
Log-sigmoid prijenosna funkcija Logsig neuron s jednim ulazom
Log-sigmoid prijenosna funkcija
8. Neuronske mrežeLog-sigmoid prijenosna funkcija se uobičajeno koristi u višeslojnim mrežama
koje se treniraju algortimom povratnog prostiranja, djelomično zato što jefunkcija diferencijabilna.
NAZIV ODNOS ULAZ/IZLAZ IKONAMATLABfunkcija
23.5.2013.
64
8. Neuronske mreže
NAZIV ODNOS ULAZ/IZLAZ IKONA MATLABfunkcija
8. Neuronske mreže
Neuron s više ulaza
Tipično, neuron ima više od jednog ulaza. Neuron s R ulazaprikazan je na slici:
Pojedinačni ulazi su pi.
Težinske vrijednosti su wi,j, a
Elementi su težinske matrice W.
Neuron ima utjecaj b, koji se
zbraja s ulazima korigiranim za
težinske vrijednosti te se formira
mrežni ulaz n:
23.5.2013.
65
8. Neuronske mrežeTaj se izraz može napisati kao matrična jednadžba u obliku:
n = Wp + b,
gdje je matrica W za slučaj jednog enurona ramo jednoredna. Sadase mrežni izlaz može pisati kao:
a = f (Wp + b).
Na sreću, NM može često biti opisana s matricama. Ovdje jeprihvaćen dogovor (konvencija) da je prvi indeks indikatorodređenog neurona za tu težinsku vrijednost. Drugi indeks jeindikator izvora signala koji dolazi na neuron. Tako, npr. w1,2 ,znači da ova težina predstavlja vezu prvog neurona i drugogizvora. Ovo je osobito bitno kada ima više neurona koji čine NM.
To je bitno, jer se često želi nacrtati mrežu s nekoliko neurona, odkojih svaki ima nekoliko ulaza. Nadalje, potrebno je omogućitiobilježavanje mreža s više slojeva neurona.
8. Neuronske mrežeMreža bi izgledala složena deo nečitljivosti kada bi se sve linije
iscrtavale. Trebalo bi dosta tinte, jedva bi se vidjela, a masa detaljabi onemogućila uviđaj glavnih značajki. Stoga se koristi skraćenanotacija. Primjer neurona s takvom notacijom dan je na sljedećojslici: Ulaz Neuron s više ulaza
Slika: Neuron s R ulaza, skraćena notacija
23.5.2013.
66
8. Neuronske mrežeKako je prikazano na prethodnoj slici, ulazni vektor p je
predstavljen s punom okomitom trakom na lijevoj strani.Dimenzije p su prikazane ispod varijable kao Rx1, ukazujući nato da je ulaz pojedinačan vektor s R elemenata. Ovi ulazi iduna težinsku matricu, W, koja ima R stupaca, ali samo 1 red.Konstanta 1 ulazi u neuron kao ulaz i množi se sa skalarnimutjecajem. Mrežni ulaz u prijenosnu funkciju je n, koji je zbrojutjecaja b i umnoška Wp. Izlaz iz neurona a je skalar u ovomslučaju. Kad bi imali više od jednog neurona, mrežni izlaz bibio vektor.
Dimenzije varijabli u ovoj skraćenoj notaciji se uvijek uključuju usliku tako da se može odmah reći govorili se o skalaru, vektoruili matrici. Uz to, ne treba pogađati koje su dimenzije i kojevrste varijable.
8. Neuronske mreže
Uzmite u obzir da je broj ulaza u mrežu podešen prema vanjskimspecifikacijama problema. Ako se npr. projektira neuronskamreža koja će predvidjeti uvjete leta zmaja od papira, tada suulazi temperatura zraka, brzina vjetra i vlažnost.
Mrežne arhitekture
Obično jedan neuron nije dovoljan, čak kada ima i više ulaza.Moguće je da je potrebno imati mrežu od 5 ili 10 neurona, kojirade paralelno u tzv. sloju. Koncept sloja će se nadaljerazmotriti.
23.5.2013.
67
8. Neuronske mreže
Sloj neurona
Mreža s jednim slojemod S neurona prikazanaje na slici. Primjetite daje svaki od neuronaspojen sa svakim odulaza. Težinska matricasada ima S redaka.
Sloj od S neurona
Ulazi Spoj od S neurona
8. Neuronske mreže
Sloj uključuje težinsku matricu, sumatore, vektor utjecajaneurona, kotije prijenosnih funkcija i izlazni vektor. Neki autorismatraju ulaze dodatni slojem. Svaki element ulaznog vektorap spojen je na svaki neuron preko težinske matrice W. Svakineuron ima utjecaj bi, sumator prijenosnu funkciju i izlaz ai.Taken together, the outputs form the output vector a.Uobičajeno je da je broj ulaza u sloj različit od broja neurona(tj. R ≠S). Vektor ulaznih elemenata ulazi u mrežu kroztežinsku matricu W.
Struktura NM se sastoji od velikog broja jednostavnih jedinicaobrade koji komuniciraju slanjem signala jedan drugom prekovelikog broja težinskih veza.
23.5.2013.
68
8. Neuronske mrežePrimjenjivost modela pomorskog sustava u simulacijskim
programima ovisi o:- Točnosti njihovog odziva na varijacije parametara i slučajne
promjene. Modeliranje se tada može usmjeriti na modificiranjedizajna pomorskog sustava kako bi se poboljšalo ponašanje ikarakteristike;
- Brzina odziva. Simulacija za svrhu upravljanja zahtjeva modele sbržim ili jednakim vremenom odziva kao u realnom vremenu. Akoje potrebna ijedna prilagodba, potrebno je da bude dovoljno brzatako da je kontroler sposoban pružiti odgovarajuću akciju uraspoloživom vremenu.
Tehnički sustav je kombinacija komponenti koje djeluju zajedno iizvršavaju određeni cilj.
Svi pomorski sustavi u stvarnom vremenu mijenjaju svojekaraktristike u vremenu i kada je brzina promjene značajna,poznati su kao dinamički sustavi.
8. Neuronske mrežeSvaki umjetni neuron ima 3 grupe varijabli, a to su:- ulazne varijable, obično linearna funkcija sumiranja, koja je
inicirana da djeluje s udaljenosti na sustav i nije izravnopovezana sa sustavom;
- izlazne varijable, obično u obliku linearnih funkcija, koje stvarasustav kao kod međudjelovanja sa svojom okolicom;
- unutarnji parametri, koji variraju u sustavu, ali nemaju izravnuefktivnu vezu s izlaznim varijablama i ne mogu ulaznevarijable izravno na njih djelovati.
Neuronske veze prenose signale generiranjem jednostavnihpojačanja vrijednosti ili težina, koje se multipliciraju svojimulazima te se potpuno ili djelomično odađilju neuronima usvakom sloju mreže prema mrežnoj topografiji. Glavni razlogmodeliranja bilo kojeg (pomorskog) sustava je analiza ipredviđanje relevantnih U/I sustava i odnosa tijekom rada pododređenim uvjetima.
23.5.2013.
69
8. Neuronske mreže
Upotrebom kombinacije poznatih fizičkih, kemijskih i mehaničkih odnosaza određeni sustav i uključivanjem dodatnih pretpostavki i aproksimacijaizvodi se tehnički model pomorskog sustava. Pomorski sustav jekombinacija više od jednog složenog procesa tako da je prednost razbitisustav na nekoliko manjih podsustava. Svaki od njih se može odvojenomodelirati tako da kompletni model postaje skup međupovezanihpodmodela. Svaki sustav ili podsustav može se kategorizirati na SISO iliSIMO.
8. Neuronske mrežeStatički modeli su oni čiji izlazi su vremenski-invarijantne funkcije ulaza.
Kompaktni skup U ulaza je mapiran u elemente O u izlaznom prostorufunkcijom P:
O = P(U) (1)
Dinamički modeli, konvencionalno definirani linearnim i nelinearnimdiferencijalnim jednadžbama, ima izlazni skup koji je vremenski-ovisnafunkcija parametara sustava. Funkcija P je valjana transformacija ulaznogprostora U u izlaznim prostor O u vremenu t:
O(t) = P (U (t)) (2)
Ovo je točno kada parametri koji definiraju ponašanje sustava variraju svremenom te bi konstantnu transfromaciju između ulaza i izlaza bilo vrloteško ili čak nemoguće konstruirati. Dinamički modeli mogu sekategorizirati u 3 kategorije, ali najrealnija je:
O(t +1)= P(U (t),U (t −1),...,O(t),O(t −1),...) (3)
gdje su izlazi nelinearne funkcije P bivših skupova izlaza i ulaza. Cilj bilo kojegdinamičkog modeliranja je definirati funkciju P kako bi predvidjelijednostavni izlaz O, jedan vremenski korak naprijed u (t+1).
23.5.2013.
70
8. Neuronske mrežeDinamički sustavi mogu se matematički predstaviti u vektorskom obliku s:
X (t +1)=F (X (t),U(t)) (4)
i
O(t)=G(X (t),U (t)) (5)
Ako je sustav linearan i vremenski invarijantan, jednadžbe u diskretnomvremenu koje opisuju ponašanje dane su s:
X (t +1)=AX(t)+BU(t) and O(t)=CX(t)+HU(t) (6)
gdje su A, B, C i H matrice dimenzija (m, m), (m, j,), (h, m) i (h, j). Vremenskikontinuirano predstavljeno ponašanje dano je s:
X = AX BU and O=CX +HU (7)
Ako se model identifikacije temelji na poznatim fizikalnim zakonima idiferencijalnim jednadžbama, a kako su fizikalni zakoni vremenski neovisni,diferencijalna jednadžba je jedina aprkosimacija sustava, bilo zbog toga štoprecizniji model nije poznat ili zato jer je prekompliciran da bi biouporabljiv.
8. Neuronske mrežeNelinearna svojstva mapiranja NM i njihova sposobnost učenja novog
skupa ulaznih obrazaca bez značajnog poremećaja prethodne strukture,dva su važna faktora, koja čine NM primjenjivima za modeliranje iidentifikaciju dinamičkih sustava. Treniranje NM upotrebom U/Ipodataka iz nelinearne mreže može se promatrati kao nelinearnafunkcionalna aproksimacija problema. Višeslojna unaprijedna mrežamože aproksimirati bilo koju kontinuiranu nelinearnu funkciju. Mreže s 2skrivena sloja čini se da pruža veću točnost i bolje poopćavanje s manjimtroškovima za neke dinamičke sustave nego mreža s jednim skrivenimslojem.
Još je uvijek stvar iskustva i prosudbe odlučivanje o broju slojeva i jedinicapotrebnih za postizanje određenog stupnja točnosti za određenufunkciju koja se modelira. Simultano treniranje NM i prikupljanjepodataka je poznato kao on-line treniranje i moguće je ako je stvarnovrijeme treniranja značajno kraće od perioda uzorkovanja. Off-linetreniranje se primjenjuje kada se podaci dobivaju i koriste kako ih sustavdostavlja.
23.5.2013.
71
8. Neuronske mreže
Koraci u projektiranju NM
Standardni koraci u projektiranju NM koje rješavaju problemeanalize vremenskih nizova, klasterizacije, prepoznavanja uzorakai popunjavanja funkcija su:
• prikuplajnje podataka,
• kreiranje mreže,
• konfiguracija mreže,
• inicijalizacija težina i utjecaja,
• treniranje mreže,
• validacija mreže i
• uporaba mreže.
8. Neuronske mrežePopunjavanje funkcija
NM su dobre kod popunjavanja funkcija. Zapravo, postoji dokaz darelativno jednostavne NM mogu popuniti bilo koju funkciju.Pretpostavim, npr., da imamo podatke o domaćinstvima. Želimoprojektirati mrežu koja će predvidjeti vrijednost kuće ako ima 13zemljopisnih i nekretninskih informacija. Imamo 506 primjera domovas 13 podataka i tržišnim vrijednostima. Ovaj problem se može riješiti uMatlabu na 2 načina:
- upotrebom GUI, nftool, kako je opisano u “Using the Neural NetworkFitting Tool”.
- upotrebom komandnog prozora, kako je opisano u “Using Command-Line Functions”.
Općenito je bolje početi s GUI koji će onda automatski generirati matlabskripte. Prije uporebe bilo koje metode, potrebno je definirati problemodređivanjem skupa podataka. Svaki GUI ima pristup mnogimskupovima podataka koji se mogu koristiti za eksperimentiranje stoolboxom.
23.5.2013.
72
8. Neuronske mreže
Definiranje problema
Da bi se problem popunjavanja definirao za svrhu toolboxa u Matlabu, trebaurediti skup ulaznih Q vektora kao stupce u matrici. Potom treba ureditiskup ciljanih Q vektora u drugoj matrici. Npr., može se definirati problempopunjavanja s Booleanovim AND vratima s 4 skupa ulaznih vektora s 2elementa kako slijedi:
inputs = [0 1 0 1; 0 0 1 1];
targets = [0 0 0 1];
Prepoznavanje uzoraka
Pretpostavimo npr. da želimo klasificirati tumor kao benigni ili malignitemeljem uniformnosti čelije, debljine izrasline, mitoze itd. Imamo 699primjera slučajeva za koje imamo 9 skupina podatakapotrebnih zaklasifikaciju benignosti ili malignosti.
8. Neuronske mrežeDa bi definirali problem prepoznavanja uzoraka, potrebno je urediti ulazne i
izlazne skupove vektora. Izlazni vektori ukazuju na klasu na koju supovezani ulazni vektori.
Jedan pristup je kada se definiraju samo 2 klase izlaza, 1 ili 0, koje ukazuju na klasu u koju ulazi spadaju. Npr.:
inputs = [0 1 0 1; 0 0 1 1]; targets = [0 1 0 1];
Alternativno, vektori cilja mogu imati N elemenata, gdje za bilo koji ciljnivektor jedan je element 1, a drugi 0.
Npr. definiranje problema koji odjeljuje kuteve kocke 5x5x5 u 3 klase: izvor(prvi ulazni vektor) je jedna klasa, kutevi dalje od izvora su druga klasa. Sveostale točke su treće klasa.
inputs = [0 0 0 0 5 5 5 5; 0 0 5 5 0 0 5 5; 0 5 0 5 0 5 0 5];
targets = [1 0 0 0 0 0 0 0; 0 1 1 1 1 1 1 0; 0 0 0 0 0 0 0 1];
Ciljevi mogu biti skalari U/I elemenata ili 2-elementni vektori s jednim elementom 1 i ostalim 0.
23.5.2013.
73
8. Neuronske mreže
Klasterizacija podataka
Ovaj proces uključuje grupiranje podataka prema sličnosti. Npr.može se segmentirati tržište grupiranjem ljudi prema njihovimobrascima kupnje. Može se raditi bioinformatička analizagrupiranjem gena povezanih s određenim obrascima. Pret. daželimo klasterizirati vrste cvijeća prema dužini latice, širinilatice, dužini i širini lista.
Ponovo je potrebno urediti ulazne i izlazne vektore. Npr, 10 vektora s 2 člana:
inputs = [7 0 6 2 6 5 6 1 0 1; 6 2 5 0 7 5 5 1 2 2]
8. Neuronske mrežePredviđanje vremenskih nizova
Dinamičke NM su dobre za predviđanje vremenskih nizova.Pretp. npr. da imamo podatke iz neutralizacijskog procesa opH. Želimo projektrati NM koja će predvviđati pH iz prošlihvrijednosti utoka kiseline i lužine u tank (spremnik). Imamo2001 vremenski korak.
Da bi definirali problem, potrebno je urediti skup od TS ulaznihvektora kao stupce u cell array (napredna vrsta podatakaslična matricama, ali se na mjestu 1 elementa matrice možeupisati bilo što, pa i druga matrica ili vektor ili riječi). Zatimtreba urediti još jedan TS vektor za izlaz u obliku druge cellarray.
23.5.2013.
74
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Brodski propulzijski dizelski motor predstavlja složeni dinamičkisustav čiju strukturu, pored motora u užem smislu, čine ipodsustavi koji osiguravaju nužne uvjete za njegov rad (slika:).
