CAPITOLUL 6

STRATEGII EVOLUTIVE DE RENNOIRE

6.1. Rennoirea echipamentelor n context evolutiv
Performan ele de fiabilitate a unui echipament sunt concretizate n faza de
proiectare prin alegerea judicioas a arhitecturii echipamentului, a
materialelor, a procesului de fabrica ie, a componentelor, iar n faza de
exploatare prin adoptarea unei strategii optimale de mentenan care s
asigure o ct mai mare disponibilitate a echipamentului, la un cost ct mai
redus n unitatea de timp. n cazul echipamentelor reparabile, unul dintre
principalii factori care contribuie la asigurarea unei disponibilit i ct mai
ridicate l constituie efectuarea de rennoiri preventive. Aceste rennoiri
opereaz la anumite momente de timp prestabilite i conduc la eliminarea
total sau par ial a uzurii acumulate, aducnd echipamentul de fiecare dat
ntr-o stare de func ionare caracterizat de lipsa uzurii sau cu o uzur
neglijabil . Stabilirea momentului rennoirii se poate face utiliznd fie
modelul de fiabilitate al echipamentului, bazat pe informa iile apriori
referitoare la comportarea echipamentului n condi iile de exploatare date,
fie utiliznd o strategie evolutiv de rennoire care predicteaz momentul
proximei rennoiri, utiliznd modelul de fiabilitate al echipamentului,
actualizat n timp real n func ie de evolu ia real a parametrilor
echipamentului. Utilizarea unei strategii evolutive de rennoire poate
conduce att la cre terea disponibilit ii echipamentului ct i la
minimizarea costului mediu de ntre inere n unitatea de timp.
n continuare se prezint o strategie de rennoire ameliorat , din clasa
strategiilor CRP (Continuous Replacement Policy), care vizeaz :
- utilizarea ct mai complet a informa iilor apriori, privind echipamentul
monitorizat, i elaborarea pe baza acestor informa ii a unui model
Markov ini ial de fiabilitate;
- utilizarea tehnicilor de diagnoz pentru ob inerea de informa ii curente
privind starea echipamentului;
- ajustarea automat a parametrilor modelului Markov, pe baza
informa iilor furnizate de subsistemul de diagnoz ;

130

Cap.6. Strategii evolutive de rennoire

- utilizarea tehnicilor de instruire pentru ajustarea modelului Markov, ct

i corec ia subsistemului de diagnoz n cadrul opera iilor de
rennoire/restabilire.
Aceast strategie poate sta la baza realiz rii unui echipament de
monitorizare, care s furnizeze n timp real strategia optimal aferent
st rii curente a utilajului.
6.1.1. Premizele strategiei evolutive de rennoire
I. Premize privind elaborarea modelelor de fiabilitate
Cercet rile ndelungate i aprofundate privind fiabilitatea elementelor i
echipamentelor industriale au dus la cre terea sensibil a bazei de
cuno tin e pe care se pot dezvolta modelele structural-func ionale de
fiabilitate, cum sunt cele de tipul modelelor Markov. Aceste modele de
fiabilitate sunt fundamentate de:
- structura echipamentului;
- procesele care conduc la modificarea n timp a propriet ilor func ionale
ale echipamentului modelat.
Ca urmare a cercet rilor efectuate n ultimii ani, s-au acumulat cuno tin e
variate, privind urm toarele aspecte esen iale ce privesc fiabilitatea
echipamentelor:
1-

caracterizarea i modelarea solicit rilor mixte, de tip: mecanic +

termic + electromagnetic. n acest scop sunt utilizate proceduri care
mbin investiga ia experimental cu modelarea numeric , utiliznd
metode de tipul elementului finit;

2-

caracterizarea i modelarea solicit rilor produse n ma inile electrice,

la utilizarea noilor genera ii de convertoare de frecven . n cazul
ma inilor de curent alternativ, alimentate att de la convertoarele
comandate vectorial, ct i n sistemele de comand direct a fluxului
(DTC Direct Torque Control), frecven ele nalte de lucru ale
invertoarelor, ct i gradien ii ridica i de tensiune pun probleme noi
privind solicit rile ma inilor, ca de exemplu:
- apari ia unor efecte mecanice specifice induse de func ionarea
convertorului: oscila ii de cuplu, rezonan e pe frecven e ridicate
n sistemul mecanic;

Cap.6. Strategii evolutive de rennoire

131

- accelerarea procesului de degradare a izola iei, ca urmare a

frecven ei ridicate de comutare i a gradien ilor mari de tensiune,
n cadrul invertoarelor din compunerea echipamentelor electrice
de putere.
Rezultatele acumulate din studiile de tribologie, ct i din practica
inginereasc , ofer date suficiente pentru estimarea evolu iei proceselor de
uzur , n func ie de condi iile (solicit rile) de exploatare curente. Aceste
condi ii se refer la solicit rile mecanice, regimul de ungere, solicit rile
termice etc.
Rezultatele privind evolu ia proceselor de uzur /mb trnire, sub ac iunea
solicit rilor, ofer
i informa iile privitoare la m rimile observabile
(m surabile), care reflect direct sau indirect gradul de
uzur /mb trnire: vibra ii, temperaturi, nivelul desc rc rilor par iale etc.
Elaborarea modelului Markov de fiabilitate a echipamentului (figura 6.1)
are la baz urm toarele opera ii:
- analiza structurii echipamentului, cu reliefarea componentelor i
proceselor asociate, stabilirea factorilor de solicitare, eviden ierea
interac iunilor, ntruct comportarea unei componente modific
mediul celorlalte componente;

Fig. 6.1. Elaborarea modelului Markov de fiabilitate

- stabilirea structurii de stare (num rul de st ri i semnifica ia acestora);

132

Cap.6. Strategii evolutive de rennoire

- fundamentarea politicii de instrumenta ie, care vizeaz discernerea

st rii echipamentului n regimul curent de exploatare.
II. Premize privind diagnoza st rii echipamentului
Domeniul diagnozei tehnice a avut, n ultimul timp, o dezvoltare deosebit ,
fiind conturat i sus inut de un considerabil suport teoretic i procedural.
Principalele metode de diagnoz se pot ncadra n dou abord ri:
A.

