Neuronowe mapy cech w systemie diagnostycznym elektrowni

Dążenie do zapewnienia jak najdłuższej i bezawaryjnej eksploatacji obiektów technicznych powoduje zapotrzebowanie na dokładną informację stanie obiektu. Instaluje się więc coraz więcej czujników i systemów pomiarowych tworząc systemy diagnostyki. Ilość gromadzonych informacji jest jednak tak duża, że rodzi to problemy z jej przetwarzaniem. W przedstawionej pracy podjęto próbę wykorzystania sztucznych sieci neuronowych typu Kohonena do analizy dużej liczby sygnałów zbieranych w trakcie pracy typowego turbozespołu elektrowni i jego instalacji pomocniczych. Uzyskane sieci neuronowe realizują zadanie wykrywania zmiany stanu maszyny. Zaprezentowano wyniki działania opracowanego oprogramowania do przetwarzania odpowiedzi zaimplementowanych sieci. Jego działanie ukierunkowano na wizualizację graficzną położenia aktywnego neuronu na tle regionów ilustrujących stan maszyny. W pracy pokazano także możliwości korzystania z sieci neuronowych do wykrywania sygnałów, których zmiany umożliwiają określenie stanu maszyny.

Aspiration for assertion of the longest and nondefect technical machinery exploitation causes demand for high accuracy information of machinery condition. A growing number of sensors and measurement systems one install in the machinery creating diagnostic systems. A quantity of acquired information is so big that one have problems with its analysing. This case study presents an application of a Kohonen's type artificial neural network utilisation for parallel analysing of a big number of signals measured during typical power plant machinery exploitation. Implemented artificial neural networks accomplish detection of the machinery condition change. Results of neural networks answers postprocessing programs are presented. A visualisation of network activity on the map of machinery state regions is done. Detection of signals which changes make possible machinery state assessing using neural networks is implemented.