VECTOR MODEL FOR QUALITY ASSESSMENT AND FORECASTING THE STATE OF THE SET OF PARAMETERS OBJECT
Abstract
A vector model of the current and predictive assessment of the state of a set of parameters of a technical object is developed. The evaluation method is based on the developed model and is intended for use in microprocessor modules used in monitoring and control systems. The paper considers the construction of a vector model for the implementation of a simplified preliminary assessment. For the functioning of the model it is necessary to use expert knowledge about the signs of various emergency situations. Operational and experimental data identifying such situations are also involved. The developed method of calculation is quite simple and can be performed in the microprocessor module in the background. The technique allows to implement predictive assessment in real time, which is important for the effective operation of the module as part of a distributed moni-toring system. It also supports the generation of commands on the elimination and prevention of emergency situations. To implement the predictive assessment of the state of the object, an approach to determining the parameter of the tech-nical object using a simplified version of the smoothing predictive cubic spline is considered. The calculations use a uniform time grid. The synthesis of the algo-rithm for determining the coefficients of the cubic spline is performed. A compar-ison of the effectiveness of different forecasting models option from the stand-point of possibility of their implementation in microprocessor-based module. The prediction accuracy was compared using the proposed model of smoothing spline and models of smoothing time series of zero, first and second order. The predic-tion results show that the absolute error of prediction of the parameter of the studied models is comparable in magnitude. The spline error does not have such sharp bursts that are present when using time series models. However, the com-putational complexity of the prediction algorithm when using a smoothing spline is much higher than in the case of time series. The developed model and method-ology can be used for operational monitoring and control of the object in real time.
References
2. Ярошенко И.В. Математическая модель и метод классификации техни-ческого состояния высоковольтных мехатронных модулей // Инженерный вестник Дона. – 2014, – № 2. – URL: ivdon.ru/ru/magazine/archive/n2y2014/2330.
3. Detlev W. Gross. Partial Discharge Measurement and Monitoring on Rotat-ing Machines // IEEE Int. Sym. On Elect. Insul, Boston MAUSA, April 7-10, 2002. – P. 33-41.
4. Клевцова А.Б. Параметрическая зонная оценка состояния технического объекта с использованием режимной карты // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 107-111.
5. Клевцова А.Б., Клевцов Г.С. Модели параметрической экспресс-оценки состояния технического объекта // Известия ЮФУ. Технические науки. – 2008. – № 11 (88). – С. 15-19.
6. Klevtsov S.I. Identification of the State of Technical Objects Based on Ana-lyzing a Limited Set of Parameters // 2016 International Siberian Conference on Control and Communications, SIBCON 2016 - Proceedings. 2016. – P. 749-752.
7. Клевцова А.Б. Интегральная оценка состояния объекта мониторинга.// Известия ТРТУ. №2(37). 2004. - Таганрог: Изд-во ТРТУ. - С.58-66.
8. Клевцов С.И., Клевцова А.Б., Буринов С.В. Модель параметрической качественной иерархической оценки состояния технической системы // Инженерный вестник Дона. – 2015. – № 3. – URL: ivdon.ru/ru/magazine/archive/n3y2015/3088.
9. Пьявченко О.Н. Концептуальное представление о прецизионных ин-теллектуальных микропроцессорных модулях ввода, измерений и обра-ботки аналоговых сигналов.//Известия ТРТУ. №3 (75). 2007. – Таганрог: Изд-во ТРТУ. - С.3-13.
10. Lihua Sun, Yingjun Guo, Haichao Ran. A New Method of Early Real-Time Fault Diagnosis for Technical Process // Electrical and Control Engineer-ing (ICECE), 2010 International Conference. – Wuhan, China, 2010. – P. 4912-4915.
11. Matuszewski J. Application of clustering methods for recognition of tech-nical objects // Modern Problems of Radio Engineering, Telecommunications and Computer Science (TCSET), 2010 International Conference. – 2010. – P. 39-40.
12. Darkhovsky B., Brodsky B. Asymptotically Optimal Methods of Early Change-point Detection // Sequential Analysis. – 2013. – No. 32. – P. 158-181.
13. Васильев В.В. Современные проблемы компьютерного мониторинга в энергетике. // Известия ТРТУ. – Таганрог: Изд-во ТРТУ, 2001, № 3. – С.99-120.
14. Пьявченко О.Н., Горелова Г.В., Боженюк А.В., Клевцов С.И., Клевцо-ва А.Б. Методы и алгоритмы моделирования развития сложных ситуаций: Монография / Под ред. д.т.н., профессора О.Н. Пьявченко. - Таганрог: Изд-во ТРТУ, 2003. - 157с.
15. Vovk S.P., Ginis L.А. Modelling and forecasting of transitions between levels of hierarchies in Difficult formalized systems // European Researcher. – 2012. – Vol. (20), No. 5-1. – P. 541-545.
16. Кочегурова Е.А., Шебеко Е.В. Использование вариационного сглажи-вающего сплайна в задаче краткосрочного прогнозирования// Известия Томского политехнического университета. 2006. Т.309. №7 – С.36-39.
17. Квасов Б.И. Методы изогеометрической аппроксимации сплайнами. – М.: Физматлит. 2006. – 360с.
18. Завьялов Ю.С., Квасов Б.И., Мирошниченко В.Л. Методы сплайн-функций. – М.: Наука. 1980. – 382с
19. Мэтьюз Дж.Г., Финк Куртис Д. Численные методы. Использование MATLAB, 3-е издание.: Пер. с англ. – М.: Издательский дом «Вильямс», 2001. – 720с.
20. Лукашин Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. – М.: Финансы и статистика, 2003. –416с.
21. Клевцов С.И. Моделирование алгоритма краткосрочного прогнозиро-вания изменения быстроменяющейся физической величины в реальном времени // Инженерный вестник Дона. – 2012. – № 3 (21). – С. 199-205.
22. Клевцов С.И. Использование моделей временных рядов для кратко-срочного прогнозирования в микроконтроллере изменений параметров объекта // Известия ЮФУ. Технические науки. – 2013. – № 11 (148). – С. 194-201