Abordarea bazat pe analiza de semnal

Prelucrarea seriilor de timp i analiza spectral n special sunt utilizate de

mult timp pentru detectarea nuan at a defectelor, ntruct metodele
numerice de prelucrare a semnalelor ofer posibilit i reale de caracterizare
a defectelor sau imperfec iunilor din cadrul echipamentului diagnosticat. n
prezent aceste metode utilizeaz pe scar larg algoritmi neuronali, n toate
etapele lan ului de prelucrare, respectiv la:
modelarea spectral a semnalului;
extragerea tr s turilor pe baza c rora se face diagnoza;
recunoa terea st rii echipamentului diagnosticat.
B. Abordarea bazat pe metode de model
Metodele din aceast categorie, de dat mai recent , au numeroase variante
i apeleaz la rezultatele cunoscute din teoria sistemelor i din domeniul
identific rii sistemelor. n principiu, diferen ele dintre echipamentul
diagnosticat i modelul s u (diferen e legate de existen a defectelor sau
imperfec iunilor) stau la baza gener rii reziduurilor. n problematica
generatoarelor de reziduuri sunt avute n vedere i aspectele care introduc
limit rile de metod : inciden a perturba iilor nemodelate asupra
reziduurilor i problema insensibiliz rii generatorului de reziduuri n raport
cu aceste perturba ii. n ceea ce prive te prelucrarea reziduurilor, exist
diverse abord ri:
compararea cu praguri fixe sau cu praguri adaptive (acestea putnd fi
ob inute i prin instruire);
aplicarea de metode multicriteriale fuzzy etc.
Cele dou abord ri n diagnoza st rii echipamentului pot fi mbinate ntr-o
structur n care evaluarea probabilit ilor aferente st rilor diagnosticate

Cap.6. Strategii evolutive de rennoire

133

are la baz criterii ce in cont de totalitatea informa iilor detectabile din

echipamentul monitorizat.
6.1.2. Principiul strategiei evolutive de rennoire
Scopul urm rit este de a evalua n timp real dinamica timpului optimal
de rennoire T*(t). Aceast dinamic trebuie s reflecte efectele
condi iilor curente de exploatare, care determin caracterul variant al
modelului de fiabilitate. Principiul strategiei evolutive de rennoire este
ilustrat n figura 6.2. Structura propus n [10] con ine 3 canale de
prelucrare a informa iei, dup cum urmeaz :
1. Calea direct . Aceasta are ca punct de plecare modelul Markov de
fiabilitate, avnd parametrii ini ializa i pe baza datelor men ionate
anterior. Dac se utilizeaz un model Markov cu parametri
prestabili i, se calculeaz o valoare a timpului optimal de rennoire.
Aceast valoare se aplic efectiv la ciclul curent al procesului de
rennoire, ob inndu-se strategia de mentenan clasic , n care se
presupune c modelul de fiabilitate este invariant (neafectat de
condi iile de exploatare inerent variabile).

Fig. 6.2. Principiul strategiei evolutive de rennoire

Un aspect important n conceperea c ii directe l constituie adoptarea

structurii modelului Markov de fiabilitate. n func ie de natura i

134

Cap.6. Strategii evolutive de rennoire

structura echipamentului considerat, trebuie aleas dimensiunea

vectorului de stare i semnifica ia st rilor. Variabilele de stare din
model trebuie s reprezinte probabilit ile Pi(t), i=1, n , ca, la
momentul curent t, echipamentul s se afle n st rile prestabilite,
Si, i=1,n ( echipament nou/rennoit, uzur incipient etc). Aceste
st ri (ale c ror probabilit i sunt descrise de model) trebuie astfel
adoptate, nct un sistem de diagnoz s le poat discerne.
2. O cale de reac ie rapid , care include un sistem de diagnoz i un
bloc de ajustare a parametrilor modelului Markov. Sistemul de
diagnoz este special conceput pentru a estima m sura probabilistic
cu care regimul curent de fiabilitate definit printr-un ansamblu
de criterii apar ine st rilor prestabilite, Si, i=1, n , admise la
construc ia modelului Markov.
i
Sistemul de diagnoz este conceput n abordare statistic
furnizeaz ciclic valori estimate ale probabilit ilor st rilor pe baza
m sur rii unor m rimi caracteristice ale echipamentului supervizat.
n esen sistemul de diagnoz este un sistem de recunoa tere a
claselor (st rilor) Si, i=1, n , pe baza prelucr rii unor vectori ai
m rimilor m surate, reprezentnd variabilele-criteriu pentru
diagnoz . Abordarea statistic a recunoa terii st rilor Si, i=1, n , face
din sistemul de diagnoz un estimator al probabilit ilor ~pi , ca la
ciclul curent de diagnoz echipamentul s se afle efectiv n st rile
prestabilite Si.
Dac probabilit ile Pi(t) din modelul Markov se modific n
conformitate cu parametrii modelului Markov i cu ini ializarea
vectorului de stare, probabilit ile ~p( t ) dau evolu ia regimului de
fiabilitate a echipamentului, a a cum acesta este reflectat de
sistemul de diagnoz . Dac diagnoza s-ar face f r erori, atunci
~
pi ( t ) ar fi probabilit ile efective (conform realit ii fizice) ale
st rilor Si, i=1, n .
La fiecare ciclu de diagnoz , blocul de ajustare a modelului Markov
modific parametrii acestuia, astfel nct la momentul respectiv
probabilit ile Pi s fie ct mai apropiate (n sensul unui criteriu
prestabilit) de probabilit ile ~pi , estimate n cadrul opera iei de
diagnoz .

