Neurale Netwerken als Storingsdiagnose Methodiek

Oude Waalsdorpenuteg 63i Postbus 96864

2509 JO 4s-Gravenhage

AIle rechten voorbehouden. Niets uit doze uitgave mag warden verrnenigvuldugd en/of openbaar gemaakt door middel van druk. fotokopie. microfilm' of op walks andere wijze dart oak. render ,voorafgaande taestemming van TNO. Inchon dit rapport in opdracht werd

uitgebracht. wordt voor de rechten en verpItchtingen van opdrachtgever en topdrachtnemer venvezen naar de

Algemene Voorwaarden vow onderzoeks-opOrachten son TNO. dan wet de .betreffende terzake tussen partijen

gesloten overeenkomst.

Het ter inzage geven van het TNO-rapport aan direct belanghebbenden is toegestaan. tb 4996 TNO

Datum

ONG ER LIBRICEER

TNO-rapport

Neurale netwerken als storingsdiagnos.e

FEL-96-5069

_.methodiek

TNO Fysisch en EleIctronisch Laboratorium 13-07-111996 ONGERUBRICEERD' Telefoon 070 374 00 00 Auteur(s) Fax 070 328 09 61 R.F. van Kuitenburg Rubncering Vastgesteld door Vastgesteldbl.d. net _{ONGERUBRICEERD} samenvanng, _{ONGERUBRICEERD} Rappomekst _{ONGERUBRICEERD}

TNO Fysisch en Eleforonisch Laboralonurn is onderdeell van de hooldgroep TNO Detensieonaernek kvaartoe order beharen:

TNOrPrins Maurits Laboratorium

Neoerrandse Organisatie voor toegeont: TNO Tecnnische Menskunde

Inatuurwetenscnappelijk onderzoek TNO

Exemplaamr.

4-lOplage

,6

Aantal pagina's 62: "(excl. disnibutielijst)

Aantal bijlagen Ct

De inhoud van dit rapport kwam tot stand in het kader van een stage. Het TNO Fysisch en Elektronisch Laboratonum stelt zich niet verantwoordelijk voor de inhoud, eventuate.

conclusies en aanbevelingen van deze rapportage. :

TNO-rapport

ONGERUBRICEERD

FEL-96-S069

Samenvatting

Dit werk is gedaan in het kader van een afstudeeropdracht. De afstudeerstage werd uitgevoerd op TNO-FEL, als een onderdeel van het MIT (Modern Information processing Technologic.) project. In dit project worth gekeken naar nieuwe metho-den om inforrnatie te verwerken.

Tegenwoordig worden veel systemen standaard uitg.enist met een aanzienlijk aantal sensoren, om te kunnen regelen en rnonitoren. Het verwerken van de grote hoeveelheden data die zo beschikbaar komen blijkt nogal wat problemen op te leveren. Deck; zijn deze problemen terug cc voeren op het feit dat de systeem-bouwers (van motoren, waterkoelers) niet op de hoogte zijn van de problematiek van dataverwerking. Andersom zijn de experts op het gebied van dataverwerking vaak niet op de hoogte van de specifieke systeemproblematiek.

In dit rapport wordt de praktische toepassing van neurale netwerken in een sto-ringsdiag,nosesysteem onclerzocht. Hiervoor is een prototype diagnosesysteem ontwikkeld dat gebruik maakt van neurale netwerken. Gebleken is dat feedforward

netwerken, getraind met een geoptimaliseerde backpropagation rule, geschikt zijn om in dit storingsdiagnosesysteem te worden toegepast. De fout die gemaakt wordt bij het classificeren van de data ligt gemiddeld rond de 4% zonder postprocessing. Bij het onderscheiden van de verschillencle storingen wordt gem iddeld een fout (gemaakt van Igo.Deze resultaten zijn echter nog te verbeteren door verfijning van de training en door meerdere metingen bij elkaar te nemen. Alle storingen konden met voldoende zekerheid herkend worden. De netwerken genereren de diagnose direct uit de data, zonder gebruik te maken van een referentie module.

Bij afweging van de prestaties, de voordelen, en de nadelen, blijkt dat neurale netwerken een nuttige rol kunnen vervullen in storingsdiagnose systemen. Duide-lijk is ook dat neurale netwerken niet op zichzelf een diagnose module kunnen vormen. Combinatie met andere methoden (expertsystemen, referentie lijnen) blijft nodig om een voldoende betrouwbaar diagnosesysteem op te zetten.

De neurale netwerken werden ontwikkeld met behulp van Matlab, en het uitein-delijke programma is geImplementeerd in de programmeertaal Delphi. Het overzet-ten van de netwerken van Matlab naar Delphi is succesvol gebleken. Delphi blijkt een nuttige programmeertaal om snel visuele applicaties te ontwikkelen.

Uit literatuuronderzoek blijkt dat neurale netwerken in de praktijk weinig worden toegepast in storingsdiagnose systemen, en dat voor de ontwikkeling, van een succesvol diagnosesysteem een sterke samenwerking tussen fabrikant en gebrui-ker noodzakelijk is.

TNO-rapport ONGERUBRICEERD FEL-96-S069

Inhoud

ONGERUBRICEERD 1. INLEIDING 2. STORINGDIAGNOSE 7 2.1 INLEIDING 7

2.2 OVERZICHT VAN STORINGDIAGNOSE SYSTEMEN 7

2.3 KWANTITATIEVE ASPECTEN VAN DIAGNOSE SYSTENIEN 10

2.4 METEN 12 2.4.1 Sensoren 12 2.4.2 Data transport 13 2.4.3 Inlezen I Opslaan 14 2.4.4 Type Signalen 14 2.4.5 Diagnose methodieken 15 2.5 DATA BEWERKINGEN 19 2.5.1 Kansrekeninu 20

2.5.2 GMA (Generic Moving Average) 20

2.5.3 Gelijk stellen van variantie en gemiddelde waarden 21

2.5.4 Trendanalyse

2.5.5 Principal component analysis

2.6 BESPREKING _2" 3. KOELPROCES 23 3.1 ALGEMEEN KOELPROCES 23 3.2 BESCHRIJVING KOELINSTALLATIE 24 3.2.1 Algemene beschrijvik, 24 3.2.2 Installatie gegevens 25

3.2.3 Systeemschema met aangebrachte sensoren en storingsimulatieappcndages 25

4. TRAINING VAN CLASSIFICATIE NETWERKEN 26

4.1 INLEIDING

4.2 NETWERK TOPOLOGIE ₂₆

4.3 NETWERK INPUT! OUTPUT RELATIES /7

4.4 SAMENSTELLING VAN DE TRAININGSET 30

4.5 TESTEN VAN NETWERKEN. THEORIE 33

4.6 TESTEN VAN NETWERKEN; RESULTATEN 37

4.6.1 Algemeen 37

4.6.2 Beste netwerken ₃₈

BESPREKING RESULTATEN -KI

11E

... ...

26

...

TNO-raGPort

ONGERUBRICEERD

FEL-96-3069

5. TRAINING VAN REFERENTIENETWERKEN 43

5.1 INLEIDING

5.2 NETWERK TOPOLOGIE

5.3 TESTRESULTATEN 45

5.4 TRAINING RESULTATEN 46

5.5 BESPREKING 48

6. PROGRAMMA REST (REAL TIME STORINGDIAGNOSE SYSTEEM) A"()

6.1 INLEIDING ₅₀ 6.2 REST 50 6.3 SINIULATIE ₅₁ 6.4 CENTRAL 6.5 PRESENTATIE ₅₂ 6.6 SENSORCHECK 53 6.7 CLASSIFICATIE 55 6.8 BESPREKING RESULTATEN 56 6.9 UITBREIDINGEN / MODIFICATIES 56 7. CONCLUSIES ;7 8. AANBEVELINGEN 59 9. BIBLIOGRAFIE 60 43

TNO-rapport

ONGERUBRICEERD

FEL-96-S069

Wielding

Dit rapport is een voortzetting van (vanKuilenburg, I 995b1. waarin de theorie van neurale netwerken worth behandeld. Ook wordt een vtoepassing gegeven van neura-le netwerken in storingsdiagnose systemen.

Dit werk is gedaan in her kader van een afstudeeropdracht. De afstudeerslage werd uitgevoerd op TNO-FEL als een onderdeel van het MIT (Modern Information

Processing Technologies) project. In dit project worth gekeken naar nieuwe me-thoden om informatie te bewerken. Her MIT project worth uitgevoerd in samen-werking met de Nederlandse Marine. De metingen werden verricht bij van Buuren van Swaay, waar de testopstelling, zich beyond.

Tegenwoordig worden veel systemen standaard uitgerust met een aanzienlijk aantal sensoren, bedoeld on het systeem effectief tekunnen regelen. Gebruikers van deze systemen eisen steeds meer dat de sensoren niet ableen voor controle-doeleinden worden gebruikt, maar ook voor diagnosecontrole-doeleinden. Voorbeeld hier, van, is de Nederlandse marine, die bij de waterkoelers inmiddels een diagnose module eist. Het verwerken van de grote hoeveelheden data die nu standaard beschikbaar komen blijkt problemen op te leveren. Deels zijn deze problemen terug te voeren op het feit dat systeembouwers (van motoren of waterkoelers) niet op de boogie zijn van de problematiek van dataverwerking. Andersom zijn de experts op dataverwerking vaak niet op de hoogte van de specifieke

systeempro-bEematiek. Dit heeft tot ,gevolg dat het ontwikkelen van storingsdiagnosesystemen traag verloopt.

