خانه / اتوماسیون صنعتی / ابزار دقیق و سنسورینگ / مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

در این مقاله، به بیان ادامه ی مطالب گفته شده در مقاله ای که در شماره ی پیشین ماهنامه ی صنعت هوشمند با همین عنوان چاپ شد با تمرکز بر روی روش های تشخیص عیب برمبنای ترکیب داده پرداخته شده است. روش های متداول ترکیب داده نظیر تابع وزنی، تئوری شواهد، فیلتر کالمن، شبکه عصبی و انتگرال فازی برای تشخیص عیب با بیان نقاط ضعف و قوت مطرح گردیده است و نمونه کاربرد های این روش ها در فرآیند های صنعتی برای تشخیص عیب مورد بررسی قرار گرفته است.

۱- مقدمه
در بخش نخست این مقاله به بررسی روش های تشخیص عیب پرداخته شد. روش هایی نظیر روش های مبتنی بر پردازش سیگنال، روش ها ی مبتنی بر مدل، روش های هوش مصنوعی و ترکیب داده برای تشخیص عیب در فرآیند های صنعتی استفاده می شود. روش های مبتنی بر مدل در شناسایی و تشخیص عیب کاربرد فراوانی دارند که نیازمند مدل دقیق از سامانه می باشند. از آنجایی که اکثر سامانه های صنعتی پیچیده هستند و عملکرد غیرخطی دارند به دست آوردن مدل های ریاضی دقیق با صحت بالا از این فرآیندها بسیار پیچیده، زمان بر و در مواردی ناشدنی است. در عمل عدم قطعیت های شدید مدل سازی در اثر انحراف پارامترها رخ می دهند که به شکل عدم قطعیت مدل می شوند، این موضوع محدودیت کلی برای چنین روش هایی می باشد همچنین اگر عیب مدل نشده باشد هیچ تضمینی برای آشکارسازی عیب با این روش وجود
ندارد.]۱[ روش های مبتنی بر پردازش سیگنال یکی دیگر از روش های تشخیص عیب است که با استفاده از تحلیل سیگنال های سامانه به تشخیص عیب سامانه می پردازد. این روش نیازمند مدل برای توصیف سامانه و عیوب رخ داده در سامانه نمی باشد، بلکه فقط از طریق سیگنال های دریافتی از حسگر ها وضعیت سامانه را مورد ارزیابی قرار می دهد. یکی از مشکلات اصلی این روش ها، سیگنال های اطلاعاتی است که معمولاً آغشته به نویز هستند که می تواند منجر به خطا در تعیین وضعیت سامانه شود. نقطه ضعف اصلی روش های داده مبنا این است که این روش ها رابطه ی متقابل دینامیکی بین سیگنال های اندازه گیری شده ی سامانه را در نظر نمی گیرند که در نتیجه منجر به تولید هشدار های اشتباه متعدد در سامانه ی تشخیص می شود. به منظور رفع این مشکل و کارکرد مطمئن، نوعی افزونگی لازم است که سازگاری بین اندازه گیری های چندگانه را بررسی نماید. روش های افزونگی با وجود عملکرد و قابلیت اطمینان بالا موجب افزاش هزینه ی تجهیزات و نگهداری شده و نیاز به فضای اضافه می شوند. از سوی دیگر روش های داده مبنا بر حجم زیاد داده تکیه نموده و بر تحلیل سیگنال های خروجی سامانه با توجه کمتری نسبت به دینامیک ورودی تمرکز می کنند. این روش  برای متغیر های فرآیند  همبسته و با ابعاد بالا پاسخگو است. بنابراین برای سامانه های پیچیده و مقیاس بزرگ مناسب بوده و از آن جایی که به توسعه ی مدل نیازی ندارد باعث صرفه جویی در وقت و هزینه می شود. با وجود این که روش های داده از روش های مدل ساده تر هستند، کاربر آن ها نیازمند به یک گام پیش پردازشی برای استخراج اطلاعات مفید از داده با یک هزینه ی محاسباتی بالاست. بنابراین از آن جایی که بر اساس آموزش با مثال هستند، عملکرد، متکی به دادهی آموزشی بوده و ممکن است در صورتی که سامانه در یک شرایط نامعلوم کار کند یا تحت تأثیر عیوب ناشناخته باشد، افت نماید. ]۲[
با بررسی روش های مختلف تشخیص عیب و مقایسه ی آنها معلوم گردید هیچ یک از روش ها به تنهایی تمامی معیار ها و نیاز ها را برآورده نمی کنند.
با وجود پیشرفت در فناوری حسگرها و روش های محاسباتی و الگوریتم های استخراج اطلاعات از آن ها، این واقعیت غیر قابل انکار می باشد که هیچ حسگری توان به دست آوردن تمامی اطلاعات مورد نیاز، در همهی زمان ها و محیط های مختلف را ندارد. روش ترکیب اطلاعات، داده ها را از حسگرهای چندگانه و اطلاعات وابسته از پایگاه داده های مرتبط، به منظور دستیابی به دقت بهتر و استنتاج بیشتر در مقایسهی آنها با یک حسگر تنها، ترکیب اطلاعات کیفیت و مقاوم بودن اطلاعات را که از حسگرها دریافت میشود را نسبت به سایر الگوریتم های تک عیبی افزایش خواهد داد. استفاده از این فناوری میتواند به طور مؤﺛری نسبت سیگنال به نویز را افزایش دهد.