Cap.6. Strategii evolutive de rennoire

135

Fie iTdac , i=1,2,, momentele discrete n care se realizeaz

opera iile de diagnoz + ajustare parametri + calcul actualizat al
timpului optimal de rennoire, T*. Diagrama temporal care ilustreaz
efectul c ii de reac ie rapid asupra timpului optimal de rennoire, T*,
este prezentat n figura 6.3. La momentul t=0, modelul Markov st
la baza determin rii intervalului de func ionare f r rennoire [0,
T*(0)]. Evident, calculul are la baz ipoteza c n acest interval
parametrii modelului de fiabilitate nu se modific . La momentul Tdac
se reactualizeaz modelul Markov, pe baza informa iilor ob inute de
la sistemul de diagnoz , i se recalculeaz timpul optimal de
rennoire, T*(Tdac). Calculul are la baz ipoteza c n intervalul [Tdac,
T*(Tdac)] nu se modific parametrii de fiabilitate a echipamentului. n
general, pe m sur ce cre te indicele i al ciclului de
diagnoz +ajustare+calcul al timpului de rennoire, se reduce durata
intervalului [iTdac, T*(Tdac)] n care modelul de fiabilitate se consider
invariant.

Fig. 6.3. Calculul ciclic al timpului de rennoire

n figura 6.3, evolu ia m rimii intervalelor [0, T*(0)], [Tdac, T*(Tdac)],

[2Tdac, T*(2Tdac)] este strict descresc toare. n principiu, este ns
posibil i o evolu ie nemonoton a m rimii intervalelor men ionate.
3. O cale de reac ie lent . Structura care ar con ine numai c ile direct
i de reac ie rapid , descrise anterior, admite c sistemul de diagnoz
de tip pattern recognition a fost complet instruit ntr-un regim
preliminar, pe baza unor date culese din regimurile anterioare de
func ionare a echipamentului. Succesiunea rennoirilor, realizate pe

136

Cap.6. Strategii evolutive de rennoire

baza strategiei analizate, ofer informa ii noi care permit continuarea

procesului de instruire a sistemului de diagnoz .
La fiecare rennoire se poate compara r spunsul sistemului de
diagnoz cu situa ia st rii fizice a echipamentului, constatat n
cursul opera iei de rennoire. Pe aceast baz se completeaz lotul
de instruire i n consecin se continu procesul de instruire a
sistemului de diagnoz . Aceea i opera ie se efectueaz n cazul
restabilirilor, adic al rennoirilor efectuate n caz de defectare.
ntruct ajustarea sistemului de diagnoz se face numai n urma
rennoirilor i restabilirilor, frecven a acestora este mult mai redus
dect n cazul reacord rii modelului Markov pe calea de reac ie
rapid .
6.2. Structura sistemului evolutiv de rennoire
Schema de principiu a sistemului evolutiv de rennoire care are la baz
principiile men ionate n paragraful anterior este dat n figura 6.4.

Fig. 6.4. Structura sistemului evolutiv de rennoire

Principalele subsisteme din cadrul acestei scheme sunt urm toarele:

1. Subsistemul de rennoire (SR). Acesta con ine modelul Markov
(MM) de fiabilitate, care furnizeaz evolu ia probabilit ilor st rilor,

Cap.6. Strategii evolutive de rennoire

137

p( t ) , pe baza integr rii ecua iilor de stare, n care intervin parametrii

MM, inclu i n vectorul p MM . Blocul MM furnizeaz densitatea de

probabilitate a timpului de func ionare f(t) i func ia de fiabilitate a
echipamentului, R(t). Blocul MR implementeaz modelul de rennoire
al echipamentului. Primind la intrare func iile R(t) i f(t), blocul MR
ofer la ie ire func ia de rennoire H(t) i func ia intensit ii
rennoirilor, h(t), ambele aceste func ii fiind implicate n determinarea
solu iei optimale de rennoire. Aceast solu ie se ob ine n blocul de
decizie D, c ruia i se impune criteriul de optimizare I. Rezultatul
furnizat de acest bloc este intervalul de timp optimal T*, pn la
urm toarea rennoire.
2. Subsistemul de adaptare a modelului de fiabilitate (SAMF), care
furnizeaz parametrii curen i ai modelului de tip Markov, prin
ajustarea acestora la momentele discrete iTdac. El con ine un sistem
instruibil de diagnoz (SID). Pe baza semnalelor xi(t), date de senzorii
Si, analizoarele Ai realizeaz o serie de prelucr ri pentru extragerea
tr s turilor necesare detect rii situa iilor de diagnoz . Blocul C
selecteaz tr s turile i formeaz vectorul v k [i]= v k ( iTdac ) , care
reflectnd regimul curent de fiabilitate trebuie clasificat la st rile
(clasele) Si, i = 1, n . Indicele k denot ciclul curent de func ionare
dintre dou rennoiri.
Structura SID i algoritmul de instruire sunt ncadra i abord rii
statistice, astfel nct rezultatele clasific rii vectorilor v reprezint
estima ii ale probabilit ilor st rilor ( ~pi , i = 1, n ), conform datelor
~

reale din echipamentul diagnosticat. La momentele iTdac, vectorul p al

acestor probabilit i trebuie s fie impus modelului Markov, ca

r spuns pe stare, adic starea p a MM trebuie adus prin ajustarea
~

parametrilor p MM - ct mai apropiat de vectorul p . Figura 6.5

ilustreaz principiul de adaptare a modelului Markov, pe baza

informa iilor primite de la sistemul de diagnoz .