Op de Technische Universiteit Delft worth onderzoek gedaan naar storingsdiagno-se systemen, middels het ICMOS (Intelligent Control and Monitoring Systems) project. Dit project is momenteel een samenwerkingsverband van de Technische Universteit Delft, Nederlandse Marine en van Buuren van Swaay. In het kadervan het ICMOS project worthzowel aan de systeemkant als aan de dataverwerkings-kant onderzoek gedaan. Dit rapport behandelt voomamelijk de dataverwerking. In dit rapport wordt de praktische toepassing van neurale netwerken in een storings-diag,nosesysteem onderzocht. Neurale netwerken hebben als voordeel dat systeem-kennis in mindere mate aanwezig behoeft te zijn. Voor de toepassingvan neurale netwerken is veel data nodig. Het neurale netwerk wordt ingesteld door middet van een procedure, die gebruik maakt van data van de

verschillendeJtoestan-den/condities die in het te bewaken systeem geklentificeerd kunnen worden.. Dit ook een nadeel, aangezien er data van alle bedrijfstoestanden aanwezig moet zijn, wat in het geval van storingen een probleem kan vormen. Ook is een neuraal netwerk een black box, wat de acceptatie door de gebruikers niet ver&root. Hetdoe vandit rapport is om aan te tonen dat neurale netwerken nuttig zijn in storingsdiagnose systemen. Hiervoor is een prototype diagnose systeem ontwik-keld (in de programmeer taal Delphi) welke geheel gebruik maaktvan neurale netwerken. De opbouw van dit rapport is als volgt : Als eerste wortheen beperkt overzicht gegeven van de methodes en systemen die in de praktijk gebruikt worden (hoofdstuk Hoofdstuk vier behandelt het koelproces. Hoofdstuk vijf

behan-ONGERUBRICEERD 1.

is

INC-rapport

ONGERUBRICEERD

FEL-96-5069 16

deft de 'training en resultaten van classificatienetwerken. Hoofdstuk zes belhandelt de training en testresultaten van de referentie netwerken. De implementatie van de netwerken in een prototype systeem worth in hoofdstuk zeven behandeld. Ms laatste worden clan enige conclusies en aanbevelingen gegeven (hoofdstuk achten

negen).

Vanaf deze plaats wit ik de volgende personen bedariken voor hun hulp en kritiek bij het tot stand komen van dit rapport.

ir H.T. Grimmelius TU Delft

ir P.P. Meiler TNO-FEL

it H.L.M.M. Maas. TNO-FEL

de heer G. Been van Buuren. van Swaay

TNO-rapport

ONGERUBRICEERD

FEL-96-S069

2.

Storingdiagnose

In het rapport [vanKuilenburg, I 995b] worden storingdiagnose systemen vanuit een theoretisch oogpunt bekeken. Dit hoofdstuk is een voortzetting van het hoofdstuk "Fault Diagnosis Systems" uit [vanKuilenburg, 1995b].

2.1

Inleiding

In dit hoofdstuk worth dieper op storingdiagnose systemen ingegaan, in het bij-zonder worden de praktische aspecten nader bekeken. Verschillende bestaande systemen warden bekeken. Een overzicht worth gegeven van technieken en me-thodieken die in toekomstige storingdiagnose systemen kunnen warden gebruikt. De indeling van dit hoofdstuk is als volgt.

Ak

eerste wortheen alg,emene be-schrijving van storingdiagnose systemen geg,even (§2.2), dit om een basis te gene-reren voor de andere paragrafen. Hierna warden kort de sensoren beschreven. Paragsaaf 2.4 behandelt verschillende methodieken van storingdiagnose. Paragraaf 2.5 beschrijft verschillende data analyse methoden die gebruikt warden in sto-ringdiagnose systemen. Als laatste worth een korte samenvatting, van het geheel

g,egeven.

2.2

Overzicht van storingdiagnose systernen

Zoals gegeven in (vanKuilenburg, I 995b] Lanstoringdiagnose opgevat warden als een mapping van de procesruimte (en alle daarvan afgeleide parameters) naar de storingruimte. In wiskundige notatie kan dit als volat worden aangegeven

S = f (P)

(2.1)

= storing ruimte (S=9:5) = meting ruimte (P=93')

mapping functie

= aantal te herkennen storingen aantal parameters

TNO-raPPan

ONGERUBRICEERD

FEL-96-S069 a

Waarbij de meting ru'imte (P) op de volgende manier gevuld worth

=

f(t.e,p).

(22)

tijd = omgevi'ngs parameters belasting parameters = systeem functie =meting nummer

De metingen zijn dus een functie van de belasting en de omgevingsparameters. Hierbij worth de functie bepaald door het systeem (dieselmotor, koelsysteem, etc.). De tijd is .toegevoegd om de invloed van slijtage en vervui.ling mee Ic kunnen nemen.

Uit publicaties [Lausch, I 9931en [Perger, 1995] blijkt namelijk dat de prestatie van een systeem met de loop van de tijd afneemt, terwiji dat niet als een storing gezien kan worden. De systeemfunctie kan meestal als niet-lineair aangenomen worden.

De storingruimte bestaat uit alle storingen die herkend kunnen worden. De hoe-veelheid storingen die herkend kunnen worden hangt af van de mapping! Sto-ringdiagnose Ran dus opgevat worden al's patroonherkenning. Omdat vaak slechts kleine verandetingen waargenomen moeten wordenc.onder wisselende

be-drijisomstandigheden is het voor een menselijke waamemer mothlijk om (in een vroeg stadium) storingen te herkennen. Vaak wordt storingdiagnose uitgevoerd. met behulp van de zogenaamde referentie generatoren.

Een referentie generator Ran een module zijn die de waarden genereert die bete, bewaken systeem zou moeten geven als er geen storingen opgetreden zijn. Deze referentiewaarden worden dan vergeleken met de actuele waarden van het systeem.. Hierdoor worden afwijkingen als gevolg van storingen eerder zichtbaar (versterkt).

Deze vorm vanstoringdiag,nose Ran beschreven worden met de volg,ende mapping:

S = f(P

R) ..3) = storing ruimte (S=V) = meting ruimte

(p=r)

.R = referentie ruimte (R.r), =mapping functie -= =

Hierbij worth (P-R) ook we' in de literatuur aangeduid met residualofinnovatie. Een diagnose systeem moet eenduidige conclusies geven over de conditie van het systeem (anders Ran de operator in verwarring raken). Deze eis geeft een aantal randvoorwaarden waaraan een diagnose systeem moet voldoen. Eenduidigheid creeft ars randvoorwaarde

Os

>o

d(pR)

Een jets zwakkere eis

P-1?<a

S<b

lb

iONGERUBRICEERD

a

_{P -R}

figutir P. verschillende scenarios voor een diagnose lint,

In figuur verschillende scenarios voor een diagnose lijn i.iordenid'eze randvoor-, waarden gal lustreerd.

Hierbij is b de grenswaarde waaronder geen alarm worth gegeven. Het is duideldjli dat bij toenemende deviaties P-R de waarde S niet onder deze grenswaarde mag zakken (situatie 3). Hierbij is aangenomen dat bij toenemende storing de deviatie-ook toeneemt. Ook moet als de ernst van de storing getoond worth deze eenduidig zijn. Dit wil zeggen dat het niet mag voorkomen dat als de storing in ernst toe-, neemt de diagnose aangeeft dat de storing afneemt. In deze situatie kunnen opera-aoreni op verkeerde conclusies gebrachr worden (situatie 2).

Uit vergelijking (2.1) zijn een aantal conclusies te trekken. Bij direct gebruik yam de gemeten waarden kunnen er twee foutbronnen herkend worden : de metingen kunnen incorrect zijn of de mapping kan incorrect gedefinieerd zijn. Een incorrec-te mapping Ran in het incorrec-teststadium herkend en gecorrigeerd worden (hiermee het belang van een goede testprocedure onderstrepend). Metingen worden echter continu gedaan. betekent dat de kwaliteit van sensoren en datavenverking 1NO-rapoon OSIGERUBRICEERD WEL-k-S069 A I2 4) (2.5,) is

PR>a

S>h

1, Dit

TNO-rapport

ONGERUBRICEERD

systeem

figuur 2, eenvoudig model van sensor en diagnose modules

Als variabelen zijn gekozen Faalkans diagnose module Faalkans sensoren

Aantal sensoren Meet interval Het aantal metingsn per dag wordt gegeven door :

24 -3600

N _(2.6)

At

At = meet interval

Als de betrouwbaarheid van de sensoren op 1 gesteld worth,wordt het aantal correcte classificaties per dag gegeven door :

Fc = (I

Ed).

(2.7)

Fc aantal goede classificaties

sensoren diagnose module

FEL-96-S069 10

maatgevend is voor de kwaliteit van een storingdiagnosesysteem wanneer dit in bedrijf is (zie ook [Fase, 1992]). Uiteraard moeten de uitkomsten van storirozdiag-nose systeem nog verwerkt worden door een menselijke operator, waarbij ook de nodiue fouten kunnen ontstaan. Dit valt echter buiten de scope van dit rapport. Bij het gebruik van de referentieg,enerator (verg,elijking 2.3) worth er een additio-nele foutenbron toegevoegd n.b. de referentiegenerator zelf. Ook hierhij geld dat deze in het teststadium gecorrigeerd kan worden op eventuele fouten. De testpro-cedures en eventuele dynamische effecten (snelle veranderin,gen van werkpunt) vallen buiten de scope van dit rapport en worden dus niet behandeld. Dit betekent echter niet dat deze te verwaarlozen zijn.

2.3

Kwantitatieve aspecten van diagnose systemen

Het is belangrijk om te weten aan welke eisen een diagnose module moet voldoen om in de praktijk succesvol te zijn. Om een idee te krijgen van deze eisen is een klein model doorgerekend.

Bet model bestaat uit twee delen : sensoren

diagnose module

=

'TNO-rapooti

ONGERUBRICEERD

CEL-96-5069

Hierbij worth verondersteld dat voor iedere meting een diagnose worth gegeven. Tevens worth er verondersteld dat op iedere route diagnose een actie ondemomen moet worden.