۲ . روش ترکیب داده
ترکیب اطلاعات کیفیت و مقاوم بودن اطلاعات را که از حسگرها دریافت می شود را نسبت به سایر الگوریتمهای تک عیبی افزایش خواهد داد. استفاده از این فناوری می تواند به طور مؤثری نسبت سیگنال به نویز را افزایش دهد. هدف از ترکیب داده این است که از طریق یک دسته از منابع اطلاعاتی غیر وابسته به مدل، تخمین از یک سامانه را بهبود دهیم. روش های ترکیب داده می تواند مسائل مربوط به نقصان در اطلاعات و یا عدم قطعیت را رفع سازد. بکارگیری ترکیب داده با استفاده از چندین حسگر می تواند عملکرد سامانه را در چند مسیر پیشرفت دهد. از جمله دقت، قابلیت اطمینان و مقاوم بودن و پیوند زدن این فناوری به زمینهی عیب یابی به طور قطعی میتواند توانایی سامانه را بالا ببرد. در حال حاضر این روش به طور گسترده در مسائل نظامی، کنترل، ارتباطات و سامانه های هوشمند که تعداد زیادی سامانه های چند وجهی برای جستجو، دنبال کردن و شناسایی دارند بکار گرفته شده است.
ﺗﺮﮐﯿﺐ اﻃﻼﻋﺎت، زﻣﺎﻧﯽ ﺑﺮای ﺗﺸﺨﯿﺺ ﺧﻄﺎ و ﺑﺮرﺳﯽ ﻧﻘﺺ ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﻣﯽﺷﻮد ﮐﻪ بتواند پاسخ دو ﭘﺮﺳﺶ اﺻﻠﯽ بدهد:
۱) چگونه اطلاعات قابل اطمینان و دقیق در مورد خطای بالقوه که به وسیله ی ترکیب مکمل حسگرها ایجاد شده است، به دست میآید؟
۲) چگونه تصمیماتی که براساس اطلاعات حسگرهای چندگانه می باشند، ترکیب میشوند، در حالی که اطلاعات به دست آمده میتوانند مبهم و متناقض باشند؟
اوﻟﯿﻦ ﭘﺮﺳﺶ ﺑﺮای اﺳﺘﺨﺮاج ﺧﻄﺎی ﻧﺎﺷﯽ از وﯾﮋﮔﯽﻫﺎی سامانه ﻣﻮرد ﻧﻈﺮ از حسگرﻫﺎ متمرکز ﻣﯽﺷﻮد، و آنها را در ﯾﮏ ﻗﺎﻟﺐ ﻣﻨﺴﺠﻢ ﺑﯿﺎن ﻣﯽﮐﻨﺪ. در ﻧﺘﯿﺠﻪ ﭼﻮن اﻃﻼﻋﺎت ﺑه ﺪﺳﺖ آﻣﺪه از حسگرﻫﺎ ذاﺗﺎً ﻧﺎﻗﺺ، ﻧﺎﻣﻄﻤﺌﻦ و ﻣﺒﻬﻢ ﻣﯽﺑﺎﺷﻨﺪ، اﯾﻦ اﻣﺮی ﺿﺮوری اﺳﺖ ﮐﻪ ﯾﮏ ﻣﮑﺎﻧﯿﺰم ﺗﺮﮐﯿﺐ ﺑﻪ ﮐﺎر ﮔﺮﻓﺘﻪ ﺷﻮد، ﺑﻪ ﮔﻮﻧﻪای ﮐﻪ اﯾﻦ ﻋﺪم دﻗﺖ و ﻧﺎﻣﻌﯿﻨﯽ را کمینه ﮐﻨﺪ. تأثیر اﯾﻦ ﻣﮑﺎﻧﯿﺰم ﺗﺎ ﺣﺪ زﯾﺎدی واﺑﺴﺘﻪ ﺑﻪ ﭼﮕﻮﻧﮕﯽ ﻣﮑﻤﻞﻫﺎ و اﻓﺰوﻧﻪﻫﺎیی ﮐﻪ از حسگرﻫﺎ ﺑه ﺪﺳﺖ ﻣﯽآﯾﻨﺪ، ﻣﯽﺑﺎﺷﺪ. اﯾﻦ ﮐﺎﻣﻼً ﻣﻬﻢ ﻣﯽﺑﺎﺷﺪ ﮐﻪ ﺗﺼﻤﯿﻢ ﺑﮕﯿﺮﯾﺪ، در ﭼﻪ ﺳﻄﺤﯽ ﺗﺮﮐﯿﺐ اﻃﻼﻋﺎت اﺗﻔﺎق ﺑﯿﺎﻓﺘﺪ، برای ﻣﺜال در ﺳﻄﺢ اﻧﺪازه ﮔﯿﺮی، در ﺳﻄﺢ وﯾﮋﮔﯽ و ﯾﺎ در ﺳﻄﺢ ﺗﺼﻤﯿﻢ. دوﻣﯿﻦ ﺳؤال ﺑﻪ ﮐﯿﻔﯿﺖ ﺗﺼﻤﯿﻢﮔﯿﺮی ﻧﺴﺒﺖ ﺑﻪ ﺗﺸﺨﯿﺺ ﺧﻄﺎی سامانهی ﻣﻮرد ﻧﻈﺮ ﻣﺘﻤﺮﮐﺰ ﻣﯽﺷﻮد. اﯾﻦ ﮐﺎﻣﻼً ﻗﺎﺑﻞ ﺗﺼﻮر اﺳﺖ ﮐﻪ اﻃﻼﻋﺎت ﺑه ﺪﺳﺖ آﻣﺪه از حسگرﻫﺎی ﻣﺨﺘﻠﻒ ﻣﻨﺠﺮ ﺑﻪ اﺧﺘﻼف و اﺣﺘﻤﺎل ﻧﺰاع در ﺗﺼﻤﯿﻢﮔﯿﺮیﻫﺎ ﻣﯽﺷﻮد. ﭼﺎﻟﺶ در اﯾﻦ قسمت، ﭼﮕﻮﻧﮕﯽ آﺷﮑﺎرﺳﺎزی درﮔﯿﺮی ﺑﯿﻦ حسگرﻫﺎ و ﭼﮕﻮﻧﮕﯽ ﺗﺮﮐﯿﺐ ﺗﺼﻤﯿﻤﺎت آنﻫﺎ در ﻗﺎﻟﺐ ﯾﮏ ﺗﺼﻤﯿﻢ ﻣﻨﻄﻘﯽ، ﻣﯽﺑﺎﺷﺪ. ]۳[

