H lgp диаграмма: Структура основных видов диаграмм хладагентов, используемых в холодильной технике | Холод-проект

Наименование

параметра

диаграммы

Наименование направления или пример графического изображения

Диаграмма

log(p)–h

Диаграмма

T-s

Диаграмма

h-s

h=const

Ось абсцисс

——h=450—

Ось ординат

p=const

Ось ординат

——p=5,0—

T=const

——100——

Ось ординат

——100——

s=const

——s=1,85—

Ось абсцисс

v=const

———v=0,015——

x=const

———x=0,10——

1

ВВЕДЕНИЕ……………………………………………………………………………………………………………………………………………………………………………

4

2

Графическое изображение цикла одноступенчатой холодильной машины……………………………………………………………………………………….……………..

5

3

R11, CCl₃F, Trichlorofluoromethane………………………………………………………………………………………………………………………………………………….

6

4

R113, CCl₂FCClF₂, Trichlorotrifluoroethane………………………………………………………………………………………………………………………………………. ..

7

5

R114, CClF₂CClF₂, Dichlorotetrafluoroethane………………………………………………………………………………………………………………………………………

8

6

R1150, CH₂=CH₂, Ethene (ethylene) ………………………………………………………………………………………………………………………………………………..

9

7

10

8

R123, CHCl₂CF₃, Dichlorotrifluoroethane……………………………………………………………………………………………………………………………………………

11

9

R1270, CH₃CH=CH₂, Propene (propylene) …………………………………………………………………………………………………………………………………………

12

10

R13, CClF₃, Chlorotrifluoromethane………………………………………………………………………………………………………………………………………………. …

13

11

R134a, CH₂FCF₃, 1,1,1,2-tetrafluoroethane………………………………………………………………………………………………………………………………………….

14

12

R14, CF₄, Tetrafluoromethane…………………………………………………………………………………………………………………………………………………………..

15

13

R152a, CH₃CHF₂, 1,1-difluoroethane………………………………………………………………………………………………………………………………………………..

16

14

R170, CH₃CH₃, Ethane……………………………………………………………………………………………………………………………………………………………………

17

15

R21, CHCl₂F, Dichlorofluoromethane……………………………………………………………………………………………………………………………………………….

18

16

R22, CHClF₂, Chlorodifluoromethane………………………………………………………………………………………………………………………………………………..

19

17

R23, CHF₃, Trifluoromethane…………………………………………………………………………………………………………………………………………………………..

20

18

R290, CH₃CH₂CH₃, Propane…………………………………………………………………………………………………………………………………………………………..

21

19

R401A, R22/152a/124 (53/13/34), R401A……………………………………………………………………………………………………………………………………………

22

20

R401B, R22/152a/124 (61/11/28), R401B……………………………………………………………………………………………………………………………………………

23

21

R401C, R22/152a/124 (33/15/52), R401C……………………………………………………………………………………………………………………………………………

24

22

R402A, R125/290/22 (60/2/38), R402A………………………………………………………………………………………………………………………………………………

25

23

R402B, R125/290/22 (38/2/60), R402B………………………………………………………………………………………………………………………………………………

26

24

R404A, R125/143a/134a (44/52/4), R404A…………………………………………………………………………………………………………………………………………. .

27

25

R406A, R22/142b/600a (55/41/4), R406A……………………………………………………………………………………………………………………………………………

28

26

R407A, R32/125/134a (20/40/40), R407A……………………………………………………………………………………………………………………………………………

29

27

R407B, R32/125/134a (10/70/20), R407B……………………………………………………………………………………………………………………………………………

30

28

R407C, R32/125/134a (23/25/52), R407C……………………………………………………………………………………………………………………………………………

31

29

R408A, R22/143a/125 (47/46/7), R408A……………………………………………………………………………………………………………………………………………. .

32

30

R409A, R22/124/142b (60/25/15), R409A……………………………………………………………………………………………………………………………………………

33

31

R410A, R32/125 (50/50), R410A……………………………………………………………………………………………………………………………………………………..

34

32

R410B, R32/125 (45/55), R410B……………………………………………………………………………………………………………………………………………………….

35

33

R50, CH₄, Methane………………………………………………………………………………………………………………………………………………………………………….

36

34

R500, R12/152a (73. 8/26.2), R500……………………………………………………………………………………………………………………………………………………..

37

35

R502, R22/115 (48.8/51.2), R502……………………………………………………………………………………………………………………………………………………….

38

36

R507, R125/143a (50/50), R507…………………………………………………………………………………………………………………………………………………………

39

37

R508A, R23/116 (39/61), R508A……………………………………………………………………………………………………………………………………………………….

40

38

R600, CH₃CH₂CH₂CH₃, Butane………………………………………………………………………………………………………………………………………………………

41

39

R600a, CH(CH₃)₃, 2-methyl propane (isobutane) …………………………………………………………………………………………………………………………………. ..

42

40

R717, NH₃, Ammonia………………………………………………………………………………………………………………………………………………………………………

43

41

R718, H₂O, Water……………………………………………………………………………………………………………………………………………………………………………

44

42

R728, N₂, Nitrogen…………………………………………………………………………………………………………………………………………………………………………..

45

43

R729, N₂/O₂/A (76/23/1), Air……………………………………………………………………………………………………………………………………………………………

46

44

R732, O₂, Oxygen………………………………………………………………………………………………………………………………………………. …………………………..

47

45

R740, A, Argon………………………………………………………………………………………………………………………………………………………………………………..

48

46

R744, CO₂, Carbon dioxide……………………………………………………………………………………………………………………………………………………………….

49

47

RC318, C₄F₈, Octafluorocyclobutane…………………………………………………………………………………………………………………………………………………

50

R-11

Cfc13

R-12

Cf2c12

R-13

Cf4c1

R-14

Cf4

R-21

Chfci2

R-22

Chf2ci

R-23

Chf3

R-50

Ch5

R-113

C2Ffh

R-114

C2f4ci2

R-123

Cf3cci2h

R-134a

Cf3cfh3

R-l 52а

С2ад

R-l 70

C2h6

R-290

QHj

R-401A

R22/R152a/R124

(53/13/34)

R-401B

R22/R152a/R124

(61/11/28)

R-401C

R22/R152a/R124

(33/15/52)

R-402A

R22/R290/R125

(38/2/60)

R-402B

R22^R290/R125

(60/2/38)

R-404A

R125/RI34a/R143a

(44/4/52)

R-406A

R22/R142b/R600a

(55/41/4)

R-407A

R32/R125/R134a

(20/40/40)

R-407B

R32/R125/R134a

(10/70/20)

R-407C

R32/R125/R134a

(23/25/52)

R-408A

R22/R125/R143a

(47/7/46)

R-409A

R22/R124/R 142b

(60/25/15)

R-410A

R32/R125

(50/50)

R-410B

R32/R125

(45/55)

R-500

R12/R152a

(73,8/26,2)

R-502

R22/R115

(48,8/51,2)

R-507

R125/R143a

(50/50)

R-508A

R23/R116

(39/61)

R-600

C4h20

R-600a

Сн(сн3)3

R-717

Nh4

R-718

Н2о

R-744

Сог

R-1150

C2h5

R-1270

C3h5

RC-318

C4F8

5 S 8 S « tf Я 8

D* ^ ІЗ о» і н^Ъоо cf о о cf о

Deg •©иіізііавїї

Еэ <а *=> йэ о о ооо

Deg ‘еинфаеїґ

Deg ‘eHHeuaeff

Эинеивех

JUjgsses 5йі s

Ав9 ‘эинвидея

8 8 8 8

О О. (эксергетический коэффициент преобразования). Поскольку вопрос обозначений переменных для эксергетического анализа уже решен, то как для анализа циклов, так и для анализа отдельного элемента, будет использовано обозначение – є.

** Целью автора является описание современных методов прикладной термодина­мики, которые могут быть применены для анализа холодильных и теплонасосньтх систем, а не подробное изложение этих методик, что освещено в специальной литературе.

* компрессионные – в литературе прошлых лет издания

* Эту особенность анализа необходимо четко запомнить и не подменять уравнение теплового баланса уравнением стоимости и наоборот, что зачастую имеет место в научных публикациях авторов, не знакомых с постулатами термоэкономики.

* Иногда такой цикл называют внутренне обратимым (англ. – endoreversible), так как в некоторых литературных источниках необратимость в процессе подвода-отвода тепла трактуется как внешняя необратимость.

* Анергия – это энергия, которая не может быть превращена в эксергию в рассматри­ваемом элементе, но может быть превращена в эксергию в последующих элементах. ■с'{Тк-Т0 , Г 1 + — + ——— То 0с'{Тк-Т0) 2 2 Т0 сп-с’

Совместное решение ур.(6.26) и (6.33) представляет достаточно громоздкую запись, которая может быть упрощена путем введения комплексов:

• отношение тепла фазового перехода при Т0 к теплоемкости насыщенной жидкости при Тк

С Vk – Т0)

• отношение теплоемкости насыщенного пара при Тк к произве­дению теплоемкостей перегретого пара и насыщенной жидкости при

Тк

{с”)2

L = (6.35)

С

• отношение основных температур для построения термоди­намического цикла

(6.36)

Т0

[1] Термин энтальпия (англ. – enthalpy) был введен в термодинамику в начале 1930- ых годов по предлоению Х. Камерлинг-Оннеса как английская производная от двух греческих слов «EN» – вход (in) и «THALPY» – тепло (heat).

Термин термоэкономика (англ.- thermoeconomics) был предложен в 1961 году Р. Эвансом (США) и сразу нашел применение в работах М. Трайбуса (США), Й. Эль – Саеда (США), Р. Гаджиолли (США) и М. Морана (США).

Термин эксергоэкономика (англ.- exergoeconomics) был предложен в 1982 году Дж. Тсатсаронисом (Германия) и быстро стал известным широкому кругу специалистов.

В литературе прошлых лет издания эта величина обозначалась как є. Следует отказаться от использования старого обозначения, так как символом є в современ­ном термодинамической анализе обозначают эксергетическую эффективность.

В литературе прошлых лет издания – (і, <р или и. От этих обозначения также следует отказаться

Не следует теплофикационную машину называть «холодильной машиной с полезным использованием тепла конденсации» или «тепловым насосом с полезно используемой хол од ©производительностью». Такие трактовки являются некор­ректными и всегда приводят к принципиальным ошибкам в анализе.

[5] Этот момент термодинамического анализа только один раз был подробно описан В. С.Мартыновским, однако не привлек должного внимания специалистов, в связи с чем рассматриваемая ошибка достаточно часто встречается как в студенческих работах, так и в научных публикациях, что, естественно, является недопустимым.

[6] Вопросы эффективности мероприятий по утилизации тепла и холода достаточно сложные и рассматриваются как отдельное направление в курсах «Холодильные установки» и «Теплонасосные установки», соответственно.

[7] В энергетике – турбина (см. таблицу 2.4).

[8] Дроссельный вентиль – это термодинамическое название элемента. Процесс дроссе­лирования в действительной холодильной машине (тепловом насосе) осуществляется в регулирующем вентиле (терморегулирующем вентиле) или капиллярной трубке. В любом случае при термодинамическом анализе этот элемент следует называть обобщенно как «дроссельный вентиль».

Тхол(Гср-Тхш+АТИ+АТКД)-

[10] Р. Планк (Германия) в начале 1930-х годов предложил «самый действительный из теоретических» и «самый теоретический из действительных» цикл парокомп­рессорной холодильной машины для возможности проводить анализ и оптимальный выбор рабочего вещества. Метод Планка будет подробно рассмотрен далее.

[11] Разложившееся рабочее вещество вернуть в первоначальное состояние невозможно, в связи с чем оно должно быть удалено из холодильной машины, максимально обезврежено и, естественно, выпущено в атмосферу.

[12] Наибольшее количество гидравлических ударов случается именно в аммиачных ком­прессорах, но эти аварии вызваны исключительно эксплуатационными причинами.

[13] Называть процесс 2-3 конденсацией, а процесс 4-І кипением при анализе цикла Карно, строго говоря, некорректно. Однако для сохранения нижних индексов для qo и qK из «метода циклов», автор остановился на этих обозначениях.

[14] соответственный цикл Карно – термин, введенный В. С.Мартыновским

[15] Метод предложен на кафедре холодильных машин ОГАХ Никулыииным Р. К. и Морозюк Т. В. как основа термоэкономического анализа с использованием «Метода циклов».

[16] Как правило, молодые исследователи (а студенты тем более) считают все диаг­раммы состояний абсолютной истиной, так как основные термодинамические величины в любой точке (температура, давление, удельный объем), а также вели­чины разности энтальпий и энтропий, рассчитанные для любого процесса по раз­личным программам состояний совпадают. Это же факт справедлив и по отношению к приверженцам широкого использования различных пакетов прикладных программ по расчетам термодинамических свойств рабочих веществ и циклов.

~а s компрессора;

Е) изобразите схему машины, работающую по циклу 1-2-3-4;

Ж) изобразите схему машины, работающую по циклу

1-2-3-5.

[17] Термодинамические основы понятия «теплоемкость» рассмотрены в главе 2.

[18] В этой области исследований количество научных публикаций сомнительного науч­ного содержания весьма велико, так как зачастую имеет место научно-популярное изложение серьезных экологических проблем с примитивным описанием физико- химических процессов в атмосфере и процессов в холодильных машинах.

[19] В Европе до 1938 года существовал нормальный режим -10°С; 7V=25°C, т. е. режим, соответствующий нормальной работе одноступенчатой холодильной машины. Несмотря на рекомендации по его использованию совместно со стандартный режи­мом (в СССР даже существовал ГОСТ на определение и использования нормального режима), он был вытеснен из обращения за практической невостребованностью.

[20] В практике современного холодильного (теплойасосного) машиностроения появи­лись конструкции компрессоров, в том числе и поршневых, в которых возможно реализовать одноступенчатое сжатие при рх/ро=20 … 22, однако такое оборудование производится не всеми заводами-изготовителями. Таким образом выбор рабочего ве­щества предусматривает наличие у инженера-проектировщика информации о потен­циально применяемом оборудовании в проектируемой машине.

Стоимость компрессора является более значимой, чем стоимость теплообменных аппаратов. Размеры компрессора однозначно определяют его стоимость. Если тип компрессора известен, то даже предварительный анализ даст возможность корректно определить его стоимость.

[21] Существует теоретическое предположение, что гомогенная смесь может быть разде­лена на составные части только в том случае, если смесь претерпевает значительные и длительные изменения.

Ранее широко применялась греческая буква <ф> для обозначения массовой концентрации смеси.

[22] Это свойство смесей было описано в Главе 1 как один из методов получения низкой температуры.

[23] Промежуточные тепло – и хладоносители в зарубежной литературе обобщают названием вторичные агенты или вторичные рабочие вещества (англ. – second refrigerant или secondary working fluid).

[24] Дроссельный вентиль является одним их четырех основных элементов машины.

[25] Этот материал не является обязательным для учебного процесса.

[25] Центробежные и осевые компрессоры обобщают названием турбокомпрессоры.

[26] или массы Мт кг

[27] Аналогично анализу процессов расширения в детандере – П.4.2Л.

* Например, если лу=50 об/с, zj=4 и zi= 6, тогда на основании равенства nj’Zj=n2-Z2, получаем л2=33,3 об/с.

[29] В современной прикладной термодинамике поток, температура которого выше, называют «горячим», поток, температура которого ниже – «холодным». В тепло – обменном аппарате горячий поток охлаждается, а холодный нагревается.

[30] характеристики теплообмена;

• ограничения на размеры;

• анализ напряжений;

• стоимостные факторы;

• требования к материалам и технологии изготовлении;

• требования, связанные с условиями обслуживания и ремонта, поддержанием заданных режимом работы и возможностью их регулирования.

Первым критерием проектирования теплообмениого аппарата является выполнение требований по рабочим параметрам: требуемая тепловая нагрузка аппарата должна обеспечиваться во время работы (от одного профилактического ремонта до другого) при поддержании заданных ограничений по гидравлическим сопротивлениям незави­симо от появления отложений на теплообменной поверхности. Известно, что при проектировании имеет место элемент неопре­деленности, например:

• теплофизические свойства рабочих веществ (в отличие от термодинамических) редко известны с высокой степенью точности. Исключение составляют традиционные давно применяемые рабочие вещества и промежуточные тепло – и хладоносители. Методы расчета

[31] Полная теория образования инея на теплообменной поверхности испарителей (воз­духоохладителей и батарей) чрезвычайно сложна, ее следует подробно изучать по специальной литературе. В настоящей книге даны лишь теоретические основы, дающие возможность читателю оценить значимость этого вида осаждений.

