КОМПЛЕКСНАЯ  ОЦЕНКА  СОСТОЯНИЯ  ЭЛЕКТРООБОРУДОВАНИЯ  С  ИСПОЛЬЗОВАНИЕМ  АЛГОРИТМОВ  НЕЧЕТКОЙ  ЛОГИКИ

Мироненко  Ярослав  Владимирович

студент  5  курса  кафедры  ЭТ  и  ЭН  ВлГУ,  г.  Владимир

E-mail: 

Шахнин  Вадим  Анатольевич

научный  руководитель,  д-р  техн.  наук,  профессор  ВлГУ,  г.  Владимир

В  1965  году  Лютфи  Заде  впервые  ввел  термин  нечеткой  логики  (fuzzylogic).  За  прошедшие  полвека  на  основании  этого  понятия  и  мыслей  Заде  был  сформулирован  целый  раздел  математики,  соединивший  в  себе  классическую  логику  и  теорию  множеств. 

В  своем  базисе  нечеткая  (или  неявная)  логика  —  это  перевод  на  машинный  язык  приближенных  рассуждений  человека.  Часто  возникает  такая  ситуация,  когда  мы  не  можем  со  стопроцентной  вероятностью  утверждать  тот  или  иной  факт.  В  этом  случае  классическая  логика  дает  сбой,  и  мы  не  можем  построить  алгоритм  на  основе  наших  рассуждений.  Оперирую  же  нечеткими  множествами  и  вводя  лингвистические  переменные,  мы  можем  создать  алгоритм  (который  возможно  перевести  в  программный  код)  на  базе  неявной  логики.  Естественно,  что  подобные  решения  на  стыке  информатики  и  множества  прочих  наук  (их  в  1994  году  тот  же  Заде  назвал  «мягкими  вычислениями»  или  softcomputing)  получили  широчайшее  распространение  в  программировании.  А  если  учесть,  что  это  происходило  в  век  массовой  компьютеризации  науки  и  образования  в  мире,  то  в  скором  времени  на  принципах  нечеткой  логики  стали  строиться  практически  все  инновационные  проекты,  использующие  искусственный  интеллект.  Электроэнергетика,  как  одна  из  ведущих  отраслей  мировой  экономики,  не  могла  остаться  в  стороне  от  этого  процесса. 

Нынешнее  состояние  электроэнергетической  отрасли  в  России  характеризуется  высокой  степенью  изношенности  силового  высоковольтного  оборудования.  Достоверная  диагностика  позволяет  продолжать  эксплуатацию  уже  выработавших  ресурс  аппаратов.  Эффективность  реализации  внедряемой  в  настоящее  время  концепции  обслуживания  высоковольтного  оборудования  на  основе  оценки  его  текущего  технического  состояния  в  значительной  мере  определяется  возможностями  применяемых  методов  и  средств  интродиагностики.  Термин  «интродиагностика»  для  высоковольтного  оборудования  означает  неразрушающий  (т.  е.  без  вскрытия  баков  и  слива  диэлектрических  жидкостей)  контроль  комплекса  параметров,  характеризующих  состояние  высоковольтных  аппаратов,  для  предотвращения  повреждений  и  ненормальных  режимов  их  функционирования.  Безусловно,  наиболее  перспективны  методы  интродиагностики  под  рабочим  напряжением  без  вывода  оборудования  из  эксплуатации.  Физической  основой  большой  группы  методов  являются  частичные  разряды  (ЧР),  т.  е.  микропробои  в  диапазоне  от  десятых  долей  до  десятков  нанокулон,  перекрывающие  лишь  небольшую  часть  изоляции  (рис.  1).  Процесс  возникновения  частичных  разрядов  является  результатом  действия  множества  факторов  и  носит  случайный  характер. 