شکل۱. روشهای متداول ترکیب داده

با توجه به مقایسه های انجام شده و مزایا و معایب بیان شده، در این مقاله به معرفی روش های ترکیب داده برای تشخیص عیب و لزوم استفاده از این روش ها در صنایع پرداخته شده است. هدف از ترکیب داده این است که از طریق یک دسته از منابع اطلاعاتی غیروابسته به مدل و یا تخمین یک سامانه را بهبود دهیم. روش های ترکیب داده می تواند مسائل مربوط به نقصان در اطلاعات و یا عدم قطعیت را رفع سازد.
با فرض به دست آمدن ویژگی های مناسب، مسأله ی استفاده مؤثر از این ویژگی ها می باشد. روش ترکیب داده،کیفیت اطلاعات و مقاومت داده های دریافت شده از آرایه حسگرهای چندگانه و یا الگوریتم تشخیص انفرادی را افزایش می دهد. استفاده از این روش می تواند در افزایش نسبت سیگنال به نویز مؤثر باشد.
اغلب تکنیک های رایج استفاده شده برای تشخیص خطا با استفاده از ترکیب داده، مطابق (شکل۱)، عبارت اند از: ترکیب وزن دار، روش دمپستر_شفر(تئوری شواهد)، فیلترکالمن، شبکه عصبی و انتگرال فازی می باشد.که در این روش ها برای تشخیص خطا معمولا ترکیب دادهها در سطح ویژگی و تصمیم اتفاق می افتد.]۳[ در ادامه به توضیح مختصری در مورد هر یک از این روشها پرداخته میشود.

۱-۲- ترکیب وزندار
از بین تمامی روشهای ترکیب داده، ترکیب وزندار سادهترین روش مورد استفاده میباشد. در این روش بر اساس میزان اعتبار هر منبع، به آن وزنی نسبت داده میشود. سپس این وزنها در اطلاعات به دست آمده از هر منبع ضرب شده و در پایان اطلاعات با هم جمع میشوند، نتیجهی حاصل از آن یک عدد شده، که آن را به عنوان نتیجهی ترکیب در نظر میگیرند.


شکل۲. ساختار ربات همراه]۵[

شکل۲ ساختار رباتی را نشان میدهد که در آن حسگرهای مختلف از جمله دوربینهای مختلف و حسگر سونار و فاصله یاب لیزری استفاده شده است. از آنجایی که هر کدام از این حسگرها مزیتها و محدودیتهای خود را دارند، برای افزایش دقت ردیابی از ترکیب داده استفاده شده است. برای ترکیب داده در این ربات از روش ترکیب وزنی استفاده شده است و سپس پیش بینی هایی از حرکت ربات و مشاهداتی از شخص مورد نظر صورت میگیرد و سپس این تخمین ها توسط الگوریتم هایی با هم ترکیب می شوند تا موقعیت شخص را با دقت بالاتری معین کنند.