[32]____________________________ батарея*

[33] Для студентов, впервые встречающих термины «брутто» и «нетто», автор может дать упрощенное пояснение: масса любого продукта в упаковке – это масса «брутто», без упаковки – «нетто». В данном случае понятие «нетто» означает работу, полученную в обратимом процессе, «брутто» – в необратимом.

[34] В первоначальной теории «ріпсЬ»-метода вопрос материалоемкости системы РТО рассматривался как основной, кроме того, в постановочной части задачи оптимизации имело место нарушение Второго закона термодинамики, в связи с чем «ріпс! і»-метод в трактовке Б. Линнхоффа неоднократно подвергался обоснованной критике. Pinch в переводе с англ. – щепотка, стесненное положение, крайность, сужение, сжатие.

[35] В большинстве учебников по холодильным машинам рассматривают обобщенный случай многоступенчатого сжатия (например, 6-Ю ступеней), что реализуется в ма­шинах, отличных от холодильых (например, используемых на газоперекачивающих станциях). Автор считает рациональным рассматривать реальные ситуации и их решение, поэтому в книге рассмотрены схемы двух – и трехступенчатых холодильных машин.

[36] Здесь и далее при анализе будут использованы символы Т (увеличение) и і (умень­шение) с точки зрения качественного изменения характеристик. Например, тт указывает на увеличение какой-либо величины от двух факторов (но не в 2 раза!).

[37] Напомним, что для рабочих веществ HFC – и HCFC-типа перегрев паров на всасы­вании должен быть не менее 10… 15° для обеспечения сухого хода компрессора.

[38] В литературных источниках прошлых лет издания можно встретить термин двойное дросселирование.

[39] Здесь G обозначает весовое количество рабочего вещества (кг) в отличие от ранее применяемого обозначения М~ массовый расход (кг/с).

[40] Немецкий исследователь К. Федерман в 1931 году защитил диссертацию, в которой был исследован процесс впрыска жидкого рабочего вещества в компрессор при р0 до начала сжатия. Теоретические исследования не получили должного экспери­ментального подтверждения, в связи с чем это направление также мало известно как и цикл, предложенный В. Джимбальвио.

[41] . н. т w +w + w

[42] твердая углекислота не подвергается хранению из-за необходимости поддерживать температуру хранения на уровне -78°С, что чрезвычайно дорого. Работа угле – кислотной трехступенчатой холодильной машины в режиме «пуск-остановка» не применяется по соображениям надежной и безопасной эксплуатации.

[43] Обнаружить имя исследователя, получившего патент на схему или цикл каскадной машины не удалось. Идея каскадной холодильной машины копирует идею бинарного энергетического цикла, в связи с этим, вероятно, появление каскадных холодильных машин не представляло нечто нового в развитии теории энергопреобразующих систем

[44] В иностранной литературе можно встретить название этого элемента как внутрен­ний теплообменник, что не корректно, особенно при рассмотрении системы регене­ративного теплообмена между каскадами.

[45] Разделение каскадной машины для термодинамического анализа на самостоятель­ные машины и определение СОР каждого каскада отдельно является грубейшей ошибкой, которая, однако, достаточно часто встречается в научных публикациях.

[46] Научным руководителем этого направления является Р. К.Никульшин (ОГАХ), под его же руководством теоретико-графовый метод математического моделирования был впервые применен к задачам системно-параметрической оптимизации холодильных машин, в частности для низкотемпературных каскадных холодильных машин.

[47] Четырехступенчатые или четырехкаскадные холодильные машины на практике ни­когда не применялись, рассмотрение этих типов машин необходимо исключительно в научно-исследовательских целях для создания теории, на основании которой была создана математическая модель

[49] В мире выделились три научные группы: Университет Мэриленда (США), Техно­логический университет Делфта (Голландия) и кафедра холодильных машин ОГАХ.

[50] Каждый подобный стенд был по-своему уникален, в связи с чем говорить о широ­ком применении воздушных холодильных машин некорректно.

[51] Напомним, что только цикл Карно по рекомендациям Международного института холода (IIF/IIR) является циклом-образцом для определения термодинамического совершенства реальных обратных термодинамических циклов.

—-О кнс w

Рис. 18.10. Схема двухступенчатой воздушной холодильной машины

Вихревой эффект (эффект Ранка) был рассмотрен в главе 4 как один из методов получения низкой температуры.

[54] впуск. Под давлением газа поршень детандера поднимается до некоторого промежуточного положения. Давление в цилиндре не сни­жается, так как впускной клапан (К-Вп) открыт. Поступающий в цилиндр газ охлаждается, проходя через насадку регенератора (РЕГ), охлажденную ранее;

• расширение. Впускной клапан (К-Вп) закрывается и газ, нахо­дящийся в регенераторе (РЕГ) и цилиндре детандера, расширяется при дальнейшем движении поршня вверх до положения верхней мертвой точки. При этом газ производит работу и охлаждается, его давление понижается;

• выхлоп. При положении поршня детандера в верхней мертвой точке открывается выпускной клапан (К-Вып), давление снижается до р2 и при обратном движении поршня оставшийся газ выталкивается в выпускную линию.

В процессах расширения и выхлопа осуществляется произ­водство холода. Элемент машины, в котором вырабатывается холод – нагреватель (НАГ), что подразумевает в названии этого элемента

[55] Здесь и далее термин «турбина» означает элемент энергетической системы, в кото­ром производится работа (крутящий момент) путем расширении рабочего вещества. Конструктивное исполнение турбины (поршневая или турботехника) при необходи­мости будет описано в каждом конкретном случае.

В качестве исторической справки следует напомнить, что в середине XIX века все самодвижущиеся устройства были с приводом от тепловой машины: ткацкие станки, металлорежущие станки, паровозы и т. д. В 1882 году идея соединения тепловой машины с электрогенератором привела Э. В. фон Сименса к созданию первой в мире электростанции.

[57]

А. Н. Ложкин в конце 1930-ых годов первым в русскоязычной термодинамической литературе начал широко использовать понятие термотрансформатор, он же разработан их первую классификацию и сформулировал правила анализа.

[58] Повторим сноску, приведенную в п.5.2. Называть процессы 1-2 генерацией, 3-4 и 5-6 конденсацией, а также 7-8 кипением при анализе цикла Карно-Карно (рабочее вещество – идеальный газ) некорректно. Однако для сохранения нижних индексов, соответствующих названиям этих элементов в схеме действительной машины, автор остановился на таких обозначениях.

[59] —2 , 2 Тср

Т COPmeop СОРтеор сОРтеор

Ср прямого прямого прямого

Цикла цикла цикла

[60] величины ATк и АТИ взаимосвязаны.

Принятие окончательных решений при проектировании исключительно на основании результатов термодинамической опти­мизации лишено смысла, так как уже неоднократно было показано ранее, что решения, которые являются оптимальными с точки зрения термодинамики, слишком удаланы от оптимальных решений с точки зрения термоэкономики. Эта часть исследований, проведенных на кафедре холодильных машин ОГАХ под руководством автора, демонстрирует пример несостоятельности проведения термодинами­ческой оптимизации для теплоиспользующих холодильных машин и косвенно доказывает необходимость междисциплинарного подхода, например, с использованием термоэкономики в качестве инструмента для проведения анализа и оптимизации.

Вопросы покупателей услуг практически всегда сводятся к двум – когда и сколько? В этой статье рассмотрим информацию и том что сделать, чтобы слова «когда» звучала меньше. Расчет бюджета Да, сколько …

4 обращения в день по рекламе в метро – много это или мало? Расчет количества контактов с рекламой и конверсии при трафике 41,3 тысяч человек в сутки.

привет ты на канале о бизнесе сегодня 00:02 поговорим о пяти бизнес идеях которые 00:05 будут актуальны в 2021 году и на что 00:09 следует обратить внимание чтобы начать 00:11 …

Экспериментальное исследование характеристик термодинамического цикла парокомпрессионной установки бытового холодильника Текст научной статьи по специальности «Механика и машиностроение»

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №6/2016 ISSN 2410-700Х_

900.000 тыс. пар обуви в год [4, c. 45-47].

ЗАО «ДОНОБУВЬ» является лидирующим предприятием и входит в число 20 крупнейших производителей обуви в России, а также в тройку основных поставщиков обуви для силовых структур РФ [5, c. 135-138].

Список использованной литературы:

1. Суровцева, О.А. Создание комплекса интегрированного проектирования для автоматизации процесса технологической подготовки обувного производства [Текст] / О.А. Суровцева, // сборник науч. трудов по материалам Междун,. научно-практич., конференции: – Смоленск, 2016, Ч.1, С.111-113.

2. Суровцева, О.А. Автоматизированное проектирование технологических операций для сборки низа обуви [Текст] / О.А. Суровцева // Сборник научных статей магистрантов, аспирантов, молодых учёных и преподавателей «Развитие современной науки: теоретические и прикладные аспекты»:- Пермь, 2016. С. 2930.

3. Суровцева, О.А. Использование потенциала САПР ТП «ТехноПро» для формирования интегрированных комплексов на основе CALS технологий [Текст] / О.А. Суровцева, Г.И. Шишкина, Н.Ю. Федорова // Сборник статей 9-й международной научно-практической конференции «Состояние и перспективы развития сельскохозяйственного машиностроения» «Интерагромаш-2016» Ростов-на-Дону, 2016, С. 330-332.

4. Суровцева, О.А. Проектирование инновационного технологического процесса по производству обуви с использованием САПР ТП [Текст] / О.А. Суровцева // Сборник научно-практической конференции «Наука сегодня: реальность и перспективы» Научный центр «Диспут»:- Вологда, 2016. С. 45-47.

5. Суровцева, О.А. Совершенствование автоматизированной системы технологической подготовки обувного производства [Текст] / О.А. Суровцева, Т.В. Тернавская, // Известия вузов. Северо-Кавказский регион. Технические науки. Новочеркасск – 2014. №1.- С.135-138.

© Шишкина Г.И., Суровцева О.А., 2016

УДК 629.463.125

Щербаков Владимир Николаевич

канд. техн. наук, доцент ДГТУ г. Ростов – на – Дону, РФ Е – mail: [email protected] Полешкин Максим Сергеевич г. Ростов – на – Дону, РФ канд. техн. наук, доцент ДГТУ E – mail: [email protected] Мосунов Дмитрий Андреевич студент 3 курса факультета БЖД и инженерная экология ДГТУ

г. Ростов – на – Дону, РФ Е – mail: Mosynov27Dimon@yandex. ru

ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ХАРАКТЕРИСТИК ТЕРМОДИНАМИЧЕСКОГО ЦИКЛА ПАРОКОМПРЕССИОННОЙ УСТАНОВКИ БЫТОВОГО ХОЛОДИЛЬНИКА

Аннотация

В статье описана упрощённая методика экспериментального исследования основных характеристик

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №6/2016 ISSN 2410-700Х_

теоретического термодинамического цикла парокомпрессионной установки бытового холодильника. Полученные результаты измерений и расчётов приведены в сопоставлении с данными других авторов.

Ключевые слова

Бытовые парокомпрессионные холодильные установки, экспериментальное исследование характеристик

теоретических термодинамических циклов.

Парокомпрессионные холодильные установки получили широкое распространение благодаря хорошим энергетическим и удельным показателям по габаритным размерам и массе. В процессе работы холодильной машины непрерывно осуществляется круговой термодинамический процесс (цикл) изменения состояния рабочего тела. В бытовых холодильниках используется схема холодильной машины с дросселированием, переохлаждением конденсата и регенерацией тепла [1, с. 118-120]. На рисунке 1 изображена lgP-h диаграмма цикла, где Р – давление, h – энтальпия хладагента. На рисунке 2 представлена схема экспериментальной установки (холодильного агрегата) с размещёнными на нём датчиками температуры t1 – t5. Экспериментальная установка создана нами с целью разработки упрощённой методики исследования теоретического цикла с использованием бытового холодильника NORD DX – 431 -7 – 010 c мотор – компрессором закрытого типа КШ 207/17.

Рисунок 1 – lgP-h диаграмма цикла холодильной установки с дросселированием, переохлаждением и регенерацией тепла

В холодильнике используется хладагент R600а (изобутан). Класс энергетической эффективности -А. На поверхности элементов конструкции холодильного агрегата были размещены датчики температуры -хромель – копелевые термопары ОВЕН ДТПЬ 01 – 0,5/1,5, подключённые к многоточечному измерителю -регулятору ОВЕН ТРМ 138 – Т, имеющему встроенный интерфейс RS – 485.

Рисунок 2 – Схема экспериментальной установки

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №6/2016 ISSN 2410-700Х_

Информация от прибора ТРМ 138 – Т передавалась на персональный компьютер через адаптер связи АС – 4.

Установка, изображённая на рисунке 2, работает следующим образом. Поршневой мотор -компрессор 1 откачивает пары хладагента 2 из испарителя 3, сжимает и нагнетает их в конденсатор 4, где происходит процесс охлаждения и конденсации паров. Жидкий хладагент из конденсатора 4 направляется в фильтр – осушитель 5. В длинной трубке – дросселе 6 происходит падение давления хладагента от давления конденсации до давления кипения. Парожидкостная смесь 7 заполняет часть каналов испарителя 3. Другая часть каналов заполнена парами 8 полностью испарившегося хладагента. В ходе кипения хладагента в испарителе 3 тепло отводится от испарителя за счёт охлаждения воздуха в камере холодильника. Пары хладагента откачиваются из испарителя 3 мотор – компрессором 1 и цикл повторяется. Регенеративный теплообменник 9, размещённый в холодильном агрегате, обеспечивает охлаждение жидкого хладагента, проходящего через дроссель 6 потоком пара 8 из испарителя 3. Хладагент, следующий из испарителя 3, нагревается до состояния перегретого пара, воспринимая тепло, отводимое с поверхности трубки 6 дросселя. Перегрев пара происходит и за счёт тепла, отбираемого им от нагретого мотор – компрессора.

В данной работе рассматривается теоретический цикл парокомпрессионной установки. В этом случае полагают, что процессы кипения и конденсации идут при неизменных давлении Р и температуре Т, компрессор является идеальным (без внешнего теплообмена, потерь на дросселирование, утечек и вредного пространства), процесс сжатия – адиабатный изоэнтропный, в трубопроводах состояние хладагента не изменяется, понижение давления хладагента при его движении из конденсатора в испаритель происходит в дросселе. При оценке показателей действительных циклов необходим учёт влияния потерь, связанных с внешней и внутренней необратимостью процессов, имеющих место при работе холодильной машины [2, с. 40-41]. Внешняя необратимость цикла вызвана тем, что процессы теплообмена имеют место при наличии разности температур между рабочим телом и источником теплоты. Нестационарные режимы работы усиливают внешнюю необратимость. Внутренняя необратимость связана с дросселированием жидкости, потерями на трение, нагревом паров при сжатии, потерями на трение и от необратимости процессов внутреннего теплообмена, нестационарных режимов работы и т.д.

В процессе без учёта перегрева пара в кожухе компрессора линия сжатия перегретого пара 1 – 2 на lgP-h диаграмме (рис.1) – адиабата , линия охлаждения и конденсации – изобара 2 – 21 – 30. Линия 30 – 3 соответствует переохлаждению по изобаре в конденсаторе, линия 3 – 31 – переохлаждению по изобаре в регенеративном теплообменнике, линия 31 – 4 – процессу дросселирования в дросселе, линия 4 – 11 -кипению хладагента в испарителе, линия 11 – 1 – перегреву пара в испарителе.