Рисунок  1.  Частичные  разряды  в  изоляции  трансформатора  (Claude  Kane,  Alexander  Golubev  —  http:/  www.partial-discharge.com)

Обработка  данных  о  ЧР  —  это  статистический  анализ  огромного  массива  данных  характеристик  зарегистрированных  частичных  разрядов,  даже  при  условии,  что  информация  уже  избавлена  от  шума.  Статистический  подход  требует  априорного  знания  о  законах  распределения  данных,  что  вводит  условности  в  распределение  зафиксированных  ЧР  и  усреднение  их  параметров.  Одним  из  возможных  выходов  из  данной  ситуации  —  это  переход  к  кластерному  анализу  данных.  Кластерный  анализ  —  это  метод,  суть  которого  заключается  в  разбиении  определенного  множества  объектов  на  группы,  называемые  кластерами  так,  чтобы  каждый  кластер  состоял  из  схожих  объектов,  а  объекты  разных  кластеров  существенно  отличались.  Метод  позволяет  повысить  информативность  диагностики  путем  выявления  кластерной  структуры  результатов  эксперимента  и  выявления  нетипичных  объектов.  Проблема  заключается  в  том,  что  мы  не  можем  априорно  задать  количество  кластеров  и  заранее  предсказать  плотности  распределения  данных  вокруг  их  центров,  кроме  того  возможно  пересечение  кластеров.  Для  её  решения,  на  наш  взгляд,  эффективно  применение  принципов  нечеткой  логики  при  обработке  результатов  регистрации  ЧР,  в  частности,  принципов  метода  горной  кластеризации.  Метод  предложен  Р.  Ягером  и  Д.  Филевым  в  1993  г.  [5].  Алгоритм  метода  следующий.  На  первом  шаге  горной  кластеризации  определяют  точки,  которые  могут  быть  центрами  кластеров.  На  втором  шаге  для  каждой  такой  точки  рассчитывается  значение  потенциала,  показывающего  возможность  формирования  кластера  в  ее  окрестности.  Чем  плотнее  расположены  объекты  в  окрестности  потенциального  центра  кластера,  тем  выше  значение  его  потенциала.  После  этого  итерационно  выбираются  центры  кластеров  среди  точек  с  максимальными  потенциалами.  Конечным  результатом  должна  стать  матрица  центров  кластеров  и  соответствующая  ей  матрица  потенциалов  центров  кластеров. 

Работа  с  массивами  данных  о  ЧР  —  это  работа  с  рядами,  содержащими  качественные  и  количественные  сведения  о  разрядах.  Необходимо  понимание  того  факта,  что  обе  эти  составляющие  имеют  одинаковый  вес  в  подведении  итогов  о  состоянии  изоляции.  В  настоящий  момент  природа  частичных  разрядов  изучена  достаточно  хорошо  и  составлены  подробные  списки  их  характеристик.  Для  нужд  диагностирования  наиболее  интересны  те  характеристики,  по  которым  можно  обнаружить  ЧР,  и  те,  зная  которые  можно  оценить  состояние  изоляции.

К  ним  относят  и  качественные  и  количественные  характеристики.  Действительно,  сложно  оценить  состояние  изоляции  по  характеристикам  одного  самого  мощного  ЧР,  но  и  нельзя  ориентироваться  на  большое  количество  незначительных  разрядов,  происходящих  в  различных  местах.  Хотя  и  то,  и  другое  —  важные  части  комплексного  анализа.

В  случае  больших  массивов  информации  может  сложиться  такая  ситуация,  что  понадобятся  анализ  всех  существующих  частных  характеристик  и  в  то  же  время  необходимы  будут  материалы  по  частоте  количественных  событий.  То  есть  по  сути  дела  необходимы  значения  распределения  характеристик  ЧР  в  зависимости  от  времени  или  от  любой  другой  характеристики. 

Оптимальное  решение  для  получения  такого  распределения  —  это  применение  методов  кластеризации.  Частичные  разряды  —  это  в  большинстве  своем  не  случайные  события.  Их  появление  является  результатом  различных  электрических  и  химических  процессов  в  изоляции.  Соответственно  в  законе  их  распределения  должна  фигурировать  вся  та  масса  аспектов,  которая  оказывает  различное  влияние  на  состояние  изоляции.  Понятно,  что  если  бы  такая  информация  о  законах  распределения  могла  бы  быть  получена,  отпала  бы  необходимость  в  самой  диагностике.

Поэтому  перспективно  применение  методов  нечеткой  кластеризации,  которые  не  требую  априорного  знания  законов  распределения.  Данное  решение  позволяет  решить  сразу  несколько  вопросов:  создание  кластерной  базы  по  двум  и  более  признакам,  применение  кластеризации  без  априорно  заданного  количества  кластеров  (т.  е.  метод  горной  кластеризации).