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

شکل۳. نتایج ترکیب آشکارسازی و ردیابی]۵[

شکل بالا نتیجهی ترکیب را نشان می دهد. تصویر بالایی، تصویر واقعی را نشان می دهد، تصاویر میانی، نتایج تولید شده توسط دوربین ها و دو حسگر دیگر را نشان میدهد. نقطهی سیاه در هر کدام نشان دهندهی موقعیت ربات است. ملاحظه می شود که هیچ حسگری به تنهایی موفق به نمایش صحیح موقعیت نشده است و تصویر پایینی، نتیجهی ترکیب دادههای این چهار حسگر را نشان میدهد.
یکی از معایب اصلی این روش این است که اندرکنش بین منابع اطلاعاتی را در نظر گرفته نمی شود. روش ترکیب وزن دار فرض میکند که هر منبع اطلاعاتی مستقل از دیگر منابع اطلاعاتی میباشد. این فرض ممکن است تأثیر استفاده از این روش را محدود کند. دیگر ایراد استفاده از این روش عبارت است از این که در بسیاری از موارد وزنها برای منابع اطلاعاتی به وسیلهی دانش تخصصی که ممکن است بر اساس تفکرات شخصی باشد، تعیین میشود. در نتیجه دقت ترکیب ممکن است تحت تأثیر قرار گیرد. ]۵[

۲-۲- تئوری دمپستر شفر
تئوری D_S به عنوان حالت کلی از تئوری بیزین در نظر گرفته می شود. اساس کار تئوری بیزین این است که اگر احتمالات پیشین و احتمالات شرطی مشخص باشند در نتیجه احتمالات پسین (تصمیم بهینه) با استفاده از فرمول بیز تخمین زده میشود.
این تئوری شهودی نخست توسط دمپستر (۱۹۶۷) بر اساس بالاترین و پایینترین محدودهی توزیع احتمال، معرفی شد. پس از این پایهی ریاضی، شفر (۱۹۷۶) توانایی تابع اعتقادی را برای مدل کردن اطلاعات نامعین نشان داد. این تئوری نه تنها میتواند یک شی، بلکه اتحادیهای از اشیا را حمایت کند.
یکی از مهمترین جنبههای این تئوری این است که استدلال یا تصمیم گیری را می تواند با قطعات ناقص یا متناقض از شواهد انجام دهد. این تئوری میتواند عدم دقت و همچنین نامعینی را به وسیلهی معرفی دو تابع، معقول بودن و اعتماد که هر دو از تابع جرم احتمال گرفته شده اند، ارائه دهد ]۶[

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

شکل۴. ارتباط معقول بودن و اعتماد در تئوری شواهد ]۶[

مشکل اصلی تئوری شهودی D_S تعیین تابع جرم احتمال، همچنین تابع معقول بودن و اعتماد که از تابع جرم احتمال به دست می آیند میباشد. در تعدادی از کاربردهای واقعی تابع جرم احتمال معمولاً به صورت مشترک به وسیلهی دانش تجربی و دانش زمینهی مورد نظر تعیین میشود. همچنین در فرآیند ترکیب داده، حسگرهای مختلف ممکن است درجهی حمایت مختلف از عیوب داشته باشند همین امر ممکن است در روش دمپستر_شفر منجر به مشکل شود. ]۶[

۳-۲- فیلتر کالمن
ترکیب اطلاعات حسگرها، با جمع کردن و استخراج دادههای به دست آمده از چندین حسگر سروکار دارد. در این فرآیند، دادههای حسگرهای مختلف، باید با هم ترکیب شوند تا به اطلاعات دقیقتر و کاملتری برسیم. در میان تکنیکهای مختلف برای این امر، الگوریتم فیلتر کالمن یکی از مهمترین آنهاست. فیلتر کالمن یک الگوریتم بازگشتی بسیار مؤثر را تهیه میکند و برای فرآیندهای بیدرنگ مناسب است. ترکیبهای بردار حالت و اندازه گیری دو روش ترکیب داده بر اساس فیلتر کالمن است. ]۷[