Stanje motora u operativnom radu određeno je velikim skupom
varijabli - parametara s međusobnim utjecajem i korelacijama,
kako u normalnim radnim režimima, tako i u situacijama kvarova
ili poremećaja u radu.
Pravilima klasifikacijskih zavoda specificirani su nužni relevantni
parametri koji se kontinuirano prate-mjere u tijeku rada dizelskog
propulzijskog motora i pripadajućih podsustava odnosno
minimalni zahtjevi na sustav nadzora, upravljanja i zaštite.
Međutim, za kvalitetnije praćenje stanja motora i potpunu
dijagnostiku kvarova, nužno je imati sveobuhvatni sustav
mjerenja i nadzora, te kvalitetni sustav obrade senzorskih signala
– informacija temeljen na novim tehnologijama i tehnikama.
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
23.5.2013.
75
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Analizom provedenom na probnom stolu u TDMO1 brodogradilišta u
Splitu u okviru projekta "Koncept integralnog mikroračunarskog
sustava za ispitivanje motornih jedinica na probnom stolu" Instituta
Brodosplit, došlo se do podataka o potrebnom broju mjernih odnosno
nadzornih i upravljačkih varijabli po pojedinim podsustavima i
vrstama signala (temperature, tlakovi, protoci, razine i ostali) za
veliki brodski dvotaktni porivni dizelski motor (MAN B&W
6S70MC), što je pregledno dano u tablicama 1a (sve varijable) i 1b
(samo alarmne varijable).
Iz tablica se može zaključiti o kompleksnosti procesa brodskog
dizelskog motora odnosno opsegu potrebne mjerne i upravljačke
opreme (preko 1200 mjernih i upravljačkih varijabli i parametara, od
toga cca. 200, što za posljedicu imaju alarm ili akciju zaštitnog
djelovanja).
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
23.5.2013.
76
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Za pravilno sagledavanje i ocjenu rada i učinkovitosti složenog sustava
kao što je dizelski propulzijski proces nužno je potpuno poznavati
dinamiku procesa, te zavisnost izlaznih varijabli o ulaznim-
upravljačkim varijablama, varijablama stanja, poremećaja i kvarova.
U tom cilju se, u sustavu nadzora, upravljanja i dijagnostike brodskog
dizelskog propulzijskog procesa, koristi veliki broj raznovrsnih
mjernih davača - senzora za praćenje važnih varijabli i parametara
sustava, dijagnostiku trenutačnog stanja, za potrebe regulacije,
upravljanja, zaštite, te korektivnog i preventivnog održavanja.
Izboru broja i tipova senzora, te mjesta njihove ugradnje u sustavu
motora mora prethoditi pažljiva i temeljita analiza eksperata -
stručnjaka s iskustvom, kako bi se udovoljilo zahtjevima kvalitetnog
sustava nadzora, upravljanja i dijagnostike uz optimalni izbor
mjernih mjesta i cijene koštanja s obzirom na poznatu činjenicu
visokih cijena senzora odnosno mjernih davača.
23.5.2013.
77
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Izlazni signali iz senzora, neposredno mjereni u stvarnom
vremenu, najčešće su "sirovi", s prisutnim šumom, te ih je
potrebno obrađivati za njihovo korištenje u sustavu nadzora,
upravljanja i dijagnostike. Fizikalna veličina x (temperatura,
tlak, protok, razina, viskoznost, brzina, pomak itd.), koju se
senzorom osjeća i najčešće pretvara u proporcionalni električni
signal y, podložna je utjecuju više izvora šuma (šum okoline
NO, šum što ga generira sam senzor-osjetilo NS, šum
prijenosnog medija - vodova NT, šum što ga unosi pojačalo
NP). Stoga se, u procesu obrade senzorskog signala, mora
odgovarajućim tehnikama i postupcima eliminirati štetni
utjecaj šuma i drugih poremećaja.
Model mjernog davača uz prisutnost šuma ilustriran je slikom na
sljedećem slide-u.
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Senzorima se, i pored tako velikog broja, mjeri tj. prati konačan brojvarijabli i parametara procesa motora, a procesom obrade trebaosigurati znanje o ponašanju sustava potrebno za donošenjeispravne odluke u svim situacijama uključujući i situacije skvarovima.
Primjena novih tehnologija i tehnika u obradi senzorskih signala kaošto su umjetne neuronske mreže (engl. Artificial Neural Networks -ANN), opserveri - adaptivni filtri, neizraziti ekspertni sustavi (engl.Fuzzy Expert Systems - FES), tehnike fuzije senzorskih signala,omogućuje dobivanje znatno potpunijih informacija i znanjapotrebnih za donošenje pravodobne odluke o stanju sustava,pogotovu u težim situacijama poremećaja i kvarova. Standardni iuobičajeni način obrade signala temelji se na matematičkommodelu - preciznim relacijama između ulaza i izlaza mjernogsustava, što je dobro poznato kao DSP (engl. Digital SignalProcessing) metoda obrade signala na digitalnom računalu.
23.5.2013.
78
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
U sustavima upravljanja i dijagnostike često je potrebno preslikati signaleiz više senzora u jedan izlazni signal (engl. "many to one" - multisensormapping processor), odnosno izvršiti fuzija senzora, tj. koristiti višeizvora informacija za bolju dijagnozu stanja i donošenje odluke oradnoj sposobnosti ili kvaru. Proces ulaznoizlaznog preslikavanjaovisno o očuvanju ili gubitku informacije može se klasificirati [10] u:
- transformaciju ili- apstrakciju.Ako postoji pravilo ili egzaktna matematička relacija po kojoj se za svaki
element iz ulaznog skupa X dobije element y iz izlaznog skupa Y tj. y =f(x), x ∈ X , x = x1,x2,.....xn ; y = y1,y2,.....yn
tad je to proces ulazno-izlazne transformacije ili preslikavanja "jedan ujedan“. U tom slučaju je osigurana i inverzna transformacija: x = f −1(y).
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
U slučaju apstrakcije moguće je preslikati određeni brojelemenata ulaznog vektora xi ∈ X u jedan isti izlaz y, tj.preslikavanje "više u jedan" (slika 3b) u kojem slučaju nijezajamčen inverzni proces transformacije.
Dakle apstrakciju obično karakterizira gubitak informacije.
Načelo preslikavanja jedan na jedan i jedan na više.
23.5.2013.
79
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Drugo načelo preslikavanja povoljniji je kad ne postoje egzaktnimatematički modeli odnosno relacije ulaz/izlaz, pa sekorištenjem više senzorskih signala međusobno koreliranih, teheurističkih znanja eksperata, može izlučiti i dopuniti
informacije o određenom stanju sustava radi donošenjaoptimalne odluke ili akcije.
U ovom, složenijem slučaju, dolaze do izražaja prednosti novihtehnologija i tehnika kao što su:
- umjetne neuronske mreže,- adaptivni opserveri (Kalmanovi filtri),- neizrazita logika,- ekspertni sustavi,- njihova kombinacija i dr.
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Umjetne neuronske mreže su naročito pogodne za obradusignala kad je potrebno spojiti kompleksne višedimenzijskerazličite informacije u jednu jednoznačnu reprezentaciju, zafiltriranje procesnih signala i ekstrakciju informacija zaidentifikaciju, prepoznavanje uzoraka (dijagnoza kvarova), teodlučivanje.
Osnovne značajke ANN koje se mogu iskoristiti u obradi signalasa senzora su:
- sposobnost samoučenja temeljem podataka iz prošlosti, trenda(pohranjeni podaci),
- masivni paralelizam (masovna obrada podataka i informacija),- mogućnosti poopćavanja,- prilagodljivost promjenama,- dobre mogućnosti obrade nelinearnosti.
23.5.2013.
80
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Još su 1943. god. McCulloch i Pitts predložili prvi modelumjetnog neurona, koji služi kao osnovni sintetski procesnielement (PE), ilustriran slikom:
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
xi - ulazi u PE, wi - težinske vrijednosti ulaza, b - istosmjerni
pomak (bias) PE, g - aktivacijska ili prijenosna funkcija, y –
izlaz PE. Izlaz iz PE dan je u obliku:
Za ulazno-izlazno preslikavanje u mjerno-pretvaračkim
sustavima najčešće se koristi troslojna struktura unaprijedne
neuronske mreže ilustrirana slikom:
Ulazno - izlazno preslikavanje senzorskihsignala pomoću ANN
23.5.2013.
81
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
ANN se mogu koristiti za opis kompleksnih nelinearnih relacija pomoćumreže jednostavnih procesnih elemenata - neurona. Za rad ANN nužno je
njezino učenje odnosno treniranje na poznatom skupu podataka - situacija,
s ciljem određivanja i optimiranja relacija odnosno težinskih koeficijenata
ulaza xi s kojima se na izlazu mreže dobiva željeni signal yj.
Jedan od najčešćih algoritama učenja ANN je algoritam povratnog
prostiranja (engl. backpropagation algorithm) koji iterativnim postupkom
određuje težinske koeficijente između slojeva PE u mreži. Pri tome se
polazi od izlaznog sloja preko skrivenih slojeva prema ulaznom,
mijenjajući iterativnim postupkom, težinske vrijednosti veza sve dok se ne
dobije da željeni izlaz odnosno pogreška između izlaza ANN i izlaza za
testne podatke ne bude u unaprijed zadanim granicama. Dakle, ovaj
algoritam za modifikaciju težinskih vrijednosti veza slijedi princip
korekcije pogreške koristeći signal razlike između željenog i stvarnog
izlaza ANN prema smanjenju te razlike.
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Algoritam se primjenjuje na ovaj način:1. Inicijaliziraju se težinske vrijednosti veza u ANN na male
slučajne vrijednosti.2. Predstavi se mreži vektor ulaznih vrijednosti x1,x2,.....xN i
njemu odgovarajući vektor y1d, y2
d,... , ynd željenih izlaznih
vrijednosti.3. Izračuna se vektor stvarnih izlaznih vrijednosti y1,y2,.....yM
prostiranjem ulaza kroz mrežu.4. Koristeći rekurzivni algoritam, počevši od izlaznog sloja mreže,
podešavaju se težinske vrijednosti unazad prema ulazu:wij (t +1) = wij(t) + βδjxi(t), gdje su: wij (t) - težinski koeficijent za
ulaz i u čvor j u vremenskom trenutku t, xi (t) - izlaz izskrivenog čvora u trenutku t ili ulaz mreže, β - koeficijentpojačanja 0,0 < β < 1,0, δj - vrijednost pogreške za čvor j.
23.5.2013.
82
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
5. Koraci 2 do 4 se ponavljaju (iteracije) sve dok se pogreška nedovede na traženi iznos.
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Simulacijski primjer 1
Sustav upravljanja brodskog dizelskog motora tijekom rada treba
neprekidno informaciju o stvarnoj brzini, pa bi bilo poželjno imati takav
sustav koji može estimirati brzinu motora (praktično najvažniju varijablu
zatvorenog sustava upravljanja) i u slučaju potpunog prekida signala sa
senzora brzine, a temeljem raspoloživih informacija odnosno podataka iz
drugih senzora što su korelirani sa signalom brzine. Dakle, koristi se
fuzija senzorskih informacija koja podrazumijeva postojanje analitičke,
odnosno softverske redundantnosti u sustavu. Učinkovita metoda za
otkrivanje analitičke redundantnosti jest metoda strukturne analize.
U ovom primjeru će se dati učinkovita shema temeljena na ANN mreži s
kojom se obavlja on-line estimacija brzine motora uz pomoć signala s
kojima je povezana, odnosno poznatih informacija i njihovih doprinosa
signalu brzine: momenta propelera MP, poriva propelera TP i brzine
broda v.
23.5.2013.
83
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Predložena struktura neuronske mreže organizirana je u dvastupnja:
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
U primjeru estimacije brzine motora korištenjem ANN, tri suneovisna signala na ulazu (MP, TP, v) i jedan izlazni signal (n) tj.najbolje estimirana brzina motora za slučaj kvara senzora brzine.Podaci iz različitih izvora mogu, prije ulaza u ANN za njihovufuziju, proći kroz stupanj za prethodnu obradu (filtriranje,normalizacija, ..).
Prvi stupanj predložene strukture (ANN mreža za estimaciju) obavljaizdvajanje informacija iz ulaznih signala, a drugi stupanj (ANNmreža za fuziju) fuziju njihovih izlaza u jedinstvenu informaciju,odnosno donosi odluku i izbor najbolje estimirane brzine.
Prvi stupanj sačinjavaju tri identične unaprijedne ANN mreže (slika7a), svaka s po jednim skrivenim slojem aktivacijske funkcije tipa"log-sigmoid" i jednim izlaznim slojem linearne aktivacijskefunkcije.
23.5.2013.
84
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Drugi stupanj (slika 7b) se sastoji iz samoorganizirajuće ANN (engl. Self-
organizing ANN) mreže s jednim kompetitivnim slojem s tri ulaza (ovi
čine izlaze iz prvog stupnja) i jednim linearnim izlaznim stupnjem
(ADALINE - ADaptive LInear NEtwork). Tri su neurona u
kompetitivnom sloju i samo jedan je dobitnik u određenom trenutku. U
ovom slučaju, korištena je Euclidska mjera udaljenosti za odluku i izbor
najbolje estimirane brzine u pojedinom trenutku.
U prvom, estimacijskom stupnju, dovedena su tri ulazna signala za
estimaciju brzine motora n: moment propelera Mp, poriv propelera Tp i
brzina broda v. Izlazi iz prvog stupnja ANN mreže ulazi su u drugi
stupanj koji obavlja fuziju i donosi odluku o najboljoj estimiranoj
vrijednosti signala brzine, te istu daje na svom izlazu.
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
23.5.2013.
85
8.1. UMJETNE NEURONSKE MREŽE UOBRADI SENZORSKIH SIGNALABRODSKIH DIZELSKIH MOTORA
Za ocjenu valjanosti estimacije, izabrana je kao funkcija performanse
(funkcija cilja), prosječna kvadratna pogreška između očekivanih i
estimiranih vrijednosti (izlaz ANN mreže) brzine u diskretnim
trenucima k:
gdje je: k=1,2,..., N - diskretni trenuci uzorkovanja, N - ukupan broj
diskretnih uzoraka. Za simulaciju u ovom slučaju odabrana je
vrijednost za mse = 0,01 rad2/s2.
U minimizaciji funkcije cilja korišten je algoritam učenja s
povratnom propagacijom padajućeg gradijenta i adaptivnom
brzinom učenja odnosno inovacije težinskih vrijednosti tipa:
x(k + 1) = x(k) − a(k)g(k)
gdje je x(k) vektor trenutnih težinskih i offset vrijednosti, g(k) je
trenutni gradijent i α(k) koeficijent za brzinu učenja.
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
Skup podataka korišten za treniranje odnosno učenje ANN mreže
dobiven je simulacijom velikog brodskog dizelskog motora
MAN B&W tipa 5L90MC primijenjenog u propulzijskom
sustavu na VLCC2 brodu s punim teretom (99 %). Simulacija
je obavljena na brodostrojarskom simulatoru Norcontrol PPS
2000.
Vrijednosti skupa podataka za treniranje mreže uzimane su za
četiri radna režima motora u vožnji naprijed (tablica 3) i to:
• puna snaga (full ahead), 100 %,
• pola snage (half ahead), 75%,
• mala snaga (slow ahead), 50 %,
• vrlo mala snaga (dead slow), 25 %.
23.5.2013.
86
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
Drugi dio simulacije izveden je korištenjem Matlab/Simulinkokruženja na shemi ANN mreže prema slici 6 i strukturi premaslici 7. Nakon treniranja mreže s podacima iz tablice 3,dobiveni su vrlo dobri rezultati za estimirane vrijednosti brzinemotora u navedenim radnim režimima odnosnoopterećenjima.
Slika 8 i tablica 4 ilustriraju dobivene rezultate estimacije brzinetemeljem podataka o momentu propelera MP, porivupropelera TP i brzini broda v. Razlike u estimaciji brzine su vrlomale (mse: 3,3*10-3 s podacima za Mp, 9,98*10-4 s podacimaTp i 6,16*10-4 s podacima za v).