Для построения диаграммы на основании результатов измерения температур на поверхности элементов холодильного агрегата, изображённого на рисунке 2, нами была предложена методика, в которой используются значения температуры t4 поверхности трубки на входе в мотор – компрессор 1 (рис.2), температуры t2 поверхности трубки конденсатора 4 и температуры t3 поверхности испарителя 3. Используя lgP-h диаграмму для хладагента R600а, представленную в сборнике термодинамических диаграмм ООО «АВИСАНКО» [3, с. 42], и полагая температуру в точке 11 (рис.1) равной температуре t3 поверхности испарителя 3 (рис.2), находим точку11 на верхней пограничной кривой х=1(рис.1). Проводим через точку 11 горизонтальную линию изобары, на которой должны находиться точки 4, 1 1 и 1. На пересечении этой линии с линией изотермы, соответствующей температуре t4 на входе в мотор – компрессор 1, находим точку1(рис.1). Полагая, что пар хладагента, омывая обмотку статора встроенного электродвигателя, перегревается в кожухе компрессора на 15оС [4, с.28], находим температуру t12 в точке 12, соответствующей началу сжатия перегретого в компрессоре пара (рис.1). Она будет равна t4+15°C. Располагая значением температуры конденсатора t2 (рис.2), проводим горизонтальную линию 31 – 3 – 30 -21 через точку 30, расположенную на нижней пограничной кривой х=0 (рис.1). Считаем, что температура t2 (рис.2) равна температуре в точке 30 (рис. 1). Продолжаем горизонтальную линию 31 – 3 – 30 – 21 до пересечения с линией изоэнтропы – адиабаты, проходящей в области перегретого пара на диаграмме через точку12, температура в которой известна. Таким образом, на пересечении этих двух линий получаем точку

_МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №6/2016 ISSN 2410-700Х_

2 , температура в которой равна t2 . Значение энтальпии h41 в точке 3 находим, условно считая, что при переохлаждении конденсата в теплообменном аппарате 9 (рис.2) всё тепло затрачено на перегрев пара по линии 11 – 1 (рис.1) и переохлаждения конденсата в конденсаторе 4 (рис.2) не происходит. В этом случае h41 = h40 – Ah, где Ah = h2 – h21. Значения hb hn, h40 находим по IgP-h диаграмме. Полученные значения параметров в точках термодинамического цикла могут быть использованы для вычисления значения теплоты, отведённой от охлаждаемого объекта q0 = h21 – h5, работы компрессора lK = h3 – h2, холодильного коэффициента е = (h21 – h5) / (h3 – h2), степени сухости влажного пара х в точке 4.

Результаты экспериментальной проверки предложенной методики представлены в таблице 1.

Таблица 1

Результаты определения значений t12 , t22 , qQ, 1к и s по экспериментальным данным

№ t1,°C t2, оС t3 оС, t4, оС t12 оС, t22, оС qо, кДж/кг 1к, кДж/кг s

1 60,9 36,3 -30,3 13,6 28,6 95 294,7 108,6 2,71

2 55,6 38,4 -27,3 13,8 28,8 90 291,2 100,0 2,91

3 56,8 38,7 -25,5 15,0 30,0 87 294,6 96,5 3,05

В работе авторов [5, с. 57-59] представлены результаты расчёта qo, 1к и е для теоретического цикла бытового холодильника с хладагентом R600a при заданных значениях температур кипения, конденсации хладагента, перегрева всасываемых паров, переохлаждения жидкого хладагента после конденсации, окружающей среды, равных соответственно -30; 40; 32; 38 и 32оС [6, с. 37]. Р-Н диаграмма

теоретического цикла бытового компрессионного холодильника представлена на рисунке 3.

Рисунок 3 – Р-Н диаграмма теоретического цикла бытового компрессионного холодильника

На этой диаграмме 2-5 – кипение хладагента в испарителе; 5-6 – перегрев паров хладагента в теплообменнике; 6-7 – адиабатное сжатие паров до температуры конденсации; 8-9 – конденсация хладагента в конденсаторе; 9-1 – переохлаждение жидкого хладагента; 1-3-4-2 – дросселирование в капиллярной трубке (1-3 – дросселирование при теплообмене с окружающей средой; 3-4 – дросселирование в рекуперативном теплообменнике; 4-2 адиабатное дросселирование). В работе авторов [5, с.57] приводятся значения энтальпии для каждой точки диаграммы. Значения qo, 1к и е равны 337,7 кДж/кг; 114,7

кДж/кг и 2,94 соответственно. В точке 7 (рис.3) энтальпия равна 727,69 кДж/кг. Найденная по Р-Н диаграмме [3, с. 42] температура в этой точке равна 98оС. Сравнение полученных нами и приведённых в работе [5, с. 57-59] данных показало, что они достаточно хорошо согласуются. Необходимо учесть, что эти результаты получены с разными методами. Наши данные получены при условии целого ряда сделанных нами допущений, снижающих точность расчётов.

Учитывая полученные в опытах результаты, можно сделать вывод, что предложенная нами упрощённая методика может быть успешно использована в оценочных расчётах для качественной оценки (например, с учебной целью) процессов, протекающих при осуществлении цикла парокомпрессионной установки современного бытового холодильника.

Список использованной литературы 1. Доссат Рой Дж. Основы холодильной техники. Пер. с англ. Р для хладагентов. М.: АВИСАНКО, 2003. – 50 с.[Электронный ресурс] – Режим доступа: http://www.avisanco.ru

4. Изучающим основы холодильной техники. Под общей редакцией Л.Д. Акимовой / А.Е. Берсенев [и др.]. – М.: Изд-во редакции журнала «Холодильная техника», 1996. – 144 с.

5. Сумзина Л.В. Сравнительный анализ циклов бытового холодильника на хладагентах R134a, Я600а / Л.В. Сумзина, А.В. Максимов, Ю.В. Кудров // Электротехнические и информационные комплексы и системы. -2012. – Т.8, №2. – С. 57 – 59.

6. Сумзина Л.В. Анализ потерь эксергии в цикле бытового холодильника / Л.В. Сумзина, А.В. Максимов // Электротехнические и информационные комплексы и системы. – 2012. Т.8, №1. – С. 37 – 39.

© Щербаков В.Н., Полешкин М.С., Мосунов Д.А., 2016

УДК 62

Щербань И.В., Доброходский В.В., Ефименко А.А.

Северо-Кавказский филиал Московского технического университета связи

и информатики, г.Ростов-на-Дону, Россия

ONLINE-ПРОГРАММА аутентификации, основанная на оконном

ПРЕОБРАЗОВАНИИ ФУРЬЕ РЕЧЕВЫХ ФРАЗ ПОЛЬЗОВАТЕЛЯ

Аннотация

В среде LabView National Instruments реализована программа, обеспечивающая online-защиту от несанкционированного доступа к ЭВМ. За основу взят алгоритм оконного преобразования Фурье т.к. он позволяет конструировать частотно – временное представление целых речевых фраз. В работе реализована online-программа аутентификации пользователя по его речевым фразам, позволяющая снизить методические погрешности биометрической системы управления доступом в целом.

Ключевые слова

Биометрические средства аутентификации, преобразование Фурье, спектральные характеристики голоса пользователя, МЕЛ-частотные кепстральные коэффициенты, программная среда LabView National Instruments.

UDC 62

Shcherban I.V., Dobrohoczki V.V., Efimenko A. A.

The North Caucasian Branch of the Moscow Technical University of Communications and Informatics, Rostov-on-Don, Russia

ONLINE-PROGRAMME AUTHENTICATION BASED ON WINDOWED FOURIER TRANSFORM OF

THE SPEECH PHRASES TO THE USER

In LabView National Instruments program that provides online-protection against unauthorized access to a computer. Based on the algorithm window of the Fourier transformation because it allows to design time -frequency representation of speech whole sentences. The work implemented an online version of the authentication of the user speech phrases, allowing to reduce the methodical error of a biometric access control system as a whole.

Построения и расчёты холодильного цикла в Log P-h диаграмме

Построение холодильных циклов в Log P-h диаграмме.

            От умения правильно пользоваться диаграммами во многом зависит качество работы инженера. В данной статье рассмотрен пример и даны основные понятия по построению цикла и определению исходных данных.

1. Исходными данными для построения цикла служат:

– Температура воздуха в обслуживаемом холодильной установкой объёме, °С;

– Температура воздуха на улице, °С;

– В случае, если применяется промежуточный теплоноситель, то его температуры.

2. Для того, чтобы определиться с исходными данными необходимо понимание протекания процессов холодильного цикла и общепринятых констант как в изготовлении, так и в проектировании.

Принимая во внимание, что расчёты теплообмена довольно сложны, производители и проектировщики приняли типовые коэффициенты для расчётов и подборов оборудования. Эти коэффициенты прежде всего – температурные напоры.

Температурный напор.

Для конденсаторов:

а) Температура конденсации и температура на выходе после конденсатора. Разность составляет от 5 до 10 °С.

Температура конденсации и температура на входе в конденсатор. Разность составляет от 10 до 20 °С.

Переохлаждение в конденсаторе от 4 до 7 °С.;

Для испарителей:

б) Температура воздуха на входе в испаритель и температура воздуха после испарителя:

– климатическая техника (без образования инея на поверхности) от 5 до 10 °С.

– средний и низкий холод от 3 до 5 °С.

Температура воздуха на входе в испаритель и температура кипения в испарителе

– климатическая техника (без образования инея на поверхности) от 15 до 20 °С.

– средний и низкий холод от 5 до 10 °С.

Перегрев паров при охлаждении воздуха от 5 до 8 °С.

в) Температура воды на входе в испаритель и температура воды после испарителя

от 6 до 8 °С.

Температура воды на входе в испаритель и температура кипения в испарителе 10 °С.

Перегрев паров при охлаждении воздуха от 5 до 8 °С, при охлаждении воды от 4 до 8 °С. Обычно задаются перегревом не ниже от 6 до 8 °С.

г) Температура нагнетания после компрессора в районе от 60 до 90 °С.

3. Перейдём к диаграмме. Что представляет диаграмма Log P-h.

Пограничная кривая или линия насыщения изображена в виде «горба», и разделяет области состояния газа.

– Верхняя точка «горба» характеризует критическую температуру. Выше неё газ возможно сконденсировать применяя транскритические схемы с газовыми охладителями, эжекторами и т.п. , или каскадные схемы.

– Точка критической температуры газа делит «горб» на 2 части.

Левая часть и всё что за ней влево – область жидкости.

Правая часть и всё что за ней вправо – область газа.

Внутри «горба» – область пара, а нисходящие линии из точки критической температуры характеризуют паросодержание. Параллельные линии оси ординат (энтальпии) внутри «горба» характеризуют изотермы и соответствуют температурам.

Параллельные оси абсцисс (давление) линии – адиабаты. Наклонные вправо – изохоры. Сетка соответствует абсолютному давлению (Pманометра + 1 бар) и энтальпии.

! Линии конденсации и расширения строятся по изотермам. Линии дросселирования и сжатия в компрессоре строятся параллельно адиабатам.

4. Теперь понимая, что к чему можно приступать к определению исходных данных.

Возьмём, например задачку для цикла холодильной установки в камере хранения цветов цветочного магазина в г. Москва.

 Испаритель будет охлаждать воздух в камере. Температуру в камере примем +10 °С.

Ориентируясь на п.п. 2. б), температура кипения в испарителе будет 0 °С. Эта область работы соответствует среднетемпературному холодильному оборудованию с диапазоном Т кипения +5 / -15 °С. Эти диапазоны характеризуют типы компрессоров, применяемых в схемах. Т.к. существует привязка к массовым расходам прокачиваемого компрессором газа, и, соответственно к рабочим токам электродвигателей и рабочим полостям сжатия.

Итак, мы получили первую исходную точку. Она составляет: То= 0 °С.

Среднетемпературное торговое (а в нашем случае именно торговое – холодильные моноблоки и сплит-системы т.к. объёмы таких камер небольшие, требуемые холодопроизводительности также небольшие) холодильное оборудование в основном работает на фреоне R-404a. Может применяться фреон R-507a, но он чаще используется в промышленном холоде.

Итак, мы определились с рабочим телом (газом). Это фреон R-404a.

Получить вторую точку можно из справочников по климатологии, или задавшись температурными условиями работы конденсаторов. Из п.п. 2.а) мы знаем температурный напор. Примем его значение = 15 К (°С). Для Москвы примем уличную температуру в тёплое время года Тн= +28 °С. Тогда температура конденсации составит:

Тк = + 43 °С.

Итак, мы получили вторую исходную точку. Она составляет Тк = + 43 °С.

5. Получив исходные данные, а их в данном примере только часть, можно приступать

к работе в диаграмме. Существует несколько программ, позволяющих выполнять построения, рассчитывать параметры циклов. Наиболее популярные Solkane и CoolPack. Вооружимся Solkane.

Выбираем тип хладагента, вводим значения: То, Тк, перегрева, переохлаждения. Если выполнить расчёт нагрузок и теплопритоков, то можно задать значение требуемой холодопроизводительности.

В примере мы приняли Qхол. = 2500 Вт. и То = -15 ºС (реальная сплит-система) и 0 ºС (расчётная Т)

Выводим диаграмму для просмотра:

Выводим таблицу входных данных, где можно посмотреть значения во всех точках процесса.

Выводим таблицу с показателями производительности. По этим параметрам можно ориентироваться при выборе элементов холодильного контура, конструировании холодильной машины, и проч..

По пученным из диаграммы данным и используя формулы из учебников не сложно найти требуемы значения рабочих параметров холодильной установки.

Надеемся, что материал был полезен инженерно-техническому персоналу предприятий, обслуживающему холодильное оборудование. А так же новичкам холодильной индустрии.

Вы можете проконсультироваться у нас по всем возникающим вопросам.

Непрерывная и одновременная конверсия отходов фосфогипса в сульфат натрия и сульфат калия с использованием диаграммы четвертичных фаз

. 2022 26 дек.

doi: 10.1007/s11356-022-24799-4. Онлайн перед печатью.

Каула Лаабуби ¹ , Браим Буарган ¹ , Сильвия Перес Морено ² , Бахчине Бакыз ³ , Хуан Педро Боливар Райя ² , Али Атбир ⁴

Принадлежности

• ¹ LGP, факультет естественных наук, Университет Ибн Зохр, BP: 8106, Агадир, Марокко.
• ² Факультет экспериментальных наук, Университет Уэльвы, Campus El Carmen S/N, 21007, Уэльва, Испания.
• ³ LME, Факультет естественных наук, Университет Ибн Зора, BP: 8106, Агадир, Марокко.
• ⁴ LGP, Факультет наук, Ибн Зор, Университет, BP: 8106, Агадир, Марокко. [email protected].

• PMID: 36571681
• DOI: 10.1007/s11356-022-24799-4

Хаула Лаабуби и др. Environ Sci Pollut Res Int. 2022 .

. 2022 26 дек.

doi: 10.1007/s11356-022-24799-4. Онлайн перед печатью.

Авторы

Каула Лаабуби ¹ , Брахим Буарган ¹ , Сильвия Перес Морено ² , Бахчине Бакыз ³ , Хуан Педро Боливар Райя ² , Али Атбир ⁴

Принадлежности

• ¹ LGP, факультет естественных наук, Университет Ибн Зохр, BP: 8106, Агадир, Марокко.
• ² Факультет экспериментальных наук, Университет Уэльвы, Campus El Carmen S/N, 21007, Уэльва, Испания.
• ³ LME, Факультет естественных наук, Университет Ибн Зора, BP: 8106, Агадир, Марокко.
• ⁴ LGP, Факультет наук, Ибн Зор, Университет, BP: 8106, Агадир, Марокко. [email protected].

• PMID: 36571681
• DOI: 10.1007/s11356-022-24799-4

Абстрактный

В настоящей работе преобразование отходов марокканского фосфогипса (ФГ), считающегося потенциальным источником сульфата, в соединение сульфата калия может помочь уменьшить воздействие на окружающую среду и создать новую цепочку создания стоимости для фосфатной промышленности. Как правило, твердо-жидкостные равновесия часто применяются в химической промышленности. Они являются ценным подспорьем в визуализации осаждения, разделения и очистки твердой фазы и путей, по которым может происходить кристаллизация. Этот процесс направлен на производство сульфата калия (K ₂ SO ₄ ), ценное удобрение, из растворов сульфатов, полученных после растворения ПГ в среде NaOH. Четвертичная фазовая диаграмма Na ⁺ , K ⁺ //Cl ^– , SO ₄ ^2- -H ₂ O при 25 °C была специально использована для определения условий работы и конструкции процесс кристаллизации при превращении ПГ в K ₂ SO ₄ . Представление Янеке этой системы позволяет определить оптимальную траекторию на фазовой диаграмме для реакции двойного разложения. Методы рентгеновской флуоресценции (XRF) и рентгеновской дифракции (XRD) были проведены для идентификации кристаллических фаз, образовавшихся в ходе нашего процесса. Подводя итог, можно сказать, что результаты этого исследования могут способствовать разработке устойчивой системы повышения стоимости. Кроме того, К ₂ SO ₄ представляет собой хорошую альтернативу хлориду калия для культур, чувствительных к хлоридам.

Ключевые слова: Преобразование; К2SO4; Фазовая диаграмма; фосфогипс; Валоризация.

© 2022. Автор(ы) по эксклюзивной лицензии Springer-Verlag GmbH Germany, часть Springer Nature.

Похожие статьи

• Новый и устойчивый подход к биотрансформации фосфогипса в карбонат кальция с использованием уреазы, продуцирующей штамм Lysinibacillus sphaericus GUMP2.

  Патил П.П., Прабху М., Мутнури С. Патил П.П. и др. Экологические технологии. 2023 янв; 44(2):226-239. дои: 10. 1080/095.2021.1968506. Epub 2021 9 сентября. Экологические технологии. 2023. PMID: 34383628

• Фосфогипсовая стабилизация бокситового остатка: преобразование его щелочных характеристик.