Cap.6. Strategii evolutive de rennoire

138

Fig. 6.5. Principiul de adaptare a modelului Markov

3. Subsistemul de instruire (SI) fructific informa iile care se ob in,

privind starea efectiv a echipamentului, la fiecare rennoire sau
restabilire a acestuia. Aceste informa ii sunt utilizate pentru
completarea lotului de date, pe baza c ruia se realizeaz instruirea
sistemului de diagnoz . La fiecare rennoire/restabilire, se re in
datele:
- vectorul v kf , care reprezint ultimul vector transmis la intrarea
sistemului de diagnoz , n cadrul ciclului k de rennoire;
- vectorul p k , reprezentnd r spunsul ideal pe care ar fi trebuit s -l
dea sistemul de diagnoz , r spuns ob inut pe baza examin rii st rii
fizice a echipamentului, n cursul opera iei de rennoire (r spunsul
efectiv al sistemului de diagnoz este ~p kf ).
Vectorul v kf

i vectorul p k sunt m rimea de intrare, respectiv m rimea

int , n procesul de instruire care se desf oar n cadrul blocului BISD.

R spunsul efectiv, ~p kf , al sistemului de diagnoz la aplicarea vectorului de
intrare v kf , se compar cu m rimea int

pk

i n func ie de eroarea

rezultat se ajusteaz vectorul parametrilor, p SID , al sistemului instruibil

de diagnoz (SID).

Cap.6. Strategii evolutive de rennoire

139

6.3. Metode de evaluare a st rii echipamentelor n strategia

evolutiv de rennoire, prin sisteme de diagnoz
6.3.1. Etapele evalu rii st rii echipamentelor
n scopul realiz rii unei predic ii ct mai exacte a momentului proximei
rennoiri este necesar ca parametrii modelului Markov s fie ajusta i
periodic ( 6.1.2), astfel nct s fie cunoscut evolu ia real a st rilor de
uzur a echipamentului. Pentru realizarea acestui lucru, este necesar s se
defineasc st rile de uzur a echipamentului n corelare cu st rile admise
de modelul Markov. St rile ce vor caracteriza echipamentul trebuie s fie
n acela i num r cu cele admise de modelul Markov i s aib aceea i
succesiune. Evaluarea st rii reale a echipamentului considerat se poate face
ntr-unul dintre modurile urm toare:
a) Analiznd m rimile m surate din proces, m rimi caracterizate de
evolu ii lente n timp.
b) Utiliznd tehnicile clasice de diagnoz , bazate pe metode de
prelucrare a spectrelor semnalelor m surate din proces.
c) Utiliznd metode de diagnoz pe baz de model. n acest caz, se
consider c parametrii identifica i n timp real au varia ii lente,
conforme cu evolu ia st rii din modelul Markov de fiabilitate a
echipamentului.
d) Prin tehnici specifice unui echipament / subansamblu dat, cum
este de exemplu, metoda impulsurilor de oc, n cazul lag relor de
rostogolire.
Indiferent de metodologia aleas pentru evaluarea st rii reale a
echipamentului, este necesar s se precizeze care este modalitatea de
definire a st rilor echipamentului precum i cum se estimeaz
probabilit ile ~pi ( t ) ale acestor st ri pe baza datelor m surate de setul de
traductoare adoptat.
n cele ce urmeaz se va prezenta prima modalitate de evaluare a st rii
echipamentului: analiza evolu iilor lente ale unor m rimi m surate din
proces. n principiu, procedura care va fi prezentat n continuare poate fi
aplicat nu numai m rimilor fizice lent variabile m surate direct din
proces, dar i m rimilor rezultate prin aplicarea altor modalit i de

Cap.6. Strategii evolutive de rennoire

140

diagnoz (m rimi de tip criteriu, n raport cu care se face diagnoza,

abaterile parametrilor identifica i, fa de cei norma i la metode bazate
pe model, m rimi rezultate prin analiza reziduurilor etc).
Etapele care trebuie parcurse pentru evaluarea st rii echipamentului sunt
urm toarele:
Etapa 1. Se stabilesc m rimile din proces care se vor utiliza n acest scop.
Aceste m rimi se aleg astfel nct s reflecte ct mai bine evolu ia uzurii
echipamentului respectiv.
Exemplu: Pentru un lag r se pot m sura: temperatura acestuia,
amplitudinea vibra iilor i/sau nivelul zgomotului produs. n
conformitate cu specifica iile tehnice ale echipamentului, pentru
fiecare m rime selectat se stabilesc limitele care definesc starea de
bun func ionare i fiecare stare de uzur .
Etapa 2. Definirea st rilor ce caracterizeaz echipamentul. n esen ,
trebuie s se precizeze combina iile m rimilor m surate care definesc o
anumit stare. Aceast opera ie se poate realiza numai cu o cunoa tere
foarte exact a echipamentului, a cerin elor tehnice i tehnologice impuse
i a performan elor pe care trebuie s le realizeze echipamentul. Problema
definirii st rilor este cu att mai complex , cu ct num rul m rimilor
m surate este mai mare i cu ct num rul domeniilor de varia ie
considerate la aceste m rimi, pentru caracterizarea st rii de uzur , este mai
mare. Cazul cel mai simplu, cnd exist o singur m rime m surat , x, se
rezolv imediat, definindu-se st rile cu rela iile urm toare:
(6.1)