همانطور که در شکلهای ۵ و ۶ آمده، روش ترکیب بردار حالت از چندین فیلتر کالمن استفاده میکند در این روش تخمینهای حالت را برای هر حسگر به صورت جداگانه به دست آورده و در نهایت عمل ترکیب انجام می شود؛ ولی در روش ترکیب اندازهگیری، مستقیماً مقادیر حسگرها ترکیب شده و در نهایت از یک فیلتر کالمن عبور داده میشود. هر دو روش، محاسن و معایبی دارند. هر چند در حالت کلی روش ترکیب اندازه گیری، عملکرد تخمین بهتری را دارد ولی ترکیب بردار حالت، دارای هزینهی کمتر و مزیتهای پیادهسازی موازی است و تلورانس خطای بهتری دارد. روش اندازهگیری در بعضی از موارد نظیر ابعاد متفاوت در ماتریسهای اندازه گیری، غیر قابل اجراست. باید به این نکته اشاره کرد که روشهای ترکیب بردار حالت تنها در صورتی که فیلتر کالمن با محدودیت های عملی این روش سازگار باشد مؤثر و مفید هستند. برای مثال هنگام استفاده از فیلتر کالمن در کاربردهای واقعی نظیر تعقیب اهداف متحرک و ماهوارهها که غالباً غیرخطی هستند، چون از مدل خطیسازی شده که دقت لازم را ندارد استفاده میشود، در روش ترکیب بردار حالت خطای بزرگی را تولید میکند. از این رو در مسائل تعقیب اهداف متحرک از روش ترکیب اندازه گیری که روش بهتری نسبت به ترکیب بردار حالت است استفاده شده است. سؤالی که مطرح میشود این است که اگر روش اندازهگیری عملی باشد تحت چه شرایطی عملکرد یکسانی با روش بردار حالت دارد؟ نتایج تحلیلهای تئوری ماتریس کوواریانس تخمین هر دو روش نشان می دهد که اگر حسگرها با مشخصات نویز اندازگیری متفاوت، ماتریسهای اندازهگیری یکسانی را داشته باشند آنگاه دو روش ترکیب موجود معادل یکدیگرند. این شرایط برای اغلب کاربردهای عملی پیش می آید ولی از آنجایی که روش اندازهگیری محاسبات کمتری دارد برتر از روش ترکیب بردار حالت است. ]۷[

۴-۲- شبکه های عصبی
شبکههای عصبی مصنوعی یکی دیگر از روشهای رایج ترکیب اطلاعات میباشند. شبکه عصبی در بین روشهای مختلف، دارای محبوبیت بیشتری است و در کشف شباهت میان گروه های زیادی از داده ها کارآمد است. شبکهی عصبی، تقلیدی از ذهن انسان است که تصمیمات انسانی را شبیهسازی کرده و از آنها حتی زمانی که پیچیده، نویزی و یا بی ربط باشند، نتیجهگیری میکند. شبکه عصبی می تواند هر مدل غیرخطی را بدون اطلاعاتی از ساختار واقعی آن ارائه دهد، و در مدت زمانی کوتاه در فاز یادآوری نتیجه گیری کند. شبکههای عصبی برای ترکیب اطلاعات در زمینههای زیادی استفاده میشوند.
اگر چه شبکههای عصبی کاربردهای موفقیت آمیزی در هر دو زمینهی ترکیب اطلاعات و تشخیص خطا دارند، تجزیه و تحلیل نظری و کاربردهای واقعی نشان میدهد که دارای معایبی نیز میباشند.کاربرد موفیقتآمیز شبکههای عصبی به صورت گسترده وابسته به دادههای آموزش میباشد. اگر دادههای آموزش ناقص و یا نامناسب باشند، شبکه عصبی ممکن است به خوبی عمل نکند انتخاب مناسب مجموعه دادههای آموزش یک شرط لازم میباشد. شبکه عصبی یک سامانهی جعبه سیاه می باشد. اگر چه ممکن است نتیجهی رضایت بخشی توسط اعمال دادههای جمع آوری شده به شبکه به دست آید، این مکانیزم کار، هنوز نیازمند بررسی می باشد و این عیب ممکن است کاربردها را محدود کند. ]۸[

۵-۲- تئوری انتگرال فازی
بسیاری از خطاهای ماشین آلات، طبیعت فازی دارند، که روشهای فازی مناسب برای تشخیص خطای آن ایجاد شده است. نشان داده شده است که تجزبه و تحلیل فازی در مدلهایی که به طور کلی مبهم بوده و مرز مدل شکستهای مختلف در فضای نگاشتی آنها مبهم میباشد، نسبت به روشهای متداول در تشخیص خطا، مؤثرترند. روشهای فازی میتوانند الگوهای خطا را مشابه با شیوههای انسانی که اطلاعات مورد بحث را پردازش میکنند، طبقه بندی کنند. دو روش یادگیری برای طراحی خودکار قانون تشخیص فازی وجود دارد، یکی روش شبکهی مبتنی بر دانش و دیگری روش مبتنی بر الگوریتم ژنتیک میباشد. برای بهبود عملکرد فازی، روشهای فازی اغلب به همراه شبکه عصبی ترکیب میشوند. اندازه گیری فازی میتواند اهمیت هر معیار را منعکس کند و همچنین اندرکنش بین معیار ها را ارائه دهد. ]۲[