  Сюэ С., Ли М., Цзян Дж., Миллар Г.Дж., Ли С., Конг Х. Сюэ С. и др. J Environ Sci (Китай). 2019 март; 77:1-10. doi: 10.1016/j.jes.2018.05.016. Эпаб 2018 25 мая. J Environ Sci (Китай). 2019. PMID: 30573073

• Влияние сульфата калия [K ₂ SO ₄ ] на содержание элементов, содержание полифенолов, антиоксидантную и антимикробную активность расторопши пятнистой [Silybum Marianum].

  Ялдиз Г. Ялдиз Г. Фармакогн Маг. 2017 январь-март;13(49):102-107. дои: 10.4103/0973-1296.197641. Фармакогн Маг. 2017. PMID: 28216891 Бесплатная статья ЧВК.

• Процесс образования, удаление примесей и высокоэффективное использование фосфогипсового материала.

  Уровень X, Сян Л. Lv X и др. Наноматериалы (Базель). 2022 31 августа; 12(17):3021. doi: 10.3390/nano12173021. Наноматериалы (Базель). 2022. PMID: 36080057 Бесплатная статья ЧВК. Обзор.

• Возможности использования фосфогипса: обзор.

  Плиака М., Гайдаджис Г. Плиака М. и соавт. J Environ Sci Health A Tox Hazard Subst Environ Eng. 2022;57(9):746-763. дои: 10.1080/10

• 9.2022.2105632. Epub 2022 29 июля. J Environ Sci Health A Tox Hazard Subst Environ Eng. 2022. PMID: 35

  2 Обзор.

Посмотреть все похожие статьи

Рекомендации

1. 1. Агли А. , Тамер Н., Атбир А. и др. (2005) Преобразование фосфогипса в сульфат калия: часть I. Влияние температуры на растворимость сульфата кальция в концентрированных водных растворах хлорида. J Therm Anal Calorim 82: 395–399. https://doi.org/10.1007/s10973-005-0908-y – DOI
2. 1. Абэ М., Танака С., Ногучи М., Ямасаки А. (2021) Исследование карбонизации минералов при прямом барботировании бетонного шлама. СКД Омега 6: 15564–15571. https://doi.org/10.1021/acsomega.0c04758 – DOI
3. 1. Абу-Эйша С. И., Бани-Кананех А.А., Аллаузи М.А. (2000) Производство K2SO4 посредством двойной реакции разложения KCl и фосфогипса. Chem Eng J 76: 197–207. https://doi.org/10.1016/S1385-8947(99)00158-8 – DOI
4. 1. Агайр К., Чанури Х., Ачиу Б. и др. (2022) Исследование кинетики превращения марокканского фосфогипса в X2SO4 (X = Na, Nh5). J Mater Cycles Управление отходами 24: 2015–2029- DOI
5. 1. Авшар С., Тюмук Д., Юзбашиоглу А.Э., Гезерман А.О. (2022) Акцент на процессе Мерзебург: преимущества промышленной декарбонизации и минимизации отходов. Environ Technol Ред. 11: 148–155 – DOI

Грантовая поддержка

• UIZ Projet/2018/Университет Ибн Зора

машин | Бесплатный полнотекстовый | Идентификация неисправности клапана компрессора на основе диаграммы p-V с помощью анализа линейной дискриминации

1. Введение

Поршневой компрессор является одним из наиболее часто используемых основных устройств в области передачи энергии для получения газа под высоким давлением [1]. Несмотря на популярность, некоторые уязвимые компоненты, включая самодействующие клапаны, поршневые штоки и крейцкопфы, обычно приводят к незапланированному простою компрессора, что приводит к значительным негативным последствиям для промышленного применения. Сбой может привести к цепной реакции, в результате которой система будет работать ненормально, что приведет к тяжелым потерям и негативным социальным последствиям. Согласно статистике, предоставленной ПРОГНОСТ [2], исследование наиболее частых видов отказов поршневых компрессоров показало, что отказ клапана является основной причиной незапланированного останова компрессора. Некоторые исследования показали, что отказы клапанов составляют 60% отказов агрегатов, затраты на техническое обслуживание которых составляют 36% от общих расходов на эксплуатацию и техническое обслуживание [3,4].

Клапаны имеют большое значение для поршневых компрессоров, так как они регулируют рабочий процесс компрессора, а также являются основным источником потерь мощности компрессора [5]. Чистота газового потока является важным фактором, влияющим на выход клапана из строя, а наличие жидкости и мусора может значительно сократить срок службы клапана. Хотя ранняя утечка клапана обычно не связана с безопасностью, необнаруженный отказ клапана может привести к полному отказу компрессии, что может привести к серьезным повреждениям и несчастным случаям. Например, для компрессора двойного действия динамическая нагрузка на шток поршня периодически изменяется между растяжением и сжатием, создавая зазор между втулкой подшипника крейцкопфа и штифтом для обеспечения пространства для смазки. Недостаточное обратное усилие и/или углы приведут к плохой смазке крейцкопфа, а также к избыточному теплу, что приведет к более катастрофическим отказам, таким как заедание и износ пальца крейцкопфа и вкладыша подшипника. Следовательно, для применения поршневого компрессора необходимы мониторинг в реальном времени и диагностика неисправностей.

Хотя постепенно внедряются новые конструкции клапанов и улучшенные материалы, а частота отказов значительно снижается, для многих операторов компрессоров мониторинг состояния клапанов по-прежнему является основным подходом к сокращению незапланированных простоев [6]. До сих пор для диагностики состояния компрессора использовались различные параметры физического состояния. Чжоу и др. [7] предоставили адаптивную генеративно-состязательную сеть для улучшения слабых характеристик неисправности вибрационного сигнала для завершения диагностики неисправности компрессора природного газа. Лян и др. [8] воспользовались модальным анализом, расчетом резонансной длины трубопровода, анализом частотно-скоростного спектра и измерением пульсаций давления для решения проблемы аномальной вибрации впускных трубопроводов поршневого компрессора. Таунсенд и др. [9] разработали устройства контроля температуры на шатунах и подтвердили их наличие. Бесерра и др. [10] проанализировали преждевременный выход из строя коленчатых валов на основе давления внутри цилиндра. Гамри [11] и Ван [12] и соавт. предложил и использовал технологию акустической эмиссии (АЭ) для реализации мониторинга состояния и диагностики неисправностей компрессора. Chlumsky [13] указал, что давление может диагностировать неисправности клапана утечки, поршневого кольца и замедленного закрытия выпускных клапанов на основе экспериментальных исследований. Манепатил и др. [14] доказали жизнеспособность пульсации давления при выходе из строя штока поршня. Эльхай и др. [15] объединили давление и мгновенную угловую скорость (IAS), чтобы сформировать две таблицы истинности для диагностики. Большинство предыдущих исследований отказов клапанов компрессоров были сосредоточены на классификации типов отказов клапанов, таких как трещины в клапане, деформация клапана и заклинивание посторонними предметами. Однако начальная стадия отказа клапана характеризуется негерметичностью; если неисправность будет выявлена ​​на этом начальном этапе, в значительной степени можно будет избежать более серьезных аварий.

Диаграмма давление-объем (p-V) может всесторонне отражать производительность и состояние поршневого компрессора, абсцисса которой представляет собой объем цилиндра, а ордината – внутреннее давление. Диаграмма p-V может всесторонне указать на проблемы в рабочем процессе компрессора. Реал и др. [16] показали, что поведение и производительность сброса можно оценить по диаграмме p-V и сигналу смещения клапана. Форма диаграммы p-V используется для диагностики рабочей информации, такой как утечки, колебания давления и условия теплообмена. Ким и др. [17] использовали давление внутри цилиндра для выполнения динамического анализа клапана с учетом преобразования тепла для получения эффективности компрессора. Ли и др. [18] предложили основанный на деформации метод записи p-V-диаграммы поршневого компрессора путем измерения деформации штока поршня и подтвердили этот метод диагностикой утечек клапана. В промышленных приложениях диаграмма p-V является обязательной функцией в системах онлайн-мониторинга, разработанных Windrock [19].], HOERBIGER [20], PROGNOST [21] и Bently Nevada [22]. Однако применение диаграммы p-V требует квалифицированных знаний и опыта. Следовательно, существует острая необходимость в упрощении подхода, чтобы операторы с относительно низкой квалификацией могли гибко использовать p-V-диаграммы.

Методы, основанные на данных, играют все более эффективную роль в создании моделей диагностики неисправностей, которые могут определять потенциальные связи между огромными объемами данных и машинами. Анализ основных компонентов (PCA), линейный дискриминантный анализ (LDA), метод опорных векторов (SVM) и т. д. использовались для классификации неисправностей путем обработки сигналов вибрации и давления в поршневых компрессорах и других видах промышленных приложений. Ахмед и др. [23] применил PCA для выбора характеристик сигнала вибрации во временной области, чтобы реализовать идентификацию неисправности, связанной с утечкой всасывающего клапана, утечкой промежуточного охладителя, ослабленным приводным ремнем и условиями множественных неисправностей. Ван и др. [24] побудил LDA определить влияние каждой переменной, чтобы присвоить соответствующий вес максимальному среднему расхождению для сети с глубоким переносом, что показало лучшую способность к обобщению и точность классификации. Ван и др. [25] интегрировали p-V-диаграмму и SVM с помощью методов обработки изображений, чтобы получить семь инвариантных моментов p-V-диаграммы, которые диагностируют пять видов неисправностей клапана. Фэн и др. [26] выбрали дискретное преобразование 2D-Curvelet для анализа особенностей диаграммы p-V, а метод PCA был адаптирован для обнаружения новшеств. Классификация неисправностей была реализована с помощью SVM. Пихлер и др. [27] обратили внимание на период разложения диаграммы p-V и использовали линеаризованную диаграмму logp-V для извлечения градиента как признака. SVM был проведен для классификации типов неисправностей клапанов. Нельзя отрицать, что большинство решений реализуют идентификацию типов и компонентов неисправностей, но немногие из них участвуют в оценке серьезности неисправности, в соответствии с которой производители могут более удобно разрабатывать планы технического обслуживания и распределять запасы запасных частей.

В этой статье предлагается метод диагностики неисправности и оценки серьезности клапана поршневого компрессора на основании признаков, извлеченных из диаграммы p-V. Во-первых, с помощью экспериментального макета были получены p-V-диаграммы различных уровней утечки. Во-вторых, четырехмерные характеристические переменные, состоящие из отношения давлений, коэффициента угла процесса, коэффициента площади p-V и коэффициента индекса процесса, были извлечены из диаграммы p-V для характеристики рабочего состояния клапана. Затем с помощью комбинации PCA и LDA была создана диагностическая модель, в которой PCA используется для предварительного проецирования и усиления признаков характеристических переменных. LDA впервые используется для уменьшения размерности переменных характеристик диаграммы p-V, чтобы предсказать уровень неисправности утечки клапана. Кроме того, осуществимость и точность этого метода были подтверждены выявлением различных уровней неисправности, связанной с утечкой клапана в поршневом компрессоре. В конце концов, этот метод был также применен для диагностики отказа, вызванного треснутой пластиной клапана в поршневом компрессоре и деформированной пластиной клапана в поршневом компрессоре с гидравлическим приводом.

2. Методология

2.1. Приобретение p-V Diagram

Поршневой компрессор представляет собой объемную машину, в которой объем газа всасывается в камеру сжатия цилиндра компрессора, где он захватывается, сжимается и выталкивается. На основе измеренной верхней мертвой точки (ВМТ) движения поршня сигнал в угловой области (т. е. во временной области) давления в цилиндре (т. е. диаграмма p−θ на рисунке 1) может быть преобразован в диаграмма давление-объем (т. е. диаграмма p-V на рис. 2).

На рис. 3 показана принципиальная схема поршневого компрессора. Положение поршня определяется углом поворота коленчатого вала. За начало координат перемещения поршня задается верхняя мертвая точка (ВМТ).

Рабочий объем цилиндра можно рассчитать из

где V0 — объем зазора, D — диаметр цилиндра, l — длина шатуна, r — радиус кривошипа, λ — отношение радиуса кривошипа к длине шатуна, θ — угол поворота кривошипа .

Приняв рабочий объем VC за абсциссу, а давление за ординату, можно получить диаграмму p-V [28].

2.2. Извлечение функции из диаграммы p-V

2.2.1. Выбор параметров статистической характеристики диаграммы p-V

Диаграмма p-V описывает динамическую зависимость между давлением и объемом в цилиндре во время рабочего цикла. Диаграмма p-V не только иллюстрирует указанную мощность из области, ограниченной кривой, но также может использоваться для диагностики неисправностей путем сравнения ее с состоянием работоспособности. Поэтому, как показано на рисунке 4, следующие характеристические параметры извлекаются из диаграммы p-θ и диаграммы p-V поршневого компрессора для формирования четырехмерной характеристической переменной:

(1)

Pressure ratio

(2)

Process angle coefficient

(3)

Area coefficient

(4)

Process коэффициент параметра:

В процессах сжатия и расширения уравнение состояния газа имеет вид [29]: N как наклон, а абсцисса и ордината как lgV и lgp соответственно могут быть получены как:

Затем можно получить коэффициент параметра процесса XN:

где ps — давление всасывания, pd — давление нагнетания, θcom — технологический угол сжатия, θexp — технологический угол расширения, SpV — площадь замкнутой кривой давления на диаграмме p−V, SP — прямоугольная площадь окруженный линией всасывания и линией нагнетания, n – параметр процесса сжатия, а m – параметр процесса расширения.

2.2.2. Извлечение признаков на основе PCA-LDA

Как анализ основных компонентов (PCA), так и линейный дискриминантный анализ (LDA) представляют собой методы линейного преобразования, которые обычно используются для уменьшения размерности [30] и классификации данных [31]. PCA и LDA — это алгоритмы обучения без учителя и с учителем соответственно. PCA сохраняет максимальное количество информации при уменьшении размерности за счет вычисления так называемых главных компонентов, которые максимизируют дисперсию в наборе данных. LDA разумно использует метки данных для получения дискриминационных результатов путем вычисления линейных дискриминантов, которые максимизируют разделение между несколькими классами.

Метод PCA (анализ основных компонентов) является одним из типичных линейных методов диагностики неисправностей для анализа ковариационной структуры многомерных данных X∈Rn×k, где k — количество переменных, а n — количество выборок для каждой переменной.

Во-первых, исходные данные стандартизированы в виде стандартизированной матрицы XS. Ковариационная матрица R многомерной матрицы XS, состоящей из обучающих данных, может быть рассчитана как:

где Λ=diagλ1,λ2,…,λn, λ1,λ2,…,λn — собственные значения и λ1≥λ2≥…≥λn. ei i=1,2,…,n — вектор признаков. Получен совокупный вклад дисперсии (CCV) первых k главных компонент:

CCV используется для оценки степени сохранения информации вновь извлеченных компонентов в исходных данных, которая обычно должна быть выше 85%, что означает, что следующая информация о компонентах может быть опущена, а k двух основных компонентов достаточны для описания большей части исходной переменной информации. Собственные векторы, соответствующие первым k собственным значениям, составляют матрицу преобразования WP. WP представляет собой матрицу из n строк и k столбцов:

Преобразованные данные преобразуются матрицей WP в матрицу главных компонентов меньшей размерности:

2.

Линейный дискриминантный анализ (LDA)

LDA — это метод классификации, используемый в статистике, распознавании образов и других областях для нахождения линейной комбинации признаков, которая характеризует или разделяет два или более классов предметы или события. Для выборки наблюдений, распределенных по M группам, цель LDA состоит в том, чтобы создать новое пространство представления, в котором мы можем лучше различать M группы. Он использует межклассовую матрицу рассеяния SB для оценки разделимости различных классов, а внутриклассовую матрицу рассеяния SW оценивает компактность внутри каждого класса.

Во-первых, набор данных X=x1,x2,…,xn является обучающим набором, и каждый xi принадлежит классу Gj(j=1,2,…,M).

Матрица рассеяния между классами SB рассчитывается как:

и внутриклассовая матрица рассеяния SW получается как:

Следовательно, цель оптимизации принимает вид:

где nj — количество точек данных в классе j, μj — центр тяжести класса j, а μ — центр тяжести всех наблюдений.

Можно показать, что оптимальная векторная проекция u является собственным вектором, соответствующим наибольшим собственным значениям SW-1SB. Проекция WL с информацией о максимальной разделимости классов соответствует собственным векторам, чьи собственные значения являются самыми высокими.