dac

xi

min

x xi

max

starea

Si , i=0, 1, 2, ... m

Num rul de subdomenii n care se mparte domeniul m rimii m surate, x,

va fi egal cu num rul st rilor modelului Markov. n cazul n care avem
deja dou m rimi m surate, problema definirii st rilor se complic . n
ipoteza c fiecare dintre cele dou m rimi sunt caracterizate de cte trei
domenii de func ionare:
D1 - func ionare corect ;
D2 - func ionare cu uzur ;
D3 - stare de defectare,
atunci, st rile echipamentului se pot defini astfel:
- starea S0 - de func ionare corect pentru:

Cap.6. Strategii evolutive de rennoire

x1 D11 i x2 D12

141

(6.2)

- starea S1 - de func ionare cu uzur gradul I pentru:

x1 D12 i x2 D12

sau x1 D11 i x2 D 22

(6.3)

- starea S2 - de func ionare cu uzur gradul II pentru:

x1 D12

i x2 D 22

(6.4)

- starea S3 - de defectare, pentru:

x1 D13 i x2 Di2 , i=1,2,3 sau x1 D1i , i=1,2,3 i x2 D32

(6.5)

n cazul prezentat este necesar ca i modelul Markov s admit acela i

num r de st ri i n aceea i ordine. Dac modelul Markov ar admite o
singur stare de uzur , atunci st rile S1 i S2 de mai sus ar fuziona, modelul
Markov rezultnd mai simplu.
Etapa 3. Evaluarea probabilit ilor aferente st rilor echipamentului, pe
baza m rimilor m surate, i n conformitate cu definirea st rilor de la
punctul anterior. Pentru realizarea acestei opera ii, n cele ce urmeaz se
propun proceduri bazate fie pe re ele neurale, fie pe tehnici fuzzy.
6.3.2. Tehnici neuronale de evaluare a st rii echipamentelor
Scopul urm rit este ob inerea unor estim ri ale probabilit ilor aferente
fiec rei st ri a modelului Markov. Aceste probabilit i se estimeaz printro re ea neuronal , avnd urm toarele propriet i:
num rul de intr ri este egal cu num rul de m rimi m surate;
num rul de ie iri este egal cu num rul st rilor corespunz toare
modelului Markov;
func iile de activare ale stratului de ie ire trebuie s permit
evaluarea nuan at a gradelor de apartenen la st rile Si. n acest
sens, solu ia fireasc o reprezint stratul de ie ire cu func ii de
activare liniare;
straturile ascunse trebuie s aib func ii de activare sigmoidale,
pentru a permite reducerea erorilor de aproximare a densit ilor de
probabilitate, p( x | Si ). Eroarea de aproximare depinde i de
arhitectura re elei neuronale, adic de num rul de straturi ascunse i
num rul de neuroni din fiecare strat.

142

Cap.6. Strategii evolutive de rennoire

Func ionarea re elei neuronale n regimul de instruire este ilustrat n figura

6.6. Fiecare vector xk din lotul de instruire are drept componente m rimile
m surate din proces, stabilite conform etapei 1 prezentate n 6.3.1.
Vectorul int tk, aferent intr rii xk, are structura:
tk = (0, 0, ... , 0, 1, 0, ... , 0)T

0
i
n-1

(6.6)

dac xk corespunde st rii Si. Coresponden a vectorilor xk, din secven a de

instruire, la st rile Si, se face conform procedurii aferente etapei 2,
prezentate n 6.3.1.

Fig. 6.6. Instruirea re elei neuronale

O problem important o reprezint generarea secven ei de instruire.

Pentru estimarea func iilor p( x | Si ), cu niveluri apropiate de eroare, este
necesar ca num rul vectorilor din secven a de instruire, aferen i fiec rei
st ri Si, s nu difere foarte mult. n consecin , o solu ie simpl de formare
a secven ei de instruire const n realizarea urm toarelor opera ii:
generarea aleatoare, cu distribu ie uniform , a unor valori numerice
cuprinse n domeniile D mj ale m rimilor xj, j=1, ..., n, domenii ce
definesc starea curent Si;
formarea num rului propus de vectori din starea Si;
repetarea opera iilor pentru toate st rile din modelul Markov;
organizarea secven ei de instruire { xk, tk; k=1, ..., n}, ntr-o
succesiune aleatoare a vectorilor genera i.
Dup cum este cunoscut, calitatea procesului de instruire - evaluat prin
dinamica erorii - se ob ine, de regul , prin ncercarea mai multor variante
de structur a re elelor neuronale. n regim de func ionare (diagnoz ),
pentru estimarea probabilit ilor ~pi , i = 0,n 1, este necesar s se realizeze

Cap.6. Strategii evolutive de rennoire

143

normarea ie irilor re elei neuronale, astfel nct suma valorilor normate ale
ie irilor s fie egal cu unitatea. Schema de principiu a estimatorului
neuronal pentru probabilit ile pik p (Si | xk ), este dat n figura 6.7.