شکل۷. فرآیند بکار گیری الگوریتم فازی در تشخیص عیب ]۲[

۳- نمونههایی از کاربرد ترکیب داده در سامانهی تشخیص عیب
در این بخش به مثالهایی از کاربرد ترکیب داده در سامانه های تشخیص خطا می پردازیم. به عنوان اولین مسأله سامانهی موتور القایی را در نظر می گیریم. موتور القایی به دلیل قابلیت اطمینان و سادگی ساختار به طور گسترده در صنعت به عنوان محرک اصلی پمپ ها و کمپرسورها و فن ها به کار گرفته می شود. با وجود این که موتورهای القایی، قابل اعتماد هستند، در معرض برخی خطاهای غیر قابل پیش بینی قرار دارند. این خطا ممکن است ناشی از طبیعت خود دستگاه و یا شرایط کاری آن باشد. بنابراین استفاده از سامانه های پایش وضعیت دستگاه، ضروری به نظر می رسد.
به طور کلی، مکانیزمهای پایش وضعیت، برای آشکارسازی مدهای خرابی در سه بخش اصلی موتورهای القایی یعنی استاتور، روتور و بلبرینگ مورد استفاده واقع شده اند. حسگرها به طور گسترده در سامانهی پایش وضعیت و تشخیص خطا کاربرد دارند تا با فراهم کردن اطلاعات دربارهی دستگاه، درک صحیحی از وضعیت دستگاه حاصل شود. یک حسگر زمانی برای جمع آوری داده مناسب خواهد بود که یک ارتباط یا نگاشت بین کمیت اندازه گیری شده و وضعیت ماشین وجود داشته باشد.
با توجه به محدودیت های فضایی و فیزیکی حسگر ها، یک حسگر توانایی تأمین تنها بخشی از اطلاعات مورد نیاز را خواهد داشت. با وجود تمام پیشرفتهایی که در فناوری حسگرها، تکنیکهای محاسباتی و الگوریتمها در جهت استخراج حداکثر اطلاعات از حسگرها صورت گرفته است، این واقعیت که هیچ حسگری به تنهایی قادر به فراهم کردن همهی اطلاعات مورد نیاز در تمامی زمان ها و تحت شرایط دینامیکی مختلف نیست، غیر قابل انکار است.
ترکیب الگوریتمهای شبکه عصبی و تئوری دمپستر_شفر و تکنیکهای ترکیب داده در سطح تصمیم، از عوامل بهبود عملکرد و دقت در سامانههای تشخیص خطای موتورهای القایی است. در ابتدا با استفاده از تکنیکهای پردازش سیگنال، ویژگیها استخراج می شود. سپس دادهی استخراج شده به عنوان ورودی به شبکه عصبی که اساس آن تئوری دمپستر_شفر است، داده میشود. در نهایت، مقادیر تخمین زده شده از کلاسه بندی سیگنالهای لرزشی و جریانی، به منظور افزایش دقت تشخیص خطا به روش دمپستر_شفر باهم ترکیب میشوند. در نگهداری مبتنی بر وضعیت، یک دستگاه زمانی تعمیر یا سرویس میشود که یک سامانهی پایش هوشمند نشان دهد که دستگاه قادر به انجام صحیح وظایف خود نیست. پیادهسازی چنین سامانهای نیازمند بکارگیری مهارت هایی از قبیل ترکیب دادهی حسگری، استخراج ویژگی ها و الگوریتم های کلاسه بندی و پیش بینی است. ]۶[
در مسألهی دوم به بررسی سامانهی تعیین وضعیت ماهواره میپردازیم. در تمام وسایل حرکتی اطلاع از موقعیت و زاویهی جسم ضروری است، چرا که بدون اطلاع از وضعیت جسم کنترل آن به سمت هدف غیرممکن بوده و امری محال به نظر می رسد. به دست آوردن این اطلاعات از روی زمین کاری بسیار پیچیده در عین حال سخت و در بعضی موارد غیرممکن است، در صورت امکان پذیری، تأخیر زمانی برای اجسامی مثل موشک حیاتی بوده و موجب انحراف مسیر موشک می شود. حسگرهایی که در سامانهی تعیین موقعیت ماهواره استفاده شده شامل: ژیروسکوپ مکانیکی، حسگر خورشیدی و افق سنج است. ژیروسکوپ ها حسگرهایی می باشند که از آنها جهت به دست آوردن سرعت و موقعیت زاویه استفاده می شود. با پردازش این اطلاعات می توان موقعیت کلی جسم را نیز بر اساس محاسبات به دست آورد. ژیروسکوپ عضو اصلی سیستمهای هدایت اینرسی می باشد. در حالت کلی سامانه هدایت اینرسی عبارت است از ژیروسکوپ ها و شتاب سنج ها که بر روی ثبات اینرسی نصب می شوند. وظیفه اصلی ژیروسکوپ ها ایجاد یک دستگاه مختصات مرجع است و شتاب سنج ها، شتاب متحرک در امتداد چنین محورهایی را اندازه میگیرند،که این شتاب می تواند نسبت به دستگاه مرجع اینرسی یا دستگاه مرجع دیگری مثل دستگاه متصل به زمین باشد.
حسگر خورشیدی۱: در راستای تعیین موقعیت یک جسم نیاز به داشتن مختصات نقطه یا نقاطی به عنوان مرجع است. یکی از مراجعی که در سامانهی کنترل موقعیت وسایل پرنده نظیر شاتلها ها، ماهواره و هواپیماها میتواند مورد استفاد قرار گیرد، جهت وسیله نسبت به خورشید یا اساساً جهت نسبت خورشید به وسیله است. وسیله که می تواند برای تعیین جهت خورشید مورد استفاده قرار گیرد حسگر خورشیدی نامیده می شود. یکی از متداولترین انواع حسگرهای خورشیدی، حسگرهای بر مبنای مجموعه دیودهای نوری خطی است. قلب این نوع حسگر شامل یک لنز استوانهای شکل است که پرتوهای خورشید نور را بر روی یک مجموعه ۵۱۲ تایی دیود نوری میتاباند. از یک فیلتر در این حسگرها برای کاهش شدت نور و در نتیجه جلوگیری از به اشباع رفتن آشکارسازهای خروجی استفاده شده است.
افق سنج۲ یک وسیلهی اندازهگیری نوری است که آشکارساز سطح افق نور می باشد. معمولاً در ساختار این حسگرها برای آشکارسازی از نور مادون قرمز استفاده می شود تا بتواند در طرف تاریک زمین نیز به خوبی عمل کند. این وسیله جهت افق را نسبت به زمین به صورت دو محور عمود بر هم مشخص می کند و کمترین دقت را در بین حسگرهای نجومی دارد.
همانطور که پیشتر اشاره شد برای تعیین موقعیت ماهواره از حسگرهای ژیروسکوپ، خورشیدی و افقسنج استفاده میشود. حال سؤالی که به وجود می آید این است که چرا از سه حسگر در سامانه اندازه گیری وضعیت ماهواره استفاده شده است؟پاسخ به این سوال اهمیت مبحث ترکیب اطلاعات حسگرهای مختلف را بیان می کند. سیگنال خروجی سامانه اندازه گیری وضعیت ماهواره، زاویه ماهواره است. اگر فقط یک حسگر وجود داشته باشد، به علت اینکه خطای حسگر با مقدار واقعی خروجی مخلوط می شود، نمی توان خطا را به درستی و به موقع تشخیص داد. موقعی که دو حسگر وجود داشته باشد، هر چند خطا در خروجی پراکنده می شود ولی نمی توان از حسگر بیرون آورد. در حالت ۳حسگر یا تعداد بیشتری حسگر وجود داشته باشد اطلاعاتی که از خطاها بدست می آید،آن ها را نشان می دهد و می توان به درستی تشخیص داد. بنابراین چندین حسگر را اختیار کرده تا دقت افزایش یابد و از ترکیب داده های چندین حسگر استفاده شده تا بتوان قضاوت و آنالیز بهتری را انجام داد. در نتیجه به علت اینکه سیستم اندازه گیری وضعیت ماهواره شامل خطاهای حسگر است با استفاده از مقادیر حسگرهای موجود ، مدل را تشخیص داده و با تکنیک های ترکیب داده بر اساس فیلتر کالمن، این خطاها را که برای هر حسگر متفاوت است آشکار میشود[].
مدلی برای سامانه تعیین موقعیت ماهواره بر اساس حسگر های ژیروسکوپ،خورشیدی و افق سنج تشکیل شده است.فرض شده که هر سه حسگر دارای دو خطای بایاس ودریفت هستند. مقادیر این دو خطا طبق جدول (۱) برای هر حسگر در نظر گرفته شده است.