Результат диагностики неисправности утечки клапана методом PCA-LDA будет представлен в разделе 4. Объединяя преимущества PCA и LDA, предлагаемый метод, принятый в этой статье, заключается в применении PCA для извлечения и уточнения всех данных в качестве входных данных. параметры для классификатора LDA, затем реализовать идентификацию и оценку серьезности неисправности.

3. Экспериментальная установка

На рисунке 5 двухступенчатый поршневой компрессор двойного действия с водяным охлаждением для промышленного применения был модифицирован для экспериментальных исследований. Он имеет радиус кривошипа 0,0575 м, длину шатуна 0,3 м, диаметр цилиндра 0,19 м. 5 м, диаметр штока 0,035 м, рабочая скорость 570 об/мин. Компрессор был оснащен системой сбора данных с несколькими датчиками, регистрирующими сигналы давления в цилиндре, АЭ клапанов, ВМТ и др.

3.1. Измерение и построение диаграммы p-V

Метод получения диаграмм p-V в этом исследовании включал использование двух датчиков давления, каждый из которых был установлен в шпильки нагнетательного клапана на конце кривошипа (CE) и конце головки (HE), как показано на рис. 6, чтобы обеспечить мгновенную регистрацию фактического давления с обеих сторон цилиндра. Модель датчиков давления XTL-19.0М. Общая погрешность датчика составляла менее ±0,3%, а частота его отклика достигала 10 кГц.

3.2. Экспериментальный макет ошибки утечки клапана

Существует множество причин, вызывающих утечку клапана, которые можно в основном разделить на факторы окружающей среды и механические факторы. Факторы окружающей среды относятся к сжатой среде, которая содержит примеси, вызывающие коррозию или неправильно смазанные, что приводит к блокировке и заклиниванию. Механические факторы относятся к усталостному повреждению тарелки клапана и пружин, вызванному неравномерным движением клапана.

В этом эксперименте к седлу клапана был прикреплен щуп, так что тарелка клапана не могла полностью совпадать с уплотняющей поверхностью седла клапана, что приводило к протечке клапана. Как показано на рис. 7. Толщина щупов, выбранных в ходе сравнительного испытания в этой статье, составляла 0,09 мм, 0,2 мм, 0,3 мм, 0,5 мм и 0,75 мм соответственно, чтобы имитировать различную тяжесть неисправности клапана.

В этой статье 2122 набора данных, относящихся к 6 типам (1 тип здорового клапана и 5 типов негерметичного клапана), были случайным образом зашифрованы, а затем разделены в соответствии с соотношением 50% обучающего набора и 50% тестового набора. Размер данных конкретных типов показан в таблице 1. Для оценки уровня неисправности, исправность и умеренная утечка являются наиболее легко спутанными и важными наборами данных, которые необходимы для получения разделения. Следовательно, объем данных в Типе 1 и Типе 2 относительно велик. В частности, имеется 365 данных о состоянии здоровья и 463 данных о легкой утечке. Характеристические переменные состояли из четырех параметров характеристик (коэффициент давления, коэффициент угла процесса, коэффициент площади диаграммы p-V и коэффициент индекса процесса). На основе обучающего набора данных были обучены модели PCA и LDA, а также рассчитаны проекционные матрицы WP и WL. Затем были спроецированы тестовые наборы данных и предсказаны соответствующие им типы отказов для проверки обученной модели. Блок-схема метода диагностики и оценки степени тяжести показана на рисунке 7.

4. Результаты и обсуждение

4.1. Валидация прилипания разной степени утечки через клапан

Технология акустической эмиссии (АЭ) использовалась для обнаружения утечки через клапан, поскольку утечка газа может увеличить размах непрерывного сигнала АЭ [12]. Для проверки макета метода негерметичности клапана с помощью щупа были записаны сигналы АЭ как исправного клапана (без щупа, 0 мм), так и клапана утечки с щупом. На рис. 8 показано сравнение диаграмм p-θ и AE-θ между негерметичностью клапана различной степени тяжести и состоянием здоровья. По сравнению с сигналом АЭ исправного клапана без щупа на рис. 8а, во время такта сжатия, когда сигнала клапана быть не должно, на рис. сигналы явно увеличиваются. Вышеописанное явление указывает на негерметичность клапана. Более того, по мере увеличения толщины щупа с 0,2 мм до 0,5 мм путь утечки клапана становится шире, нарушение герметичности становится более серьезным, и соответственно увеличивается амплитуда сигнала АЭ в такте сжатия.

На рис. 9 показано сравнение диаграмм p-θ и p-V между негерметичностью клапанов различной степени тяжести и состояния здоровья. По диаграммам p-V можно рассчитать указанную мощность pi, параметр сжатия ni и параметр расширения mi, а отношения вышеуказанных параметров при различных условиях утечки и состояниях здоровья (pH, nH, mH) показаны в таблице. 2. Видно, что по мере улучшения степени течи (т. е. увеличения толщины щупа) параметр сжатия уменьшается, а параметр расширения увеличивается. Это можно объяснить тем, что при утечке во всасывающем клапане во время процесса сжатия газ высокого давления в цилиндре будет непрерывно просачиваться через всасывающий клапан из цилиндра в камеру всасывания из-за разницы давлений. Следовательно, поршень должен пройти более длинный ход, чтобы повысить давление в цилиндре до давления сброса. Следовательно, давление растет медленно, а параметр сжатия уменьшается. Во время такта расширения газ высокого давления в цилиндре будет продолжать просачиваться через всасывающий клапан, поэтому скорость падения давления в цилиндре увеличивается, соответствующий ход сокращается в процессе расширения, а параметр расширения сильно увеличивается.

В данной работе потеря указанной мощности (т.е. работа, совершаемая поршнем над газом) используется для измерения негативного влияния утечки на работу компрессора. Из Таблицы 2 видно, что при толщине щупа 0,09 мм рассчитанная указанная мощность уменьшилась на 5% по сравнению с мощностью исправного клапана. Когда щуп утолщен до 0,75 мм, указанная мощность составляет всего 67% от мощности исправного клапана, что означает потерю 33%. Основываясь на приведенном выше анализе, мы классифицируем уровень серьезности шести типов данных об отказах. Набор данных без щупа (0 мм, тип 1) классифицируется как работоспособный. Уровень дефекта соответствует толщине щупа 0,09мм (Тип 2) — небольшая утечка. Уровень неисправности, соответствующий толщине щупа 0,2 мм, 0,3 мм и 0,5 мм (типы 3, 4, 5), относится к умеренной утечке, а толщина щупа 0,75 мм (тип 6) соответствует серьезной утечке.

4.2. Анализ параметров признаков

Четыре характеристические переменные, извлеченные из диаграммы p-V набора обучающих данных, упорядочиваются и комбинируются как горизонтальные и вертикальные координаты, а обучающие наборы данных проецируются в двумерном пространстве, как показано на рисунке 10. Данные точки показывают относительно очевидную линейную разделимость в двумерном пространстве по мере изменения уровня отказа, что указывает на то, что выбранные функции могут отражать характеристики диаграммы p-V. Можно заметить, что точки данных серьезной утечки (т. е. толщина щупа 0,75 мм, красные точки данных) сильно отличаются от других типов на 2D-диаграммах. На рисунке 10b, d, f, с одномерной точки зрения коэффициента индекса процесса XN, различные типы данных демонстрируют наибольшее разделение, что означает, что они в значительной степени способствуют выявлению неисправности. На рисунке 10e точки данных об отказах того же типа показывают относительно более низкую концентрацию, а точки данных типов 1–5 совмещены вместе в двумерном пространстве коэффициента площади и коэффициента отношения давлений. Это показывает, что, хотя эти два признака реагируют на разнообразие ошибок, они не могут играть важную роль в различении ошибок. Стоит отметить, что на рисунке 10a–c коэффициент угла процесса может привести к тому, что все типы данных будут распределены равномерно, но концентрация данных одного типа неудовлетворительна, а диапазоны перекрытия двух соседних наборов данных значительны. .

На левой диагонали матричной диаграммы (на рисунке 11) гистограмма данных отражает распределение данных от первого до четвертого главного компонента, которое варьируется от четкого до сложного. В направлении первой главной компоненты точки данных исправности и серьезной неисправности (красные и черные точки данных) полностью разделены. Одномерная гистограмма первой главной компоненты показывает, что существует больше перекрывающихся областей, а диапазоны распределения данных составляют 0,09Щупы –0,5 мм не различимы. Это означает, что PCA не достигла удовлетворительных результатов классификации, но усилила и извлекла предварительные признаки. Это можно объяснить тем фактом, что PCA является неконтролируемым алгоритмом без информации о категории. Он выбрал направление с наибольшей дисперсией всех обучающих данных после прогнозирования, и больше информации можно проиллюстрировать большей амплитудой дисперсии. Таким образом, метод PCA, основанный на максимальной дисперсии общих данных и игнорировании категории данных, не показал хороших результатов при классификации слабых и умеренных разломов. Тем не менее, все же можно отметить, что группы данных уже представили линейное распределение в основном с точки зрения типа в 2D-пространстве, образованном PCA1 и PCA2 (с оценкой компонента для PCA1 и PCA2, равной 98,77%). Следовательно, для более точной классификации данных необходима другая проекция.

Затем преобразованные данные PCA использовались в качестве входных параметров LDA. После LDA, из двухмерного пространственного наблюдения на рисунке 12, результат распределения различных типов разломов был более отчетливым, чем после PCA. В частности, процент объясненных отклонений первого направления проекции достигает более 99%. Кроме того, на гистограмме различных типов данных больше не отображались очевидные перекрывающиеся области. Более того, группы данных представляют собой однонаправленное линейное распределение в соответствии с уровнем отказа в направлении LDA1. Это означает, что информация p-V-диаграммы была успешно сведена к одному измерению, а результат распределения различных типов неисправностей был более отчетливым, чем после PCA, что достаточно для проведения определения уровня утечки неисправности. Вышеприведенный анализ подтвердил необходимость и эффективность LDA.

4.

В этом разделе для обработки данных тестового набора использовались четыре других установленных метода уменьшения размерности данных, включая t-распределенное стохастическое встраивание соседей (TSNE), анализ основных компонентов ядра (KPCA), сохранение локальности. Проекции (LPP) и машина опорных векторов (SVM).

T-Distributed Stochastic Neighbor Embedding (t-SNE) [32] — это метод уменьшения размерности, используемый для представления многомерных наборов данных в двумерном или трехмерном низкоразмерном пространстве для их визуализации. T-SNE создает уменьшенное пространство признаков, в котором сходные выборки моделируются близлежащими точками, а разнородные выборки моделируются отдаленными точками с высокой вероятностью. Анализ основных компонентов (PCA) подходит для уменьшения линейной размерности данных. Анализ основных компонентов ядра [33] (KPCA) может реализовать нелинейное уменьшение размерности данных и используется для обработки линейно неразделимых наборов данных. Для данных с корреляциями высокого порядка анализ основных компонентов ядра (KPCA) может реализовать нелинейное уменьшение размерности данных и используется для обработки линейно неразделимых наборов данных. Для данных с корреляциями высокого порядка выборочные данные сопоставляются с многомерными данными, а затем линейный классификатор PCA используется для уменьшения размерности, чтобы реализовать классификацию нелинейных данных. LPP [34] — это линейный метод, который проецирует данные в направлении максимальной дисперсии. Когда многомерные данные лежат на низкоразмерном многообразии, вложенном в объемлющее пространство, LPP реализуется путем нахождения наилучшей линейной аппроксимации собственных функций оператора Бельтрами Лапласа на многообразии. SVM [35] используется для классификации ошибок из-за его превосходства в решении задач с небольшими выборками, что может гарантировать точное совпадение локальных и глобальных оптимальных решений.

На Рисунке 13 и Рисунке 14 показано сравнение между 2D-проекцией и временем расчета вышеуказанных методов и этого метода. Распределение TSNE показывает, что данные о разломах одного типа разбросаны и объединены, то есть данные о разломах одного типа могут быть собраны в нескольких местах, а распределение точек данных хаотично и не дает желаемого эффекта классификации. Вычислительная стоимость t-SNE очень высока из-за большого объема памяти и длительного времени работы. На рисунке 10 данные представляют собой линейно разделимую характеристику в двумерном пространстве. Следовательно, при переходе к проекции KPCA и SVM результат анализа принятия линейного ядра значительно лучше, чем ядро ​​RBF. При использовании ядра RBF они не могут различать распределение разного рода данных. Данные Типа 1, Типа 2, Типа 3 и Типа 6 смешиваются вместе, в то время как данные Типа 4 и Типа 5 реализуют относительно лучший эффект дифференциации и агрегации, что также недостаточно удовлетворительно. При использовании линейного ядра результаты двух методов очень согласуются. Результат LPP, еще одного линейного метода, очень близок к результату SVM и KPCA, и данные показали хорошее разделение и тенденцию к линейному распределению. Однако с одномерной точки зрения степень агрегации LPP в одномерном направлении не так хороша, как у SVM и KPCA. Что касается метода, предложенного в данной статье, то очевидно, что лучше использовать метод, основанный на PCA-LDA. Точки данных одного типа демонстрируют высокий уровень компактности в одном измерении, а различия между различными типами более значительны. Кроме того, на рис. 14 показано сравнение времени расчета каждого метода. Минимальные затраты времени еще раз подтверждают высокую эффективность и результативность этой работы.

4.4. Оценка серьезности утечки клапана

В соответствии с вышеприведенным анализом можно сделать вывод о методе выделения признаков диаграммы p-V и оценке серьезности неисправности утечки клапана. Сначала извлекаются коэффициент отношения давлений, коэффициент угла процесса, коэффициент площади и индекс индекса процесса диаграммы p-V для формирования переменных четырехмерных признаков. Алгоритм PCA используется для усиления и извлечения предварительных характеристик данных для получения проекционной матрицы WP. Затем преобразованные данные PCA используются в качестве входных параметров LDA для вычисления проекционной матрицы WL, и обучение классификатора завершается. Затем обученная диагностическая модель используется для прогнозирования типа неисправности набора тестовых данных. На рис. 15 показана матрица путаницы прогнозируемого результата. Он показывает, что четыре точки данных, относящиеся к 0,2 мм, неверно предсказаны как 0,3 мм. В дополнение к этому результаты прогнозирования других точек тестовых данных верны. Общая точность распознавания достигает 99,62%.

На рис. 16 тестовая и обучающая выборки проецируются в направлении LDA1, при этом точки данных одного типа демонстрируют высокий уровень компактности, а различия между разными типами очевидны. Кроме того, данные между тестовым набором и обучающим набором также в значительной степени перекрываются. Нельзя отрицать, что расстояние между точками данных типа 2 (0,2 мм) и типа 3 (0,3 мм) близко, где также генерируется ошибка. Тем не менее, разница показаний потерь мощности, вызванных двумя вышеупомянутыми утечками, также очень близка (8 % и 9 %). %), и оба относятся к умеренным разломам утечки. Поэтому указанная выше ошибка считается допустимой.

4.5. Диагностика неисправностей клапанов

4.5.1. Применение при незначительной утечке, вызванной трещиной в пластине клапана

На рис. 17 показана p–V-диаграмма состояния отказа, при котором давление всасывания составляло 88 кПа, а давление нагнетания — 343 кПа. После преобразования проекционной матрицы WP, WL, полученной в результате вышеуказанного обучения, прогнозируемый результат был типом 2, который представлял собой легкую утечку клапана. В дополнение к факторам окружающей среды, таким как примеси, захваченные сжатым газом, механический фактор также является одной из основных причин легкой утечки. Механический фактор в основном относится к повреждению клапана, вызванному многоцикловой усталостью или неравномерным движением клапана [36]. При работе компрессора, особенно компрессора с высокой скоростью вращения, клапанная тарелка постоянно подвергается высокочастотным ударам, вызванным ударами по седлу клапана и ограничителю. Трещины или поломка пластины клапана могут привести к нарушению герметичности, а небольшая утечка, в свою очередь, может указывать на раннюю трещину.

Таким образом, сигнал вибрации был интегрирован для подтверждения вышеприведенного решения и дальнейшего всестороннего определения причины утечки. Трещина или локальный дефект влияет на динамическую характеристику элемента конструкции, которую можно обнаружить с помощью измерения вибрации [37]. Учитывая переходные характеристики удара между пластиной клапана и седлом клапана, появление трещин вызвало изменение жесткости пластины клапана. Следовательно, когда пластина клапана ударялась о седло клапана и ограничитель, амплитуда во временной области и распределение энергии в частотной области сигнала вибрации значительно менялись. Рисунок 18 иллюстрирует сравнение спектров мощности БПФ между сигналом вибрации от исправного клапана и клапана с трещиной. Видно, что в диапазоне ВЧ полосы 10–15 кГц амплитуда спектра мощности претерпевает значительный рост (т. е. красная линия по сравнению с черной линией), т. е. измеряемая составляющая указывает на наличие дефекта трещины.

