اپلیکیشن زینگ | باربری آنلاین
زینگ - سامانه جامع حمل و نقل

تماس تلفنی

دانلود زینگ
خانه اپلیکیشن زینگ سامانه صادرات و واردات فروشگاه خدمات اطلاعاتی
خدمات جانبی
تماس با ما
زینگ - سامانه جامع حمل و نقل کشوری

تماس تلفنی

دانلود زینگ

جستجو
عضویت در سامانه صادرات، واردات، تجارت
گروه بازرگانی هومان پویان

مشخصات یک سیستم شناسایی عیب:
مشخص کردن بهترین روش تشخیص عیب کار آسانی نیست و در حالت کلی می توان گفت به کاربرد بستگی دارد. برای مثال روش های تخمین پارامترها برای آشکارسازی عیوب پارامتری مناسب هستند.

تشخیص_عیب4

اما در حالت کلی سه خروجی ممکن برای هر آزمایش تشخیص عیب وجود دارد:

  • کلیه عیوب با موفقیت و بدون هیچ هشدار اشتباهی آشکار و جداسازی شده اند.
  • کلیه عیوب با موفقیت آشکار و جداسازی شده اند ولی هشدارهای اشتباه وجود دارد.
  • یک (یا بیشتر) عیب آشکارسازی نشده وجود دارد.

به منظور مقایسه دیدگاه‏ های مختلف در تشخیص عیب، تعیین یک مجموعه از ویژگی های مطلوب که یک سیستم تشخیصی باید دارا باشد، مفید است. بر اساس این معیارهای عملکردی کاربر می تواند در مورد اینکه چه زمانی روش های تشخیص عیب خودکار از روش های سنتی مناسب تر هستند، به صورت مناسبی نتیجه گیری کند.

هم‏چنین به این وسیله می تواند قابلیت اطمینان راه حل ارائه شده، عمومیت و بازدهی در محاسبات و مسائل با کمک راه حل ارائه شده را با دیدگاه‏ های مختلف و با درنظر گرفتن یک مجموعه مشترک از نیازمندی ها یا استانداردها ارزیابی کند. مهم ترین معیارهای عملکرد یک سیستم تشخیص عیب به صورت زیر هستند.

آشکارسازی و تشخیص سریع:
سیستم تشخیصی باید سریعا به بد عمل کردن‏ های فرآیند واکنش نشان دهد و قادر باشد عیوب اولیه را قبل از اینکه منجر به خرابی شوند و هم‏چنین عیوب در سیستم های حلقه بسته و حالت گذرا را تشخیص دهد.

هدف از آشکارسازی و تشخیص سریع، داشتن زمان کافی برای اقدامات متقابل مانند راه ‏اندازی افزونه، تغییر پیکربندی، نگهداری و یا تعمیر است. این موضوع خصوصا در سیستم های تحمل پذیر خطا با ایمنی بحرانی و کاربردهای پایش وضعیت بر اساس شرایط، دارای اهمیت است.

آشکارسازی سریع تر می تواند با جمع آوری اطلاعات بیشتر فراهم شود. اما، پاسخ سریع به تشخیص خرابی و عملکرد تحمل پذیر حین کارکرد عادی دو هدف متناقض هستند.

یک سیستم که برای آشکارسازی سریع یک خرابی (خصوصا تغییرات ناگهانی) طراحی شده باشد، نسبت به تأثیرات فرکانس بالا حساس خواهد بود. این موضوع ممکن است سیستم را نسبت به نویز حساس کند و منجر به هشدارهای اشتباه و مکرر حین کارکرد عادی شود که می تواند مخل عملکرد سیستم باشد. این موضوع مشابه مصالحه بین قوام و عملکرد است که در ادبیات کنترل با آن رو به رو هستیم.

جداپذیری:
قابلیت جداپذیری عبارت است از توانایی سیستم تشخیصی در تمایز بین خرابی های مختلف. جداپذیری عیب نه تنها به سیستم تشخیصی بلکه به نحوه تأثیر عیب بر خروجی (مشاهده پذیری عیب) نیز بستگی دارد.

تحت شرایط ایده آل بدون نویز و عدم ‏قطعیت های مدل سازی، جداپذیری بدین معناست که طبقه‏ بندی کننده‏ تشخیصی باید قادر به تولید خروجی باشد که بر عیوبی که رخ نداده عمود باشد. البته امکان طراحی طبقه ‏بندی کننده جداپذیر تا حد زیادی به مشخصات فرآیند بستگی دارد.

هم‏چنین مصالحه ای بین جداپذیری و رد عدم قطعیت های مدل سازی وجود دارد. بیشتر طبقه بندی کننده ها با شکل‏های متنوعی از اطلاعات افزونه کار می کنند و بنابراین تنها درجه آزادی محدودی برای طراحی طبقه بندی کننده وجود دارد.

با توجه به این موضوع، یک طبقه بندی کننده با درجه بالای جداپذیری، کارکرد ضعیفی در رد عدم قطعیت‏های مدل خواهد داشت و بالعکس. صحت یک سیستم تشخیصی نیازمند این است که مجموعه عیب تا حد امکان کمینه باشد. بنابراین مصالحه ‏ای بین کامل بودن و دقت نسبت به صحت پیش بینی ها وجود دارد.