Fig. 6.7. Schema de principiu a estimatorului neuronal

Pentru exemplificarea metodologiei de estimare neuronal

a
probabilit ilor st rilor din modelul Markov, a fost considerat cazul unui
echipament ce poate admite dou st ri de func ionare:
S0 = starea de bun func ionare, caracterizat prin apartenen a tuturor
m rimilor caracteristice la domeniile de func ionare f r uzur ;
S1 = starea de func ionare cu uzur , cnd cel pu in una dintre
m rimile caracteristice apar ine domeniului de uzur .
Observa ie: St rile de func ionare cu uzur sunt acceptate att timp ct ele
nu conduc la o alterare a performan elor echipamentului, nct m rimile de
ie ire s ias din intervalele de toleran . Starea de defectare a
echipamentului, notat cu S2, corespunde dep irii limitelor de c tre cel
pu in una din m rimile caracteristice. Pentru exemplificare, a fost
considerat un echipament caracterizat de dou m rimi caracteristice x1 i
x2. M rimile m surate, x1 i x2, sunt considerate cu varia ii lente n timp
(temperaturi, amplitudini, deplas ri etc). S-a considerat c m rimile
m surate se ncadreaz n limitele:
0 x1 60

i 20 x2 80

(6.7)

Pentru fiecare m rime au fost definite intervalele de func ionare f r uzur

i de defectare. Astfel, pentru x1, intervalul 0 - 60 a fost mp r it astfel:
Domeniul de varia ie
0 20

Codificare domeniu
D11

Observa ii
Func ionare f r uzur

20 40

D12

Func ionare cu uzur

40 60

D13

Defectare

Cap.6. Strategii evolutive de rennoire

144

iar pentru m rimea x2 a rezultat:

Domeniul de varia ie
20 40

Codificare domeniu
D12
D 22
D32

40 60
60 80

Observa ii
Func ionare f r uzur
Func ionare cu uzur
Defectare

St rile ce caracterizeaz echipamentul considerat pot fi definite astfel:

S0 : x1 D11 i x2 D12
S1 : ( x1 D11 i x2 D 22 ) sau ( x1 D12 i x2 D12 )
sau ( x1 D12
S2 : ( x1 D13

i x2 D 22 )

i x2 ) sau ( x2 D32

(6.8)
i x1 )

Re eaua neuronal utilizat are dou straturi ascunse, un strat de intrare

format din doi neuroni i un strat de ie ire format din trei neuroni.
Instruirea s-a realizat n 5000 de pa i, ob inndu-se o eroare de instruire cu
o evolu ie dat n figura 6.8.

Fig. 6.8. Eroarea de instruire a clasificatorului neuronal

R spunsul clasificatorului pentru diferite combina ii ale m rimilor x1 i x2,

este prezentat n figurile 6.9-a 6.9-f. Valorile corespunz toare ale
m rimilor de intrare x1 i x2, corespunz toare situa iilor a, b, , f din
figura 6.9, sunt cele din tabelul 6.1. Se constat c sistemul de diagnoz
r spunde printr-un r spuns nuan at, oferind evalu ri ale probabilit ilor
st rilor ~p0 , ~p1 , ~p2 .

Cap.6. Strategii evolutive de rennoire

145

Fig. 6.9. R spunsul clasificatorului neuronal

Tabelul 6.1
Fig.6.9
Intrare
x1
x2

a
5
25

b
15
35

c
15
45

d
20
50

e
30
55

f
45
70

6.3.3. Tehnici fuzzy de evaluare a st rii echipamentelor

Diagnosticarea st rii echipamentului, caracterizat de vectorul x al
tr s turilor, se poate face printr-o procedur similar celei din paragraful
anterior, cu deosebirea c extrapolarea informa iilor nu se realizeaz prin
procese de instruire, ci are la baz tehnici fuzzy. Conform metodologiei
prezentate n 6.3.1, mul imile care se introduc n cadrul primei etape nu
se definesc n sens crisp, ci ca mul imi fuzzy. n consecin , pentru fiecare
m rime m surat , xi, i=1, m , trebuie stabilite urm toarele elemente:
num rul de valori lingvistice, VLj, j=1, N i , prin care se evalueaz
m rimea respectiv ;
suportul mul imilor fuzzy, aferente valorilor lingvistice considerate:

Cap.6. Strategii evolutive de rennoire

146

S i j = { x i | x i j min x i x i j max } , j=1, N i , i=1, m

forma i parametrii func iilor de apartenen j ( xi ), j=1, Ni .
n cadrul etapei a doua din metodologie, pe lng definirea st rilor din MM
al echipamentului, trebuie realizat evaluarea lingvistic a probabilit ii ca
echipamentul s se afle n starea Sk , k = 0,n 1 . Se adopt acela i num r de
valori lingvistice, pentru evaluarea tuturor probabilit ilor P(Sk|x),
universul de discurs fiind mul imea numerelor din intervalul [0,1]. Se
adopt :
valorile lingvistice, VL l , l=1,r ;
suportul mul imilor fuzzy , aferente valorilor lingvistice considerate:
k ; Ml = { p k | p k l min p k l p k l max } , l=1, r , k = 0,n 1 ;
forma i parametrii func iilor de apartenen l ( pk ) , l=1,r , unde r
este num rul valorilor lingvistice prin care se face evaluarea
probabilit ilor pk P ( S k | x ).
Problema cea mai dificil o constituie deducerea valorilor lingvistice ale
probabilit ilor st rilor, n func ie de mul imile fuzzy considerate la
evaluarea lingvistic a m rimilor m surate xi. Aceast problem se rezolv
prin elaborarea - pe baza cuno tin elor apriorice - a n seturi de reguli, prin
care se face evaluarea tuturor celor n probabilit i din MM. Astfel, pentru
variabila de stare pk , setul de reguli are forma:
.
regula s: IF x 1 =VL AND x 2 =VL AND ... AND x m =VL THEN
pk =VL
.