На Рисунке 19 на тарелке клапана была глубокая трещина, которая привела к незначительной протечке клапана. Таким образом, метод, предложенный в этой статье, реализовал диагностику слабой утечки, вызванной треснувшей пластиной клапана в поршневом компрессоре.

4.5.2. Применение при серьезной утечке, вызванной деформированной пластиной клапана

Предложенный метод был также применен в клапане поршневого компрессора с гидравлическим приводом [38], который является еще одним типом поршневого компрессора, предназначенного для сжатия водорода до 90 МПа для HRS, как показано на рисунке 20. Датчик давления был установлен через торцевую крышку цилиндра для записи p-V диаграммы.

Рисунок 21 показывает, что в состоянии неисправности давление всасывания составляло 6,2 МПа, давление нагнетания — 30,8 МПа. Компрессор работал со скоростью 16 циклов в минуту. Во время работы агрегата температура линии всасывания ненормально возросла, и эта характеристика была извлечена из диаграммы p-V на рис. 21b для диагностики и оценки серьезности неисправности. Полученный результат был типом 4, который представлял собой диапазон серьезности неисправности средней утечки. С другой стороны, сигнал АЭ также отслеживался на крышке клапана, что указывало на протечку клапана из-за увеличения размаха непрерывного сигнала АЭ в период сжатия, что показано красной линией на рисунке 21а.

После разборки и осмотра клапана компрессора было обнаружено, что пружина клапана сломана, а центральная часть пластины клапана сильно деформирована, что привело к выходу из строя уплотняющей поверхности клапана, как показано на рисунке 22. Таким образом, диагностика приобрела точный и удовлетворительный результат.

Затем были заменены сломанная пружина клапана и деформированная пластина клапана. В рабочем состоянии при давлении всасывания 1,6 МПа и давлении нагнетания 7,8 МПа компрессор работал со скоростью 16 циклов в минуту. Результатом идентификации стало здоровье (Тип 0). Давление в цилиндре и сигнал АЭ клапана указывали на то, что утечка была устранена, по той причине, что в период сжатия и расширения отсутствовал явный непрерывный сигнал АЭ с нарастающей амплитудой (на рис. 23).

5. Выводы

В этой статье предложена идентификация неисправности клапана поршневого компрессора с использованием характеристик p-V диаграммы и анализа линейной дискриминации, которая была дополнительно подтверждена диагностикой утечек клапана различной степени тяжести, а неисправность диагностика клапана поршневого компрессора поршневого компрессора с гидравлическим приводом для ГРС. Можно сделать несколько выводов:

(1)

Четырехмерные переменные, состоящие из отношения давлений, коэффициента угла процесса, коэффициента площади p-V и коэффициента индекса процесса, могут быть извлечены из диаграммы p-V, чтобы служить в качестве характеристики, иллюстрирующие серьезность отказа. Коэффициент индекса процесса в значительной степени способствует выявлению неисправностей.

(2)

PCA можно использовать для усиления и извлечения предварительных характеристик характеристических переменных и разделения данных о серьезных утечках, а набор данных, спроецированный с помощью PCA, использовался в качестве входного параметра для классификатора LDA. для достижения оптимизированного результата классификации.

(3)

Результаты диагностики и идентификации различных данных о неисправностях показывают хорошую согласованность с фактическими неисправностями, включая треснутую пластину клапана и деформированный клапан при применении поршневого компрессора и поршневого компрессора с гидравлическим приводом.

(4)

Это открытие указывает на то, что метод, основанный на p-V диаграмме, является эффективным инструментом диагностики отказа самодействующего клапана, который может иметь большой потенциал во многих сценариях применения, включая хранение газа, водородную заправочную станцию, и т. д.

Вклад авторов

Концептуализация: X.P. и З.З.; методика: X.L. и PR; программное обеспечение: XL; проверка: XL и PR; написание – первоначальная черновая подготовка, XL; написание – обзор и редактирование, X.P. и XJ; визуализация: X.L. и З.З.; надзор: З.З.; Администрация проекта: X.P. и X.J. Все авторы прочитали и согласились с опубликованной версией рукописи.

Финансирование

Эта работа была поддержана Национальным фондом естественных наук Китая посредством гранта № 51876155.

Заявление Институционального контрольного совета

Неприменимо.

Заявление об информированном согласии

Неприменимо.

Заявление о доступности данных

Данные, использованные для подтверждения результатов этого исследования, могут быть получены от соответствующего автора по запросу при условии соблюдения соответствующих законов и положений о защите данных.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Ссылки

1. Giorgetti, S.; Джорджетти, А .; Джахроми, Р.Т.; Арсидиаконо, Г. Динамический анализ фундаментов машин: пример фундамента поршневого компрессора. Машины 2021 , 9, 228. [Google Scholar] [CrossRef]
2. ПРОГНОСТ. PROGNOST Systems GmbH Профиль компании. Доступно в Интернете: https://www.prognost.com/2016/07/28/compressor-valve-monitoring/ (по состоянию на 7 декабря 2021 г.).
3. Лукопулос, П.; Жолкевский, Г.; Беннет, И.; Сампат, С .; Пилидис, П.; Ли, Х .; Мба, Д. Оценка оставшегося срока полезного использования в результате внезапной неисправности с использованием измерений отказа клапана поршневого компрессора. мех. Сист. Сигнальный процесс. 2019 , 121, 359–372. [Google Scholar] [CrossRef]
4. Kolodziej, J.R.; Траут, Дж.Н. Подход к распознаванию образов на основе изображений для мониторинга состояния клапанов поршневого компрессора. Дж. Виб. Контроль 2017 , 24, 4433–4448. [Академия Google] [CrossRef]
5. Чжао Б.; Цзя, X .; Солнце, С .; Вен, Дж.; Пэн, X. Модель FSI движения клапана и пульсации давления для исследования термодинамического процесса и внутреннего потока внутри поршневого компрессора. заявл. Терм. англ. 2018 , 131, 998–1007. [Google Scholar] [CrossRef]
6. Шарма, В.; Пари, А. Оценка эффективности методов разложения для диагностики утечек в поршневом компрессоре при ограниченном изменении скорости. мех. Сист. Сигнальный процесс. 2018 , 125, 275–287. [Академия Google] [CrossRef]
7. Чжоу Д.; Хуанг, Д .; Хао, Дж.; Рен, Ю .; Цзян, П.; Цзя, X. Диагностика неисправностей компрессора природного газа на основе вибрации с использованием адаптивного стохастического резонанса, реализованного с помощью генеративно-состязательных сетей. англ. Неудача. Анальный. 2020 , 116, 104759. [Google Scholar] [CrossRef]
8. Лян З.; Ли, С .; Тиан, Дж . ; Чжан, Л.; Фэн, К.; Чжан, Л. Анализ причин вибрации и устранение впускных трубопроводов поршневого компрессора. англ. Неудача. Анальный. 2015 , 48, 272–282. [Академия Google] [CrossRef]
9. Таунсенд, Дж.; Бадар, Массачусетс; Секерсес, Дж. Обновление контроля температуры на шатунах поршневого компрессора для повышения надежности. англ. науч. Технол. Междунар. J. 2016 , 19, 566–573. [Google Scholar] [CrossRef][Зеленая версия]
10. Бесерра, Дж. А.; Хименес, Ф.Дж.; Торрес, М.; Санчес, Д.Т.; Карвахаль, Э. Анализ отказов коленчатых валов поршневых компрессоров. англ. Неудача. Анальный. 2011 , 18, 735–746. [Google Scholar] [CrossRef]
11. Эль-Гамри, М.; Рубен, Р .; Стил, Дж. Разработка методов автоматического распознавания образов и выделения статистических признаков для диагностики отказов возвратно-поступательных механизмов с использованием акустической эмиссии. мех. Сист. Сигнальный процесс. 2003 , 17, 805–823. [Google Scholar] [CrossRef]
12. Ван Ю.; Сюэ, К .; Цзя, X .; Пэн, X. Диагностика неисправностей клапана поршневого компрессора методом интеграции сигнала акустической эмиссии и имитации движения клапана. мех. Сист. Сигнальный процесс. 2015 , 56–57, 197–212. [Google Scholar] [CrossRef]
13. Хлумский В. Поршневые и роторные компрессоры; SNTL-издательство технической литературы: Прага, Чехословакия, 1965; стр. 502–506. [Академия Google]
14. Манепатил, С.С.; Тивари, А. Диагностика неисправностей поршневого компрессора с использованием пульсаций давления. В материалах Международной конференции по разработке компрессоров, Уэст-Лафайет, Индиана, США, 9–12 июля 2018 г. [Google Scholar]
15. Elhaj, M.; Альмрабет, М .; Ргеаи, М .; Эхтивеш, И. Комбинированный практический подход к мониторингу состояния поршневого компрессора с использованием IAS и динамического давления. Всемирная акад. науч. англ. Технол. 2010 , 63, 186–192. [Google Scholar]
16. Реал, М.; Перейра, Э. Измерение подъема клапана герметичного компрессора с помощью волоконно-оптических датчиков. В материалах 7-й Международной конференции IIR по компрессорам и охлаждающим жидкостям, Castá Papiernicka, Словакия, 30 сентября – 2 октября 2009 г.. [Google Scholar]
17. Ким Дж.; Ван, С.; Парк, С.; Рю, К .; Ла, Дж. Динамический анализ клапана герметичного поршневого компрессора. В материалах Международной конференции по разработке компрессоров, Уэст-Лафайет, Индиана, США, 17–20 июля 2006 г. [Google Scholar]
18. Li, X.; Пэн, X .; Чжан, З .; Цзя, X .; Ван, З. Новый метод неразрушающей диагностики неисправностей поршневого компрессора с помощью диаграммы p – V на основе деформации. мех. Сист. Сигнальный процесс. 2019 , 133, 106268. [Google Scholar] [CrossRef]
19. Ветровая скала. Портативный анализатор Windrock 6400. 2020. Доступно в Интернете: https://windrock.com/wp-content/uploads/2019/06/Windrock-6400-Brochure_060319_sm.pdf (по состоянию на 7 декабря 2021 г.).
20. HOERBIGER (Shanghai) Co. Ltd. Мониторинг состояния поршневых компрессоров. 2014. Доступно в Интернете: https://www.utilityengineers.net/specialist/Conditioning%20Monitoring.pdf (по состоянию на 7 декабря 2021 г.).
21. ПРОГНОСТ. Оценка сильных и слабых сторон наиболее распространенных онлайн-технологий мониторинга состояния. 2014. Доступно в Интернете: https://www.prognost.com/wp-content/uploads/2018/03/ct2-06-14_compressor-valve-monitoring.pdf (по состоянию на 7 декабря 2021 г.).
22. Бентли Невада. Пакет управления компрессором OptiComp™ BN. 2015. Доступно в Интернете: https://www.bakerhughesds.com/sites/g/files/cozyhq596/files/acquiadam_assets/gea30389a_opticompbrochure_printed_r2.pdf (по состоянию на 7 декабря 2021 г.).
23. Ахмед М. ; Баккар, М.; Гу, Ф .; Болл, А. Д. Обнаружение и диагностика неисправностей с использованием анализа основных компонентов данных вибрации от поршневого компрессора. В материалах Международной конференции по контролю UKACC 2012 г., Кардифф, Великобритания, 3–5 сентября 2012 г.; стр. 461–466. [Google Scholar] [CrossRef][Зеленая версия]
24. Ван Ю.; Ву, Д.; Юань, X. Глубокое обучение на основе LDA для диагностики неисправностей в промышленных химических процессах. вычисл. хим. англ. 2020 , 140, 106964. [Google Scholar] [CrossRef]
25. Ван Ф.; Песня, Л.; Чжан, Л.; Ли, Х. Диагностика неисправностей клапана поршневого воздушного компрессора с использованием диаграммы индикатора P-V и SVM. В материалах 3-го Международного симпозиума по информатике и инженерии, Шанхай, Китай, 24–26 декабря 2010 г.; стр. 255–258. [Академия Google] [CrossRef]
26. Фэн, К.; Цзян, З .; Он, В .; Ма, Б. Подход к распознаванию и обнаружению новизны, основанный на преобразовании Курвеле, нелинейном PCA и SVM с применением к диагностике индикаторных диаграмм. Эксперт Сист. заявл. 2011 , 38, 12721–12729. [Google Scholar] [CrossRef]
27. Пихлер, К.; Лугхофер, Э.; Пихлер, М.; Бухеггер, Т .; Клемент, Э .; Хушенбетт, М. Обнаружение сломанных клапанов поршневого компрессора на диаграмме PV. В материалах Международной конференции IEEE/ASME по передовой интеллектуальной мехатронике, Вуллонгонг, Новый Южный Уэльс, Австралия, 9–12 июля 2013 г.; стр. 1625–1630. [Google Scholar]
28. Hanlon, P.C. Справочник по компрессору; McGraw-Hill: New York, NY, USA, 2001. [Google Scholar]
29. Shen, W.D.; Тонг, Дж.Г. термодинамика машиностроения; Higher Education Press: Пекин, Китай, 2007 г.; стр. 267–269. [Google Scholar]
30. Чжан Ю.; Сюй, Т .; Чен, К.; Ван, Г.; Чжан, З .; Сяо, Т. Иерархический метод, основанный на улучшенном глубоком лесу и рассуждениях на основе конкретных случаев для диагностики неисправностей железнодорожных стрелочных переводов. англ. Неудача. Анальный. 2021 , 127, 105446. [Google Scholar] [CrossRef]
31. Kim, H.; Дрейк, Б.Л.; Парк, Х. Мультиклассовые классификаторы, основанные на уменьшении размерности с помощью обобщенного LDA. Распознавание образов. 2007 , 40, 2939–2945. [Google Scholar] [CrossRef][Зеленая версия]
32. Чен, Дж.; Чжоу, Д .; Лю, К.; Лу, К. Реконструкция признаков на основе t-SNE: подход к диагностике неисправностей вращающихся механизмов. Дж. Виброенг. 2017 , 19, 5047–5060. [Академия Google] [CrossRef][Зеленая версия]
33. Пиларио, К.Э.; Шафи, М .; Цао, Ю.; Лао, Л.; Ян, С.Х. Обзор методов ядра для извлечения признаков при нелинейном мониторинге процессов. Процессы 2020 , 8, 24. [Google Scholar] [CrossRef][Green Version]
34. He, X.; Нийоги, П. Прогнозы сохранения местности. проц. Доп. Нейронная инф. Процесс. Сист. 2003 , 16, 153–160. [Google Scholar]
35. “> Ян, Ю.; Ю, Д .; Ченг, Дж. Подход к диагностике неисправностей подшипников качения на основе спектра огибающей IMF и SVM. Измерение 2007 , 40, 943–950. [Google Scholar] [CrossRef]
36. Брун, К.; Норед, М.Г.; Герненц, Р.С.; Платт, Дж. П. Анализ срока службы и производительности клапанной пластины поршневого компрессора. В материалах конференции по газовому машиностроению, Ковингтон, Луизиана, США, 3–5 октября 2005 г.; стр. 1–15. [Google Scholar]
37. Бовсуновский А.П. Анализ эффективности вибродиагностики трещин во вращающихся валах. англ. Фракт. мех. 2017 , 173, 118–129. [Google Scholar] [CrossRef]
38. Сданги, Г.; Маранцана, Г.; Селзард, А .; Фиерро, В. Обзор современных технологий и характеристик сжатия водорода для стационарных и автомобильных приложений. Продлить. Поддерживать. Энергия Ред. 2019 , 102, 150–170. [Google Scholar] [CrossRef]

Рисунок 1. диаграмма p−θ.

Рисунок 1. диаграмма p−θ.

Рисунок 2. p-V диаграмма.

Рисунок 2. p-V диаграмма.

Рисунок 3. Принципиальная схема поршневого компрессора. (Адаптировано с разрешения ссылки [18] 2022 Elsevier).

Рисунок 3. Принципиальная схема поршневого компрессора. (Адаптировано с разрешения ссылки [18] 2022 Elsevier).

Рисунок 4. Характеристические параметры диаграммы p-V ( a ), диаграммы p-θ ( b ) и диаграммы lgp-V ( c ).

Рисунок 4. Характеристические параметры диаграммы p-V ( a ), диаграммы p-θ ( b ) и диаграммы lgp-V ( c ).

Рисунок 5. Экспериментальное оборудование: Устройство фотоэлектрического датчика ( a ), экспериментальный компрессор и его цилиндры и клапаны ( b ), система сбора данных ( c ).