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
Slika 8. Estimacija brzine motora s podacima za treniranje ANN (Mp, Tp, v)
23.5.2013.
87
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
23.5.2013.
88
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
Slika 9. Promjena MSE za vrijeme treniranja s podacima za Tp
Slika 10. Estimacija brzine motora s podacima za testiranje (Mp, Tp, v)
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultatiFunkcija cilja (MSE = 0,01) za najbolju estimiranu vrijednost brzine
motora s podacima iz skupa za Tp dostignuta je u vrlo kratkom
vremenu (4,17 s), tj. nakon samo 115 epoha treniranja (slika 9).
Nakon primjene skupa testnih podataka za tri ulaza:
Mp, Tp i v, tijekom sesije testiranja ANN, dobilo se nešto slabije
rezultate (slika 10), ali zadovoljavajuće za praktičnu upotrebu,
osim onih dobivenih temeljem brzine broda, kada je dobivena
srednja kvadratna pogreška MSE = 11,55%. Najbolji rezultat
estimacije dobiven je s testnim podacima za poriv propelera Tp
(MSE = 1,73%).
Najveća diskrepancija između rezultata dobivenih s podacima za
treniranje i testiranje je ona s podacima za brzinu broda, vjerojatno
zbog nedovoljnog skupa podataka u fazi treniranja ANN mreže.
23.5.2013.
89
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultatiPredložena ANN mreža, u svakom diskretnom vremenskom trenutku, izabire
najbolju estimiranu vrijednost brzine na svom izlazu, tako da su konačni rezultatizadovoljavajući (uz testni primjer za snagu motora od 100 % i očekivanu stvarnubrzinu vrtnje od n = 7,74 rad/s dobivena je najbolja estimirana vrijednost brzines podacima za Tp, ne = 7,712 rad/s.
Simulacija 2: Detekcija položaja ručice telegrafa i obrada postavne vrijednosti brzine motora
U prijelazu iz jednog režima rada motora u drugi veoma je važno kvalitetno i brzodetektirati novi položaj ručice brodskog telegrafa (novi zahtjev), kako bi ga semoglo odmah obraditi i pravodobno djelovati na aktuatore, tako da se osigurabrz i bezudarni prijelaz u novu radnu točku odnosno radni režim. Ovo je posebnovažno u situacijama nužde, manevra, teškog mora, kvara i nepredvidimsituacijama. Slika 11 ilustrira karakteristične slučajeve promjena postavnihvrijednosti brzine odnosno položaja ručice brodskog telegrafa i željenu obradusignala za komandu brzine: normalni rad, rad u nuždi - emergancy, režimusporavanja stroja (SLD -slowdown), režim zaustavljanja (SHD - shutdown).
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-simulacijski rezultati
23.5.2013.
90
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-Struktura ANN mrežeOvdje se sugerira jedna učinkovita shema za detekciju promjene
položaja ručice telegrafa i generiranje odgovarajućeg signala –komande za brzinu, zasnovana na Elmanovoj rekurentnoj ANNmreži, odnosno mreži s povratnim djelovanjem (slika 12).
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-Struktura ANN mrežeElmanova mreža je obično dvoslojna ANN mreža s povratnom vezom od
izlaza prvog sloja na ulaz, koja omogućuje detekciju i generiranje
vremenski ili prostorno promjenljivih uzoraka signala. Ova ANN mreža
koristi kombinaciju dviju aktivacijskih funkcija: tangens sigmoidne
(tansig) i linearne (purelin) i može aproksimirati svaku funkciju (s
konačnim brojem diskontinuiteta, što jest ovdje slučaj) s proizvoljnom
točnošću (ovisno o broju rekurentnih neurona). Više neurona u
rekurentnom sloju i duže trajanje treninga mreže daje bolje rezultate.
Pošto Elmanova ANN mreža može pohranjivati informacije za budućekorištenje, sposobna je učiti i dade se trenirati za prepoznavanje i
generiranje kako vremenskih, tako i prostornih uzoraka (npr. krivulju
opterećenja motora s fiksnim propelerom).
Pri treningu mreže korišten je quasi-Newtonov algoritam (9) za adaptaciju
težina u povratnoj grani prvog sloja temeljem funkcije cilja (u ovom
slučaju je to minimizacija srednje kvadratne pogreške, MSE):
23.5.2013.
91
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-Struktura ANN mrežexk+1 = xk – A-1
k gk (9)
gdje je: xk – vektor trenutačnih težina u povratnoj grani, Ak –Hessianova matrica (druga derivacija indeksa performansi pritrenutačnim vrijednostima težina), gk – trenutačni gradijent.
Jednovremeno je korištena funkcija za učenje odnosno promjenupojedinačnih težina u povratnoj grani tipa padajućeggradijenta s momentom (10).
dWk +1 = mcdWk +(1- mc) lrgW (10)
gdje je: mc – konstanta momenta, dWk – vektor promjena težinaiz prethodnog trenutka, lr – brzina (gradijent) učenja, gW –vektor gradijenta težina.
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-Struktura ANN mrežeSlika 13 ilustrira primjer simulacije položaja ručice telegrafa i
prepoznavanja prikladnog signala za komandu brzine urazličitim režimima pomoću Elmanove ANN mreže.
23.5.2013.
92
8.1. UMJETNE NEURONSKE MREŽE U OBRADI SENZORSKIH SIGNALA BRODSKIH DIZELSKIH
MOTORA-Struktura ANN mreže
Simulacijski rezultati u ovom slučaju ukazuju na sposobnostElmanove rekurentne ANN mreže za brzu detekciju promjenepoložaja ručice brodskog strojnog telegrafa i sasvim dobremogućnosti generiranja odgovarajućeg signala komandebrzine za novi zahtjev s ručice strojnog telegrafa, odnosnonovi režim rada motora.
Zato se ovaj tip i struktura ANN mreže sugeriraju u obradi signalapostavne vrijednosti brzine odnosno snage porivnog motora.
9. SMARTGRIDS (PAMETNE MREŽE)
Smart grid je električna mreža koja koristi infromacije ikomunikacijsku tehnologiju da bi prikupila potrebne podatke idjelovala prema njima s ciljem bolje učinkovitosti,pouzdanosti, ekonomičnosti i održivosti proizvodnje idistribucije. To se obavlja na automatiziran način.
Informacije mogu biti o ponašanju kupaca i proizvođača.
Politika za smart grid je u EU organizirana kao Smart GridEuropean Technology Platform.
Izvođenje tehnologije pametne mreže podrazumijevafundamentalno re-inžinjerstvo postojeće industrije električnihusluga. Tipično se fokus sužuje na tehničku infrastrukturu.
23.5.2013.
93
9. SMARTGRIDS (PAMETNE MREŽE)
Početkom 21-og stoljeća postalo je očito da se s pomoćuelektroničkih komunikacijskih tehnologija može poboljšatielektričnu mrežu u smislu rješavanja ograničenja i cijene kojumreža ima. Tehnološka ograničenja tiču se cijena pri vršnomopterećenju, koja se više ne moraju uprosječiti te svim kupcimanaplačivati istu cijenu, nego se može davati različita cijenarazličitim kupcima. Paralelno, zbog velike zabrinutosti okoonečišćenja okoliša zbog uporabe fosilnih goriva, došlo se doideje korištenja velike količine obnovljivih izvora energije. Pritome dominiraju vjetroenergija i solarna energija, koje su vrlovarijabilne. Stoga su potrebni sofisticirani upravljački sustavi. Oniomogućuju vezu izvora s inače vrlo upravljivom mrežom. Snagafotonaponskih čelija (i u nešto manjoj mjeri vjetroturbina)postavlja također značajno pitanje postojanja jake centraliziraneelektrane koja drži sustav stabilnim.
9. SMARTGRIDS (PAMETNE MREŽE)
Brzo smanjenje troškova vodi na veliku promjenu iz centraliziranetopologije mreže u vrlo raspršenu (distribuiranu) sa snagom koja segenerira i troši na granicama mreže. Konačno, rastuća zabrinutostzbog terorističkih napada u nekim zemljama je dovela do poziva zarobusnom energetskom mrežom koja je manje ovisna ocentraliziranoj snažnoj elektrani koja se smatra potencijalnommetom.
Postoji mnogo definicija pametne mreže, neke su funkcionalne, neketehnologijske, a neke prema koristima. Zajednički element svihdefinicija je primjena digitalne obrade i komunikacija na mrežu takoda je tok podataka i upravljanje informacijama takvo da je mrežapametna. Različita svojstva rezultiraju s duboko integriranimkorištenjem digitalne tehnologije s energetskom mrežom teintegracijom novih mrežnih informacijskih tokova u procese i sustave.
23.5.2013.
94
9. SMARTGRIDS (PAMETNE MREŽE)
Na električnim instalacijama događaju se tri klase promjena:
- poboljšanje infrastrukture, zvano jaka mreža u Kini,
- dodavanje digitalnog sloja, koji u biti jest pametna mreža i
- transformacija poslovnog procesa, koja je potrebna da bi sekapitaliziralo ulaganje u pametnu tehnologiju.
Dobar dio modernizacije koji se događa u modernizaciji električnemreže, osobito zamjena i distribucija automatike, je sada uključenou opći koncept pametnih mreža, ali dodatne mogućnosti joševoluiraju.
Tehnologija pametnih mreža se izrodila iz ranijih pokušaja korištenjaelektroničkog upravljanja, mjerenja i nadzora. U 1980-im,automatsko očitavanje je korišteno kako bi se nadziralo opterećenjekoje unose veliki potrošači. 1990-ih se već pohranjivalo podatke opotrošnji energije u različitim dijelovima dana.
9. SMARTGRIDS (PAMETNE MREŽE)
Pametni mjerači dodaju kontinuiranu komunikaciju tako da se nadzormože izvoditi u stvarnom vremenu i mogu davati signale uređajimakoji odgovaraju na zahtjev i “pametnim utičnicama”. Uređaji poputklima, hladnjaka, grijača i sl. prilagođavaju svoj rad tako da gaizbjegavaju kada je mreža vršno opterećena. Od 2000-te talijanskoTelegestore projekt bio je prva mreža koja je obuhvatila 27 millijunadomaćinstava korištenjem pametnih mjerača. Noviji projekti koristeširokopojasnu prijenosnu liniju ili bezžičnu tehnologiju takvu da bise postigle pouzdanije veze.
2000-te je uveden prvi operacionalan širokopojasni mjerni sustav(Wide Area Measurement System, WAMS). Druge zemlje brzointegriraju ovu tehnologiju. Kina će imati sveobuhvatnu nacionalnuWAMS mjrežu kada se dovrši postojeći plan (krajem 2012).
Pr. pametnih mreža: Telegestore (2005), Austin, Texas (2003), Boulder,Colorado (2008).
23.5.2013.
95
9. SMARTGRIDS (PAMETNE MREŽE)Značajke pametnih mreža
Pametne greške predstavljaju pun paket trenutnih i predloženihodgovora na izazove e napajanju električnom energijom. Jedna odmogućih kategorizacija je:
Pouzdanost
Pametne mreže će koristiti tehnologiju koja usavršava otkrivanjekvarova i primjenjuje samo-liječenje bez intervencije tehničara. Toće omogućiti pouzdano napajanje strujom i smanjiti osjetljivost naprirodne katastrofe ili napade. Višestruke rute napajanja su značajkapametnih mreža, iako i stara mreža ima isto više puteva. Početnelinije u mreži su izrađene radijalnim modelom, a kasnije su dodanevišestruke rute. Međutim, to je na starim mrežama stvorilo noviproblem – ako je tok struje prešao limit nekog mrežnog elementa,može pasti dio mreže, pa onda još dio i konačno cijela mreža, što senaziva domino efektom. Stoga su pametne mreže način da sesmanji mogućnost za rolajući blackout ili slom mreže.
9. SMARTGRIDS (PAMETNE MREŽE)Fleksibilnost u mrežnoj topologiji
Prijenosna i distribucijska infrastruktura će bolje iskorištavati moguće dvosmjernetokove energije, dozvoljavajući generiranje s panela ili vjetrogeneratora tepunjenje čelija, baterija električnih turbina i dr. S druge strane, klasične mrežesu projektirane za jednosmjerni tok energije. Međutim, ako loklana podmrežagenerira više nego troši, obrnuti tijek energije je moguć.
Učinkovitost
Uporabom pametne mreže omogućeni su mnogi doprinosi u povećanjuučinkovitosti, ali su oni najznačajniji na strani upravljanja potrebama potrošača.Dodatni učinak je manja redudancija u prijenosnim linijama i veća iskorostivostgeneratora što vodi na nižu cijenu energije.
Prilagodba opterećenja
Ukupno opterećenje mreže značajno varira u vremenu te nije stabilno, niti sporo-varirajuće niti je prosječno. Kada npr. svi upale TV, naglo se digne opterećenjemreže. To iziskuje podizanje snage postojećih ili paljenje novih generatora. Zato je potrebno vrijeme. Pametna mreža će upozoriti sve TV uređaje ili velikotrošilo da privremeno smanje potrošnju. Upotrebom matematičkih algoritamaza predviđanje moguće je predvidjeti kada će koji generator biti potreban tekada će neki generator otkazati.
23.5.2013.
96
9. SMARTGRIDS (PAMETNE MREŽE)Vršna prikrata/ujednačenje i cijena u vrijeme korištenja
Da bi se smanjili zahtjevi u vršnim periodima, komunikacijska tehnologijaobavještava pametne naprave u domovima i u tvrtkama da su prohtjevi zaenergijom veliki i da je cijena visoka. Također se može pratiti koliko energijese i kada koristi. Također daje kompanijama za opskrbu mogućnostsmanjenja ili prevencije preopterećenja. Pretpostavlja se da će klijenti htjetitrošiti manje kada je struja skupa i više kada je jeftinija.
Održivost
Poboljšana fleksibilnost pametnih mreža dopušta penetraciju visoko varijabilnihobnovljivih izvora čak i bez dodatne pohrane energije. Nagle fluktuacije udistribuiranoj proizvodnji energije zbog oblaka ili lošeg vremena, predstavljajedan od izazova u projektiranju stabilne i pouzdane mreže.
Tržišna orijentcija
Pametne mreže omogućuju sustavnu komunikaciju između opskrbljivača ipotrošača te obojema omogućuje da budu fleksibilniji i sofisticiraniji u svojimradnim strategijama. Samo će kritična opterećenja trebati plaćati vršnucijenu te će klijenti više strateški planirati uporabu energije. Generatori s višefleksibilnosti omogućit će prodaju energije s maksimalnim profitom.
9. SMARTGRIDS (PAMETNE MREŽE)Potpora odgovoru na zahtjev
... omogućuje generatorima i trošilima međudjelovanje na automatiziraninačin u realnom vremenu koordinirajući zahtjevima kako bi se izravnališiljci u opterećenju. Eliminiranjem dijelića zahtjeva koji se događaju u timšiljcima eliminira cijenu dodatih pričuvnih generatora, produžje radni vijekopreme i dopušta korisnicima rezanje njihovih računa za struju govoreći imda uređaji niskog prioriteta troše struju kada je najjeftinija. Trenutno sutavimreže imaju različite stupnjeve komunikacije s upravljačkim sustavimauređaja poput elektrana, prijenosnih linija, podstanica i velikih korisnika.
Ukupni zahtjevi korisnika mogu imati vrlo široku distribuciju vjerojatnosti, štozahtjeva postojanje pričuvnih generatora u stanju pripravnosti kako bi brzoodgovorili povećanju zahtjeva za energijom. Ovo je preskupo, jer najviše10% opterećenje (max) može vremenski trajati 1% vremena. Latencija tokapodataka bila je veća briga kod starijih arhitektura s pametnim mjeračima,gdje je kašnjenje moglo biti i 24 sata.
23.5.2013.
97
9. SMARTGRIDS (PAMETNE MREŽE)Platforma za napredne uslugeUporaba robustne dvosmjerne komunikacije, naprednih senzora i distribuirane
računalne tehnologije poboljšat će učinkovitost, pouzdanost i sigurnostdostave i upotrebe energije. Također otvara potencijal za potpuno noveusluge ili poboljšanja na postojećim, kao požarni alarm koji gasi struju, zovevatrogasce i sl.