Суть  метода  кластеризации  построенного  на  алгоритмах  нечеткой  логики,  заключается  в  том,  что  объект  может  принадлежать  сразу  нескольким  кластерам.  Именно  в  этом  отличительная  особенность  метода,  особенно  заметная  при  наличии  двух  и  более  признаков  кластеризации.  Т.  е.  объект  может  с  определенно  долей  вероятности  принадлежать  одному  кластеру  и  с  другой  долей  вероятности  другому.  Функции  принадлежности  задаются  в  нечетких  отношениях  и  в  результате  выходные  переменные  представляют  собой  вероятность  принадлежности  соответствующего  ЧР  определенному  кластеру  с  заданными  параметрами.

Зная  центры  кластеров  и  количество  ЧР,  относящиеся  к  данному  кластеру  пока  рано  судить  о  состоянии  изоляции.  Оценку  можно  произвести  лишь  в  сравнении  результатов  обследований  в  различное  время  и  при  различных  режимах  работы  электрических  машин  и  аппаратов.  В  случае  такого  анализа:  фаза  воздействующего  напряжения  —  это  место  возникновения  ЧР,  кажущийся  заряд  —  количественная  характеристика,  а  количество  ЧР  —  количественная.

Следовательно,  при  одинаковой  фазе  воздействующего  напряжения  об  усугублении  проблем  в  изоляции  электрооборудования  говорит  тот  факт,  что  при  равенстве  кажущихся  зарядов  число  ЧР  в  кластере  возрастает  [3].

Подобный  вывод  можно  сделать,  не  вдаваясь  в  глубокий  анализ  полученных  после  кластерного  анализа  данных.  Но  проведенный  анализ  позволяет  рассмотреть  и  другие  характеристики.  Во-первых:  полученная  обобщенная  картина  распределения  позволяет  перейти  к  частным:  распределению  ЧР  по  фазам  воздействующего  напряжения  и  по  значениям  кажущихся  зарядов.  Во-вторых:  значение  кажущихся  зарядов  в  последнем  кластере  (если  идти  по  увеличению  значения  заряда)  —  это  есть  не  что  иное,  как  наибольшее  неоднократно  встречающееся  значение  кажущегося  заряда.  То  есть  только  один  анализ  позволяет  сразу  рассмотреть  практически  все  комплексные  характеристики  ЧР,  изложенные  в  [3]. 

В  литературе  уже  рассматривалась  возможность  применения  нечеткого  метода  горной  кластеризации  для  обработки  данных  исследования  ЧР  в  изоляции  турбогенератора  [1].  В  качестве  входных  признаков  для  анализа  использовалась  абсолютная  величина  амплитуды  положительных  и  отрицательных  ЧР  и  положение  ЧР  относительно  фазы  напряжения.  В  конечном  итоге  для  каждой  фазы  создавалась  матрица  центров  кластеров  и  матрица  потенциалов  центров  кластеров. 

В  качестве  сравниваемых  рассматривались  матрицы,  полученные  при  наблюдениях  в  нормальном  и  переходном  режимах  работы.  Для  каждой  из  фаз  сравнивается  размерность  N∼  строк  матриц  переходного  режима  работы  (количество  обнаруженных  кластеров)  с  размерностью  N  строк  матриц  установившегося  режима  работы.  Определялось  количество  дополнительно  образовавшихся  кластеров  (источников  ЧР).  В  случае  если  их  число  меньше  нуля  формулировался  вывод  о  нормальном  техническом  состоянии  изоляции  обмотки  [1]. 

Подход  по  общей  оценке  состояния  изоляции  по  количеству  кластеров  имеет  свои  недостатки.  При  данном  методе  для  анализа  учитываются  лишь  качественные  характеристики  ЧР,  но  и  они,  в  конечном  счете,  фигурируют  в  выводах  лишь  условно.  Нельзя  сделать  однозначный  вывод  об  обнаружении  новых  источников  ЧР,  только  на  основе  данных  об  образовании  новых  кластеров.  И  никак  нельзя  судить  о  нормальном  состоянии  изоляции  при  уменьшении  их  количества.