Рисунок 5. Экспериментальное оборудование: Устройство фотоэлектрического датчика ( и ), экспериментальный компрессор и его цилиндры и клапаны ( b ), система сбора данных ( c ).

Рисунок 6. Устройство датчика давления.

Рисунок 6. Устройство датчика давления.

Рисунок 7. Блок-схема диагностики и метода оценки тяжести.

Рис. 7. Блок-схема диагностики и метода оценки тяжести.

Рисунок 8. Сравнение диаграмм p-θ и AE-θ между состоянием здоровья ( и ), дефектом утечки клапана с щупом 0,2 мм ( b ) и неисправностью утечки клапана с щупом 0,5 мм ( c ).

Рис. 8. Сравнение диаграмм p-θ и AE-θ для состояния здоровья ( и ), дефекта утечки клапана с щупом 0,2 мм ( b ) и нарушение герметичности клапана с помощью щупа 0,5 мм ( c ).

Рисунок 9. Сравнение диаграмм p-θ и p-V между неисправностями утечки клапана различной степени тяжести и состояния здоровья.

Рис. 9. Сравнение диаграмм p-θ и p-V между неисправностями утечки клапана различной степени тяжести и состояния здоровья.

Рисунок 10. Распределение исходных признаков в различных двумерных пространствах, горизонтальные и вертикальные координаты представляют собой попарные комбинации четырех характеристических переменных соответственно: диаграмма Xθ−Xε ( a ), диаграмма Xθ-XN ( b ), диаграмма Xθ-XS ( c ), диаграмма Xε-XN ( d ) и диаграмма Xε-XS ( e ), диаграмма XN-XS ( и ).

Рисунок 10. Распределение исходных признаков в различных двумерных пространствах, горизонтальные и вертикальные координаты представляют собой попарные комбинации четырех характеристических переменных соответственно: диаграмма Xθ−Xε ( a ), диаграмма Xθ−XN ( b ), диаграмма Xθ−XS ( с ), диаграмма Xε-XN ( d ) и диаграмма Xε-XS ( e ), диаграмма XN-XS ( f ).

Рисунок 11. Результат анализа PCA. Матричная диаграмма PCA состоит из ( a – j ). В матрице точечных диаграмм ( b , d , e , g – i ) горизонтальные и вертикальные координаты представляют собой попарные комбинации PCA1, PCA2, PCA3 и PCA4 соответственно. Диагональные графики представляют собой гистограммы ( a , c , f , j ), с указанием распределения по отдельной переменной PCA1, PCA2, PCA3, PCA4 соответственно. Цвет каждых данных зависит от типов неисправностей. Гистограмма ( k ) показывает вклад компонентов PCA.

Рис. 11. Результат анализа PCA. Матричная диаграмма PCA состоит из ( a – j ). В матрице точечных диаграмм ( b , d , e , g – i ), горизонтальные и вертикальные координаты представляют собой попарные комбинации PCA1, PCA2, PCA3 и PCA4 соответственно. Диагональные графики представляют собой гистограммы ( a , c , f , j ), показывающие распределение по отдельной переменной PCA1, PCA2, PCA3, PCA4 соответственно. Цвет каждых данных зависит от типов неисправностей. Гистограмма ( k ) показывает вклад компонентов PCA.

Рис. 12. Результат анализа LDA. Матричная диаграмма LDA состоит из ( a–j ). В матрице точечных диаграмм ( b , d , e , g – i ) горизонтальные и вертикальные координаты представляют собой попарные комбинации LDA1, LDA2, LDA3 и LDA4. Диагональные графики представляют собой гистограммы ( a , c , f , j ), показывающие распределение по отдельной переменной LDA1, LDA2, LDA3, LDA4 соответственно. Цвет каждых данных зависит от типов неисправностей. Гистограмма ( k ) показывает вклад компонентов LDA.

Рис. 12. Результат анализа LDA. Матричная диаграмма LDA состоит из ( a–j ). В матрице точечных диаграмм ( b , d , e , g – i ) горизонтальные и вертикальные координаты представляют собой попарные комбинации LDA1, LDA2, LDA3 и LDA4. Диагональные графики представляют собой гистограммы ( a , c , f , j ), показывающие распределение по отдельной переменной LDA1, LDA2, LDA3, LDA4 соответственно. Цвет каждых данных зависит от типов неисправностей. Гистограмма ( k ) показывает вклад компонентов LDA.

Рисунок 13. Результаты двумерного распределения различных методов уменьшения размерности данных (TSNE, SVM, KPCA, LPP и эта работа). Цвет каждой точки данных зависит от типа неисправности.

Рис. 13. Результаты двумерного распределения различных методов уменьшения размерности данных (TSNE, SVM, KPCA, LPP и эта работа). Цвет каждой точки данных зависит от типа неисправности.

Рисунок 14. Время расчета различных методов уменьшения размерности данных (TSNE, SVM, KPCA, LPP и эта работа).

Рис. 14. Время расчета различных методов уменьшения размерности данных (TSNE, SVM, KPCA, LPP и эта работа).

Рисунок 15. Матрица путаницы.

Рис. 15. Матрица путаницы.

Рисунок 16. Проекция данных в направлении LDA1.

Рис. 16. Проекция данных в направлении LDA1.

Рис. 17. p-V-диаграмма клапана с мягкой протечкой с треснувшей пластиной.

Рис. 17. p-V-диаграмма клапана с мягкой протечкой с треснувшей пластиной.

Рисунок 18. Сигналы вибрации тарелки клапана трещины и тарелки исправного клапана, полученные от крышки клапана.

Рис. 18. Сигналы вибрации тарелки клапана трещины и тарелки исправного клапана, полученные от крышки клапана.

Рисунок 19. Треснувшая пластина клапана.

Рис. 19. Треснувшая пластина клапана.

Рисунок 20. Поршневой компрессор с гидравлическим приводом.

Рис. 20. Поршневой компрессор с гидравлическим приводом.

Рисунок 21. диаграмма p-θ, интегрированная с сигналом AE ( a ) и диаграммой p-V ( b ) клапана утечки в поршневом компрессоре с гидравлическим приводом.

Рис. 21. диаграмма p-θ, интегрированная с сигналом AE ( a ) и диаграммой p-V ( b ) клапана утечки в поршневом компрессоре с гидравлическим приводом.

Рисунок 22. Клапан сильно деформирован.

Рис. 22. Клапан сильно деформирован.

Рисунок 23. p-θ-диаграмма, интегрированная с сигналом АЭ ( a ) и p-V-диаграмма ( b ) отремонтированного клапана поршневого компрессора с гидравлическим приводом.

Рисунок 23. p-θ-диаграмма, интегрированная с сигналом АЭ ( a ) и p-V-диаграмма ( b ) отремонтированного клапана поршневого компрессора с гидравлическим приводом.

Таблица 1. Размер данных различных неисправностей.

Таблица 1. Размер данных различных неисправностей.

Тип	Тип 1	Тип 2	Тип 3	Тип 4	Тип 5
Thickness of gauge	0 mm	0. 09 mm	0.2 mm	0.3 mm	0.5 mm	0.75 mm
Level of Fault	Health	Mild leakage	Moderate leakage			Serious leakage
data size	365	463	357	282	372	283

Table 2. Соотношение параметров при различных нарушениях герметичности и исправности.

Таблица 2. Соотношение параметров при различных нарушениях герметичности и исправности.

Тип	Тип 2
Соотношение уровней	Здоровье	Незначительная утечка	Умеренная утечка			Серьезная утечка
pi/pH	1	0.95	0.92	0.91	0.86	0.67
ni/nH	1	0. 73	0.67	0.64	0.56	0.35
mi/mH	1	1.55	1.99	2.12	3.25	6.02

John Deere Crawler Dozers 450H, 550H, 650H Сервисное обслуживание Руководство по ремонту (TM1743)

Полное техническое обслуживание Руководство по эксплуатации и тестированию с электрические схемы для гусеничных бульдозеров John Deere 450H , 550H , 650H , с информацией о мастерской для обслуживания, диагностики и восстановления, как профессиональные механики.

John Deere CRAWLER DOZERS 450H , 550H , 650H Семинар Операция и . быстрый.
* Подробные подшаги расширяют информацию о процедуре ремонта
* Пронумерованные инструкции шаг за шагом проведут вас через каждую процедуру ремонта.
* Процедуры поиска и устранения неисправностей и обслуживания электрооборудования объединены с подробными схемами подключения для простоты использования.
* Примечания, предостережения и предупреждения в каждой главе содержат важную информацию.
* Цифры, выделенные жирным шрифтом, помогут вам быстро сопоставить иллюстрации с инструкциями.
* Подробные иллюстрации, чертежи и фотографии помогут вам выполнить каждую процедуру.
* Увеличенная вставка помогает вам идентифицировать и детально изучить детали.

TM1743 – Техническое руководство по гусеничным бульдозерам John Deere 450H, 550H, 650H – Эксплуатация и испытания.pdf : 1310 страниц
Формат файла: PDF/EPUB / MOBI/AZW (ПК/Mac/Android/Kindle/iPhone/iPad; с закладками, оглавление, с возможностью поиска, с возможностью печати)
Язык: английский

Основные разделы
ПРЕДИСЛОВИЕ
Форма обратной связи с технической информацией
Общая информация
БЕЗОПАСНОСТЬ
Общие спецификации

      Регулировки
      Испытания
   Электрическая система
Информация о системе
Системные диаграммы
Диагностика подсистемы
Ссылки
Гидравлическая система
Теория работы
Диагностическая информация
Корректировка
Тесты
Гидростатическая система
Теория работы
Диагностическая информация
Корректировка
.
      Диагностическая информация
      Настройки
Тест

ПРЕДИСЛОВИЕ

Форма обратной связи технической информации

Раздел 9000: Общая информация

Группа 01: Безопасность

Распознайте информацию о безопасности

. Модификации машины

Осмотр машины

Держитесь подальше от движущихся частей

Избегайте жидкостей под высоким давлением

Остерегайтесь выхлопных паров

Предотвратить пожары

Предотвратить взрывы батареи

Химические продукты. Движение машины

Избегайте опасностей на рабочей площадке

Не допускайте наездников к машине

Избегайте несчастных случаев при обратном движении

Избегайте опрокидывания машины

Безопасная парковка и подготовка к работе

Безопасное обслуживание системы охлаждения

Удаление краски перед сваркой или нагревом машины)

Функции приборной панели (более ранние машины)

Приборная панель (более поздние машины)

Функции приборной панели (более поздние машины)

Окно дисплея контроллера коробки передач

Кондиционирование воздуха и нагреватель кабины-если оборудован

Управление стеклоочистителем и стиральной машиной

Оболочное резервуар

.

Регулировка сиденья с подвеской — при наличии

Регулировка подлокотника

Ремень безопасности

Живи с безопасностью

Группа 02: Общие характеристики

Размеры гусеничного бульдозера 450H и 450H-LT

450H-LGP Crawler Dozer Dimensions

450H Crawler Dozer Specifications

450H Other Information

450H Crawler Dozer Weights

450H Crawler Dozer Drain and Refill Capacities

550H Crawler Dozer Dimensions

550H Crawler Dozer Specifications

550H Crawler Вес бульдозера

Размеры гусеничного бульдозера 550H-LGP

Технические характеристики гусеничного бульдозера 550H-LGP

Вес гусеничного бульдозера 550H-LGP

550H и 550H-LGP Другая информация

550H и 550H-LGP CRAWLER DOZER DRAING и пополнение

. Технические характеристики гусеничного бульдозера 650H-LGP

Масса гусеничного бульдозера 650H-LGP

Прочая информация о 650H и 650H-LGP

Объемы слива и заправки гусеничных бульдозеров 650H и 650H-LGP

4000S Winch

Группа 03: Значения крутящего момента

Спецификации аппаратного крутя Значения момента затяжки винтов с головкой под метрическую головку

Проверка маслопроводов и фитингов

Соединения с кольцевыми канавками

Рекомендации по обслуживанию фитингов с плоским торцевым уплотнительным кольцом

Рекомендации по обслуживанию фланцевых фитингов с уплотнительным кольцом

Рекомендации по обслуживанию четырехболтовых фланцевых фитингов дюймовой серии

Рекомендации по обслуживанию четырехболтовых фланцевых фитингов метрической серии

Группа 04: Топливо и смазочные материалы

Дизельное топливо с низким содержанием серы

9121 Кондиционер

Хранение дизельного топлива

Топливный бак

Масло для дизельных двигателей

Масло для опорных катков, переднего натяжного ролика и поддерживающего катка

Трансмиссионное и гидравлическое масло

Winch Oil

Inner and Outer Final Drive Oil

Grease

Lubricant Storage

Alternative and Synthetic Lubricants

Mixing of Lubricants

Heavy Duty Diesel Engine Coolant

Section 9005: Operational Checkout Procedure

Group 10: Операционные проверки системы

Оперативные проверки

John Deere PowerTech PowerTech — зарегистрированная торговая марка Deere & Company Двигатель 4045 — используйте CTM104

ДЖОН ДЕРЕ АКСЕССУАРЫ ДВИГАТЕЛЯ – ИСПОЛЬЗОВАНИЕ CTM11

ГЕРПИТЕТЫ И НАЧЕТНЫЕ Двигатели – Использование CTM77

Оперативная проверка

Гидростатическая трансмиссия.

POWERTECH является товарным знаком Deere & Company. 4,5 л (4045) John Deere Engines

Общее описание двигателя

Работа устройства помощи при запуске в холодную погоду

Группа 15: Информация о диагностике системы

POWERTECH POWERTECH является товарным знаком Deere & Company 4,5 л (4045) Двигатели John Deere

Визуальный осмотр двигателя и вспомогательных систем

Диагностика неисправностей двигателя

Группа 20: Регулировки

POWERTECH POWERTECH является товарным знаком Deere & Company 4,5 л (4045) John Deere Engines

Доступ к оборотам

Регулировка скорости вращения двигателя (450H, 550H S.N. —

Регулировка контроля скорости двигателя (S.

Характеристики предохранителей для ROPS (серийный номер —

Характеристики предохранителей для ROPS (серийный номер

Таблица идентификации компонентов

Функциональная схема системы, схема подключения и легенда расположения компонентов (серийный номер —8

Функциональная схема системы Обозначение раздела (S.N. —883588)

Функциональная схема системы (S.N —883588) — 1 из 15

Функциональная схема системы — продолжение 2 из 15

Функциональная схема системы — продолжение 3 из 15 9214 Схема — продолжение 4 из 15

Функциональная схема системы — продолжение 5 из 15

Функциональная схема системы — продолжение 6 из 15

Функциональная схема системы — продолжение 7 из 15

Функциональная схема системы — продолжение 8 из 15

Функциональная схема системы — продолжение 9 из 15

Функциональная схема системы — продолжение 10 из 15

Функциональная схема системы — продолжение 11 из 15

Функциональная схема системы — продолжение 12 из 15

Функциональная схема

Функциональная схема системы — продолжение 14 из 15

Функциональная схема системы — продолжение 15 из 15—

Функциональная схема системы Обозначение раздела (S.

Функциональная схема системы (S.N. 583889—

Функциональная схема системы — продолжение 2 из 16

Функциональная схема системы — продолжение 3 из 16

Функциональная схема системы — продолжение 4 из 16

Функциональная схема системы — продолжение 5 ИЗ 16

Функциональная схема системы — продолжение 6 из 16

Функциональная схема системы — продолжение 7 из 16

Функциональная схема системы — продолжение 8 из 16

Функциональная схема системы — продолжение 9 из 16

Функциональная схема системы — продолжение 11 из 16

Функциональная схема системы — продолжение 12 из 16

Функциональная схема системы — продолжение 13 из 16

Функциональная схема системы — продолжение 14 из 16

Функциональная схема системы — продолжение 15 из 16

Функциональная схема системы — продолжение 16 из 16 550H S.

Жгут проводов кабины (W5) Схема электропроводки — продолжение 2 из 8 (серийный номер —

Жгут проводов кабины (W5) Схема электропроводки 3 из 8 (серийный номер —

Жгут проводов кабины (W5) Схема подключения 4 из 8 (серийный номер —

Жгут проводов кабины (W5) Схема электропроводки 5 из 8 (сер.

Жгут проводов кабины (W5) Схема электропроводки 8 из 8 (серийный номер —

Жгут проводов кабины (W5) Схема электропроводки (450H, 550H серийный номер

Жгут проводов кабины (W5) Расположение компонентов (серийный номер —

Жгут проводов кабины (W5) Расположение компонентов (серийный номер 9)10011— ) 1 из 8

Жгут проводов кабины (W5) Расположение компонентов (серийный номер —883588) 2 из 8

Жгут проводов кабины (W5) Расположение компонентов (серийный номер 883589—

Жгут проводов кабины (W5) Расположение компонентов (S.N.