Ms nu de betrouwbaarheid van de sensoren Met 11 is, goat het aantal sensoren en de betrouwbaarheid van de sensoren een ro spelen, Dit worth ,weergegeven door de volgende vergefijking

F ctr ((l.

-F s)(1 Fil)) N

(2.0

Pc =_{aantal goede classificaties,}

N = aantal metingen per dag

Ed _{= faalkans van de diagnose module}

Fs =taaikans van de sensorerr = aantai sensoren

Hierbij is de vereenvoudiging gemaakt dat alle sensoren dezelfde faalkans hebberv.. Ook worth aangenomen dat als een sensor uitvalt er een foute classificatie op-treedt. Dit is eig,enlijk te pessimistisch, aangezien dit niet altijd hoeft te gebeuren. Worden nu de verschiliende mogetijkheden in een figuur,geptot dan outstaat ifiguur 3

$0

ONGERUBRICEERD

10-5 105 _l'04 103 102

kans op fout van diapiose module

fignur 3. award fontendat optreedt per dog als fialctie yam meetinten.ak aantal sensoren en faalkans diagnose system

0 1 I 101' Ct Ct Ct o' 102 100 10 1 I 14 t. I 4 ..:f(ark.?; 9/ -- - 11::` 11 : 0.5 I 5 30 .1"nt I 108 I At

TNO-rapport

ONGERUBRICEERD

FEL-96-S069 12

Hierbij stellen de groene lijnen de fouten per dag voor als er ideale sensoren verondersteld worden (vergelijking, 2.7). De rode lijnen geven de -fouten per dag weer als niet-ideale sensoren verondersteld worden (vergelijking 2.8). Hierbij is het meetinterval (at) op 10 seconden genomen en de faalkans (Fs) van iedere

sensor op 104 g,esteld. Het aantal sensoren werd gevarieerd tussen de ii en de 50. Er kan een aantal conclusies getrokken worden Lilt figuur 3.

Ten eerste dat de absolute eis dat een betrouwbaarheid van 99.9% gehaald behoort te worden een verbetering behoeft. Het (mat om de combinatie van meetinterval en betrouwbaarheid van diagnose / sensoren. Ten tweede dat het middelen van metin-gen een goed middel is om de resultaten te verbeteren. Fi$.7,uur 3 is vooral bedoeld om kwantitatief een beeld te krijgen van de invloed die de verschillende faalkansen hebben op de totale prestatie van het diagnose systeem.

2.4

Meten

Zoals opgemerkt in paragraaf 2.2 zijn de sensoren (en de bijbehorende dataver-werking) een continue foutenbron voor de diagnose module. ledere foute meting, kan in beginsel een foute diagnose tot gevolg hebben. Hierdoor kan het vertrouwen in de diagnose module afnemen, hetgeen ongewenst is.

We kunnen het meten in drie onderdelen verdelen Sensoren

Datatransport Inlezen en Opslaan 2.4.1 Sensoren

De plaatsing en het type van sensoren is van F.,root belang voor het uiteindelijke resultaat. ledere sensor moet een effectieve informatiestroom genereren. In de praktijk kan dit problernen opleveren omdat niet iedere gewenste plaats geschikt is voor sensoren. Als voorbeeld kan de continue meting, van de cylinderdruk bij een dieselmotor genomen worden. Dit is een uit diag,nostisch g.ezichtspunt zeer interes-sante meting. Helaas zijn er nog geen sensoren op de markt die een zodanige levensduur hebben dat deze cylinderdruk betrouwbaar g,emeten kan worden over een langere periode [Perger, 1995]. In de praktijk worth dit opgelost door het nemen van periodieke metingen, met een los meetapparaat. De zin hiervan is dubieus gezien het feit dat juist deze meting." zeer nauwkeurig moet worden verricht [Bonnier, 1994].

Wanneer sensoren gebruikt worden kunnen er (afgezien van plaatsing., en

'Elevens-duur) een aantal problemen optreden. Enkele hiervan zijn: drift, offset, en niet-lineair gedrag,. Bij gebruik van norrnale analoge sensoren zullen hiervoor correc-tieve maatregelen getroffen moeten worden in de verwerkingseenheid. Ook kunnen

TNO-rapport

ONGERUBRICEERD

FEL-96-5069 13

zijn: het gebruik van meerdere sensoren om een parameter te berekenen en her gebruik van relacies tussen sensoren onderling. Zie [Grevink 1996] voor een aantal voorbeelden hiervan. In het CoCos-EDS (Computer Controlled Surveillance Engi-ne Diagnosis System) systeem [Perger. 1995] worden hiervoor fysische mogelijke relaties en statistische methoden gebruikt.

Bij de metingen aan de koelinstallatie bleek dat het bijhouden en synchroniseren van sensor instellingen en meetapparaatinstellingen een voortdurende bran van fouten was. De oplossing voor dit soon problemen kan de inzet van zogenaamde smart sensors zijn. Dit type sensoren draagt zelf zorg voor de correctie van offset en drift. Ook calibratie kan on-line geschieden. Dit betekent dat de meetwaarden veel stabieler worden. Uit het SEDS (Sulzer Engine Diagnosis System) onderzoek [lone, 1986] bleek dat de sensoren ook na lange tijd nauwelijks enige drift ver-toonden. Een ander voordeel van smart sensors is dat deze gekoppeld kunnen worden in een LAN, in plaats van dat iedere sensor een eiaen verbinding heeft. Dit maakt de data administratie een stuk eenvoudiger, evenals de bekabeling. Het gebruik van digitale signalen om informatie over te sturen, maakt dat dit veel ongevoeliger is voor storingen die door de omgeving geInduceerd woRien.

[Lausch, 1993] rapporteerde dat de verstoring van meetsignalen door de omgeving een zorgvuldige plaatsing, van kabels nodig maakte. Als laatste voordeel van

diaita-le technologie is dat deze veel betrouwbaarder kan %Norden uitgevoerd. Het gebruik van LAN's maakt redundante verbindingen zeer eenvoudig. Ool.: de mofelijkheden van sensors om zelf sensor storingen te herkennen is zeer aantrekkelijk. Het instel-len van sensoren kan nu centraal geschieden via een LAN.

Data transport

Het transport van data kan digitaal of analoog geschieden. Uit het voorgaande (§2.4.1) blijkt dat digitaal datatransport de voorkeur verdient.

Als er gekozen worth voor analoog datatransport kunnen er een aantal problemen optreden. De afscherming van de bekabeling moet zorgvuldig geschieden. Eenmaal aangekomen bij de verwerkingseenheid moet deze data nog naar het dis,ritale

for-maat omgezet worden.

Verder worth er verwezen naar de artikelen [Perger. 1995] en [Lausch, 1993] voor een uitgebreidere beschrijving van data transport en redundantie.

Een interessante optic is om de verwerking niet aan boord te laten plaatsvinden maar op een walstation. De real-time verwerking vervalt dan. Veel fabrikanten leveren standaard een mogelijkheid van satelietverbinding mee, waardoor de data direct verzoncien kan worden. Hierdoor kan de verwerking aan boord vervallen, of sterk vereenvoudigd %Norden. Ook kunnen nu programma's on-line vemieuwd worden zonder dater personeel voor opgeroepen hoeft te worden.

IN 0-rapport

ONGERUBRICEERD

figuur 4, CoCos-EDS systeent

2.4.3 Iniezen / Opslaan

Het systeem genereert een voortclurende stroom data die ververkt moet worden. Uit het oogpunt van g.ebruik vriendelijkheid is het nuttig, als data van een bepaalde periode getoond kan worden. Dit betekent datermogelijkheden moeten zijn om de data op te slaan voor een langere periode.

In het MIT project vormde de opslag van de data een probleem. Het valt buiten de scope van rapport om bier dieper op in te gaan.

2.4.4 Type Signalen

Verschillende grootheden kunnen gemeten worden aan een systeern. In tabel 1 worth een overzicht gegeven van de grootheden die gemeten kunnen worden. tabel 1, beschikbare grootheden en procesparameters die gemeten kunnen worden

Deze lijst is niet volledig. en is bedoeld om een indruk te geven welke wegen er open staan om gegevens te verkrijgen voor de storingdiagnose. Trillingsanalyse is

betrekkelijk nieuw, de resultaten zoals gerapporteerd in [Bonnier. 1994]. [Meiler,

Temperatuur

Druk Trillingen Versnellingen Snelheden Cilinder Koelwater Olie Cilinder Olie Krukas torsie Blok Motorblok Cilindersnelheid Koelwater Koudwater Koudemiddel [Grimmelius,1994] [Grimmelius,1994] [Bonnier,1994] [Sasse.1995], [Nishie,1990] [Cann. 1992] [long,1986] FEL-96S069 14 I

TNO rapptirt

ONGERUBRICEER5 IFEL-96-5069

2.4.5 Diagnose methodieken

Diagnosesystemen bestaan er in verschiMende vormen, met verschillende gradaties, van complexiteit. Het type diagnose systeem wat het meest geschikt is, hanv af van de eisen die gesteld warden aan het systeem. Het CoCos-EDS systeem ge-bruikt bijvoorbeeld de afwijking met de nominate (stemeten) waarden als criterium, vooreen lout. Dit systeem wordt daft ook gebruikt am enkele makkelijk op te sporen fouten te detecteren. In al 'toegepaste diagnose systernen worden een aantal technieken gebruikt om een diagnose te genereren. De belangrijkste technieken zijn:

Rule Based Systemen (Expert Systemen) (iv Fuzzy Logic

Neurale Netwerken

Vector analyse voor meervoudige storingen Threshold overschrijdingen

Deze opsomming is niet compleet,,ien'verschiiMende techniekenewerlappen elkaar.