Но  у  предложенного  метода  наряду  с  явными  недостатками  есть  и  положительная  особенность  —  вся  обработка  данных  происходит  автоматически.  Человек  не  принимает  участия  даже  в  финальном  выводе,  который  делается  на  основании  простых  арифметических  соотношений  вычислительной  техникой.

Идеальным  вариантом  является  слияние  вместе  обоих  указанных  методов  —  комплексного  подхода  при  обработке  характеристик  ЧР  и  полностью  автоматизированного  процесса  составления  вывода  о  состоянии  изоляции.  Понятно,  что  обычные  арифметические  соотношения,  которые  использовались  для  обработки  данных  по  количеству  новых  кластеров  в  [4],  не  могут  быть  использованы  в  этом  случае.  Вместе  с  ростом  количества  кластеров  может  наблюдаться  снижение  их  интенсивности  и  максимальной  величины  кажущегося  заряда.  В  этом  случае,  автоматика  просто  сделает  неправильный  вывод.

Интересен  следующий  вариант  —  применение  нечетких  соотношений  с  последующим  сравнением  итогов  в  логической  базе  машины.  Применение  нечетких  соотношений  —  это  классификация  итогов.  Естественно,  что  для  однозначного  определения  результатов  должны  быть  заданы  жесткие  требования,  которые  могут,  как  уже  отмечалось  выше,  привести  к  неправильным  выводам.  Использование  же  нечетких  соотношений  вкупе  с  заданными  лингвистическими  элементами  базы  знаний  позволит  избежать  этих  противоречий.  В  этом  случае  в  нечеткой  базе  знаний  должна  быть  представлена  информация  по  всем  характеристикам  и  их  возможным  изменениям.  Например:  рост  числа  кластеров  при  неизменном  максимальном  кажущемся  заряде,  рост  интенсивности  ЧР  по  отдельной  фазе,  рост  количества  ЧР  в  конкретном  кластере  по  значению  кажущегося  заряда  при  сокращении  ЧР  в  соседнем  кластере  и  т.  п.  Опираясь  на  эту  базу,  вычислительная  техника  сможет  сделать  вывод  о  состоянии  изоляции,  всесторонне  изучив  данные  кластерного  анализа.  Вывод  при  этом  будет  иметь  вероятностный  вид.

Реальное  решение  в  такой  ситуации  —  это  создание  экспертной  системы.  С  исторической  точки  зрения,  экспертные  системы  —  это  неожиданное  применение  искусственного  интеллекта.  В  своей  сути  они  стали  реализацией  машины  с  интеллектом  человека,  работающей  на  специфической  структуре  какой-то  конкретной  головоломки.  Как  правило,  экспертная  система  позволяет  решить  только  одну  конкретную  задачу.  Причем  делает  она  это  математическими  методами,  и  не  совсем  так,  как  сделал  бы  человек.  Идея  появилась  в  70-х  годах  в  области  инженерии  зданий.  Заде  предложил  раскрыть  сущность  экспертных  систем  путем  описания  алгоритмов  данных.  Эта  идея  позволила  решить  проблему  ненадежности  в  экспертных  системах  [2].  Также  в  экспертных  системах  используются  понятия  нечеткого  вероятностного  вывода  и  метода  обработки  недостоверностей.  Нечеткая  логика  уже  доказала  свою  состоятельность  при  построении  таких  систем.  Сейчас  главное  применение  алгоритмов  нечеткой  логики  —  это  построение  систем  управления  технологическими  процессами.  Чисто  экспертных  систем  нечеткой  логики  также  превысило  число  традиционных.

Человек  эксперт,  как  правило,  оперирует  не  совсем  определенными  терминами  и  словами.  В  идеале  эффективно  построенная  экспертная  система  выступает  не  только  как  репродукция  способов  представления  и  использования  знаний,  но  и  копирует  образ  действия  эксперта.  Под  образом  действия  в  общем  смысле  принимаются  способы  извлечения  знаний  эксперта  и  способа  решения,  а  в  перспективе  и  методы  мышления. 