Evaluarea fiec rui set de reguli se poate face prin metodele de inferen
uzuale( MAX-MIN; MAX-PROD; SUM-PROD ) i are ca rezultat
deducerea func iilor de apartenen aferente concluziei globale din cadrul
setului respectiv de reguli.
Defuzzificarea permite deducerea valorilor crisp, ~pk , k = 0, n 1 ,
reprezentnd r spunsul evaluatorului fuzzy privind estimarea
probabilit ilor pk.
Pentru a ob ine ie iri care s poat fi tratate ca estim ri ale probabilit ilor
P(Sk|x), privind apartenen a vectorului x la st rile Sk, se realizeaz

Cap.6. Strategii evolutive de rennoire

147

normarea ie irilor evaluatorului fuzzy, ca i n cazul evaluatorului

neuronal. Schema de principiu, care ilustreaz metoda propus pentru
estimarea st rii echipamentului, este prezentat n figura 6.10.

Fig. 6.10. Schema de principiu a clasificatorului fuzzy

Exemplu: Se consider situa ia prezentat n paragraful anterior: un
echipament caracterizat de dou m rimi, x1 i x2, cu domeniile de varia ie
(6.7). Se realizeaz normarea variabilelor de intrare n domeniile [-1,+1]
astfel: X1=0.03333x1 1 i X2=0.03333(x2 20) 1.
Fie cazul cnd se adopt N1=N2=5, adic evaluarea m rimilor de intrare se
face prin cinci valori lingvistice. Suporturile variabilelor lingvistice NB,
NS, Z, PS i PB, prin care se evalueaz variabilele normate se aleg, de
exemplu, de forma:
[ -1.0, -a ] ; [ -b, 0.0 ] ; [-c, +c] ; [0.0, +b] ; [ +a, +1.0 ]
[ -1.0, -a ] ; [ -b, 0.0 ] ; [-c, +c] ; [0.0, +b] ; [ +a, +1.0 ]

pentru x1
pentru x2

Func iile de apartenen se pot adopta sub diverse forme: triunghiulare,

trapezoidale, bazate pe func ii S i , singleton etc. De exemplu, n figura
6.11-a i 6.11-b sunt ilustrate func ii de apartenen de form trapezoidal ,
respectiv de form triunghiular , iar n figura 6.11-c prin func ii
singleton. Evaluarea probabilit ilor de apartenen la st rile S0 .. S2 se
poate face prin valorile lingvistice Z, Z+, S, M i B, definite prin func ii de
apartenen de tip singleton.
Pentru determinarea valorilor lingvistice aferente probabilit ilor ca MM
s se afle n starea S0 , se poate utiliza tabelul de adev r 6.2. Pentru st rile

Cap.6. Strategii evolutive de rennoire

148

S1 i S2, tabelele de adev r se ntocmesc innd cont de combina iile

m rimilor m surate x1 i x2.

Fig. 6.11. Func ii de apartenen

Tabelul 6.2

x1

x2
NB
NS
Z
PS
PB

NB
B
M
S
Z+
Z

NS
M
M
S
Z+
Z

Z
S
S
S
Z+
Z

PS
Z+
Z+
Z+
Z+
Z

PB
Z
Z
Z
Z
Z

Pentru calculul estim rilor probabilit ilor pk ,k = 0,n 1 , se pot utiliza

facilit ile oferite de mediul fuzzy din cadrul MATLAB-ului:
procesarea simultan , prin tehnici fuzzy, a dou m rimi de intrare;
utilizarea unui num r maxim de 7 valori lingvistice, pentru fiecare
m rime de intrare, ct i pentru evaluarea probabilit ilor st rilor;
selectarea urm toarelor forme pentru func iile de apartenen :
triunghiular , trapezoidal , bazate pe func ii S i ;
selectarea urm toarelor metode de inferen : MAXMIN, MAX
PROD, SUMPROD;

Cap.6. Strategii evolutive de rennoire

149

afi area reliefului variabilei de ie ire, ~pk , precum i a liniilor de

nivel aferente;
ncadrarea blocurilor de estimare fuzzy n mediul MATLAB,
permi nd generarea unor scheme SIMULINK.
n cazul exemplului considerat, schema de principiu pentru deducerea
estim rilor ~p1 , ~p2 i ~p3 este dat n figura 6.12.

Fig. 6.12. Schema clasificatorului fuzzy

Nota iile din figur au urm toarele semnifica ii:

GF generator de func ii, care va furniza evolu ia m rimii m surate;
BF1, BF2, BF3 blocuri fuzzy care furnizeaz valorile variabilelor pk .
Implementarea schemei din figura 6.12 a condus la schema SIMULINK
din figura 6.13. Pentru m rimile de intrare s-au considerat varia ii de tip
ramp , peste care s-a suprapus un zgomot. Blocurile fuzzy au fost definite
pe baza datelor cuprinse n tabelele de forma 6.2, fiecare bloc con innd
cte 25 de reguli de tipul IF..THEN...