جدول ۱. مقدار بایاس و ضریب واریانس نویز حسگر ها[۹]

شکل (۸) سیگنال خروجی هر سه حسگر را نشان میدهد. همانطور که از قبل اشاره شد این حسگر ها یک کمیت یکسان که همان زاویه است را اندازه گیری میکنند. شبیهسازی برای زمان های نمونه برداری یکسان(برای همه حسگر ها) و در یک بازه زمانی که زاویه ثابت است انجام شده است.

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

شکل۸. سیگنال خروجی همراه با بایاس و دریفت حسگر های سامانه[۹]

همان طور که ملاحظه می شود اثر دریفت در حسگر ژیروسکوپ از تمام حسگرها کمتر و بدترین وضعیت را حسگر افق سنج دارد. این خطاها برای سیستم مضر می باشند و باعث انحراف ماهواره از وضعیت مطلوب خود و در نهایت انهدام آن می شوند. با استفاده از تکنیکهای بیان شده، هر دو خطاهای بایاس و دریف را شناسایی کرده و از سیگنال خروجی حسگر ها جدا می شود تا سیگنال درست و بدون خطایی را برای کنترل و تعیین وضعیت ماهواره حاصل شود. شکل های (۱۰،۹)، شکل های (۱۲،۱۱)، شکل های (۱۴،۱۳) به ترتیب مقدار بایاس و دریفت استخراج شده با استفاده از روش ترکیب داده و فیلتر کالمن را برای حسگر ژیروسکوپ، حسگر خورشیدی و حسگر افق سنج نشان می دهد[۹].