.2.4.5.1 Expert Systemen

!Expert systemen warden in de meeste diagnose systemendtoegepast, onder andere in de volgende systemen : CoCos-EDS , DieselDoc, Mees, CSRL en MED2. Nlees cctebruikt 56 rules [Camponero. P989] terwiji MED2 232 rules bevat[Ruffs, I 988]

van de anclere systemen is de complexiteit niet bekend [Rysst, 1989],

(Nishie,1990], [Berger, 1995]. Expert systemen zijn een eerste Eteneratie k.ennis opslag systemen. De kennis wordt opszes]ag,en door micIdel van de zogenaamde rules. Deze rules warden nu getest tegenover de aangeboden facts, waama een beslissing gegenereerd wordt. Het genereren van een beslissing kan door middel van forward chaining, backward chaining of een combinatie hiervani de zg. cause / effect methodiek of conflict reasoning.

Knowledge Base

(rules)

figuter 5, day-out of a rule based system

EALIVORLD

Scoreboard

(facts)

--to- INFERENCE ENGINE

dange

ONGERUBRICEERD

Watt)

TNO-rap port

ONGERUBRICEERD

FEL-96-S069 16

Een variant op het expert systeem is het fuzzy expertsysteem. dat net met exacte reaels werkt maar met c,,ebieden waar regels geldig zijn. Hierdoor zijn ook tussen-conclusies mogelijk. by.cilinder defect 20%. Het voordeel van dit systeem is dat niet plotseling storingen gedetecteerd worden, maar dat ze gradueel 'opkomen'. Het CoCos-EDS systeem gebruikt dit.

Expertsystemen hebben een aantal voordelen en nadelen, enkele hiervan zijn Voordelen

kennis is doorzichtig

- kennis kan makkelijk toegevoegd worden

- beslissingen kunnen achteraf makkelijk gecontroleerd \Norden

Midden

- vergaren van kennis is een specialistische taak

- consistentie van de kennis regels niet automatisch _.,Tegarandeerd regels zijn vaak moeilijk te vinden

- Net vinden van alle mogelijke combinaties is tijdrovend (backward chaining, conflict reasoning)

- Een goed werkend simulatiemodel. of proefnemingen zijn nodig om een verificatiernogelijkheid te hebben.

Het valt buiten de scope van dit rapport om diep op expertsystemen in te gaan. Verwezen worthverder naar [BouHard, 1992] en [Rulfs, 1988] voor een meer theoretische beschouwing van expert systemen. Voor een praktisch voorbeeld zie [Nishie. 1990].

2.4.5.2 Fuzzy Logic

Fuzzy logic werkt met formules die een bepaald bereik hebben, zodat er gradaties in een conclusie kunnen bestaan. Deze techniek worth (in een simpele vorm) gebruikt in CoCos -EDS om tot conelusies te komen. Ook [Van Herwerden, 1992] gebruikt een vorm van fuzzy logic. Verschil met een expertsysteem is daterslechts

én vaste combinatie van regels mogelijk is. De inference engine ontbreekt bier. Voordelen

niet volledig ontwikkelde storingen kunnen g.edetecteerd worden. Nadelen

- de regels moeten we] opgesteld worden, jets ,.vat een grondige kennis

van het systeem vereist.

- een E.,Toed werkend simulatiemodel, of proefnemingen zijn nodig om een verificatie mogelijkheid te hebben (dit geldt voor alle genoemcie systemen).

-TNO -rapport

ONGERUBRICEERD

FEL-96-5069 17

2.4.5.3 Neurale Netwerken

De theorie achter de neurale netwerken wordt uitgebreid behandeld in het rapport ,[vanKuilenburg, 1995b]. Kenmerkend voor neurale netwerken is het feit dat kennis,, over het systeem alleen noodzakelijk is om een goede plaatsing van sensoren te

verkrijgen. Aangezien het neurale netwerk zelf de mapping( S=f(P))genereert om tot beslissingen te komen is hiervoor geen systeemkennis nodig. Dit is een groot voordeel, zeker als er met complexe systemen gewerkt gaat worden.

Zoals uit dit rapport en rapport [vanKuilenburg, 1995b] blijkt zijn de prestaties van neurale netwerken goed in vergelijking met andere methoden. Als daarbij ook nog de hoeveelheid kennis die nodig is over her systeem betrokken wordt, blijken

neurale netwerken zeer aantrekkel,ijke eigenschappen te hebben om ingezet worden in storingdiagnosesystemen. Een, groot nadeel is echter de hoeveelheid data (gemeten aan het systeem) welke nodig zijn om het systeem te trainen. Van iedere ,bedrijfstoestand moet data aanwezig zijn.

Voordelen

- genereert de mapping zed f, dus weinig proceskennis nodig - snel (echter dit geldt niet bij, het trainen),

universele input / output Nadelen

- black box systeem

specialistische wiskundige kennis nodig veel meetdata nodig

2.4.5.4 Vectoranalyse Methode

Vectoranalyse is uitgebreid onderzocht o.a. in de rapporten [vanNielen. '1991 "en, 1[vanNielen, 1992), en, wordt gebruikt bij een testproject van de Koninkrijke Mari-ne. De vectoranalyse methode is bedoeld om meerdere storingen die tegelijkertijd optreden te kunnen herkennen.

De resultaten hiervan zijn niet positief, dit heeft te maken met het opstellen van de

storingmatrix. De storingmatrix is flier uniek voor deze methode, [Grimmeltus, 1992] maakt ook gebruik van de storingmatrix, evenals het programma Dies&Doc [Rysst, 1989]. Echter bij de vectoranalyse methode moet de storingmatrix lineair onafhankelijk zijn. Dit impliceert dat slechts lineair onalhankelijke storingen,

meegenomen kunnen worden. Dit is een grote handicap. de andere systemen ,hebben hiervan geen 'last omdat de data nietlineair getransformeerd wordt.

Voordelen - simpel te implementeren groot inzicht getest in praktijk ONGERUBRICEERD, te

-TNO-rapport

ONGERUBRICEERD

FEL-96-S069 18

Nadelen

door de lineaire eigenschappen kunnen alleen lineair onafhankelijke storingen herkend worden

- neemt een lineair additief storin;gpatroon aim

er moeten meet sensoren clan storin,=en aanwezig zijn

2.4.5.5 Threshold oversehrijdingen

Deze meest simpele vorm van storingdiagnose worth het meest gebruikt in de alarmsystemen. Oak in het CoCos-EDS systeem worth deze vorm gebruikt, in samenhang met een trendanalyse.

Voordelen

-simpel te implernenteren - doorzichtig

- betrouwbaar

Nadelen

complexe fouten niet te detecteren weinig toegevoegde informatie

Naast de genoemde methoden zijn er nog vele andere denkbaar, waaronder de meet mathematische methoden. Aangezien deze niet in de scheepvaart gebruikt worden, wordt men voor behandeling van deze methoden doorverwezen naar de

literatuur, bijvoorbeeld [Ramine, 1994]. Uit bovenstaande methoden is niet een

absolute winnaar aan te wijzen. De beste oplossing worth verkregen dooreen

combinatie van methoden, waarbij de voordelen van iedere methode maximaal benut worden. Tot deze conclusie kl,vamen Bergman en Fase al in hun rapport [Bergman, 1991].

Zo kunnen voor simpele storingen makkelijk expertsystemen ingezet warden, terwijl voor complexe storing,en dan neurale netwerken gebruikt kunnen warden (wanneer er tenminste meetdata aanwezig, is). Per systeem zal gekeken moeten warden wat de beste oplossing is. Alhoewel er geen winnaaraan te wijzen is, kan er wet geconcludeerd 1,vorden dat de vectoranalyse methode niet voldoet. Deze is

onnodig complex en door de lineaire mapping alleen geschiktvoor de meest sim-pele storingen. Ook worth aangenomen dat storingen zonder meer kunnen worden opgeteld. Dit is een erg grove versimpeling, van de werkelijkheid. Aangeziener

veel proceskennis nodig is am de storingmatrix te vullen. kan deze beter in een

expert system of in een fuzzy system g,ebruikt warden. Deze bieden meer flexibili-teit en functionaliflexibili-teit. De voordelen en nadelen die genoemd warden in de voor-gaande paragrafen zijn echter sterk afhankelijk van het doe waarvoor de systemen warden ingezet. Per applicatie zal moeten worden bekeken vat de beste combina-tie is.

TNO-rapport ONGERUBRICEERD FEL-96-S069

om gevina

.0 0

systeem (P)

referentie(R)

figuur 6, model van referentie module en system om de informatie in her signaal re ver-sterken

Het residu is het verschil tussen referentie en systeem. zonder offset.

Verschillende generatoren zijn mogelijk, fysische modellen, neurale modellen, regressie modellen of directe meetwaarden. Het CoCos-EDS systeem gebruikt meetwaarden die gemeten worden op de proeftocht. Deze worden dan gecorrigeerd voor omgevingsomstandigheden en gebruikt als referentie generator. Dit geeft een simpele generator. die geoptimaliseerd is voor iedere verschillende motor. Nadeel hiervan is dat weinig kennis van het systeem opgebouwd wordt, en tijdens de proefvaart kunnen niet alle waarden gemeten worden van het hele werk bereik. Bij het CoCos-EDS systeem wordt dit door een vorm van interpclatie opgelost, het-geen altijd een zekere fout met zich meebrengt. De grenzen van dit systeem wer-den duidelijk toen een brandstof werd gebruikt met afwijkende eigenschappen. De diagnose module genereerde op basis van een afwijkende referentielijn incorrecte classificaties [Perger. 1995].

Uit het ooapunt van maximale systeemkennis hebben fysische modellen de voor-keur. Deze geven het meest gedetailleerd het systeem weer. Bijkomend voordeel is dat andere sensoren makkelijk bijgeplaatst kunnen worden. Referentie waarden

ONGERUBRICEERD

19

Data bey,erkingen

Onder data bewerkingen worden alle methodieken verstaan om het signaal te verbeteren voor en na de diagnose module. Deze methodieken kunnen de uitkom-sten van de diagnose module drastisch verbeteren. De volgende method ieken worden kort besproken : Referentie Generatoren

Kansrekening

GMA (Generic Moving Average)

Gelijk stellen van variantie en gemiddelde waarden

Trendanalyse

Principal Component Analysis Referentie Generatoren

De referentie generatoren worden gebruikt om de informatie die in het gemeten signaal zit, te versterken.

storingen

TNO-rappart

ONGERUBRICEERD

FEL-96-50691 2Q

voor deze sensoren kunnen makkelijk gegenereerd worden. Het gemak van lysi-sche modellen is dat afwijkende ingangsparameters (zoabs andere brandstofeigen schappen) gemakkelijk bijgesteld kunnen worden.

Neurale modellen zijn complex genoeg om systemen te kunnen simuleren (ook: als er niet-lineaire verbanden zijn). Een nadeel is de black - box natuur en het reit dat

veel data aanwezig moet zijn van het systeem. dit om neurale netwerken optimaali kunnen instellen. Nadeel van neurale netwerken is ook dat ze Met achteraf instelbaar zijn en alleen geldig zijn binnen het getrainde gebied. Een arnlere brandstof vereist een nieuwe training. Referentie generatoren (of fysische gen) zilnieen Egebied op zich en worden verder niet behandeld in dit rapport.

2.5-1 Kansrekening

Kansrekening wordt gebruikt om de statistische eigenschappen van meetwaarden vast te stellen. Deze eigenschappen kunnen dan weer worden gebruikt om bijvoor-beeld de optimale drempelwaarden vast te leggen voor threshold analyses. Bij-voorbeeld bij een normaal verdeeld signaal wordt door [vanNielen,1 992] een band van r.t. 3G aangehouden. Als het signaal buiten deze band valt (ten opzichte van een referentiewaarde) dan wordt een storing geconstateerd. Hierdoor ontstaat

maxi-maal een onbetrouwbaarheid van 0.27% (bij normaxi-maal verdeeld signaal).

Statistische met'hoden worden vooral gebniikt in de itrendanalyse. Voor een meer uitgebreide behandeling zie [vanNielen,1 992].

GMA (Generic Moving Average)

iGMA is een methode om de variaties in het signaal te onderdruk_ken en alleen de Flange termijn trends mee te nemen. Hierbij worden meetwaarden die 'Linger in de Itijd terug liggen minder meegeteld. Volgens [vanNielen, 1992] heeft de GMA de

meest ideateeigenschappen om als filter te dienen voor storingdiagnosesystemen

iGMA worth mathematisch als volgt gedefinieerd

Zo -= X _)(2.9)

CO Zo =Or

X; = i-de waameming

= weegf actor (meestili 0.2)f

Een variant van de GMA methode is heti middelen, waarbij alle_{waarden gelijk.} worden meegenomen.

te

TNO-rapport

ONGERUBRICEERD

(r,

-7)

0-(x

-7)

i-de getransformeerd meetwaarde

xi = i-de meetwaarde

c_r_( X )71 variantie van meetset minus het gemiddelde van de meetset

X = gemiddelde van de meetwaarden

Dit worth gebruikt om te voorkomen dat informatie welke voorkomt in een relatief zwak signaal overstemd wordt tijdens de training van neurale netwerken.

2;5.4 Trendanalyse

Trendanalyse wordt uitgebreicl behandeld in [vanNielen, 1991] en [vanNielen, 1992]. Het CoCos-EDS systeem maakt ook gebruik van trend analyse. Hierbij wordt een onderscheid gemaakt tussen long-term analyse en short-term analyse. Short-term bevat 2-dagen gegevens, met een interval van 5 min. Long-term bevat de gegevens van twee jaar, met een interval van I dag. Tevens worden alle gege-yens opgeslagen die aanleiding gaven tot een diagnose. Het belang, van een goede trendanalyse maE,, niet onderschat worden. Alle hierbovengenoemde diagnose methoden kunnen bath hebben bij het toepassen van trendanalyse. Ook hier geldt dat trendanalyse integraal mod t worden meegenomen bij het ontwerp. Voor een optimaal werkende trendanalyse moeten zowel de karakteristieken van het systeem als van de diagnosemodule meegenomen worden.

Principal component analysis

De principal component analysis wordt gebruikt in rapport [vanKuilenbur,g, 1995b1. Dit om uitgaande van de data eigenschappen, in te kunnen schatten of een

training succesvol zou kunnen zijn. De PCA is ook nuttig, om de invloed van sensoren op de totale informatieinhoud van een signaa] te kunnen beoordelen. Als via de PCA blijkt dat een sensor slechts minimaal bijdraagt, dan kan zonder al _te veel informatie verlies de sensor geschrapt worden. PCA is een lineaire transfer-made. Voor de exacte afleiding worth verwezen naar rapport [vanKuilenburg, 1995b].

Duidelijk is dat er een groot aantal mogelijke technieken bestaat om de signalen te verbeteren. In bovenstaand lijstje zijn alleen technieken genoemd die gebruikt

worden binnen de vakgroep. Echter veel meer technieken zijn beschikbaar. Enkele hiervan zijn : wavelets, fourier transforms en filtering.

ONGERUBRICEERD

(2.10)

EEL 96-S069 21

15.3 Gelijk stellen van variantie en gemiddelde waarden

Dit wordt gebruikt o.a. bij het trainen van neurale netwerken om het g,ewicht van alle signalen bij het trainen gelijk te stellen. De procedure is als volgt

=

TNO-rapport

ONGERUBRICEERD

FEL-96-S069 22

2.6

Bespreking

Uit bovenstaande paragrafen blijkt dat de ontwik.keling van een storinodiagnose-systeem een multidisciplinaire bezigheid is (bijna in het veld van mechatronica). Werktuigbouw, Ergonomic, Electrotechniek, Wiskunde en Informatica zijn de belangrijkste voorbeelden hiervan. Het is onrealistisch om te veronderstellen dat e'en persoon al deze disciplines op een expertniveau beheerst. Uit de praktijk is ook gebleken dat een g,root probleem bij de ontwikkeling van storingdiagnosesystemen de communicatie is tussen enerzijds de installatiebouwers en anderzijds de softwa-reontwikkelaars. Uit de literatuur blijkt dat voor de civiele markt storingdiagnose-systemen alleen bestaansrecht hebben mits ze gentegreerd zijn in een breder onderhoudmanagementsysteem. CoCos-EDS is een voorbeeld hiervan. Ook is een sterke feedback nodig van gebruikers naar fabrikant om, zeker in het beginstadium, de kinderziektes emit te halen. Ook blijft gedurende de hele levensduur van het produkt veel specialistisch onderhoud nodig Bij het ontwikkelen van storing,diag-nose systemen moet er rekening nice gehouden wordendat veel maatwerk nodiz is. leder systeem is anders en daar zal in het ontwikkelstadium rekening, mee E,rehou-den moeten worE,rehou-den. Dit alles maakt dat storingdiagnose systemen duur zijn in de ontwikkeling en onderhoud. Voordeel is dat veel onderhoud op software gebied

ligt, Ivat even wed op afstand kan geschieden. Het heeft geen nut om een storing-diagnose systeem los te ontwikkelen, zonder dat er een breder verband bestaat.

TNO-rapport

QNGERUBR10EERD

FEL-96-5069"

figunt-7,. basis schema' van een koelproces

Het doe van een koelsysteem is her transport van energie (Q2) van eenirelatief lung temperatuumiveau naar een relatief hoog ternperatuumiveau (Q1), De com-pressor (1) comprimeert her freon die van de verdamper (4) afkomstig is. Om het freon re comprimeren is een zekere hoeveelheid energie nodig (W), deze energie zorgt voor een verhoging van de enthalpie van het freon. Op dit hogere

drukni-veau, wordt de freon gecondenseerd in de condensor, waarbij de energie (Q1) vrijkomt. Deze energie wordt opgenomen door het koelwater op een relatief hoot?, temperatuumiveau. Na de condensor worth de druk van het freon adiabatisch tomlaag gebracht in her expansie ventiel (3)t Op een relatief laag drukniveau worth

het freon verdampt ink de verdamper (4). Het transport van enerstie van, een relatief laag energieniveau naar een relatief hoog enerfieniveau kost energie veroorzaakt, door mechanische vertiezen in de verschillende componenten en therrnodynami-sche verliezen.

ONGERUBRICEERP

2.31

Koelproces

in dit hootelstuk worth een algemene inleiding gegeven van het koelproces-. Ook worth een systeemschema gegeven van de testmachine en de plaatsing, van de

meetpunten.

3.1

Algemeen koefproca

Fen koelsysteemilheelt het volgende basisschema en componenten:

TNO-rapport

ONGERUBRICEERD

FEL-96-5069

Het is gebruikelijk om het hele proces te plotten in een lo2(p)-h diagram van de koelvloeistof.

I

onderkoehng

vloeistof vloeisto f+gas

-overvrrhitting

Q2

Again. 8. koelproces geplot in een log(p)-h diagram van frean

In figuur 8 worth het coexistentiegebied van freon gegeven. Het gas is oververhit na de compressor (1). lade condensor(2) worth het gas eerst tot een verzadigd gas gecondenseerd en hierna tot vloeistof. Vaak wordt het gas verder dan nodig,

ge-koeld. Dit wordt de onderkoeling genoemd. Het doel hiervan is het voorkomen dat het gas eerder dan g,ewenst verdampt, bijvoorbeeld door hoogteverschillen in de leidingen. Na het expansieventiel worth het gas verdampt(4). De temperatuur van het gas worth nicer verhoogd dan absoluut noodzakelijk, om te voorkomen dat vloeistof de compressor bereikt. Deze extra temperatuurverhoging worth de "oververhitting" genoemd.

Een log(p)-h diagram van freon wordt in appendix A gegeven.

3.2

Beschrijving koelinstallatie

3.2.1 Algemene beschrijving

De installatie waaraan gemeten is, is een koudwatermaker gesitueerd in het torium van van Buuren van Swaay. Deze installatie worth gehruikt om de labora-toriurnruimte te koelen. Voor de metingen werd de koudwatermaker gekoppeldaan

een boiler. Hierdoor konden verschillende belastingen gesimuleerd worden. De installatie is gevuld met freon R22, met een laagste temperatuurvan -1"C. Div

4 isothermen gas 24 enthalpie h 1J/kg1 L ><

TNO-rapoorl ONGERUBRICEERD FEL-96-5069 1 1 i Woudwater i vergam per PL.

12.3

Systeemschema met aangebrachte sensorert en storingsimulatieap, pendages

controle m &tinged _condenser

kijkglas filter/water a fvoer filter (feeg)

11'1.

figuar9, systeenr schema Vaboratorivar koelsysteem en gemeten variabelen

Voor de betekenissen van de afkortingen worth verwezen naar rapport [vanKuitenburg, 1/995b1. .ONGERUBRICEERD dsconnecx oelwater b.. ph

<

25 3.2.2 Installade gegevens Electrisch vermogeh : 14 kW Koelcapaciteit : SO kW Koudwater Temperatuur : 3.5 - 9°C Koelwater Temperatunr : 20 - 35 °C Freon hoeveelheid 112.4 kg expansie ventiel p..,. iph compressor

TNO-rapport

ONGERUBRICEERD

FEL-96-5069' 26

Training van dassificatie netwerken

Dit hoofdstuk behandelt de training van:de nearale netwerken die gebruikt worden in het storingdiagnose programma.

4.1

Welding

Voordat met de training begonnen worth moeten de dothen vastgesteld worden waaraan de uiteindelijk getrainde netwerken zullen moeten voldoen. In dit geval was de opdracht om 17 verschillende storingen te kunnen herkennen. De accura-tesse waarmee storingen moeten worden herkend is gesteld op 99,9%. Zoals uit hoofdstuk twee is gebleken, is dit een lichte eis. In dit hoofdstuk wordt niet diep ingegaan op de theorie van her trainen van netwerken. Ook worden de verschillen-de methoverschillen-des die gebruikt worverschillen-den slechts summier uitzelegd. Voor een uitgebreide-re behandeling van deze training- en testmethodes worth verwezen naar

(vanKuilenburg, :19954 Voor een uitgebreide analyse van neurale netwerken wordt, verweze nazis fr-lassoun, I 9951

4.2 Netwerk. topOlogie

Gekozen voor 17 verschillende netwerken, die elk apart getraind worden. leder netwerk worth getraind op het herkennen van een andere storing. Dit heeft ver-scheidene voordelen :

111, Trainingstdden per netwerk worden korter

2.. Later kunnen gemakkelijk nieuwe storingen toegevoegd worden.

Als onverhoopt een storing moeilijk teinainen blijkt, heeft dit silechts:gevolgen voor een netwerk

Uiteraard kleven crook nadelen aan deze opzet. rekentijden wordeh [anger(Voci0 alle 17 netwerken bij elkaar) omdat er meer connecties doorgerekend _moeten worden. Ook wordt de complexiteit van het programma dat deze netwerken

ge-bruikt groter. In plaats van I netwerk, moeten er 17 gedefinieerd worden _en door-gerekend. Echter dim _{slechts een kleine belasting voor het rotate systeem.}

4.

is

3.

TNO-caPPFF CNGERUBRICEERD 'FEL-96-5069 pcu poll -

0. 0

p condo- p e NO'

®

p ci perkc Pcd

I. 0

IteonJO itexpi two' tcwt tevi Isubc _. 340ring! norm 3.4

:Actin,-10. 11-4-2 nenverk wet de gebrdikre iingangsparnthercrs"

leder netwerk heeft de volgende vorm : - 4,6.8 -2 (ingang-hidden-uitgang).

Dezelfde ingang parameters worden gebruikt als in rapport [vanKuilenburg. Ir995b], dit om een vergelijking mogelijk te maken. Enkel tsi, is weggelaten omdat bleek dat deze teveel fluctueerde in dit systeem. De keuze van de ingangsparame-ters is gebaseerd op de parameingangsparame-ters waarop storim,Ten de meeste invloed hadden. Hierbij liggen het aantal Ingangs- en uitgangsneuronen vast. De hoeveelheid hid-den neurons is variabel tussen vier en acht. De hoeveelheid hidhid-den neurons die uiteindelijk gebruikt wordt hangt af van de testresultaten. Complexe storingen vereisen meer hidden neurons. In [Masters, 19931 wordt de volgende methode aebruikt om het aantal hidden neurons te kiezen

n =tr,1

_{(4. In}

/ha = aantali hidden neuronenk

= aantal ingang neuronen

yor. = aantai uitgang neuronen

Hieruit volgt een aantal van vier a vijf hidden neurons. Zoals 'alit de testresultaten zijn de resultaten niet gerelateerd aan her optimale aantat hidden neurons zoals gegeven in vergelijking 4.1 .

43

Netwerk Input / Output relaties

Gekozen is om Net uitgangspatroon van leder netwerk _{le definieren. Het} patroon worth samengesteld uit de outputs van de twee uitgangsneuronen. Hierbij representeert een uitgangsneuron !het normale (storingvrije) bedrijf en her ander de

IONGERUBRICEERD -11 H blijkt, binair 27

TN 0-rapport

ONGEHUBRICEERD

FEL96-5069 2/1

verstoorde bedrijfstoestand. Hierbij ontstaat de volgende "waarheids tabel die opgelegd worth aan het netwerk tijdens training.,

label 2. opgelegdemuitgangswaarden aan neuraatinetwerk itijdenstraining

Normal

Storing

Output Neuron II 0.9 0.1'

Output Neuron 2 0.1 0.9

Merk op dater niet op gedeelitelijk opgetreden storingen wordt getraindl. In de eerste plaats waren de metingen hier niet geschikt voor. Als tweede reden kan, warden aangevoerd dat her herkennen van een storing in een zo vroeg mogeltijk stadium moet geschieden, trainen op slechts twee situaties verhoogt de detectie-snelheid. Oak wanneer een storing gedeeltelijk optreedt, geeft het netwerkeen

volledig ontwikkelde storing aan. Het voordeel van twee uitgangsneuronen om de toestand van het systeem weer ac geven in plaats van een neuron (wat oak mogelijk is) is dat zo nicer informatie over de toestand van het systeem beschikbaar komt. Dit is het beste te illustreren met een klein voorbeelcl.

Stel er zijn twee storingen die sterk gelijkende afwijkingpatronern veroorzak.en genaamd, storing A en storing B. Als er nutwee netwerken getraind zijn op alieen, storing A en storing B, dus met maar een uitgangsneuron (netwerken lab) en er

zijn twee netwerken die getraind zijn op storing A en storing B (netwerken 2ab) maar met twee uitgangsneuronen (normaall en storing) dan krijgen we de volgende (fictieve) toes tanden

tabet 3, ifictieve uitgangswaarden van een neuraal netwerk

Netwerkla, moet storing A berkennen (uitgang >0.7 storing is opgetreden) Netwerklb, moet storing B herkennen (uitgang, >0.7 storing is opgetreden)

Netwerk2a, moet storing A herkennen (uitgang storing neuron >0.7 en normale neuron <0.3. storing is opgetreden)

Netweek2I:q moet storing 15'herkennen (uitgang storing neuron >0.7 en normale neuron <o.a storing is opgetreden)

De extra uitgangswaarden van netwerken 2a en 2b zijn de uitgangsneuronen die de gezonde toestand weergeven (grijs gekleurd hokje). Waar in het geval van

netwer-ken laen lb geen beslissing genomen kan warden welke lout opgetreden is (immers beide netwerken indiceren een fout) kan dit bij de netwerken 2a

Storing opgetreden A Storing B opzetreden Output Netwerk Output Netwerk lb 0.9 0.8 0.8 0.9 Output Netwerk 2a Output Netwerk 2b 0.9 0.75 01 k,0.8 0.75 0.9 0.8 _0.1

TNO-rapport

ONGERUBRICEERD FEL -96-S069

Het is duidelijk dat, omdat er extra informatie in de netwerken met twee outputs zit. er bij het gebruik van meerdere netwerken beslissingen met meer zekerheid kunnen warden genomen.

liiteraard zijn er ook nadelen aan ditsoon netwerken.

I. Rekentijden warden Linger, aangezien er nicer connecties ingesteld moeten warden.

2. Training worth kritischer. Het is gebeurd dat bij een bepaalde combinatie van trainingparameters het netwerk niet apart de output neuronen trainde op de ge-wenste toestand maar ze als een geheel nam. waarbij de output gespiegeld

werd. Hierdoor reag,eerde het netwerk alsof er maar een output neuron aanwe-zig was. Uiteraarcl was dit niet de bedoelinf. Dit is oak de reden waarom er

a!-teen mar in het output gebied [0..1] getraind werd in plaats van het symmetri-sche [-1,1]. Hiermee waren deze problemen opgelost.

Nadat de netwerken de data verwerkt hebben, moet er door het systeem beslist warden welke storing er opg,etreden is. Hiervoor is een simpel algoritme bedacht. Er warden drie toestanden onderscheiden die een netwerk kan aannemen (zie oak figuur 11):

tabel 4, definitie van de banden die de uitgangswaarden van een neuraal netwerk bepalen

Waarbij de constanten x en y nog moeten warden vastg,esteld.

De reden van dit algoritme is dat neurale netwerken niet exact de opgelegde uit-gangswaarden volgen. Er ontstaat een soort band am de gewenste waarden been. Om nu te voorkomen dat training te ver doorgevoerd moet worden (met alle pro-blemen die daar weer mee optreden)wontdit algoritme gebruikt.

Hoewel het in rapport [vanKuilenburg, 1995b] at verscheidene malen onder de aandacht is gebracht wit ik nogmaals de aandacht vestigen op het volgende punt Aangezien de neurale netwerken slechts getraind zijn op 100% normaal of 100% storing, ongeacht de ernst van de storing op dat moment, kunnen er geen

kwantita-neveconclusies getrok.ken warden uit de output van neurale netwerken over de ernst van de storing.. Warwet is toegestaan is op een kwalitatieve manier conclu-sies trekken uit de output van neurale netwerken.

ONGER U BRICE ER D

29

Normaal Storing opgetreden geen conclusie Output Neuron 1 < 0.5-y > 0.5+x > 0.5-y AC 0.5+x Output Neuron 2 > 0.5+x < 0.5-y > 0.5-vAC0.5+.v

TNO-rapoort

ONGERUBRICEERD

FEL-46-S069

CD

0

0

tijd

figuur I I. fictieve udgangswaarde van een neuraal netwerk

Als de uitgangswaarde een volgend verloop heeft is het toegestaan om de volgende conclusies te trekken.

I. Normaal

Op basis van de trend in de uitgangswaarde is het waarschijnlijk dat er zich een storing aan het ontwikkelen is. Wat niet toegestaan is, is de conclusie dat, om-dat het netwerk een output heeft van 50% maximaal, oak de storing een ernst heeft van 50% maximaal.

Storing is opgetreden, graad van de storing is onbekend

Nu de topologie bekend is van de neurale netwerken kan de trainingset g,evormd aaan worden.

4.4 Samenstelling van de trainingset

Een van de meest interessante problemen bij het trainen van neurale netwerken is de samenstelling van de trainingset. Doe is zo optimaal mogelijk gebruikte maken

van de beschikbare data. Voor de training van neurale netwerken in dit rapport is een nieuwe methode voor het samenstellen van de trainingset gebruikt in vergelij-king met het vorige rapport. Overigens worth de dataop dezelfde manier getrans-formeerd als in rapport [vanKuilenburg, 1995b].

De totale data set worth hierbij opgedeeld in een normaal deelen een storing deel. Hierbij bevat het normale dee!' alle data die gemeten is bij normale toestanden (geen storing aanwezig). Het storing deel bevat alle datavan de storingen (1 Um

17). 30 1 output neuron 2.

TNO-rapport

ONGERLIBRICEERD

FEL-96-5069

data nail:dale toestand

_

data norm ale toestandi

data &to rilngert

Figuur 12. opdelen van de rotale daraset in een normaat deel en fen storing deet

Per netwerk worth nu een verdeling 2emaaktuiticleze twee sets am de trainingset te vullen op de volgende manier

storing

tor.ng = i

figtair 13, samenstelling (van een enkele tralniiigse4

Waarbij het netwerk getraind moet warden, op het herkennen van storing i. De laatste kolom geeft de gewenste uitgangswaarden weer van het netwerk.

Omdat leder netwerk slechts moet reageren op een enkele storing i, en alle andere :storingen als "normaal" moet classificeren warden alle andere storingen (<> i) itoegevoegd aan de gezonde dataset. Het is van cruciaal belang dat oak alle

stori'n-en die Met herkstori'n-end moetstori'n-en wardstori'n-en door het netwerk in de "normale" dataset titten omdat op deze manier het netwerk onderscheid kan makentussen de

ver-schillende storingvormen. In het begin van de training van de netwerken in dit rapport is een keer per ongeluk getraind op alleen normaal of storing. Deze net-werken bleken bij het testen alleen een onderscheid te kunnen maken tussen nor-maal of storing, maar niet tussen de storingen onderling wat wel de bedoeling was.,.

Al's rekentijden een probleem zijn kan dit soon netwerken echter wel handig zijn als eerste check op bet voorkomen van storingen. Ms er dan een afwijkende toe-stand geconstateerd worth, kunnen de andere netwerken gebruikt warden am de storing te lokaliseren.

Als eenmaal de datasets opgedeeld zijn in een normaal deel en een storing dee!' ontstaat er een volgend probleem. Voor een goed netwerk mod t het volledige bedrijfsveld in de trainingset verwerkt ziju. Het probleem hierbij is dat nietexact

ONGERUBRICEERDi

data

storg

data

norm aal

data

storing

0.9

0 II

0.1

10.9

:

data stormg,en

/1

31

TNO-rapoort

ONGERUBRICEERD FEL-96-5069

[Utaledataset

313E

5 1 6 1 7 8 10 11 12 14 15 ₁₆₁₁₇

itraitasetigelnuikt voor 'raining

figunr il4, visage representarie van her random kiezetrvan de databtokken

Hierdoorantstaat een volledig random gekozen trainingset.. bestaande uii de nor-male data. De data van de storing i wordt op dezelfde manier in de trainingset verwerkt.

De data van de storingen diedoor ditnetwerk ak gezond geclassificeerd moeten worden, warden op een andere manier in de train ingset verwerkt. Immers deze dienen alleen als referentie, en ook zijn ze slechts in discrete toestanden gemeten

(A,B,C en D). Uiteindelijk is ervoor gekozen am uit iedere storingsset _de

middel-ste datapun tente selecteren zodanig dat de totale lengte van deze subtrainingset gelijk is aan die van de 'ensue van de normale set. Op deze manier zijn de verschill-gende toestanden evenwichtig verdeeld in de set. Het midden werd genomen omdat er dan de grootste kans bestaat dat de storing volledig is opgetreden. De datafiles. bevatten namelijk het hele verloop van de storing, dus_{van normaal tot 100%}

;32

kan warden bepaald wanneer detrain ingset het volledke bedrijfsveld bevat. Geko-.

zen is voor een methode waarbij het niet nodig is am gescheiden test en trainina-sets te definieren, mits er voldoende data beschikbaaris.

Deze methodeis erg simpel van opzet. Uit de dataset van normale data worth via een random proces een aantal datablokken uitgekozen voor training. Orndat tang niet alle data wordt gebruikt kan de complete dataset oak warden gebruikt voor 'test doeleinden. Hierbij zijn de resultaten ietwat positiever dan de resultaten zou-den zijn zonder dat de training data is meegenomen. Daar echter veel meer data beschikbaar was dan nodig voor de training is de invloed op de testresultaten gering. In totaal warden 300 datapumen voor training zebruikt van de normale situatie, terwijI er ongeveer 4000 datapunten beschikbaar zijn, dus in het slechtste geval moeten de training resultaten ongeveer 10% naar beneden warden bijgesteld. Voor hettester' van de netwerken warden we]de volledige datasets gebruikt. In de training zijn datablokken van 10 datapunten gebruikt, dit getal is random gekozen. De datablokken konden niet veel grater gekozen warden amclatclan de

training vastliep door te weinig geheugen.

TNO-rappor. ONGERUBRICEERD ii blokje van 10 datapunten 0

100

200

300

400

500

600

figuur 15, voorbeeld van een trainingset (invoer parameter)

Duidelijk zijn de blokken van hO datapunten te zien waaruit de totale dataset is

opgebouwc1.

4.5

Testen van netwerken, theorie

Ms derde belangrijke handeling in het trainen van neurale netwerken is het testen van de prestaties van de netwerken. Als de prestaties van het netwerk de vooraf gestelde doelen niet halen zal de training over moeten. Het is dus van belang_om een goede testprocedure te hebben zodat onnodige trainingen voorkomen kunnen worden. Verschillende methodes zijn er beschikbaar om tot een uitspraak te komen over de kwaliteit van een classificatienetwerk.

ONGERUBRICEERD

FEL.96-S069 33

aewoon alle data gebniikt kan worden, zonder dat er rekening, gehouden moet worden met verschillende training- en testsets. Aangezien voor iedere training een andere trainingset samengesteki worth kan er gewoon een paar keer g,etraind worden zonder de kans te lopen dat er een overtraining plaats vindt op bepaalde stukken van de train ingset. liiteraard kan er niet oneindig Lang getraind worden, maar zoals in dit rapport blijkt zijn slechts een paar trainingruns voldoende. In figuur 15 is een voorbeeld van een trainingset gegeven

6

4

2

0

2

4

6

TN 0-rapport

iONGERUBRICEERD

FEL-96-5069,

Voor dit verslaa zijn drie methodes gebruikt

Iv. Percentage verkeerde classificaties (Classification Characteristic oftewel CAC) ROC curves (Receiver Operating Characteristic) [Masters-, ii 9951

Visuele inspectie.

Hierbij is de eerste methode een onderdeel van de tweede methode. Als derde wordt nog een visuele inspectie gebruikt. Het blijkt natnelijk dat dc resultaten niet volledig door de CAC en ROC curves warden getypeerd. De CAC methode ender-scheidt vier fouten die gemaakt kunnen warden door het netwerk

tab& 5, definitie vamdeifouten die een neuraal vnetwerk kan maken

netwerk output netwerk output netwerk output

indiceert "normaar

indiceert "storing

indiceert "weet trier'

systeem norrnaall 3

V storing opgetreden di 4

Tabel vijf geeft aan hoe de verschillende fouten gedefinieerd zijn. Bvijvoorbeeld als de storing is opgetreden en het netwerk geeft aan dat het systeem gezond is clan,

is dit een type I foul. Fout type 1i is de meeste belangrijke lout, immers de gevoll-gen hiervan kunnen aanzienlijk zijn. Voor de beoordeling worden de fouten en 4 bij elkaar genomen aangezien ze dezelfde gevolgen hebben.