قوام:
تشخیص عیب بر اساس مدل، از مدل ریاضی سیستم تحت نظارت استفاده می کند. با این حال یک مدل ریاضی دقیق و کامل از پلانت فیزیکی هرگز وجود ندارد.

معمولا پارامترهای سیستم طبق یک الگوریتم نامشخص با زمان تغییر می کنند و همین طور مشخصات نویز و اغتشاشات نامعلوم هستند و به راحتی نمی توان آن ها را مدلسازی کرد.

بنابراین اغلب یک عدم تطابق بین مدل واقعی پلانت و مدل ریاضی پلانت (حتی در صورت نبود عیب نیز) وجود خواهد داشت.

جدای از مدلسازی که با اهداف کنترلی انجام می شود، این نوع اختلالات و عدم قطعیت ها باعث بروز مشکلات پایه ای در کابردهای تشخیص عیب خواهد شد. این عدم قطعیت ها باعث ایجاد آلارم های کاذب می شوند، به صورتی که عملکرد سیستم تشخیص عیب را خراب می کنند و حتی ممکن است عدم قطعیت ها آنقدر گسترده باشند که سیستم تشخیص عیب به کلی بی فایده شود.

بنابراین اثر عدم قطعیت های مدل، مهم ترین مسئله حیاتی در تشخیص عیب بر اساس مدل است و حل این مسئله کلید کابردهای عملی آن است.

برای غلبه بر مشکل بودن مدلسازی عدم قطعیتها، تشخیص عیب بر اساس مدل باید مقاوم گردد، بدین معنی که نسبت به عدم قطعیت های مدل غیر حساس و یا تغییر ناپذیر شود.

گاهی اوقات کاهش زیاد حساسیت نسبت به عدم قطعیت های مدل مسئله را حل نمی کند، زیرا چنین کاهش حساسیتی ممکن است با کاهش حساسیت نسبت به عیوب سیستم همراه باشد.

یک فرمولاسیون معنی دار از تشخیص عیب مقاوم بدین صورت است که حساسیت نسبت به عدم قطعیت های مدل با فرض از دست ندادن حساسیت نسبت به عیوب سیستم (یا افزایش آن)، کاهش یابد.

یک طرح تشخیص عیب که برای فراهم آوردن حساسیت مناسب نسبت به عیوب و عدم حساسیت نسبت به عدم قطعیت های مدل، به کار می رود، طرح تشخیص عیب مقاوم نامیده می شود. اهمیت مقاوم بودن تشخیص عیب هم در صنعت و هم در تحقیقات دانشگاهی شناخته شده است.

پیشرفت الگوریتم های تشخیص عیب مقاوم در 10 سال اخیر، جز تحقیات کلیدی بوده است. روش های مختلفی برای برخورد با این مشکلات معرفی شده اند که از آن جمله می توان به رویتگر ورودی، تخصیص ساختار ویژه و روابط پریتی مقاوم بهینه اشاره کرد. با این حال، تحقیق درباره روش های کاربردی عملی هنوز در حال اجرا است.

ترجیح داده می شود که سیستم تشخیصی در برابر نویزهای مختلف، عدم‏ قطعیت ‏ها، تغییرات نقاط کار و تغییرات عادی سیگنال مقاوم باشد و آن ها را از عیوب تشخیص دهد و عملکرد به جای این که به صورت کامل و ناگهانی با شکست مواجه شود، به صورت تدریجی تنزل یابد.

قوام یک روش به ورودی‏ های ناشناخته (مانند نویز سیستم و اندازه‏ گیری، اغتشاشات) در حالت کلی بر نرخ هشدارهای اشتباه آن مبتنی است. در حالی که حساسیت به انواع مختلف عیب می تواند با تعداد عیوب آشکار نشده تشخیص داده شود. در تصویر زیر بلوک دیاگرام یک سیستم تشخیص عیب مقاوم نشان داده شده است.

بلوک دیاگرام یک سیستم تشخیص عیب مقاوم

این دو مساله با هم در تناقض هستند و مصالحه در اندازه عیب و زمان آشکارسازی، سرعت ظاهر شدن عیب و زمان آشکارسازی، اندازه و سرعت عیب و سرعت تغییرات پارامتر فرآیند و زمان آشکارسازی و نرخ هشدار اشتباه بسیار ضروری است.

قوام مانع آزمون های جداپذیری قطعی می شود که در آن ها آستانه نزدیک صفر در نظر گرفته می شود. در حضور نویز، این آستانه ها باید محتاطانه انتخاب گردند. بنابراین الزامات قوام باید با الزامات عملکردی تراز شوند.

قابلیت شناسایی بدیع:
یکی از الزامات کمینه یک سیستم تشخیص عیب توانایی تصمیم گیری با شرایط کنونی داده شده فرآیند است این تصمیم در این خصوص است که آیا فرآیند به صورت عادی کار می کند یا دارای عیب محسوب می شود و اگر در حالت معیوب کار می کند، علت عیب معلوم و یا ناشناخته است. این معیار به عنوان قابلیت شناسایی بدیع شناخته می شود.