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

شکل۹.آشکار سازی و استخراج بایاس در حسگر ژیروسکوپ[۹]

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

مروری بر روش های تشخیص عیب بر مبنای ترکیب داده

شکل ۱۳: آشکار سازی واستخراج دریفت در حسگر افق سنج[۹]

بنابراین با استفاده از روش ذکر شده و به کارگیری سه حسگر متفاوت که یک کمیت را اندازه گیری می کنند می توان خطاهای موجود در سیستم تعیین موقعیت ماهواره که وابسته به این حسگرها است را استخراج نمود و به نمایش گذاشت. با خارج شدن این خطاها از سیگنال اصلی، می توان از مقادیر حسگرها جهت تعیین درست موقعیت ماهواره و کنترل آن تا رسیدن به مقصد نهائی استفاده نمود[۹].

۴.نتیجه گیری
با توجه به اینکه قابلیت اطمینان بالا در عملکرد سامانه ها در صنعت بسیار حائز اهمیت است. روش های مختلفی برای نگهداری و پایش وضعیت سامانه ها وجود دارد که هر یک مزایا و معایب خاص خود را دارند. روش های ترکیب داده با توجه به اینکه با ترکیب اطلاعات جمعآوری شده از حسگرهای مختلف در مورد عملکرد سامانه تصمیم گیری میکنند از قابلیت اطمینان بالایی برخوردار هستند، همچنین با کاهش افزونگی و حجم اطلاعات مبادله شده روند تشخیص عیب را تسهیل میبخشند.

مراجع
[۱] V.Venkatasubramanian, R. Rengaswamy, S. N. Kavuri, and K. Yin, “A review of process fault detection and diagnosis part III: Process history based methods,” Comput. Chem. Eng., vol. 27, no. 3, pp. 327–۳۴۶, ۲۰۰۳.
[۲] J. Chen, H. Li, D. Sheng, and W. Li, “A hybrid data-driven modeling method on sensor condition monitoring and fault diagnosis for power plants,” Int. J. Electr. Power Energy Syst., vol. 71, pp. 274–۲۸۴, ۲۰۱۵.
[۳] Y. T. Ai, J. Y. Guan, C. W. Fei, J. Tian, and F. L. Zhang, “Fusion information entropy method of rolling bearing fault diagnosis based on n-dimensional characteristic parameter distance,” Mech. Syst. Signal Process., vol. 88, no. August 2016, pp. 123–۱۳۶, ۲۰۱۷.
[۴] R. C. Luo, C. C. Chang, and C. C. Lai, “Multisensor fusion and integration: Theories, applications, and its perspectives,” IEEE Sens. J., vol. 11, no. 12, pp. 3122–۳۱۳۸, ۲۰۱۱.

[۵] B. Cai et al., “Multi-source information fusion based fault diagnosis of ground-source heat pump using Bayesian network,” Appl. Energy, vol. 114, pp. 1–۹, ۲۰۱۴.
[۶] “۲۰۱۰Fault diagnosis in railway track circuits using Dempster–Shafer classifier.pdf.” .
[۷] S. Y. Chen, “Kalman filter for robot vision: A survey,” IEEE Transactions on Industrial Electronics, vol. 59, no. 11. pp. 4409–۴۴۲۰, ۲۰۱۲.
[۸] R. K. Singleton, E. G. Strangas, and S. Aviyente, “Extended Kalman Filtering for Remaining-Useful-Life Estimation of Bearings,” IEEE Transactions on Industrial Electronics, vol. 62, no. 3, pp. 1781-1790, 2015.
[9] C. Xiao and Z. Fang, “Research on Multi-sensor Information Fusion Algorithm with Sensor Fault Diagnosis,” in 2016 International Conference on Industrial Informatics – Computing Technology, Intelligent Technology, Industrial Information Integration (ICIICII), 2016, pp. 132-135.

سعید جورکش۱،جواد پشتان۲
E-mail:saeid_jorkesh@elec.iust.ac.i
E-mail:Jposhtan@iust.ac.i

درباره مدیر سایت

بررسی بیشتر

کاهش ریسک , Process Safety Management , PSM , SIS , SIL , سامانه کنترل اصلی فرآیند (BPCS) , مطالعه خطر و قابلیت بهره برداری (HAZOP) , احتمال و شدت وقوع حادثه , تحلیل خطر فرآیندی

ایمنی فرآیند راهی به سوی کاهش ریسک

ایمنی فرآیند راهی به سوی کاهش ریسک همگام با رشد فزاینده اتوماسیون در دنیای پیرامون …

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *