МОСКВА, 20 августа. Ученые из Санкт-Петербургского политехнического университета разработали новые методы обработки данных, которые позволят существенно повысить точность измерений на промышленных предприятиях без дополнительных затрат. По их мнению, это поможет улучшить качество выпускаемой продукции. Результаты опубликованы в журнале «Измерение».
Недостаточно точные результаты измерений характеристик производственных процессов являются одной из актуальных проблем современного производства. Методы их согласования призваны частично снизить погрешность результатов измерений, выполняемых на одном промышленном объекте, путем выявления и устранения расхождений между ними.
Такие методы основаны на подходах теории вероятностей и математической статистики в сочетании с использованием математического моделирования. Они позволяют технологам повысить точность получаемых данных и извлечь из них максимум полезной информации для изменения уставок и параметров технологических процессов на производстве.
Ученые из Санкт-Петербургского политехнического университета Петра Великого разработали новые методы согласования результатов измерений, которые позволяют повысить их точность за счет комплексного анализа связей между измеряемыми величинами, не прибегая к замене или модернизации измерительного оборудования. По словам авторов, созданные ими методы более универсальны, чем существующие, и подходят для гораздо большего числа ситуаций.
В основе методов лежит новый математический алгоритм, позволяющий проверять, насколько результаты измерений различных характеристик согласуются между собой и соответствуют друг другу, отметил один из авторов работы, доцент Высшей школы компьютерных технологий и информационных систем СПбПУ Константин Семенов.
При этом, по его словам, неважно, какие именно параметры технологических процессов измеряются — главное, чтобы была цифровая модель процесса. Предложенные методы применимы и для оценки качества промышленной продукции, когда производимые изделия подлежат контролю путем измерения их характеристик.
«
"Например, при работе энергоблока, вырабатывающего электроэнергию, вращается турбина, которая, естественно, испытывает вибрацию. Нам важно понимать, не превышает ли амплитуда колебательных процессов допустимые пределы и не выйдет ли из строя агрегат. Для измерения уровня вибрации на турбине всегда есть специальные датчики для мониторинга. И если мы видим, что вибрация в каком-то месте не очень большая, но знаем, что этого быть не может, потому что турбина в этом месте трясется, то, скорее всего, этот датчик не полностью работоспособен. Наш алгоритм учитывает все эти соображения в формальной математической форме, находит ошибки и устраняет их", — сказал он.
Константин Семенов отметил, что новые методы позволят достичь максимально возможной точности за счет того, что алгоритм учитывает не каждый результат измерения в отдельности, а все сразу. Этого можно добиться без существенных капитальных затрат, используя имеющееся оборудование.
«Повышение точности измерений повышает качество и конкурентоспособность выпускаемой продукции. При этом процедура согласования данных реализуется в информационно-измерительных системах, системах контроля и управления технологическими процессами и никаким другим образом не влияет на себестоимость продукции. Стоит перестать выбрасывать ту информацию, которая накоплена на производстве и на которую уже потрачены средства, а конвертировать ее в точность получаемых результатов», — добавил ученый.
По мнению специалистов СПбПУ, другие известные подходы к гармонизации промышленных данных в основном позволяют отфильтровывать только наиболее серьезные ошибки измерений. Для повышения точности результатов измерений часто используют упрощенные модели, которые не всегда соответствуют реальным производственным условиям. Уникальность нового подхода, по мнению авторов, заключается в том, что он позволяет работать с любым распределением значений измеряемых величин и их погрешностей, а также учитывать нелинейные зависимости между параметрами технологических процессов, что делает его более гибким и эффективным.
Работа поддержана грантом Российского научного фонда № 23-29-00694 «Непараметрические методы и программные средства на их основе для гармонизации и уточнения неточных данных, основанные на учете известных зависимостей и априорной информации».
Свежие комментарии