Het tijdstip van herkenning wordt niet als criterium gebniikt. Div omdat niet een-duidig was vast tte leggen wat het begintijdstip van de storing is. Begint de storing wanneer de eerste veranderingen aangebracht worden aan het systeem (met alle onzekerheden van dien) of wanneer de eerste gevolgen zichtbaar warden? Om dit goed te kunnen vastleggea moeten er andere metingen worden gedaan. De in dit rapport gebruikte neurale netwerken steven geen discrete outputwaarden, dus moet nog enig post processing toegepast worden om discrete uitkomsten te genereren. De keuze van de banden waarin de output valt voor een conclusie kan de prestatie van de diagnosesystemen aanzienlijk beinvloeden.

output neuron

is

-I

TNO-rapport

ONGERUBRICEERD

IFEL96-5069 35

Om de output van een neuraall netwerk te verbeteren worden drie lbanden gedefini-eerd, zie figuur 16.

Als de output van een output neuron zieh in band I bevinth dan geldt de neuron als actief. Bevindt de output van de neuron zich in band 3 dan geldt de neuron als niet-actief. AIle outputwaarden die zich in band 2 bevinden worden als ongedefinieerd

gec lass i ficeerdt

Voor het bepalen vat-1de defithoieve conclusie van het, netwerk worth de volgende itabel gebruikt

label 6, definitie van de banden die de output van eeni neuraal netwerk bepalen Norman]] Storing opgetreden geen conclusie Output Neuron 11 < 0.5-y > 0.5+x > 0.5-y AC 0.5+x Output Neuron 2 > 0.5+.t <0.5-y > 0.5-v A < 0.5+x Tabet 6 s ook al, gegeven in een vorige paragraaf,

In de CAC methode worden de banden als vast verondersteld (constante x en y waarden). Aangezien Met ieder netwerk gelijk is zal, voor ieder netwerk een andere verdeling van de banden optimale resultaten geven. De ROC methode varieert de banden (x en y waarden), en berekent de performance van iedere band combinatie. De beste combinatie worthdan geselecteerd. Er is hier nog een vereenvoudiging aangebracht, daar het vrij veel combinaties van banden geeft als beide

onafhanke-ijk gekozen kunnen worden. In dit rapport wortheen symmetrische verdeling van de banden gebruikt,waardoor er slechts een vaniabele overblijft (x).

output neuron 0.5+x 0.3 01.5-ONGERUBRJCEERD

_ow

tijd.

figuter 17. symnietrische verilefiog vat! tie homier,

De CAC waarde worth nu als volgr berekend waarbij onderscheidl worth_gemaakt in, normale data en storing data.

CA C =

--I-N

= aantalloute classificaties 'in dataset

TNO-rapport ONGERUBRICEERD

-0.5

HOUlt I

200

400

600

800

datapuntentrainings et

figuur 18, output van een neuraal netwerk, met de training data als input

Goed getrainde netwerken geven een brede middenband, slecht getrainde netwer-ken een kleine middenband. Dit is al gemeld in rapport [vanKuilenburg, 199513]. De ROC methode geeft uiteindelijk curves die de prestaties van het netwerk weer-geven (CAC waarden) als functie van de parameter x.

FEL-96-5069 36

data normale toestand : alleen een classificatie "storing opgetreden" wordtas tout

gezien

data storing : alleen een classificatie "storing opgetreden" wordt als goed

gezien

/V. totale aantal meetpunten in dataset

Fig_uur 18 geeft de uitgang,swaarden van een netwerk weer na training, met de train ingset als invoer. De lijn (rood) geeft de uitgangswaarde van het storingneu-ron weer, de punten (geel) de uitg,angswaarde van de normale neustoringneu-ron. Duidelijk is te zien dat de eerste 300 datapunten de storingdata zijn en de laatste 600 datapun-ten de normale data. Ook is het tluctueren van de netwerk uitgangswaarden te zien.

7NO-rapport ONGERUBRICEERD FEL;96-S069

0..92

0.9

0.89

ROCcurve, 5 hidden neurons, stonng I, 50 crock;

'II

caccurve storingdata

r

ONGERUBRICEERD

0.1

X

CCIC CU71:enornale data

02

Mut 2 fouten 1+4

03

f igiutr 19, voorbeeIld van een ROC grafiek

Uit figuur 19 blijkt dat er, omdat verschilllende criteria gebruikt worden om de foutclassificaties voor de normale toestand en storing toestand te berekenen, verschillende optimale .r waardenbestaan. Om nu toch een optimale x-waarde te bepalen wordt het gemiddeldeiberekend van de storing CAC curve en de normale CAC curve. Hierbij is de invioed van een type 2 font en een type (1+4) fout gefijk genomen. Testen in de praktijk zullen moeten uitwijzerr wat de beste verhouding tussen de verschillende CAC curves is. De prestaties worden in dit rapport op punt voor punt basis bekeken, dit betekent dat iedere enkele foutmeting als fout aange,. merkt worth. De prestaties zijn te verbeteren door op de uitkomsten een middeling 'toe te passen. Dit wordt echter niet in dit rapport verder uitgewerkt. Het is

trou-wens een interessante vraag wanneer er nu precies sprake is van een storing. Kijkend naar de metingen die gedaan zijn aan de waterkoeler, uiten storingen zich. vaak in slechts weinig van de gemeten parameters

4.6 Testen van netwerken; resultaten

4.6.1 Algemeen

De resultaten van de trainingen worden gegeven door middell van de ROC curves.. Het testen van de netwerken heeft twee doelen. Het vinden van het meest optimale netwerk, en' het vinden van de beste prestaties die mogelijk

gecombineerde CAC curve

iL

37

0.91

0

TNO- rapport ONGERUBRICEERD FEL-96-5069 0.95 0.9 0.85 0.8 hidden neurons

figuur 20, legenda van de figuren 7, 8 en 9

In totaal bevat dus de x-as, 17 * 3 = 51 verschillende punten. De rode lijnen in de figuren geven de netwerkprestaties aan als er 100 epochs getraind zijn. De groene

lijn geeft de prestaties weer als er 50 epochs getraind zijn. Iedere lijn op zich geeft de prestaties weer voor een bepaalde x-waarde. Aangezien in tien stappen gevari-eerdworth, zijn er dus 22 lijnen in de flguren te zien.

ROC curves

figuur 21, prestaties van de nenverken als de normale toestand herkend moet warden 38

Mseerste worden de ROC curves gegeven, waarbij het aantal hidden neuronen gevarieerd worth. lilt deze grafieken kunnen dan de beste netwerken geselecteerd worden. Voor de beste netwerken worden dan de optirnale waarden gedefinieerd. Hiema worden de testresultaten in tabelvorm. Ook enkele voorbeelden van de uitE,,angswaarden van een netwerk worden gegeven.

4.6.2 Beste netwerken

Bij het presenteren van de resultaten treden enkele problemen op. In totaal worden vier verschillende trainingparameters gevarieerd : soonstoring , hidden neurons, x-waarde en aantal getrainde epochs. Om at deze parameters te visualiseren is dus eigenlijk een vierdimensionale grafiek

Er is gekozen voor de volgende grafiekvorm om toch de resultaten te kunnen presenteren. Figuren 20, 21, 22 hebben al le dezelfde x-as indeling die als volgt gedefinieerd is A ra 2.3 _{storing storing 2} I L 4 6 4 6 15 10 20 25 30 35 40 45 50 x nodig.

TNO-rapport

figratr22, prestaties van de netwerken (ifsde storing toesrand lierkend moat warden,

figuar 23, prestatres Van de nerwerken als her onderscheiclend trermagen getest worth

Op basis van de figuren 211, 22, 23 worden de volgende beste netwerken gekozen., waarbij tabel 7 ontstaat De laatste twee kolommen geven de prestaties van de netwerken weer bij het herkennen van andere storingen clan de getrainde storingent: ideaal is dat alleen storingen waarop getraind worden herkend..

tabe117, ibeste classificatie netwether

IONGERUBRICEERD 5 10 15 20 25 30 35 5 10 15 20 25 30 35 40 ONG ER UBRICEERD 45 50 Storing. Epochs Trained Hidden Neurons or CAC normal e data CAC data storing CAC-1 storing <>i

/

Verhoogde weerstand inlaat compressor.Verhoogde weerstand uitla.at compressor

50. 50 8 8 0.00 :0.00 0.9818 0.9857 0.8915 0.9481 0.8995 0.8624

3 _{Een lase verbroken bij electromotor 50}

4 0.00 0.9784 0.9419 0.9119 4 Teveel koelwater 50 6 0.00 0.9922 0.9071 0.8659 5 Te weinig koelwattir 100 4. 003 0.9955 0.9456 007075 61 7 8

Verhoogde weerstand vloeistof leiding,

Geen druk correctie. sooentiel.m rv A fsluiter vastgelopen 0 51100' 1100' 4 8. 4 006 0.00 0.00 0.9877 0.9952 0.9972 0.9309 0.8036 0.9539 0.8495 0.8135 0.9764 9 Verdamper lek 100' 4 0.12 0.9989 0.8449 0.8553

10 Verhoogde ueerstandkoudwater pijpen 100

6

0.03 0.9768 0.9149 0.8674

II

Te weinig koelmiddel 1001 4 0.18 0.9968 0.9980 0.9631

12 Te veel koelmiddel ₅₀ -4 .0.18 0.9994 V.0000 0.9663

t3 Verhoogde vreerstandtkodwaterpijpen 100i 8 0.15 0.99911 0.9468 0.9793

114 Bulb temperatuur. negatieve alwijking 50 0.24 0.9900 1.0000. 0.9847

15 Bulb temperatuur, positieve alwijking 50 .4 0.74 0.9952 0.9945 0.9644.

i16 Olie in het systeem. 50 6 0.24 1.0000 1.0000 0.9968

117 Lucht in het system _{I 001} 4. _{0.03 0.9965 0.9967 0.9726}

FEL-96-5069 39i Ftr.% ..Mer 40 45 50 is 100 8