Fig. 6.13. Schema SIMULINK a clasificatorului fuzzy

150

Cap.6. Strategii evolutive de rennoire

Pentru mbun t irea r spunsului dat de clasificatorul fuzzy, se poate

proceda la m rirea num rului de valori lingvistice prin care sunt
caracterizate m rimile de intrare. n acest caz va cre te num rul de reguli
de tipul IF..THEN aferente fiec rui bloc fuzzy, ns probabilit ile de
apartenen , ~pk , k = 1,3 , la st rile de uzur ale echipamentului, vor putea fi
determinate cu o precizie mai bun .
6.4. Reinstruirea sistemului de diagnoz
Fiecare interven ie de tipul: rennoire sau restabilire prilejuie te
confruntarea st rii reale a echipamentului/subansamblului, cu starea
prezis de c tre subsistemul de diagnoz . n practic pot apare diferen e
semnificative, generatoare de rennoiri premature sau de avarii. Cauzele
care determin apari ia acestor diferen e sunt:
1 modelul utilizat de operatorul uman, n baza c ruia acesta
interpreteaz datele m surate i stabile te propriet ile sistemului de
diagnoz (loturile de instruire - la utilizarea re elelor neuronale,
respectiv procedura de fuzzificare i baza de reguli la utilizarea
tehnicilor fuzzy), nu corespunde n ntregime realit ii;
2 modelul ini ial utilizat de operatorul uman a fost corect, ns n
succesiunea rennoirilor se produce o deriv a parametrilor modelului
de diagnoz . Aceast deriv poate fi cauzat de un proces de uzur
(ob inut pe un orizont de timp mai larg) a echipamentului ce con ine
subansamblul analizat.
Principalii parametri care intervin n modelul decizional de diagnoz ,
inclusiv n situa ia cnd diagnoza este realizat de c tre un operator uman,
au semnifica ia de praguri impuse unor m rimi fizice sau unor parametri.
Exemple:
pragurile m rimilor fizice cu varia ii lente n timp, pe baza c rora
se definesc st rile de fiabilitate (n 6.3.2, aceste praguri
delimitau domeniile notate prin D ij , i = 1,3 , j = 1,2 );
pragurile impuse nivelurilor impulsurilor, n cadrul metodei
impulsurilor de oc;
pragurile impuse m rimilor de similaritate a spectrelor, la
diagnoza pe baza analizei spectrale a semnalelor;

Cap.6. Strategii evolutive de rennoire

151

praguri ale varia iilor parametrilor sistemului identificat sau ai

modelului reziduului etc.
Fie pi, i = 1,m , pragurile care intervin n cadrul modelului decizional
adoptat pentru diagnoz . Prin intermediul acestui model decizional, poate
fi conceput subsistemul de diagnoz , n varianta neuronal sau n varianta
fuzzy. Astfel, n studiile de caz analizate, parametrii pi determin
distribu ia datelor din lotul de instruire a re elei neuronale la diagnoza
neuronal , iar n cazul utiliz rii logicii fuzzy, ei afecteaz procedura de
fuzzificare (definirea suportului mul imilor fuzzy aferente valorilor
lingvistice considerate).
La constatarea unei neconcordan e a r spunsului subsistemului de
de realitatea constatat
n timpul opera iei de
diagnoz , fa
rennoire/restabilire, trebuie ajustate pragurile pi, ale modelului de
diagnoz , pentru ca r spunsul acestuia s concorde cu realitatea fizic . Se
vor examina, n cele ce urmeaz , trei situa ii care pot apare la sfr itul unui
ciclu de rennoire:
I. Cazul cnd evaluarea st rii fizice la rennoirea echipamentului
corespunde cu r spunsul subsistemului de diagnoz . n acest caz
parametrii pi, i = 1,m nu se modific i se continu ciclul urm tor de
rennoire, cu aceia i parametri ai subsistemului de diagnoz .
II. Cazul cnd diagnoza a furnizat o evaluare prea pesimist i la
ciclul respectiv s-a realizat o rennoire prematur . Parametrii pi trebuie
ajusta i, astfel nct r spunsul subsistemului de diagnoz s corespund
st rii reale a echipamentului. De exemplu, n cadrul studiilor de caz
analizate, pragurile care delimiteaz domeniile Dij , i = 1,3 , j = 1,2 , trebuie
ridicate.
III.
Cazul cnd s-a produs o restabilire, deci diagnoza a fost prea
optimist . Parametrii pi trebuie ajusta i n sens invers fa de cazul
anterior.
n cazurile II i III, modificarea parametrilor pi trebuie f cut n cadrul unui
ciclu iterativ, fiecare itera ie realiznd urm toarele opera ii:
corec ia parametrilor pi;

152

Cap.6. Strategii evolutive de rennoire

reacordarea subsistemului de diagnoz . Aceast opera ie este

foarte simpl n cazul utiliz rii variantei ce utilizeaz logica fuzzy,
ntruct pragurile pi intr ca parametri n procedura de fuzzificare.
n cazul variantei neuronale, pe baza noilor valori ale pragurilor,
se corecteaz vectorii t din lotul de instruire. Apoi se realizeaz o
ajustare a re elei neuronale, prin intermediul unui regim de
instruire care porne te de la parametrii curen i ai re elei.
testarea concordan ei r spunsului subsistemului de diagnoz , cu
starea fizic a echipamentului, constatat la opera ia de
rennoire/restabilire. Dac se constat aceast concordan , ciclul
iterativ este ntrerupt, sistemul fiind preg tit pentru urm torul pas
din succesiunea rennoirilor.
La pasul r al ciclului iterativ men ionat, corec ia parametrilor pi se poate
face conform rela iei:
pir = L { pir }
(6.9)
unde L+ { } i L { } sunt operatori liniari de stimulare (reinforcement),
utiliza i n domeniul sistemelor instruibile. Ace ti operatori se pot defini
astfel:
L+ { pir } = pir 1 + ( 1 ) pir 1
L { pir } = pir 1

(6.10)
(6.11)

unde parametrul se alege n domeniul (0,1). Operatorul L+ { } determin

cre terea valorii pragului pi iar operatorul L { } realizeaz reducerea
acestui prag. Parametrul determin dinamica procesului de instruire: cu
ct este mai mare, cu att viteza de ajustare a pragurilor este mai redus .