علی رغم وجود استاندارهایی مانند FMEA، هم‏چنان احتمال وقوع ناهنجاری‏ های جدید در سیستم وجود دارد. در حالت کلی، ممکن است اطلاعات کافی برای مدل سازی رفتار عادی فرآیند در دسترس باشد. اما معمولا چنین اطلاعاتی از تاریخچه فرآیند برای مدل سازی نواحی ناهنجار به صورتی مناسب در اختار نیست.

اگر فرد یک مدل دینامیکی مناسب از فرآیند داشته باشد، تولید این نوع داده بسیار ساده ‏تر خواهد شد. البته تنها الگوهای اطلاعاتی کمی برای پوشش قسمت هایی از ناحیه ناهنجار ممکن است در اختیار باشد.

بنابراین، ممکن است بسیاری از نواحی عملکرد ناهنجار به صورت مناسب مدل نشده باشند. این موضوع چالش های جدی در دستیابی به قابلیت شناسایی بدیع ایجاد می کند.

تطبیق پذیری:
در حالت کلی فرآیندها در اثر تغییرات در ورودی‏ های خارجی، تغییرات ساختاری ناشی از ارتقا و امثال آن، تغییر می کنند و تکامل می یابد. شرایط کاری فرآیند نه تنها بر اثر اغتشاشات، بلکه تحت تأثیر تغییر شرایط محیطی مانند تغییرات در میزان تولید یا تغییر در تقاضا، تغییر در کیفیت مواد اولیه و … می تواند عوض شود.

بنابراین سیستم تشخیص عیب باید نسبت به تغییرات تطبیق پذیر باشد و هم چنین آزادی عمل خود را با افزایش اطلاعات در دسترس، گسترش دهد.

سهولت تفسیر:
در کنار توانایی شناخت منبع عیب، یک سیستم تشخیصی باید تفسیرهایی در خصوص این که عیب چگونه آغاز شده و چگونه تا وضعیت کنونی پیشرفت نموده است، ارائه دهد. این موضوع عامل بسیار مهمی در طراحی سیستم های پشتیبانی تصمیم گیری آنلاین است.

این مساله نیازمند توانایی استدلال در خصوص ارتباطات علت و معلولی در یک فرآیند است. یک سیستم تشخیصی باید پیشنهادات خود را به صورتی توجیه کند که اپراتور بتواند طبق آن و با استفاده تجربه خود ارزیابی و عمل نماید.

مطلوب است که سیستم تشخیصی تنها چرایی ارائه فرضیه پیشنهادی را توجیه نکند، بلکه توضیحی در خصوص علت این که دیگر فرضیات پیشنهاد نشدند نیز ارائه دهد.

الزامات مدل سازی:
میزان مدل سازی مورد نیاز برای توسعه یک طبقه ‏بندی کننده تشخیصی یک مسئله بسیار مهم است. برای گسترش ساده و سریع طبقه‏ بندی کننده‏ های تشخیصی بلادرنگ، تلاش مدل سازی باید تا حد امکان کمینه باشد.

الزامات محاسباتی و ذخیره سازی:
مصالحه ‏ای بین پیچیدگی محاسباتی و عملکرد سیستم وجود دارد. معمولا، راه حل های سریع بلادرنگ نیازمند الگوریتم ها و اجراهایی هستند که از نظر محاسباتی دارای پیچیدگی کمتری بوده، اما الزامات ذخیره سازی بیشتری را ایجاب می ‏کنند.

سیستم تشخیص عیب که بتواند به توازن معقولی بین این دو نیاز در رقابت با هم دست یابد، ترجیح داده می شود.

قابلیت شناسایی عیوب چندگانه:
قابلیت شناسایی عیوب چندگانه به توانایی سیستم تشخیص عیب در شناسایی و طبقه بندی صحیح عیوب چندگانه اطلاق می شود که به صورت هم زمان در سیستم وجود دارند.

این معیار با توجه به طبیعت تعاملی بیشتر عیوب یک نیاز مهم اما به دلیل غیرخطی بودن و کوپلینگ های بین حالت ‏ها و منابع بالقوه خطا و هم چنین در مواردی دشوار بودن مدل‏سازی عیب به دلیل پیچیدگی، مشکل است.

در یک سیستم غیرخطی کلی، تعاملات معمولا به صورت همکاری کننده هستند و بنابراین یک سیستم تشخیص عیب قادر به استفاده از الگوهای عیب اختصاصی برای مدل سازی تأثیر ترکیبی عیوب نخواهد بود.

کشتیرانی
حمل زمینی
وانت
حمل هوایی
نظر شما
نام و نام خانوادگی:

شماره تماس (نمایش داده نمی شود):

کد امنیتی: captcha

متن پیام: (نظر شما پس از بررسی منتشر خواهد شد)


مطالب مرتبط:
مخفی کردن >>