Для  реализации  этой  задачи  необходимо  решить  три  основные  проблемы  экспертных  систем:  1)  представление  знаний;  2)  использование  знаний;  3)  приобретение  знаний.  В  [2]  описывается  решение  этих  проблем.  Для  первой  проблемы  гарантировано,  что  наиболее  высоким  будет  уровень  представления  посредством  языка.  Решение  второй  проблемы  —  это  использование  нечеткого  логического  вывода.  В  качестве  модели  экспертной  оценки  также  могут  быть  использованы  различные  функции  доверия  основанные  на  нечетком  интегрировании  (например  функция  Демпстера-Шафера).  Приобретение  системой  знаний  заключается  в  извлечении  эмпирических  знаний.  Большая  их  часть,  так  или  иначе,  описывается  с  помощью  нечетких  слов  и  проходит  нечеткую  интерпретацию.  Построенные  на  таких  принципах  экспертные  системы  уже  нашли  свое  применение  в  поиске  неисправностей  строительных  конструкций  и  медицинской  диагностике. 

Электротехнический  парк  Российской  Федерации  в  настоящий  момент  в  значительной  своей  части  состоит  из  отработавшего  свой  ресурс  оборудования.  Отсюда  возникает  проблема  эксплуатации  и  надежности  существующего  оборудования.  Полностью  заменить  весь  парк  не  представляется  возможным  с  экономической  точки  зрения.  Поэтому  для  каждой  единицы  оборудования  должно  быть  принято  обоснованное  решение:  либо  оборудование  продолжает  работать,  либо  выводится  в  ремонт,  либо  списывается  и  утилизируется.  Проблема  заключается  в  том,  что  внешние  повреждения  аппаратов  и  машин  видны  невооруженным  взглядом,  как  правило,  на  самой  последней  стадии  службы,  когда  никаких  вопросов  уже  не  возникает.  Для  дальнейшей  оценки  должны  применяться  методы  интродиагностики.  Окончательное  заключение  о  пригодности  силового  оборудования  связывает  воедино  данные  полученные  от  интродиагностики,  внешнего  осмотра,  проектные  сведения,  важность  оборудования  и  пр. 

Если  объема  данных  недостаточно,  то  полученные  нечеткие  данные  необходимо  изучить  со  всех  позиций  и  сделать  вывод  о  дальнейшей  работе  оборудования.  Без  применения  автоматизированных  систем  груз  ответственности  ложиться  на  специалистов  с  богатым  опытом  и  интуицией.  Естественно,  что  число  таких  специалистов  невелико.  Создание  же  экспертных  систем  оценки  надежности  электрооборудования  позволит  даже  обычному  инженеру  принимать  решения  о  такого  же  уровня,  как  и  специалисту.

Подобные  системы  создавались  ранее,  но  строились  они  на  факторах  достоверности.  Система,  построенная  на  принципах  нечеткой  логики  вместо  использования  многочисленных  логичеких  отношений,  может  ориентироваться  на  виртуальные  правила.  При  чем  эти  виртуальные  правила  могут  корректироваться  как  в  сторону  увеличения  достоверности,  так  и  в  сторону  ее  уменьшения.

Список  литературы:

1.Агамалов  О.Н.  Кластерный  анализ  частичных  разрядов,  EXPONENTA  PRO,  №  3—4  (7—8),  2004.

2.Асаи  К.,  Ватада  Д.,  Иваи  С.,  Прикладные  нечеткие  системы:  пер.  с  япон.  Под  ред.  Тарано  Т,  Асаи  К.,  Сугэно  М.  —–  М.:  Мир,  1993.

3.Вдовико  В.П.  Частичные  разряды  в  диагностировании  высоковольтного  оборудования,  Новосибирск:  Наука,  2007.

4.Михеев  Г.М.  Цифровая  диагностика  высоковольтного  оборудования.  ISBN  978-5-94120-188-4.  М.:  Издательский  дом  «Додэка-XXI»,  2008.

5.Штовба  С.Д.  Введение  в  теорию  нечетких  множеств  и  нечеткую  логику  [Электронный  ресурс]  —  Режим  доступа.  —  URL:  (http://matlab.exponenta.ru/fuzzylogic/book1)

6.Wubbenhorst  M.  Spontaneous  Polarization  and  Orientational  Dynamics  in  Host/Guest  Materials//  IEEE  Transactions  on  Dielectrics  and  Insulation.  2000.  Vol.  7,  №  4.