TehnologijaDobar dio tehnologija pametnih mreža već se koristi u drugim primjenama, kao
što su proizvodnja i telekomunikacije.Integrirane komunikacijeKomunikacije nisu tehnološki uniformne, jer su sustavi nadograđivani s
vremenom. U većini slučajeva, podaci se skupljaju preko modema, a neizravno mrežnom vezom. Područja za poboljšanje su: automatizacijapodstanica, odgovor na zahtjev, automatizacija distribucije, nadzor iprikupljanje podataka (SCADA), sustavi za upravljanje energijom, bezžičnemreže i sl. tehnologije, komunikacije linijom za energiju i optičkim vlaknima.Integrirane komunikacije će omogućiti upravljanje u realnom vremenu,razmjenu informacija i podataka kako bi se optimizirala pouzdanost sustava,uporaba uređaja i sigurnost.
9. SMARTGRIDS (PAMETNE MREŽE)MjerenjaKljučne zadaće su evaluiranje zagušenja i stabilnosti mreže, nadzor opreme,
nadzor kvarova, prevencija krađe energije i strategije potpore upravljanju.Tehnologije uključuju: napredna mikroporcesorska mjerenja (pametnimjerači) i oprema za očitanje mjerenja, nadzorni sustavi širokog područja,ocjenjivanje dinamičkih linija. Distribuirano mjereje temperature ukombinaciji s termalnim ocjenjivanjem u realnom vremenu (RTTR sustavi),elektormagnetsa mjerenja/analize, alatke za određivanje cijena u realnomvremenu i vremena uporabe, napredni prekidači i kabeli, radio tehnologijai digitalni zaštitni releji.
Pametni mjeračiPametna mreža zamjenjuje analogne mehaničke mjerače s digitalnim koji
snimaju mjerenja u realnom vremenu. Ovi se uređaji mogu sami isključitikada su vršni zahtjevi na potrošnju.
Jedinice za mjerenje fazoraBrzi senzori (PMU) raspoređeni kroz mrežu mogu se koristiti za nadzor
kvalitete energije. Fazori predstavljaju valne oblike izmjenične struje, kojibi trebali svugdje biti jednaki u idealnom slučaju.
23.5.2013.
98
9. SMARTGRIDS (PAMETNE MREŽE)1980-ih se shvatilo da se pulsevi GPS-ovog sata mogu koristiti za precizna mjerenjavremena u mreži. S puno PMU-ova i sposobnišću usporedbe oblika izmjeničnestruje u bilo kojem dijelu mreže, istraživanje sugerira da bi automatizirani sustavirevolucionalizirali upravljanje energetskim sustavima. Širokopojasni mjereni sustav(WAMS) je mreža PMU-ova koja pruža nadzor u realnom vremenu na regionalnojili nacionalnoj razini.Napredne komponenteInovacije u suprvodljivosti, tolerancija na kvarove, pohrana, energetskaelektronika i dijagnostičke komponente mijenjaju temeljne sposobnosti i značajkemreže. Tehnologije u tim R&D kategrijama su i: fleksibilni prijenosni sustaviizmjenične struje, supravodljive žice prve i druge generacije, distribuiranageneracija struje i distribuiranje pohrane energije, kompozitni vodiči, inteligentnenaprave...Napredno upravljanjeAutomatizacija energetskog sustava omogućuje brzu dijagnozu i precizno rješenjena specifična događanja u mreži. Ove tehnologije se oslanjaju i doprinose jednadrugoj u 4 ključna područja. Tri tehnologijske kategorije za napredne metode su:distribuirani inteligentni agensti (upravljački sustavi), analitičke alatke (softverskialgoritmi i brza računala), operacijske primjene (SCADA, zamjenska automatika,zahtjev-odgovor, itd).
9. SMARTGRIDS (PAMETNE MREŽE)Uporabom umjetne inteligencije u tehnikama programiranja, npr. Fujianenergetska mreža u Kini stvorila je široki sustav zaštite koji brzo i točnoizračunava upravljačku strategiju te je izvršava. Softver za nadzor stabilnostinapona i upravljanje njime (VSMC) koristi skcesivno linearno programiranje dabi pouzdano odredili optimalno upravljačko rješenje.Napredna sučelja i potpora odlukamaInformacijski sustavi koji reduciraju složenost tako da operateri i kontroloriimaju alatke za učinkovito upravljanje mrežom s povećanim brojem varijabli.Tehnologije uključuju vizualizacijske tehnike koje reduciraju velike količinepodataka u razumljive vizuelne formate koji su lako razumljivi. Softverskisustav predlaže razne potrebne operacije i simulira analize “što-ako”.Generiranje pametne energije...je koncept sparivanja proizvodnje i potrošnje struje uporabom višeidentičnih generatora koji mogu startati i stati tako da učinkovito opskrbljujumrežu. Sparivanje proizvodnje i potrošnje, zvano balansiranje opterećenja jeključno za stabilno i pouzdano opskrbljivanje mreže. Kratkotrajne devijacije iprolongirano nepodudaranje u ravnoteži vodi u varijaciju frekvencije teblackout. Prva izgrađene ovakve mreže su: Wärtsilä u Kiisa, Estonia. Kreće upogon 2013 ili 2014, snaga 250 MW.
23.5.2013.
99
9. 1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Prijenosni sustavi (EU, npr. Slovenija) se aktivno uključuje u izgradnju
elektroenergetske prijenosne mreže budućnosti, napredne mreže
(SmartGrids) sa vizijom, koja temelji na liberalizaciji tržišta i promjenama
u tehnologijama proizvodnje kako bi se ispunili zahtjevi prema okolišu i
budućoj upotrebi električne energije.
Osnovna ideja naprednih mreža je učinkovito korištenje (proizvodnja,
prijenos, distribucija i potrošnja) energije, uz istovremeno smanjenje
troškova i gubitaka energije te povećanje kvalitete i pouzdanosti opskrbe.
Napredne mreže moraju podržati energetsku strategiju i cilj Europske unije
20:20:20 do 2020. godine. Uz standardne i provjerene tehnologije
upravljanja i održavanja prijenosnog sustava uvode se nove tehnologije.
Moderna tehnološka rješenja i inovacije u slovenskoj prijenosnoj mreži su
predmet sistematičnog rada tvrtke i njenih stručnjaka već niz godina.
ELES, nacionalni koordinator tehnološke platforme za elektroenergetske
mreže (SmartGrids) slijedi europskim strateškim smjernicama.
9. 1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU ELES upotrebljava inovativne proizvode i servise zajedno s
inteligentnim nadzorom, kontrolom, komunikacijom i
dijagnostikom.
Neke od tih inovacija još su u fazi istraživanja i razvoja, dok su neke
već započele implementaciju. Početci su bili kod uvođenja sustava
praćenja i lokalizacije atmosferskih izbijanja koji se je nadgradio s
korelatorom lociranja mogućeg mjesta kvara zbog munje
(SCALAR). ELES je izgradio vlastiti sustav monitoringa
vremenskih podataka, temperature okolice, smjera i brzine vjetra te
sunčanog sijevanja izgradivši sustav DAMOS sa sedam vremenskih
stanica.
S ciljem kvalitetne i točne obrade podataka o svojim dalekovodima i
transformatorskim stanicama ELES je laserski snimio (LiDAR)
kompletnu 110, 220 i 400 kV mrežu i praktično sve TS.
23.5.2013.
100
9. 1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Zahvaljujući tim digitalnim 3D podacima omogućeno je uvođenje
informatičkih sustava GRID.MC, GMS i PSA odnosno mobilnog
održavanja. U fazi implementacije je nakon uspješnog testiranja
uvedeno točkasto mjerenje temperature vodiča nadzemnog voda
(OTLM). Uskoro će biti pušten u pogon prvi sustav linijskog
mjerenja temperature vodiča (OPPC) s tehnologijom prognoze
opterećenja sa sustavom VALCAP.
Podaci će biti dostupni u SCADA u državnom centru upravljanja
pomoću sustava ODIN, koji u 3D konfiguraciji prikazuje
dispečeru padove napona na cijelom prijenosnom sustavu te nivo
opterećenosti dalekovoda.
Prezentirane moderne tehnologije žele potvrditi jedan od ciljeva
da je inovativnost ekonomski pokretač za obnovu električne
mreže kod osiguravanja sigurnosti dobave i samo ozdravljenje.
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Logična je i razlika između prijenosnih i distribucijskih stručnjaka u
razumijevanju naziva Smartgrids (europski) odnosno Smart grid
(sjevernoamerički), jer su sustavne obveze i koncept mreža, odnosno ciljevi,
različiti. Stručnjaci prijenosa električne energije projekt Smartgrids prihvaćaju
kao odličan generator ideja odnosno poticaj za uključivanje inovacija u proces
izgradnje moderne prijenosne mreže.
U diskusijama o pametnim ili o inteligentnim ili o naprednim mrežama
izražava se blagi protest smatrajući da su današnje prijenosne mreže u sustavu
ENTSO-E (od 1.7.2009. ENTSO-E (European Network of Transmission
System Operators for Electricity), Europska mreža operatora prijenosnih
sustava za električnu energiju) preuzela je djelatnosti šest bivših Europskih
udruga operatora prijenosnih sustava, uključujući i UCTE (Union for the
Coordination of Transmission of Electricity)) na takvom razvojnom nivou da
ispunjavaju osnovnu ideju naprednih mreža (Smartgrids), a to je učinkovito
korištenje (proizvodnja, prijenos, distribucija i potrošnja) energije, uz
istovremeno smanjenje troškova i gubitaka energije te povećanje kvalitete i
pouzdanosti opskrbe.
23.5.2013.
101
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Da bi izbjegli polemiku o tome da li su europske prijenosne mreževeć sada napredne potrebno je prihvatiti razmišljanje da ima jošpuno prostora napretku i razvoju s novim modernim alatima odinformatičkih sustava preko novih metoda dijagnostike i monitoringate metoda održavanja (npr. rad pod naponom) uz upotrebu novihtehnologija u gradnji dalekovoda i transformatorskih stanica tako kodprimarne i sekundarne opreme.Navedeni argumenti stručnjake ELEKTRO-SLOVENIJA d.o.o. (ELES),operater slovenskog prijenosnog sustava (SOPO ili OPS ili TSO) injihovih partnera obvezuju k izgradnji napredne prijenosneelektroenergetske mreže. Prihvaćeno je da su napredneelektroenergetske mreže zajednički naziv za nove tehnologije umodernizaciji električnih energetskih mreža na svim razinama odmikro-mreža (microgrids) do super-mreža (supergrid).
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU
23.5.2013.
102
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU ELES je laserski snimio cjelokupnu 110, 220 i 400 kV mrežu te ima u
elektronskom obliku sve potrebne geometrijske podatke prijenosnihDV (baza GRID.MC i GMS). Ti podaci su od velike pomoći kod analizepogonskih uvjeta te određivanja kritičnih raspona u realnomprostoru.
Za realizaciju projekta bila je upotrijebljena oprema ALTM 3100(Airborne Laser Terrain Maping) kanadskog proizvođača. Opremakoja je bila montirana na helikopter je kombinacija laserskogmjerenja udaljenosti (LIDAR) inercijskog navigacijskog sistema, GPSprijemnika računala, digitalne kamere velike različivosti i videokamere. U tom sistemu LIDAR vrši funkciju mjerenja ikartografiranja, video digitalna kamera čiji su podaci prostorno ivremenski usklađeni s laserskim podacima, služi prepoznavanjuterena i indentifikaciji laserskih podataka.
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Stanje dalekovoda u cjelini ili njegove pojedine komponente u toku
njegove upotrebe (radnog života) neprestano se mijenjaju, zbogrekonstrukcije ili popravaka, radi različitih uvjeta pogona teklimatskih uvjeta. Da bi dobili podatke o maksimalnomprijenosnom kapacitetu, pouzdanosti komponenatadalekovoda, da bi poboljšali učinkovitost održavanja moramoimati točnu i objektivnu informaciju o stanju dalekovoda injegovih pojedinih komponenata.
Opisani postupci pregledavanja VN vodova s helikopterom iprednosti takvih pregleda su u svijetu poznati i sve češće sekoriste u prakisi. S helikopterom možemo učinkovito pregledatitrase dalekovoda i njegovih temeljnih komponenata, kao što sustupovi, vodiči, zaštitna užad i izolatori.
23.5.2013.
103
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU U tu namjenu moguće je učinkovito upotrijebiti sljedeće metode:� video pregled.� lasersko skeniranje,� termografski pregled i� korona pregled.
Zbrojni podaci se zatim oblikuju u izvješće koje pokazuje mjesto greškes video slikom te GPS podacima što olakšava lociranje greške.Najveće prednosti metode su:
� dugoročno smanjenje troškova održavanja,� manji broj ispada radi kvarova ili održavanja te� smanjenje vremena otklanjanja kvara.
Jedna od učinkovitijih metoda dobivanja traženih podataka je metodazračnog laserskog snimanja.
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU
Tako dobiveni i s posebnim programima naknadno obrađenipodaci između ostalog omogućuju:
• ustanovljavanje stvarnog stanja na trasi dalekovoda
• dokumentiranje dalekovoda i objekta koji se nalaze u pojasudalekovoda
• određivanje geometrijskih i geodetskih parametara uizmjerenom pojasu
• prikaz parametara koji odstupaju od projektne dokumentacije
• određivanje stupnja zarašćenosti i prikaz kritičnih mjesta
• projektiranje zamjene vodiča i užeta za uzemljenje
• projektiranje novih dalekovoda.
23.5.2013.
104
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Moderne tehnologije monitoringa dalekovoda U zadnjem desetljeću je učinjen značajan korak u ELES-u u organizacijskom,
stručnom i financijskom smislu na prepoznavanju i uvođenju modernihtehnologija monitoringa dalekovoda.
Nakon što je tvrtka elektronički obradila tehničke podatke o svojoj mrežiuključivši podatke u baze (MAXIMO, GRID.MC, GSM, PSA i druge) krenulose na definiranje mogućih monitoringa.
ELES uvođenjem monitoringa u prijenosnu mrežu želi dobiti odgovore kod:- povećane potrošnje i prijenosa električne energije - što veće sigurnosti pogona i raspoloživosti prijenosnih putova.
ELES s učinkovitim gospodarenjem s podacima monitoringa postiže trajneciljeve: povećati prijenos, sigurnost i razpoloživost postojećih prijenosnihputova, pripremiti podloge za razvoj i gradnju novih prijenosnih putova:
– lakša i vremenski kraća gradnja dalekovoda, – statistički podatci za planiranje gradnje i rekonstrukcije dalekovoda.
23.5.2013.
105
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU ELES ima kod planiranja povećanja prijenosnih kapaciteta više mogućnosti: 1. gradnja novih prijenosnih putova (dugotrajan proces planiranja),2. modernizacija i rekonstrukcija dalekovoda (zamjena starih s novim
vodičima, novi vodiči većeg presjeka, novi vrući vodiči, nova izolacija,prijelaz s jednog na dva sistema, prijelaz s nižeg na viši naponski nivo, novikonstrukcijski zahvati, …),
3. uporaba drugih tehnologija (monitoring, nadzor, zaštita, informacijskisustavi, diagnostika).
ELES je realizirao i uveo u praksu kroz pilot projekte te ispitao više tehnološkihnovosti monitoringa dalekovoda:
1. Sustav za sakupljanje i obradu podataka o atmosferskim pražnjenjima teon-line korelacija ispada VN vodova sa udarima munja (SCALAR –realizacija EIMV)
2. Sustav za praćenje vanjskih vremenskih utjecaja na dalekovode (DAMOS– vlastiti razvoj),
3. Temperaturni monitoring stanja dalekovoda (OTLM – realizacija C&G), 4. 3D prikaz naponskih prilika/profila dalekovoda (ODIN – realizacija EIMV).
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU Sistem SCALAR je zanimljiv kod obrade statistike udara munje što je važno kod
planiranja izgradnje novog dalekovoda te posebno koristan kod korelacijeudara munje i kvara VN dalekovoda. Točno određenje lokacije udara munjeomogućuje pozicioniranje kvara na dalekovodu ukoliko je isti nastao zbogatmosferskog pražnjenja. Tako se skraćuje vrijeme traženja kvara ipovećava učinkovitost otklanjanja kvara.
Kolerator je aktivan već desetljeće i dao je odlične rezultate.DAMOS (DAljnovodni MOnitoring Sistem) je rezultat vlastitog razvoja
stručnjaka u ELES-u (Slika 5). U toku nekoliko godina izgrađena je mrežavremenskih postaja, njih sedam smještenih, šest u transformatorskimstanicama i jedna na stupu, koja ima značaj i praćenja zaleđenja. Svepostaje u sustavu DAMOS mjere tempereturu okolice, točno mjerenjebrzine i smjera vjetra te ultrasonične mjerače (sunčevo sijevanje) i mjeračezračnog tlaka.
Sustav DAMOS omogućuje vezu sa SCADA, prognozu mogućeg opterećenja,kratkotrajnu prognozu vjetra i podatke za projektiranje (zaleđenje, vjetar).
23.5.2013.
106
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU
23.5.2013.
107
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU • Maksimalno iskorištavanje kapaciteta prijenosne sposobnosti
nadzemne elektroenergetske mreže moguće je postići poznavanjemrazličitih tehničkih parametara (sigurnosna visina voda, križanje sostalim vodičima, vegetacija). Najvažniji parametar je poznavanjeprovijesa i trenutačne temperature dalekovodnog vodiča.
• Naprava OTLM (Slika 6.) neposredno mjeri temperaturudalekovodnog vodiča i uz točno vrijeme mjerenja te podatke prekoGSM/GPRS mreže prenosi u nadzorni centar (SCADA). Napajanjenaprave je izvedeno indukcijom (obuhvatni transformator) iz strujeu vodiču na kojemu je montiran te nije potrebno nikakvo redovitoodržavanje, što bitno utječe na troškove eksploatacije OTLMsustava.
• Nadzor temperature vodiča u realnom vremenu je uz monitoring unormalnom pogonu mnogo značajnije kod velikihopterećenja/preopterećenja u ekstremnim vremenskim uvjetima(visoka temperatura okolice, bez vjetra, visoko sunčano sijevanje).
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU
23.5.2013.
108
9.1. MODERNE TEHNOLOGIJE MONITORINGA I DIJAGNOSTIKE ELEMENTI »SMARTGRIDS« U
PRIJENOSNOM SUSTAVU ODIN je informacijskisustav za vizualizacijunaponskih profila iopterećenjadalekovoda prijenosnemreže u realnomvremenu. Vizualizacija(3D grafički prikaz)omogućujejednostavan i brzpregled na pogonskimstanjem što olakšavarad operatera u centruupravljanja. ODIN jezasnovan tako da ga jemoguće upotrijebiti iza druge vizualizacije.
10. EKSPERTNI SUSTAVIU području umjetne inteligencije, ekspertni sustav jekompjutorski sustav koji emulira sposobnost donošenja odlukaljudskog eksperta (stručnjaka). Ekspertni sustavi projektirani suza rješavanje složenih problema razmišljanjem o spoznajama,poput razmišlajnja eksperta, a ne sljeđenjem procedure tvorca,kao u konvencionalnom programiranju. Prvi ekspertni sustavistvoreni su 1970-ih.Ekspertni sustav ima jedinstvenu strukturu: podijeljena je u fiksnidio (neovisan o ekspertnom sustavu – mehanizam zaključivanjaili pogon sučelja) i varijabilni (baza znanja). Da bi ekspertni sustavradio, stroj mora razmišljati o bazi znanja kao čovjek. 1980ihpojavio se i treći dio: sučelje dijaloga za komunikaciju skorisnikom. Sposobnost konverzacije s korisnikom je odlikatrećeg dijela.
Sučelje + znanje = ekspertni sustav
Algoritam + struktura podataka = program u klasičnom računalu
23.5.2013.
109
10. EKSPERTNI SUSTAVI
Francuski kompjutorski jezik – Prolog, 1972 – to je ljuskaspremna primiti ekspertni sustav i podržati njegov rad.Integrira se logika prve razine s pravilima i činjanicama. To jealat za masovnu proizvodnju stručnih sustava i bio je prvideklarativni jezik. Prolog nema pogodno korisnično sučelje.Logika je različita od ljudske.
Razvoj simboličkih jezika Lisp i Prolog.1981 pojavio se prvi IBM PC s MS-DOSEkspertni sustavi su se raširili nakon toga: Guru (SAD), PersonalConsultant Plus (USA), Nexpert Object (SAD), Genesia (Francuskajavna kompanija Electricité de France), VP Expert (USA). Ipak, svesu bili istraživački projekti te nisu prodrjeli na tržište, što govorida nisu sazrijeli.
10. EKSPERTNI SUSTAVI1986-ih pjavio se novi generator ekspertnih sustava za PC nastaou Francuskim akademskim istraživanjima Intelligence Service,koji je prodavala GSI-TECSI softverska kompanija. Koristipropozicijsku logiku (“Logika nultog reda") za izvođenje radaekspertnog sustava, a pokazao je ispravnost definicijeEdward Feigenbaum-a iz knjige Artificial Intelligence and Japan'sComputer Challenge to the World (1983): “Strojevi će imatisnagu razmišljanja: automatski će proučiti ogromnu količinuznanja kako bi služili ljudima, npr. za medicinsku dijagnozu iliprojektiranje proizvoda, za odluke u upravljanju ili obrazovanje",“Razumijevanje ovih strojeva jednako je ili veće od onog kojeimaju tvorci (ljudi), a u nekim slučajevima i od ljudi koji se bavepodručjem elspertnog sustava."Intelligence Service je razvio "Pandora" (1985). GSI-TECSI nijemogao unaprijediti jezik te je produkt propao na tržištu.
23.5.2013.
110
10. EKSPERTNI SUSTAVI
KorisnikStručnjak u području
Ekspertiza
Inženjerznanja
Kodiranaekspertiza
Sisteminženjer
Korisničko sučelje
Pogon sučelja (mehanizam zaključivanja)
Bazaznanja
Pohranaradnih podataka
Komponente ekspertnog sustava
10. EKSPERTNI SUSTAVIARHITEKTURA SOFTVERA
Baza podataka prema pravilima (rule base) ili znanju (knowledge base)
U tehnologiji ekspertnih sustava baza podataka je izražena s pravilimaprirodnog jezika poput IF(AKO) ... THEN(ONDA) ... npr.:
"IF živi THEN je smrtnik"
"IF njegove godine = poznate THEN njegova godina rođenja = današnjidatum – njegove godine"
"IF se nezna idenetitet bakterije sa sigurnošću AND(I) bakterija je gram-
pozitivna AND morfologija organizma je "rod" AND bakterija je aerobna
THEN postoji velika vjerojatnost (0.8) da je bakterija tipa
enterobakterije"
Ovakve formulacije imaju prednost u svakodnevnom jeziku, a vrlo jerijedak u kompjutorskoj znanosti (kod klasičnog programiranja). Pravilaizražavaju znanje koje koristi ekspertni sustav. Postoje drukčijeformulacije pravila, koje razumiju samo računalni stručnjaci. Problemekspertnog sistema je prikupiti znanje, nesjvesno od stručnjaka.
23.5.2013.
111
10. EKSPERTNI SUSTAVIPogon sučelja (mehanizam zaključivanja)
...je kompjutorski program projektiran da stvori pravila razumijevanja. Da bi tonapravio, mora se temeljiti na logici. Nekoliko je logike: propozicijska,predviđanje prvog reda ili višeg reda, epistemička logika, modalna logika,temporalna logika, neizrazita lokiga, ird. Propozicijska se temelji naljudskoj. Izražena je silogizmima. Ekspertni sustav koristi tu logiku, zvanujoš 0.reda. S logikom, stroj je sposoban stvarati nove informacije iz znanjasadržanog u pravilima i podataka koji se obrađuju.
Stroj ima 2 načina rada: normalni računalni (batch) i konverzacijski. Kod prvogekspertni sustav ima sve potrebne podatke da bi proces mogao početi. Zakorisnika, program radi kao klasični kompjutorski: on daje podatke i primarezultate. Konverzacijski način rada je neophodan kada developer zna dane može pitati korisnika sve potrebne podatke za start, jer je problempresložen. Softver mora izmisliti način rješavanja problema, zahtjevatinedostajuće podatke od korisnika, postupno se približavati cilju što je bržemoguće. Razultat je dojam dijaloga kojeg vodi ekspert. Da bi se vodiodijalog, stroj može imati više razina sofisticiranosti: “lanac unaprijed",“lanac unazad" i “mješano ulanačavanje".
10. EKSPERTNI SUSTAVILanac unaprijed je ispitivanje eksperta koji nema ideju o rješenju i
istražuje progresivno (dijagnoza kvara).Kod lanca unazad, stroj ima ideju o cilju (npr. postoji opasnost, ali koje
razine?). Počinje od cilja u nadi da će se naći rješenje što je mogućebrže.
Kod miješanog ulančavanja stroj ima ideju o cilju, ali to nije dovoljno.Stoga treba raditi dedukciju u lancu unaprijed iz prijašnjih odgovorakorisnika prije postavljanja sljedećeg pitanja. Stoga se često deduciraodgovor na sljedeće pitanje prije njegovog postavljanja.
Jak interes u upotrebi logike je da ovaj tip softvera mora biti sposoban datikorisniku jasno objašnjanje toga što radi (zašto?) i kako je to zaključio(kako?). Zahvaljujući logici, najsofisticiraniji ekspertni sustavi susposobni otkriti kontradikcije u korisničkoj informaciji ili u znanju imogu ih objasniti.
Odlika ekspertnog sustava: konverzacijaEkspertni sustavi pružaju mnogo prednosti za korisnike kada se usporedi s
tradicionalnim programima, jer operiraju poput ljudskog mozga.
23.5.2013.
112
10. EKSPERTNI SUSTAVISamoprogramiranjeKako je pisanje pravila prirodno u svakodnevnom jeziku, ekspertni sustav možese pisati mnogo brže od konvencionalnog programa, bilo da ga pišu korisnici ilieksperti, te se tako zaobilazi profesionalne developere i potreba zaobjašnjavanjem subjekta (problema).Sposobnost korištenja velikih količina znanjaEkspertni sustav koristi veliku količinu pravila, što znači da je volumen znanjaprograma bezznačajan. Koliko god bilo pravila u bazi, rad stroja je jednak.PouzdanostPouzdanost ekspertnog sustava ista je kao i pouzdanost baze podataka. Ovisi oveličini baze znanja.Mjerljiv u skaliKako ekspertni sustav evoluira, dodaje, modificira ili briše pravila. Kako su pravilanapisana u jednostavnom jeziku, lako je odrediti što se briše ili modificira.PedagogijaLogički strojevi su sposobni objasniti korisniku u jasnom jeziku zašto pitaju nekopitanje i kako su nešto deducirali. Stoga korisnik može učiti. Još više, može ikomunicirati o koracima dedukcije. Stoga korisnik ima informaciju o svomproblemu prije konačnog odgovora ekspertnog sustava.
10. EKSPERTNI SUSTAVIOčuvanje i poboljšanje znanjaDragocjeno znanje može nestati sa smrću, umirovljenjem ili ostavkomstručnjaka. Kada se sačuva u ekspertnom sustavu, znanje postaje vječno.Nova područja zanemarena od konvencionalnih dijelova računarstvaAutomatiziranjem znanja, developer se može susresti s klasičnim problemom:eksplozijom kombinatorike Ili preopterećenošću informacijama. To značajnokomplicira njegov rad i dovodi do složenog i vremenski zahtjevnog programa.Ekspertni sustav s razmišlajnjem nema takav problem, jer stroj automatskiučitava kombinatoriku između pravila. Ova sposobnost može se adresirati tamogdje je enormna kombinatorika: visoka interaktivnost ili konverzacijska primjena,dijagnostika kvarova, potpora odlukama u složenim sustavima, edukacijskomsoftveru, logičkim simulacijama strojeva ili sustava, stalno promjenjivomsoftveru, itd.Ekspertni sustav ima značajnu manu, koja objašnjava njegov loš uspjeh unatočnačelu koje je postojalo 70 godina: kolekcija znanja i njegovog interpretiranja upravilima ili inženjerstvo znanja (knowledge engineering). Mnogi developerinemaju automatski način izvršavanja ovog zadatka. Umjesto toga, radi se ručno,što povećava mogućnost unosa pogreški. Znanje eksperata općenito se dobro nerazumije.
23.5.2013.
113
10. EKSPERTNI SUSTAVINpr. pravila za nešto ne moraju postojati, mogu biti kontradiktorna ili
slabo napisana i nekorisna. Još gore, mnogi ekspertni sustavi koristemehanizam koji nije sposoban razumijevati. Kao rezultat, ekspertnisustav često će raditi loše. Ispravna razvojna metodologija možeumanjiti ove probleme. Postoji softver sposoban intervjuirati stvarnogeksperta o temi i automatski zapisivati pravila ili spoznaje iz odgovora.
Polja primjene
Ekspertni sustavi su zanimljivi za područja gdje je enormna količinakombinatorike: visoko interaktivne ili konverzacijske primjene, glasovniserver, dijagnoza kvarova, medicinska dijagnostika, potpora donošenjuodluka u složenim sustavima, upravljanje procesima, interaktivnikorisnički vodiči ili tutorialni softver, logička simulacija strojeva ilisustava, upravljanje znanjem, softver koji se neprekidno mijenja. Možese koristiti i za aplikacije za brzo testiranje prototipova.
Ekspertni sustav radi sporije od tradicionalnog programa, jer “misli”, dokklasični program samo izvršava zapisane instrukcije.
10. EKSPERTNI SUSTAVI
Ljuska ekspertnog sustava
E k
s p
e r
t
K o
r i
s n
i k
Inženjer znanja
Podsustavakvizicije
znanja
Baza znanjaČinjenice, heuristika
MEHANIZAM SUČELJA
Razumijevanje snesigurnošću
Podsustav za objašnjenja
Korisničkosučelje
23.5.2013.
114
10. EKSPERTNI SUSTAVI
10. EKSPERTNI SUSTAVI
Ekspertni sustavi mogu se prema obiteljima podijeliti na:
• Sustave za interpolaciju krivulja, CURFIT (Curve-Fitting System)
• Sustave za modeliranje, FRANS (Modelling System)
• Sustave za sažimanje podataka, INTEGRAL (Data CompressionSystem)
• Sustave za upravljanje podacima, JOBLIST/SOLID (DataManagment System)
• Sustave koji uče, AUTOLRN/AUTOREC (Learnig System)
23.5.2013.
115
10. EKSPERTNI SUSTAVIČetiri problema, zajednička mnogim disciplinama, mogu se
riješiti primjenom matematičke kombinatorike:
1. Evaluiranje jednadžbi sustava,
2. Konstrukcija, rastav, izmjene i kombinacije grafova,
3. Identifikacija entiteta,
4. Klasifikacija entiteta.
Prva dva problema zahtjevaju prediktivne sposobnosti kako bi sepomoglo osmišljavanju eksperimenata.
Obitelj ekspertnih sustava koja je nastala iz ovih pravila možestajati samostalno. Rješavanje ovih 4 klasa problema i 9alata za potporu sustavima umjetne inteligencije (AISST,Artificial Intellignece Systems Support Tools) koriste se umnogim ekspertnim sustavima. 9 AISST alatki izvršavajuspecijalne zadatke poput prenošenja koda jezika više razine.
10. EKSPERTNI SUSTAVI
CURFITKarmarker Algorithm (KARMAR)INTEGRALJOBLISTH-S Info Managment (SOLID)Literature
23.5.2013.
116
10. EKSPERTNI SUSTAVI
Ekspertni sustavi mogu se podijeliti i na:- Konvencionalne- Auto-deduktivne- Konvencionalne s prilagodljivim učenjem- Samo-učeće.Sučelja trebaju biti:- Lagana za korištenje,- Interaktivna,- Koristiti jezik za relativno usku skupinu korisnika.Sa sistemskog stajališta, sučelja trebaju biti:- Fleksibilna- Interaktivna s obzirom na korisnika i mehanizam zaključivanja
(pogon sučelja) u stvarnom vremenu (model base).
10. EKSPERTNI SUSTAVI
CURFIT
Pitanje na koje odgovaraju ovakvi sustavi su da li se podaciuklapaju ili opisuju neku jednadžbu u granicama određenihkriterija.
Ulazi u ove sustave su: pokusna jednadžba, izmjerene vrijednosti,maksimalne tolerancije. Stoga ispitivana jednadžba s Nvarijabli ima N-dimenzionalni vrtlog dovijen od vektoramaksimalnih pogreški.
CURFIT asimptotski rješava problem i računa središnju krivuljutočaka podataka. Vrtlog služi za odbacivanje loših podataka.
23.5.2013.
117
10. EKSPERTNI SUSTAVI
FRANS
je softver koji rješava reakciju modela na bilo koju diferencijalnujednadžbu prvog reda (brzina) ili nelinearnu jednadžbu(ravnoteža). Nisu potrebne nikakve pretpostavke o očuvanjumase ili energije. Dio FRANS-a je i CURFIT. Noviji FRANSsustavi rješavaju bilo koju kombinaciju bilo kakvih jednadžbi.
Sljedeća slika ilustrira sintezu peptida s pomoću FRANS-a. Ki i ki
su ravnotežne i brzinske konstante, A, B, C, H+, N, Xi, Y i Zkemijske supstancije, a strelice u jednom smjeru ukazuju navremenski ovisnu diferencijalnu jednadžbu prvog reda. Linijesa strelicama u 2 smjera ukazuju na ravnotežnu reakciju.
10. EKSPERTNI SUSTAVI
23.5.2013.
118
10. EKSPERTNI SUSTAVI
INTEGRAL
Ovaj sustav reverzibilno sažima/raspakira bilo koji digitaliziranpodatak s velikom brzinom bez gubitka bilo koje značajneinformacije.
JOBLIST/SOLID
...je sustav za upravljanje podacima koji radi velikom brzinom
AUTOLRN/AUTOREC
AUTOLRN je potpuno automatski sustav učenja u kojem se vršiklasifikacija bez ikakvog poziva na ljudsku percepciju.
AUTOREC je automatski sustav koji zahtjeva ljudsku definicijuentiteta koji se prepoznaju.
10.1. EKSPERTNI SUSTAVI U POMORSTVU
Upotreba ekspertnih sustava u pomorstvu (civilnoj i ratnojmornarici) ima višestruke koristi. Prenosivost ovih sustavaomogućeno je jednim od 9 alatki AISST-a: s TPL sustavom. Ciljje da se paket može staviti kao ljuska u određeni kompjuter ispoji sa sučeljima. Sustav mora imati sposobnost višestrukogbackup-a.
Kako bi se izbjegao krivi rad ili otkaz sustava prilikom djelomičnogoštećenja, potrebno je napraviti dovoljno backupa. Jedanmože biti i na udaljenoj lokcaiji, a ne na brodu.
23.5.2013.
119
10.1. EKSPERTNI SUSTAVI U POMORSTVU
• Automatski sustav za borbu
• Globalni ASCII sustav
• Automatska kontrola oštećenja
• Automatski strojarski sustavi
• Automatski sustav opskrbe
10.1. EKSPERTNI SUSTAVI U POMORSTVU
23.5.2013.
120
10.1. EKSPERTNI SUSTAVI U POMORSTVU
10.1. EKSPERTNI SUSTAVI U POMORSTVU
23.5.2013.
121
10.1. EKSPERTNI SUSTAVI U POMORSTVU
Bazaznanja
Stjecanjeznanja(KAS)
Evaluator
senzora
Zaslonsko
sučelje
Identifikacijskimodul
Modul zapraćenje
koordinacije
Modul zakoordinacijuinformacija
Modulmatematičke
procjene
Modul zageneriranje
izvješća
Jedinica za analizu informacija i
upravljanje (IAC)
Modul zageneriranje nove inform.
Automatsko
praćenje (ATS)
Sučelje susta-va za lokalno/
oceansko područje
10.1. EKSPERTNI SUSTAVI U POMORSTVUSvrha evaluatora senzora je pružiti klasificiranu informaciju jediniciza analizu informacija i upravljanje. Podjeljena je u module. Npr.evaluator radara prima digitalne radarske podatke i dalje šaljeinformacije.
23.5.2013.
122
10.1. EKSPERTNI SUSTAVI U POMORSTVU
Trgovačkibrodovi
Ostali
brodovi
Prijateljskiratni
brodovi
Ostalepodmornice
Komerci-jalni
avioni
Prijateljskiavioni
Ostaliavioni
Jedinica automatskogpraćenja
10.1. EKSPERTNI SUSTAVI U POMORSTVU
23.5.2013.
123
10.1. EKSPERTNI SUSTAVI U POMORSTVU
10.1. EKSPERTNI SUSTAVI U POMORSTVU
Slika prikazuje blok dijagram ACII sustava za oceansko područje.Komunicira s jedinicama flote, zapovjedništvima (preko ACIIzapovjednog broda), i stožerom. Mreža sustava mornaričkihkomunikacija se koristi za prijenos informacija u i iz sustava.
Podmornice
Brodovi
Zrakoplovi
23.5.2013.
124
10.1. EKSPERTNI SUSTAVI U POMORSTVU
ZaslonskosučeljeAkvizicija
znanja (KAS)
Sučeljesustava
oceanskog područja
Bazaznanja
Analiza infor-macija i uprav-ljanje (IAC)
Jedinica zaevaluaciju
pokreta i oceana
Sučelje sustava za
lokalno područje
Evaluatorsenzora
Automatskopraćenje (ATS)
RadarSonar
...Ostalo
2.3. Ekspertni sustavi za dizelske
motore u eksploataciji
Poznati svjetski proizvođači brodskih dizelskih motora MAN B&W,
SULZER, WARTSILA, PIELSTICK i drugi već su prije 10 - 15 godina
započeli s razvojem i implementacijom sustava temeljenih na znanju i
iskustvu eksperata i operatera, prvenstveno u području dijagnostike,
održavanja, planiranja i rukovanja rezervnim dijelovima.
Tako su MAN B&W i PIELSTICK u kooperaciji razvili sustav CoCoS
(Computer Controlled Surveillance) sa četiri temeljna softverska modula:
• CoCoS EDS - (Engine Diagnostics System) sustav za dijagnostiku rada
stroja,
• CoCoS MPS - (Maintenance Planning System) sustav planiranja održavanja,
• CoCoS SPO - (Spare Parts Ordering) sustav narudžbi pričuvnih dijelova i
optimiranja zaliha,
• CoCoS SPC - (Spare Parts Catalogue) sustav identifikacije pričuvnih
dijelova.
23.5.2013.
125
2.3. Ekspertni sustavi za dizelske
motore u eksploataciji
Sustav je instaliran na brod i u eksploataciji je od sredine 1998.
god. Ovaj sustav je integriran s osnovnim sustavom nadzora i
upravljanja stroja. Sustav za dijagnostiku rada motora (EDS)
dobiva podatke u stvarnom vremenu iz sustava nadzora,
temeljem kojih i primijenjene baze znanja o motoru obavlja
dijagnostiku.
Slika 14. ilustrira dijagram toka podataka odnosno informacija
temeljem kojih se iz mjerenih podataka i pohranjene baze
znanja obavlja dijagnostika u stvarnom vremenu.
Slika 14. Dijagram toka podataka-informacija u CoCoS sustavu.
23.5.2013.
126
2.3. Ekspertni sustavi za dizelske
motore u eksploataciji
SULZER je razvio i primijenio sustav za dijagnostiku stanjabrodskih dizelskih motora "MAPEX" (Monitoring AndPerformance enhancement with EXpert knowledge) kojiintegriran sa sustavom dijagnostike SIPWA-TP pružamogućnost optimiranja performansi u radu motora.
WARTSILA DIESEL je razvio ekspertni sustav FIKS (Fault IndicatingKnowledge System) za detekciju i lokalizaciju kvarova 4-taktnihdizelskih motora.
U razvoj ekspertnih sustava brodskih motora išla su i vodećaklasifikacijska društva (Loyd's Register, Bureau Veritas i dr.).
Slika 15 ilustrira koncept razvoja dijagnostičkog sustava dizelskihmotora zvanog DEEDS (Diesel Engine Expert DiagnosticSystem) kakvog koristi Loyd's Register.
23.5.2013.
127
2.3. Ekspertni sustavi za dizelske
motore u eksploataciji Zajedničke osnovne značajke u dosadašnjem razvoju sustava nadzora,
dijagnostike i upravljanja brodskih dizelskih motora u eksploataciji su:
- segmentirano uvođenje novih tehnologija i tehnika upravljanja i određeno
vremensko kašnjenje (brod kao specifično i teško okruženje) u odnosu
na neka druga područja.
- nepotpuna standardiziranost i kompatibilnost opreme za automatizaciju
(različiti proizvođači i standardi),
- međusobno uvjetovanje između tehnoloških i konstrukcijskih mogućnosti
motora kao objekta upravljanja i primjene novih tehnika i tehnologija
upravljanja,
- iskorištavanje mogućnosti mikroelektroničke tehnologije
(mikroprocesora) u upravljanju posebno važnih procesa motora (gorivo,
ulje, ispuh) s temeljnim ciljem povećanja učinkovitosti i smanjivanja
troškova u eksploataciji motora,
2.3. Ekspertni sustavi za dizelske
motore u eksploataciji - težnja (u zadnjih desetak godina) za prikupljanjem i primjenom
znanja i iskustva eksperata u upravljanju i dijagnostici,razvojem i primjenom ekspertnih sustava, prvo kao podrškesustavima nadzora i upravljanja u stvarnom vremenu, a onda injihova integracija s ciljem bolje dijagnostike i održavanja,
- sigurnost i zaštita procesa temeljene su prvenstveno na HWredundantnosti komponenti i konceptu pasivne zaštite(dovođenje procesa u sigurno stanje: SLD ili SHD) u slučajukvara ili posebnih situacija,
- ograničene mogućnosti detekcije i naročito identifikacijekvarova i prilagodbe u režimu realnog vremena,
- postupna integracija funkcija nadzora, upravljanja, dijagnostikei zaštite na razini brodskog propulzijskog procesa, teintegracija u jedinstveni sustav upravljanja broda.
23.5.2013.
128
11. NEIZRAZITA LOGIKAU zadnje vrijeme naglo je porastao niz različith primjena neizrazitelogike (fuzzy logic). Primjene se kreću od proizvoda vezanih uzkupca (kamere, kamkoderi, mašine za pranje, mikrovalne) doindustrijski upravljanih procesa, medicinske instrumentacije,sustava za pomoć u odlučivanju i odabira portfolia.
Da bi se razumjelo zašto se sve više koristi neizrazita logika, prvo semora razumijeti što to znači neiuzrazita logika. Neizrazita logikaima dva različita značenja. U užem smislu, to je logički sustav,koji je proširenje viševeličinske logike (multivalued logic).Međutim, u širem smislu, to je gotovo sinonim s teorijomneizrazitih skupova (FL) – teorijom koja povezuje klase objekatas ne-oštrim (mutnim) granicama u kojima je članstvo(membership) stvar stupnja. S obzirom na to, neizrazita logika usvom užem smislu je dio neizrazite logike teorije skupova.
11. NEIZRAZITA LOGIKAČak i u užem smislu, neizrazita logika se razlikuje u konceptu i
suštini od tradicionalnih sustava s viševeličinskom logikom.
U alatci za neizrazitu logiku, neizrazita logika se interpretira kaoFL, tj., neizrazita logika u širem smislu. Ono što se može dodatitemeljnom konceptu na kojem leži FL je lingvistička varijabla,a to je varijabla čije su vrijednosti rađe riječi, nego brojevi.Mnogo od FL teorije može se vidjeti kao metodologija zaračunanje s riječima, a ne brojevima. Iako su riječi manjeprecizni od brojeva, njihova upotreba je bliža ljudskoj intuiciji.Čak što više, računanje s riječima eksplatira tolerancijunepreciznosti i stoga spušta cijenu rješenja.
Drugi temeljni koncept FL-a, koji igra centralnu ulogu u većiniprimjena, je neizrazito pravilo ako-onda ili, jednostavno,neizrazito pravilo.
23.5.2013.
129
11. NEIZRAZITA LOGIKAIako sustavi temeljeni na pravilima imaju dugačku povijest u
umjetnoj inteligenciji, ono što nedostaje u takvom sustavu jemehanizam za djelovanje kod neizrazitih učesnika iliposljedica. U neizrazitom logici, taj mehanizam se postižeproračunom neizrazitih pravila. Proračun neizrazitih pravilasluži kao temelj za ono što bi se moglo zvati jezikom neizrazitihovisnosti i naredbi (FDCL). Iako FDCL nije korišten eksplicitno unpr. matlabovoj alatci, on je suštinski jedan od temeljnihsastavnica. U većini primjena neizrazite logike, rješenje sneizrazitom logikom je prijevod ljudskog rješenja u FDCL.
Trend koji je rastući je upotreba neizrazite logike u kombinaciji sneuroračunanjem i genetskim algoritmima. Još općenitije,neizrazita logika, neuroračunanje i genetski algoritmi mogu sepromatrati kao temeljni konstituent tzv. mekog računanja (softcomputing).
11. NEIZRAZITA LOGIKASuprotno tradicionalnom, trvdom računanju (hard computing),
meko računanje akomodira nepreciznost realnog svijeta.Vodeći princip mekog računanja je: iskoristiti tolerancijunepreciznosti, nesigurnosti, i djelomičnu istinu kako bi sepostiglo robustnost, gipkost (prilagodljivost) i rješenje s niskomcijenom koštanja. U budućnosti bi meko računanje moglo igratisve veću ulogu u koncepciji i projektiranju sustava za strojnuinteligenciju, MIQ (Machine IQ).
Pored različitih kombinacija metodologija u mekom računanju,jedan od najviših vidljivih mogućnosti je primjena uneuroračunanju, vodeći nas na neuro-neizrazite sustave. Sneizrazitom logikom, takav sustav igra osobito značajnu ulogu uuvođenju pravila iz observacija. Učinkovit postupak razvio je Dr.Roger Jang i naziva se ANFIS (Adaptive Neuro-Fuzzy InferenceSystem, adaptivni neuro-neizraziti sustav zaključivanja).
23.5.2013.
130
11. NEIZRAZITA LOGIKA
Neizrazita logika se okreće oko relativne važnosti preciznosti:koliko je važno biti egzaktno točan kada je i gruba točnostdovoljna za odgovor?
Neizrazita logika je fascinantno područje istraživanja, jer ona dajedobar odnos između značaja i preciznosti — to je ono što ljudirade oduvijek.
U ovom smislu, neizrazita logika je i stara i nova, jer iakomoderna i metodologijska znanost neizrazite logike još mlada,sam njezin koncept se oslanja na pravila i vještine ljudskograzmišljanja, koje je staro.
11. NEIZRAZITA LOGIKA
Preciznost i značajnost u stvarnom svijetu
Masa od 1,5 T se približava tvojoj glavi s 45,3 m/s
Preciznost
PAZI!
Značaj
23.5.2013.
131
11. NEIZRAZITA LOGIKA
Neizrazita logika je pogodan način za mapiranje ulaznog prostorana izlazni prostor. Mapiranje ulaza na izlaz je početna točka zasve. Razmotrimo sljedeće primjere:
S informacijom o tome koliko smo dobro usluženi u restoranu,sustav neizrazite logike može reći kolika bi trebala bitinapojnica.
S našom specifikacijom koliko vruću vodu žeilom, sustav sneizrazitom logikom može podesiti ventile tako da je mješavinaodgovarajuće temperature.
S informacijom o udaljenosti predmeta fotografiranja, sustavneizrazite logike može fokusirati leće.
S informacijom o brzini auta i koliko teško radi motor, sustavneizrazite logike može promijeniti brzinu (automatski mjenjač).
11. NEIZRAZITA LOGIKA
Ulazni prostor(sve moguće ocjene
kvalitete usluge)
Izlazni prostor(sve moguće napojnice)
Crnakutija
Kvaliteta usluge Ispravna napojnica
Ulazno-izlazna mapa za problem napojnice:S obzirom na datu kvalitetu usluge, kolika bi trebala biti napojnica?
23.5.2013.
132
11. NEIZRAZITA LOGIKA
Da bi odredili primjerenu količinu napojnice, potrebno jemapirati ulaze na odgovarajuće izlaze. Između ulaza i izlaza,prethodna slika pokazuje da postoji crna kutija koja sadrži: ilisustav neizrazite logike ili linearni sustav ili ekspertni sustav iliANN ili diferencijalne jednadžbe ili interpoliranevišedimenzionalne tablice traženja (lookup tables) ili moždaduhovnog savjetnika itd.
Jedan od načina kako se može staviti u funkciju crna kutija jeupotreba neizrazite logike.
“U svakom slučaju se može izgraditi isti proizvod s i bez neizrazitelogike, ali će s njom biti brži i jeftiniji. “ – otac neizrazite logikeLotfi Zadeh.
11. NEIZRAZITA LOGIKA
Općenite observacije o neizrazitoj logici su:- Konceptualno je lagana za razumijevanje- Matematički koncepti iza nje su vrlo jednostavni.- Ona je više intuitivna i nema duboke složenosti.- Fleksibilna je.- S bilo kojim danim sustavom, lako je posložiti funkcionalnost
bez počinjanja od nule.- Tolerantna je na neprecizne podatke.- Ako se gleda dovoljno temeljito, sve je neprecizno, ali više od
toga, većina stvari su neprecizne čak i pri običnoj inspekciji.Neizrazito razmišljanje gradi razumijevanje procesa, a ne pratiga do kraja.
- Može modelirati nelinearne funkcije proizvoljne složenosti.
23.5.2013.
133
11. NEIZRAZITA LOGIKA
-Može se kreirati neizraziti sustav koji je prilagođen bilo kojemskupu ulazno-izlaznih podataka. Ovaj proces se izvršavaposebno jednostavno adaptivnim tehnikama poput adaptivneneuro-neizrazitog sustava zaključivanja (ANFIS).
- Neizrazita logika može se izgraditi prema iskustvima stručnjaka.- Kao suprotnost ANN, koje se treniraju da bi se rekonfigurirale
na odgovarajući način, neizraziti skupovi dopuštaju oslanjanjena iskustva stručnjaka koji već razumiju problem.
- Neizrazia logika može se prilagoditi konvencionalnim tehnikamaupravljanja.
- Neizraziti sustavi ne mijenjaju nužno konvencionalne sustaveupravljanja. U mnogim slučajevima je samo izvrću kako bi jepojednostavili u implementaciji.
- Temelji se na prirodnom jeziku.
11. NEIZRAZITA LOGIKA
- Temelj neizrazite logike je u ljudskoj komunikaciji. Kako jegrađena na strukturama kvalitativno opisanima kao usvakodnevnom jeziku, laka je za razumijevanje.
Neizrazita logika nije lijek za sve. Kada je ne bi trebalo koristiti?Kako je neizrazita logika pogodan način mapiranja ulaznogprostora na izlazni, ako se čini da ona nije pogodna u nekomslučaju, tada treba pokušati nešto drugo. Ako jednostavnijerješenje već postoji, treba ga koristiti. Neizrazita logika jekodiranje zdravog razuma — koristi svakodnevni zdravi razum ikada se imlementira, vjerojatno će se doći do ispravne odluke.
Mnogi kontroleri rade dobro i bez neizrazite logike. Međutim,ako se uzme vrijeme da se upozna s neizrazitom logikom, vidise da može biti vrlo snažna alatka za brzo i učinkovito nošenjes nepreciznostima i nelinearnostima.
23.5.2013.
134
11. NEIZRAZITA LOGIKA
Pristup neizrazite logikePotrebno je uhvatiti bit problema, ostavljajući sa strane sve
faktore koji mogu biti proizvoljni. Ako se napravi popis onogašto stvarno znači u problemu, može se završiti sa sljedećimopisima pravila.
Pravilia davanja napojnice — Faktor usluge. Ako je usluga loša,onda je napojnica niska. Ako je usluga dobra, napojnica jeprosječna. Ako je usluga izvrsna, napojnica je velikodušna.
Red predstavljanja pravila je ovdje proizvoljan. Nije bitanredosljed pravila. Ako se želi uključiti utjecaj hrane nanapojnicu, trebalo bi dodati još pravila.
Pravila davanja napojnice – faktor hrane. Ako je hrana neukusna,onda je napojnica niska. Ako je hrana ukusna, napojnica jevelika.
11. NEIZRAZITA LOGIKAMože se kombinirati dva različita popisa u jedan od 3 pravila.
Problem napojnice — Usluga i hrana. Ako je usluga loša ihrana neukusna, onda je napojnica malena. Ako je uslugadobra, napojnica je prosječna. Ako je usluga izvrsna hranaukusna, onda je napojnica velika.
Ova 3 pravila su jezgra rješenja. Slučajno smo definirali pravila zasustav neizrazite logike. Kada se da matematičko značenjelingvističkim varijablama (što je prosječna napojnica?) dobijase kompletni neizraziti sustav zaključivanja. Metodologijaneizrazite logike također uzima u obzir:
Kako se sva pravila kombiniraju?
Kako matematički definiram što je prosječna napojnica?
Detalji postupka ne mijenjaju se mnogo od problema doproblema — mehanika neizrazite logike nije posebno složena.
23.5.2013.
135
11. NEIZRAZITA LOGIKAVažno je da se neizrazita logika lako razumije, prilagodljiva je,jednostavna i laka za primjenu.
Rješenje problema iz primjeraSljedeći graf (nekoliko slide-ova dalje) predstavlja neizrazitipristup rješenju problema napojnice. Ovaj graf je generiran s 3pravila koji uključuju i uslugu i hranu.
ObservacijeMože se naći egzaktni linearni odnos u rješavanju problema. Toje djelovalo, ali je problematično izvesti i interpretirati te kad senapiše kao programski kod, nije ga lako interpretirati. Neizrazitalogika, začudo, se temelji na zdravorazumski izjavama. Također,može se dodati još više pravila na dnu liste, a koji utječu na oblikcjelokupnog izlaza bez potrebe za poništavanjem onoga što jeveć prethodno napisano. To olakšava modifikacije.
11. NEIZRAZITA LOGIKAČak što više, upotrebom pravila neizrazite logike održavanje
strukture algoritma nije spregnuto s potrebom čišćenja linijaprograma. Notacija (iznos!) prosječne napojnice može semijenjati iz dana u dan, od grada do grada, od zemlje dozemlje, ali je logika iza rješenja ista: ako je usluga dobra,napojnica bi trebala biti prosječna.
Poanta neizrazite logike je mapirati ulazni prostor u izlazniprostor. Primarni mehanizam za to činiti je lista ako-onda (if-then) izjava koje se nazivaju pravilima. Sva pravila se evaluirajuparalelno, a redosljed pravila je nebitan. Sama pravila sukorisna, jer se odnose na varijable i njihove opise. Prijeizgradnje sustava koji interpretira pravila, mora se definiratisve izraze koje se planira koristiti i opisati ih. Ako se kaže da jevoda vrća, mora se definirati opseg u kojem se očekuje davarira temperatura vode kao i što znači riječ vruća. Sljedećidijagram pruža putokaz za proces neizrazitog zaključivanja.
23.5.2013.
136
11. NEIZRAZITA LOGIKAPokazuje općeniti opis neizrazitog sustava na lijevoj strani ispecifični sustav na desnoj. Da bi se sumiralo koncept neizrazitogzaključivanja, treba reći da je neizrazito zaključivanje postupakkoji interpretira vrijednosti ulaznog vektora i temeljem skupapravila pridaje vrijednosti izlaznom vektoru.
OPĆENITI SLUČAJ SPECIFIČNI PRIMJER
Ulaz Izlaz
Pravila
Ulazniizrazi
(interpretiraj)
Izlazniizrazi
(pridruži)
usluga napojnica
Ako je usluga loša, niska je napojnicaAko je usluga dobra, napjnica je prosječnaAko je usluga izvrsna, napojnica je velikodušna
Uslugase interpretira kao
{slaba, dobra, izvrsna}
Napojnicise pridružuje
{niska, prosječna ,velikodušna}
11. NEIZRAZITA LOGIKAŠto su sustavi neizrazitog zaključivanja?
Neizrazito zaključivanje je proces formuliranja mapiranja iz datogulaza u izlaz upotrebom neizrazite logike. Mapiranje potom pružatemelj iz kojeg se donose odluke. Ovaj proces uključuje sveprethodno opisane dijelove: funkcije članstva (vidjeti vježbe),logičke operacije te ako-onda pravila. Možete implementirati dvatipa neizrazitog zaključivanja (u Matlabu): Mamdani ili Sugeno.Sustavi neizrazitog zaključivanja uspješno su primjenjeni upoljima automatskog upravljanja, klasifikacije podataka, analizeodluka, ekspertnih sustava i računalnog vida. Zbog svojeinterdisciplinarnosti, sustavi neizrazitog zaključivanja su povezanis brojenim nazivima, kao što su sustavi temeljeni na neizrazitimpravilima, neiuraziti ekspertni sustavi, neizrazito modeliranje,neizrazite asocijativne memorije, regulatori s neizrazitomlogikom te jednostavno neizraziti sustavi.
23.5.2013.
137
11. NEIZRAZITA LOGIKA
Mamdani-jeva metoda neizrazitog zaključivanja se najčešćekoristi. Mamdani-jev postupak je bio među prvim automatskihsustava koji su koristili teoriju neizrazitih skupova. Predloženaje 1975 kao pokušaj upravljanja parnim strojem i bojlerom ukombinaciji tako što je sintetiziran skup lingvističkih pravilaupravljanja koja bi se dobilo od iskusnog ljudskog stručnjaka(eksperta).
Kod Mamdani-jevog tipa zaključivanja očekuje se da je izlaznafunkcija članstva skup neizrazitih pravila. Nakon agregacijskogprocesa, postoji neizraziti skup za svaku izlaznu variajblu kojitreba defuzifikaciju. Moguće je, a u mnogim slučajevima je iučinkovitije, koristiti pojedinačan šiljak kao izlaz funkciječlanstva, nego koristiti distribuirani neizraziti skup. Ovaj tipizlaza je ponekad znan kao singleton-ska funkcija članstva imože se zamisliti kao predefiniran skup neizrazite logike.
11. NEIZRAZITA LOGIKA
Ovo poboljšava proces defuzifikacije, jer uvelike pojednostavljujeproračun koji zahtjeva općeniti Mamdani-jev postupak, kojinalazi centroid 2D funkcije. Rađe nego integriranje preko 2Dfunkcije da ni se našao centroid, koristi se težinski prosjek(weighted average) nekoliko točaka podataka (nekolikopodataka iz 2D funkcije).
Sugenov tip podupire ovakav tip modela. Opećnito, Sugenov tipsustava može se koristiti za modeliranje bilo kakvog sustavazaključivanja u kojem su funkcije članstva ili linearne ilikonstantne.
23.5.2013.
138
11. NEIZRAZITA LOGIKAPregled procesa neizrazitog zaključivanja
Kao primjer ćemo koristiti 2 ulaza, 1 izlaz i 3 pravila kodnapojnica. Temeljna struktura ovog primjera je dijagram:
Večera za dvoje2 ulaza, 1 izlaz, 3 pravila
IzlazNapojnica
(5-25%)
Ulaz 1Usluga (0-10)
Ulaz 2Hrana (0-10)
Pravilo 1Ako je usluga loša ili hrana neu-kusna onda je napojnica niska
Pravilo 2Ako je usluga dobra onda je napojnica prosječna
Pravilo 3Ako je usluga izvrsna ili hrana uku-sna onda je napojnica velikodušna
Ulazi su krut(ne-fuzzy)Brojevi su ograničenina određeni opseg
Sva pravila seevaluiraju u praleliuporabom neizitograzmišljanja
Rezultati praviase kombinirajui defuzificiraju
Rezultat je krut(ne-fuzzy)broj
11. NEIZRAZITA LOGIKA
Informacijski tok je od lijeva prema desnom, a dolazi iz dva ulazai ide prema jednom izlazu. Paralalena priroda je jedna od viševažnih aspekata sustava neizrazite logike. Umjesto oštrogpreklapanja (sharp switching) između modova temeljenih natočkama pregiba, logički tok glatko ide od područja gdje jeponašanje sustava dominantno prema jednom pravilu.
Proces neizrazitog zaključivanja sastoji se od 5 dijelova:fuzifikacije ulaznih varijabli, primjena neizrazitog operatora(AND ili OR) u implicitnom obliku do konsekventne agregacijekroz razna pravila i defuzifikaciju. Ovo se katkad kriptira, anazivi imaju vrlo specifično značenje koje je definiranosljedećim koracima.
23.5.2013.
139
11. NEIZRAZITA LOGIKA
Korak 1. Neizraziti ulazi
Prvi korak je uzeti ulaze i odrediti stupanj pripadnostiodređenom neizrazitom skupu preko funkcije pripadanja(članstva). Ulaz je uvijek numeričke vrijednosti, koja jeograničena na prostor ulaznie variajble (u ovom slučaju 0 -10). Izlaz je neizraziti stupanj pripadnosti u kvalificirajućemlingvističkom skupu (uvijek u intervalu 0-1). Fuzifikacija ulaznekoličine je ili u obliku tablice za pretraživanje (lookup table) ilifunkcije evaluacije.
Spominjani primjer je sagrađen na 3 pravila, a svako od pravilaovisi o slanju ulaza na broj različitih lingvističkih skupova:usluga je loša, usluga je dobra, hrana je bezukusna, hrana jeukusna, itd.
11. NEIZRAZITA LOGIKA
Prije nego se pravila mogu evaluirati, ulazi moraju biti fuzificiraniprema svim neizrazitim skupovima. Npr. do koje je mjerehrana stvarno ukusna?
Sljedeća slika prikazuje koliko je dobra hrana u hipotetskomrestoranu (ocjene između 0 i 10, preko njegove funkcijepripadanja (članstva)), u odnosu na lingvističku varijabluukusno.
U ovm slučaju, ocjenili smo ukusnost s 8, što, prema grafičkojdefiniciji ukusnog, odgovara µ = 0,7 za ukusnu funkcijupripadanja.
23.5.2013.
140
11. NEIZRAZITA LOGIKA
1. Neizrazitiulazi
ulazi
Hrana = 8
ukusno
Hrana je ukusna
Rezultatfuzifikacije
11. NEIZRAZITA LOGIKA
Ponovimo
• Ima puno primjena
• Bliskija je ljudskom načinu razmišljanja
• Ne treba se paziti na redosljed programiranja pravila
23.5.2013.
141
12. MULTISENZORSKA FUZIJA
Koncept fuzije podataka različitih senzora nije nov i ima ga i uprirodi i u tehničkim sustavima. Tako npr. procjena jestivostineke tvari ovisi o podacima iz vida, ali i dodira, mirisa i okusa.Dok koncept senzorske fuzije nije nov, nastanak novih senzora,naprednih tehnika obrade i poboljšani hardver učinili su fuzijupodataka u stvarnom vremenu ostvarivom i značajnom.
Prednosti multisenzorske fuzije su:- Kombiniranje promatranja s više senzora poboljšava procjenu
pozicije i brzine pokretnih objekata- Dva senzora se mogu koristiti za triangulaciju položaja te
istovremeno određivanje više parametara nekog objekta- Poboljšana uočljivost objekata i prepoznatljivost objekata.
12. MULTISENZORSKA FUZIJATip primjene Interferencija
prema procesu fuzije podataka
Primarno zamjećeni podaci
Volumen nadzora
Senzorske platforme
Nadzor ocena Otkrivanje, praćenje, identifikacija meta i događaja
EM, akustički, nuklearni signali, promatranja
Stotine nautičkih milja zraka/tla/ispod površine
Brodovi, avioni, podmornice, zemaljske i oceanske baze
Zrak-zrak i zemlje-zrak obrana
Otkrivanje, praćenje i identifikacija aviona
EM zračenje Stotine milja(strateški); milje (taktički)
Zemaljske stanice i avioni
Inteligencija na bojnom polju, akvizicija mete
Otkrivanje i identifikacija zemaljskih meta
EM zračenje Deseci stotina milja oko bojnog polja
Zemaljske stanice i avioni
Strateška upozornja i obrana
Otkrivanje indikacija strateških akcija (balistički projektili i glave)
EM i zračenja i mjerenja povezana s nuklearnim zračenjem
Globalno Sateliti i zrakoplovi
Primjena fuzije podataka u vojnim sustavima
23.5.2013.
142
12. MULTISENZORSKA FUZIJAcivilne primjene
Primjena Zaključci sustava fuzije
Primarno zamjećeni podaci
Volumen nadzora
Senzorske platforme
Održavanje temeljem uvjeta
Detekcija, otkazi sustava, preporuke za održavanje
EM, zvuk, magnetski, temp., X
Mikroskopski do stotinjakmetara
Brodovi, avioni, zemaljske postaje/ tvornice
Robotika Lokalizacija objekata, prepoznavanje, vođenje lokomocije
TV, zvuk, EM, X Mikroskopski do desetak metara
Tijelo robota
Medicinska dijagnostika
Lociranje/identificiranje tumora, bolesti
X, NMR, temp., IC, vizuelna inspekcija, kem i biol. Podaci
Volumen ljudskog tijela
Laboratorij
Kontrolaokoliša
Ident./lok. Prirodnih pojava (potres, vrijeme)
SAR, seizmički, EM, uzorci jezgre, kem. ibiol. pod.
Stotine kilometara ili kilometri ako se mjesto motri
Satelit, avion, zemaljske postaje, podzemni uzorci
12. MULTISENZORSKA FUZIJA
Tri su temeljne arhitekture za multisenzorsku fuziju podataka:
- izravna fuzija podataka senzora,
- predstavljanje senzorskih podataka preko vektora značajki,koji se kasnije fuziraju i
- obrada pojedinačno svakog senzora do viskorazinskihzaključaka i odluka, koje se poslije kombiniraju.
23.5.2013.
143
12. MULTISENZORSKA FUZIJA
Izravna fuzija senzorskih podataka
12. MULTISENZORSKA FUZIJA
Predstavljanje senzorskih podataka s pomoću vektora značajki i kasnija fuzija tih vektora
23.5.2013.
144
12. MULTISENZORSKA FUZIJA
Obrada svakog senzora s ciljem postizanja visokorazinskih zaključaka ili odluka koja se kasnije kombinira s drugim senzorima
12. MULTISENZORSKA FUZIJARazina 1 obrade (pročišćavanje objekata) cilja na kombiniranje
senzorskih podataka kako bi se postiglo estimaciju položaja,brzine, atributa i identiteta entiteta, koja je najpouzdanija inajtočnija.
Razina 2 obrade (pročišćavanje simulacije) dinamički pokušavarazviti opis trenutnih odnosa između entiteta i događaja ukontekstu njegova okoliša.
Razina 3 obrade (pročišćavanje mogućih prijetnji) projeciratrenutnu situaciju u budućnost da bi se zaključilo o mogućimprijetnjama (civilno-npr. sudar; vojno-npr. procjena meteneprijatelja), ranjivostima i mogućnostima djelovanja.
Razina 4 obrade (pročišćivanje procesa) je meta-proces kojinadzire okvirno fuziju podataka da bi postigli i poboljšali radsustava u stvarnom vremenu.
23.5.2013.
145
12. MULTISENZORSKA FUZIJA
12. MULTISENZORSKA FUZIJAVrste odnosa:- prostorno-vremenski- Dio/cijeli- Organizacijski odnosi (npr. X je podređena jedinica od Y) i uloge (npr.
X je zapovjedna jedinica od Y)- Različiti uzročni odnosi, gdje X mijenja stanje Y
- Fizičko stanje (oštećenje, uništenje, pokret, zaobilazak, popravka)- Informacijsko stanje (komuniciranje, informiranje, otkrivanje)- Percepcijsko ili mentalno stanje (zastrašivanje, zavaravanje, ubjeđivanje)- Financijsko ili pravno stanje (plaćanje, dovršavanje, autorizacija, zabrana,
kažnjavanje)- Namjerni odnosi (X želi promijeniti stanje Y – ometanje, ciljanje, ležanje,...)
- Semantički odnosi (X je istog tipa kao Y)- Odnos sličnosti (X je niži od Y)- Pravni odnosi (X posjeduje Y, X posuđuje Y Z-u)- Emocionalni odnosi (ljubav, mržnja, strah)- Biološki odnosi (rod, porijeklo)
23.5.2013.
146
12. MULTISENZORSKA FUZIJAIZLAZ
ULAZ PODACI ZNAČAJKE OBJEKTI
PODACI Otkrivanje signala (DAI-DAO)
Ekstrakcija značajki (DAI-FEO)
Karakterizacija objekata gesturama (DAI-DEO)
ZNAČAJKE Otkrivanje temeljem modela/ izlučivanje značajki (FEI-DAO)
Profinjenje značajki (FEI-FEO)
Karkaterizacija objekataznačajkama (FEI-DEO)
OBJEKTI Otkrivanje temeljem modela/estimacija (DEI-DAO)
Modelskaekstrakcija značajki (DEI-FEO)
Profinjenjeobjekata (DEI-DEO)
0. RAZINA 1. RAZINA
12. MULTISENZORSKA FUZIJA
Omnibuski model procesa
23.5.2013.
147
12. MULTISENZORSKA FUZIJATip odlučivanja Postupak Opis
Tvrdo odlučivanje Boolean
Težinski zbroj
M od N
Primjena logičkih I, ILI i sl. da se postigne odluka.Senzorima se pridaje težina inverznom kovarijancom i zbraja da se dobije funkcija rezultata.Potvrda odluke temeljem m-iz-nsenzorskog poklapanja
Meko odlučivanje Bayesian
Dempster-Shafer
Neizrazita variajbla
Primjena Bayesovih pravila za kombiniranje nezavisnih senzorskih uvjetnih vjerojatnosti.Primjena Dempsterovih pravila za dobivanje kombiniranefunkcije vjerojatnosti.Kombiniranje neizrazitih varijabli za dobivanje funkcije članstva.
12. MULTISENZORSKA FUZIJAFUZIJA (SPAJANJE, ZDRUŽIVANJE) PODATAKA
ZNAČAJKEPODATAKA
Raštrkanemete
ROI (prostorna
veličina)Kompletni skupovi podataka
CILJ FUZIJE
Lociraj, identificiraj, prati metu u
prostor-vremenu
Detektiraj,identificiraj objekte u prikazima
Kombiniraj prikaze iz
višestrukih izvora
Napravi prostornu
bazu podataka za višestruke
izvore
PRIMJENA
Općeniti problem
fuzije podataka
Automatsko prepozna-
vanje meta iz više izvora
Fuzijaslikovnih podataka
Fuzija prostornih podataka
23.5.2013.
148
12. MULTISENZORSKA FUZIJA
JDL proces fuzije podataka
ATR multisenzorima / fuzija
12. MULTISENZORSKA FUZIJAKod slika s prethodnog slide-a, koraci obrade na prvoj razini
mogu se izravno povezati s odgovarajućim postupcima kodslike.
Redanje – Redanje podataka u vremenske, prostorne i spektralnereference slike uključuje prostorne transformacije iskrivljenjaslike u odgovarajući koordinatni sustav (npr. projekcija 3Dprostora). Podaci koji ne dolaze od oslikavajućih senzora moguse prostorno referencirati i združiti sa slikovnim podacima.
Združivanje – Novi podaci se koreliraju s prethodnim podacimada bi se detektirala i odabrala meta(e) temeljem kretnji(vremenska promjena) ili ponašanja (prostorna promjena). Uvremenski poredanim podacima mete u vremenu t združenesu s objektima u t-1 da bi se odredile nove mete, pomaknutemete i mete koje su nestale.
23.5.2013.
149
12. MULTISENZORSKA FUZIJA
Praćenje – Kada se objekti prate dinamički, dinamika kretanjamete se modelira i koristi za predviđanje budućih položajamete (u t+1) zbog usporedbe s novim senzorskim podacima.
Identifikacija – Podaci za segmentiranje meta se kombiniraju izviše izvora (na jednom ili više razina) da bi se pružiloklasificiranje meta u jednu ili više klasa meta.
Razina 2 i 3 obrade koristi gomilanje meta u sceni i njihovihkarakteristika da bi se izvelo značenje podataka u sceni iliprostorni skup podataka.
12. MULTISENZORSKA FUZIJAFuzija na razini piksela
Na najnižoj razini, ovaj tip fuzije koristi registrirane podatke narazini piksela iz svih skupova slika da bi se izvela detekcija idiskriminacija (razlikovanje). Na ovoj razini se može postićinajbolje performance u otkrivanju signala (ako se greškeregistracije mogu obuzdati), ali uz najviše utrošene računalnemoći. Na ovoj razini se detekcijske odluke temelje nainformaciji sa svih senzora evaluacijom prostornih ispektralnih podataka iz svih slojeva registriranih slikovnihpodataka.
Fuzija na razini piksela uključuje preciznu registraciju različitihsenzorskih slika prije primjene kombinacije operatora na svakiskup registriranih piksela. To odgovara povezanim mjerenjimau svakom senzoru na najvišoj prostornoj rezoluciji senzora.
23.5.2013.
150
12. MULTISENZORSKA FUZIJAPreciznost prostorne registracije trebala bi biti na podpikselsoj
razini da bi se izbjegle kombinacije s nepovezanim podacima.Stoga je ovaj pristup najosjetljiviji na pogreške u registraciji.Kako slikovni podaci ne moraju biti uzorkovani istom mjerom,potrebni je ponovo uzorkovati i iskriviti sliku da bi se postiglopotrebnu razinu registracije prije kombiniranja podataka spikselima.
Kod najizravnijeg 2D oslikavanja, suregistrirani pikselni podacimogu se klasificirati na piksel-po-piksel razini upotrebompristupa koji se dugo primjenjuje na klasifikacijumultispektralnih podataka. Međutim, tipična ATR primjenapretstavlja složeniji problem kada različiti senzori (FLIR iLADAR) imaju različite ravnine oslikavanja. U tom slučaju,senzorski podaci moraju se projicirati u uobičajeni 2D ili 3Dprostor radi kombiniranja.
12. MULTISENZORSKA FUZIJAFuzija na razini značajki
- Pristup sparivanju diskretnih modela
- Pristup sparivanju prilagodljivim modelom
Na srednjoj razini provodi se fuzija temeljem značajki, kojakombinira značajke objekata koji su otkriveni u odvojenimdomenama senzora. Značajke za svaki objekt su nezavisnoizlučene u svakoj domeni. Te značajke kreiraju zajedničkuuobičajeni prostor značajki za klasifikaciju objekata.
Ova razina fuzije smanjuje zahtjeve registracije podataka tedopušta da svaki senzorski kanal izdvoji područje mete i izlučimu značajke bez obzira na druge senzore. Značajke se spajajuu prostoru odluka samo nakon udruživanja u prostoru. KrajemXX stoljeća isprobani su različiti algoritmi fuzije na ovoj razinikombiniranjem FLIR, MMW, LADAR-skih podataka na ratištu.
23.5.2013.
151
12. MULTISENZORSKA FUZIJA
Razvijene su alternative tradicionalnim statističkim metodama(temeljenim na podacima) koje se temelje na modelima.Pristup temeljen na modelima održava modele mete i senzorakako bi predvidio sve moguće poglede na usporedbu sizlučenim značajkama.
Pristup sa sparivanjem prilagodljivim modelom vrši izlučivanjeznačajki i usporedbu s predviđenim značajkama. Procesiterativno traži najbolji model za izlučene značajke.
VRSTE RAČUNALNIH SUSTAVA –ponavljanje iz RUS
On line sustav (sustav realnog vremena)
― sustav kod kojeg se podaci izravno električnim vodovima
unose u računalo. Računalo izravno upravlja izvršnim
organima
― vrijeme unosa podataka reda veličine mikrosekunde
― upravljanje brzim procesima – npr. automobilski motor.
Off line sustav
― unos podataka ručno ili preko nekog medija
― vrijeme unosa podataka sati, dani, tjedni.
― npr. program za obradu plaća
23.5.2013.
152
12. MULTISENZORSKA FUZIJA
Sparivanje diskretnog modela:-Učinkoviti izračun u realnom vremenu- Očuvanje mjera nesigurnosti
Sparivanje prilagodljivim modelom:- Traženje rješenja rekurzijom- Nije ograničen na diskretne prethodno pohranjene slučajeve
12. MULTISENZORSKA FUZIJA
Fuzija na razini odluka
Kombinira odluke nezavisnih senzora logičkim operatorom iliheuristički. Postoje dvije metode za donošenje klasifikacijskihodluka: tvrdo odlučivanje (jednan, optimalan izbor) i mekoodlučivanje (nesigurnost odluke u svakom senzoru lanca seodržava i kombinira s kompozitnom mjerom nesigurnosti).
Na ovoj razini fuzije, svaki senzor mora otkriti kandidatsku metuodvojeno od drugih senzora te izvesti klasifikaciju kandidata.Te se klasifikacije nazivaju senzorskim odlukama. One sekombiniraju u fuzijsku odluku. Ovo pretpostavlja da su signaliili tragovi na svakom senzoru dovoljni za nezavisno otkrivanjeprije kombiniranja senzorskih odluka.
23.5.2013.
153
12. MULTISENZORSKA FUZIJAFuzija na više razina
Razvijene su alternative spomenutim trima razinama fuzije. Na razinivišoj od razine odluka, neki istraživači definirali su metode narazini scene kod koje se detektiranje meta iz niskorezolucijskihsenzora koristi za traži-i-potvrdi akcije na višerezolucijskoj razini.Postoji i primjer korištenja FLIR detektora za određivanjeparametara pretrage laserskog radara visoke prostornerazlučivosti te uporaba ANN za klasifikaciju. Također postoji ATRpristup, koji kombinira sve 3 razine:
- Na niskoj razini vrše se kombinacije na razini piksela kadapoboljšanje slike može pomoći kombinacijama na višoj razini.
- Srednja simbolička razina koristi simbolički prikaz atributa iliznačajki za kombiniranje uporabom opisa na razini simbola.
- Na višoj razini koristi se scena ili kontekst za procjenu odlučivanjao značenju scene. Pri tome se razmatraju svi srednjerazinskiprikazi da bi se procjenjivala situacija.
12. MULTISENZORSKA FUZIJAFuzija slikovnih podataka za poboljšanje slikovnih podataka
I nepokretne i pokretne slike mogu se koristiti za kombiniranjeviše izvora da bi se poboljšale željene značajke.
Jedno od područja za poboljšanje je primjena algoritama zaizoštravanje pojasa (band sharpening) ili višerezolucijsku fuzijuslika. Rezultat je kompozitni produkt koji poboljšava prostornegranice u podacima niže rezolucije upotrebomvišerezolucijskih podataka (panchromatic, syntetic apertureradar,...).
U nekim primjenama, cilj je kombinirati različite tipove videa urealnom vremenu da bi se pružio najjasniji prikaz čovjeku.
3D perspektive zemljine površine su posebna klasa fuzije slikakoja omogućuje dinamičku (fly-through) ili statički perspektivui vizualizaciju misije.
23.5.2013.
154
12. MULTISENZORSKA FUZIJA
Primjene fuzije prostornih podataka
Robotske i transportne prijemne uključuju široko područje sličnovojnom.
Robotske primjene su relativnog kratkog dosega (range) i visokerazlučivosti (npr. komponenta za sastavljanje mora se izabrati itočno spojiti). Primarni cilj je određivanje položaja i inspekcija.
Prometne primjene uključuju senzore većeg dometa za kontroluautocesta i višesenzornu osvještenost o situaciji zapoluautonomnu navigaciju, izbjegavanje sudara i upravljanje.