Привязь кабины (W5) Расположение компонента 3 из 8

Привязь кабины (W5) Расположение компонента 4 из 8

Привязь кабины (W5) Расположение компонента (Серийный номер —883588) 5 из 8

Жгут проводов кабины (W5) Расположение компонентов (450H, 550H, серийный номер 583589—

Жгут проводов кабины (W5) Расположение компонентов (серийный номер 450H, 550H

Жгут проводов кабины (W5) Расположение компонентов (серийный номер —883588) 6 из 8

Жгут проводов кабины (W5) Расположение компонентов (серийный номер

Жгут проводов кабины (W5) Расположение компонентов 7 из 8 8

Жгут проводов кабины (W5) Расположение компонентов (серийный номер 883589— ) 8 из 8

Жгут проводов двигателя (W6) Схема проводки — 1 из 2 (серийный номер —

Жгут проводов двигателя (W6) Схема проводки — продолжение 2 из 2 (серийный номер —

Жгут проводов двигателя (W6) Схема проводки (450H, 550H Серийный номер

7 Расположение компонента 1 из 4 (450H, 550H, серийный номер

Жгут проводов двигателя (W6) Расположение компонентов 2 из 4 (450H, 550H серийный номер

Жгут проводов двигателя (W6) Расположение компонента 3 из 4 (450H, 550H серийный номер

Жгут проводов двигателя (W6) Расположение компонентов 4 из 4 (серийный номер 450H, 550H

7

7

7 W7) Схема проводки 2 из 4 (серийный номер —

Жгут проводов коробки передач (W7) Схема проводки 3 из 4 (серийный номер —

Жгут проводов коробки передач (W7) Схема проводки 4 из 4 (серийный номер —

Жгут проводов коробки передач (W7) Схема подключения (450H, 550H, серийный номер

Жгут трансмиссии (W7) Расположение компонентов .

Жгут трансмиссии (W7) Расположение компонента 2 из 5 (серийный номер —883588)

Жгут трансмиссии (W7) Расположение компонента 2 из 5 (450H, 550H серийный номер 883589—

Жгут трансмиссии (W7) Расположение компонента (W7) 2 из 5 (450H, 550H С.Н.

Жгут трансмиссии (W7) Расположение компонента 3 из 5 (S.N.

Жгут трансмиссии (W7) Расположение компонента 4 из 5 (серийный номер —883588)

Жгут трансмиссии (W7) Расположение компонента 4 из 5 (450H, 550H серийный номер 883589—

Жгут трансмиссии (W7) Расположение компонента 4 из 5 (450H, 550H S.N.1 —

Монитор дисплея, рабочая информация цепи индикатора и манометра (серийный номер —

Принцип работы монитора дисплея, индикатора и манометра (серийный номер —

Монитор дисплея, схема цепей индикатора и манометра (серийный номер —

Процедуры диагностики цепей монитора, индикаторов и манометров (серийный номер —

Рабочая информация контроллера двигателя, теория работы, схема (серийный номер

Рабочая информация цепи управления коробкой передач

Принцип работы цепи управления коробкой передач

Схема цепи управления коробкой передач (сер.

Схема цепи управления коробкой передач (сер. — ) С (SIG) Скорость в захвате «Опция»

Цепь управления коробкой передач (блок-схема)

Процедуры диагностики цепи контроллера коробки передач

Проверка контроллера коробки передач

Датчик замедлителя (B1), проверка цепи (серийный номер —

Датчик замедлителя (B1), проверка цепи (серийный номер

Датчик контроля скорости трансмиссии (B4), проверка цепи

Переключатель управления скоростью трансмиссии (B4), проверка цепи Со скоростью в захвате «Опция»

Переключатель передаточного отношения заднего хода (B27) Тест цепи со скоростью в захвате «Опция»

Переключатель передаточного отношения заднего хода (B27) Проверка переключателя со скоростью в захвате «Опция»

Датчик левого и правого поворота (B5) Проверка цепи

Датчик FNR (B2) и выключатель нейтрального пуска (S3) Проверка цепи

Электромагнитный клапан переключения передач (Y3) Проверка цепи (правый)

Электромагнитный клапан переключения передач (Y4) Проверка цепи (левый)

Датчик скорости гидростатического насоса B6 Цепь Тест

Датчик скорости двигателя левой гусеницы B7 Тест цепи

Датчик скорости двигателя правой гусеницы B3 Тест цепи

Задний насос (левый) Контроллер управления давлением (PCP) B8 Тест цепи

Передний насос (правый) Контроллер управления давлением (PCP) B9 Проверка цепи 9

Принцип работы цепи стеклоочистителя и омывателя

Принцип работы цепи стеклоочистителя и омывателя

Схема цепи стеклоочистителя и омывателя

Процедуры диагностики цепи стеклоочистителя и омывателя

Рабочая информация цепи вентилятора отопителя Схема цепи вентилятора

Процедуры диагностики цепи вентилятора отопителя

Рабочая информация цепи обогревателя под сиденьем

Принцип работы цепи обогревателя под сиденьем

Схема цепи обогревателя под сиденьем

Процедуры диагностики цепи обогревателя под сиденьем

Рабочая информация цепи переднего и заднего фонаря

Принцип работы цепи переднего и заднего фонаря

Цепь переднего и заднего фонаря Схема

Процедуры диагностики цепей передних и задних фонарей

Эксплуатационная информация по радиоцепям

Принцип работы радиосистем

Радиосхеда Схема

Радиосхеди.

Группа 20: Список литературы

и стартовые двигатели – используйте CTM77

Сервисное оборудование и инструменты

ОТДЕЛАЦИЯ

ОБОРУДОВАНИЯ И РАБОТА ATHARTING

Процедура проверки аккумуляторов

Использование вспомогательных аккумуляторов — система 12 В

Работа генератора переменного тока — 65 А и 9Генератор переменного тока Bosch 5 А

Работа генератора — генератор Bosch 65 и 95 А

Работа стартера

Структура окна дисплея контроллера коробки передач

Структура окна дисплея контроллера коробки передач (однорычажное управление)

Структура окна дисплея контроллера коробки передач (однорычажное управление) со Speed ​​In Grip (опция))

Доступ и очистка сохраненных диагностических кодов неисправностей контроллера трансмиссии

Доступ к RPM

Калибровка контроллера трансмиссии (с однорычажным управлением) (сер.

Калибровка контроллера трансмиссии (с однорычажным управлением) (сер.

Калибровка контроллера трансмиссии (с однорычажным управлением и скоростью в рукоятке «опция») (серийный номер —899547)

Калибровка контроллера трансмиссии (с однорычажным управлением и скоростью в рукоятке «опция») (серийный номер 899548—

Калибровка контроллера трансмиссии (с однорычажным управлением и опцией скорости в рукоятке) (сер. Номинал скорости контроллера (с однорычажным управлением) (S.N. 899548—)

Доступ к скорости контроллера трансмиссии (с однорычажным управлением и «скоростью в ручке») (серийный номер —899547)

Доступ к скорости контроллера трансмиссии ( С однорычажным управлением и скоростью в рукоятке (опция) (серийный номер 899548— )

Доступ к диагностике контроллера трансмиссии (с однорычажным управлением) (серийный номер —899547)

Доступ к диагностике контроллера трансмиссии (с однорычажным управлением) (серийный номер 899548— )

Доступ к диагностике контроллера трансмиссии (с однорычажным управлением и скоростью В рукоятке «Опция») (Серийный номер —899547)

Доступ к диагностике контроллера трансмиссии (с однорычажным управлением и скоростью В ручке «Опция») (Серийный номер 899548—)

Расчеты для диагностических пределов калибровки трансмиссии для (B1, B2, B8 , В9)

Таблица пределов калибровки диагностики

Диагностические коды неисправностей и калибровочные коды контроллера трансмиссии

Монитор программного дисплея (S.N.

Установка контроллера коробки передач на значения по умолчанию

Идентификационные заглушки машины (серийный номер 883589—) для стандартного однорычажного управления и скорости (SIG) в захвате Контроллер трансмиссии и жгут трансмиссии

Тестовый бокс (JT07349) — продолжение0237

Раздел 9025: Гидравлическая система

Группа 05: Принцип работы

Эксплуатация гидравлической системы бульдозера

Расположение компонентов — бульдозер

Схема гидравлической системы (сер. Цепь цилиндров — положение подъема отвала

Цепь цилиндра угла отвала без разгрузок контура (SN —

4)

Цепь цилиндра угла отвала с разгрузкой цепи (SN

5—)

Цепь цилиндра наклона отвала — положение наклона влево

Гидравлический насос

Гидравлический насос и работа резервуара

Работа гидравлического фильтра — нормальная

Работа гидравлического фильтра — продолжение — ограничено

Работа вспомогательного клапана бульдозерного отвала — нейтральное положение

Работа клапана подъема отвала бульдозера — положение подъема

Работа углового клапана отвала бульдозера — прямоугольное положение (SN —9)02404)

Работа клапана наклона бульдозерного отвала — прямоугольное положение (SN

5—)

Работа клапана наклона отвала бульдозера — положение наклона вправо

Крышка выпускного клапана регулирующего клапана

Работа гидравлического цилиндра

Группа 15: Диагностическая информация

Предварительный осмотр и проверка работоспособности машины

Предварительная проверка гидравлической системы

Диагностика гидравлической системы

Группа 20: Регулирование

T – BAR Регулировка сцепления

Корректировка сцепления на рычаге

Группа 25: Тесты

Процедура выбора отбора для жидкости.

Процедура прогрева гидравлического масла

Проверка расхода гидравлического насоса

Проверка предохранительного клапана гидравлической системы

Проверка предохранительного клапана контура угла поворота — с выносным насосом (SN 9)02405—)

Проверка общей производительности насоса с использованием времени цикла

Процедура проверки дрейфа гидравлического цилиндра

Проверка дрейфа подъемного цилиндра

Проверка герметичности цилиндра

Процедура очистки гидравлического масла с использованием переносной фильтрующей тележки

Группа 05: Принцип работы

Гидростатическая система

Цепь управления коробкой передач — блок-схема

Подкачивающий насос

Гидростатический фильтр

Предохранительный клапан нейтрального заряда

Клапан стояночного тормоза

Многофункциональный клапан

Перепускной клапан масляного радиатора

Пилотный регулятор давления насоса (PCP)

Клапан регулирования рабочего объема насоса (PDCV)

4 Работа предохранительного клапана заряда

Работа гидростатического двигателя

Расположение компонентов гидростатической системы

Схема гидростатической системы — стояночный тормоз включен (нейтраль) (серийный номер —

Схема гидростатической системы — стояночный тормоз включен (нейтральный) (серийный номер

Схема гидростатической системы — задний ход (низкая скорость) (серийный номер —

Схема гидростатической системы — задний ход (низкая скорость) (серийный номер

Схема гидростатической системы — вперед (высокая скорость) (серийный номер —

Схема гидростатической системы — вперед (высокая скорость) (серийный номер

Схема гидростатической системы — нейтраль (стояночный тормоз включен)

Группа 15: диагностическая информация

Перегрев — блок-схема

Низкое давление наддува — блок-схема

Неправильные дорожки/индексы — блок-схема

Машина не достигает полной скорости — блок-схема

Низкая мощность — блок-схема

Двигатель запускается, но обе гусеницы не двигаются или останавливаются — блок-схема

Перемещается только в одном направлении или одна дорожка не движется — блок-схема

Контроллер не выполняет калибровку, и во время калибровки отображается один из следующих кодов — блок-схема

Группа 20: Регулировки

Регулировка тяги педали тормоза к тормозному клапану

Регулировка тяги стояночного тормоза

Регулировка датчика скорости гидростатического двигателя

Регулировка датчика скорости гидростатического насоса (450H, 550H S.

7) Контроль давления (PC) Внутренняя регулировка

Нейтральная (нулевая) регулировка поршневого клапана насоса (PDCV)

Регулировка однорычажного управления (SLC)

Группа 25: Проверка

Установка цифрового термометра JT05800

Процедура прогрева трансмиссионного масла

Отключение стояночного тормоза для буксировки машины

Отключение стояночного тормоза для диагностического теста

Процедура первоначального запуска гидростатического насоса и двигателя

Процедура промывки гидростатического насоса

Контроллер давления (PCP) ) Испытание ручного дублирования

Испытание пилотного регулятора давления (PCP)

Испытание многофункционального предохранительного клапана

Испытание эффективности трансмиссии

Испытание давления сброса нейтрали

Испытание давлением сброса рабочего заряда

Испытание давления сервопривода насоса

Гидростатический двигатель Мин.

/макс. Проверка давления поршня управления углом

Гидростатический двигатель Мин./макс. Регулировка углового упора (серийный номер —899548)

Гидростатический двигатель Мин./макс. Регулировка углового упора (серийный номер 899549— )

Проверка потока нагнетательного насоса

Проверка перепускного клапана охладителя

Раздел 9031: Отопление и кондиционирование воздуха

Группа 05: Принцип работы

Правильная обработка хладагента

R134A Хладагент – Каликань

R134A Теория хладагента операции

Спецификации кондиционирования воздуха

Условия кондиционирования воздуха

. Условия. ) Электрическая схема

Принцип работы цепи вентилятора отопителя

Принцип работы цепи вентилятора отопителя

Схема цепи вентилятора нагревателя

Ресивер/осушитель — принцип работы

Расширительный клапан — принцип работы

Предохранительный клапан компрессора — принцип работы

Контроль температуры — принцип работы

Группа 153 Переключатель управления замораживанием 902 : Диагностическая информация

Диагностика электрических неисправностей кондиционера

Расположение компонентов кондиционера

Группа 20: Регулировки

Специальные или необходимые инструменты

Service Equipment and Tools

Other Materials

Specifications

Proper Refrigerant Handling

R134a Refrigerant—Cautions

R134a Compressor Oil Charge Check

R134a Compressor Oil Removal

R134a Component Oil Charge

R134a Refrigerant Recovery, Recycling и процедура установки зарядной станции

Восстановление системы R134a

Эвакуация системы R134a

Зарядка системы R134a

R134A Процедура очистки системы

R134A System – Purge

SLORGENTER111111111111111111111111111111111111111111111111111111111111111111111111111111111111111111РИНГАРИНДРИЧЕСКАЯ СОБСТВЕННАЯ СОБСТВЕННА.

Меры предосторожности

Таблица диагностики Давление

Проверка работы расширительного клапана

Проверка переключателя вентилятора

Проверка резистора вентилятора

Проверка электродвигателя вентилятора отопителя (верхняя часть кабины)

Проверка переключателя управления замерзанием

Проверка переключателя кондиционера

Проверка переключателя низкого давления кондиционера

Проверка переключателя низкого давления кондиционера

Проверка переключателя высокого давления кондиционера

Высокий уровень кондиционера Проверка реле давления

Проверка катушки муфты компрессора кондиционера

Проверка переключателя управления замерзанием

Система кондиционирования воздуха — проверка утечки

Проверка шлангов и трубок хладагента

Гусеничные бульдозеры John Deere 450H, 550H, 650H Руководство по эксплуатации и тестированию (TM1743)

Графические представления в генетическом программировании

1 Введение успешно применяется в нескольких областях, таких как регрессия, проблемы управления и эволюция цифровых схем [19, 25].

Программа в ГП представлена ​​в виде дерева; однако на протяжении многих лет исследователи предлагали альтернативные представления, такие как формы линейного кодирования и графы [1, 6, 23, 25].

В линейном генетическом программировании (LGP) программы представляются в виде списков инструкций языка программирования, и результат каждой инструкции назначается регистру из предопределенного набора регистров [6]. В декартовом генетическом программировании (CGP) программы представляют собой сетки узлов, и каждый узел может использовать узлы предыдущих слоев в качестве аргументов [23]. В обоих этих методах генотип является линейным, но фенотип интерпретируется как направленный ациклический граф (DAG). Evolving Graphs by Graph Programming (EGGP) манипулирует и развивает такие графы напрямую, без промежуточного кодирования [1]. В этой работе мы используем общий термин граф GP для обозначения любого из этих трех методов.

В нескольких работах утверждается, что графовые представления обеспечивают неотъемлемые преимущества по сравнению с деревьями и демонстрируют улучшенную производительность методов графовой ГП по сравнению со стандартной ГП [4, 6, 10, 23, 27]. Учитывая, что графы естественным образом могут представлять неактивный код (код, не связанный с основными выходами программы), который можно свободно мутировать без изменения пригодности данной программы, в некоторых публикациях показано улучшение производительности CGP за счет нейтрального генетического дрейфа [22, 30, 32, 36]. Кроме того, в графах присутствует автоматическое повторное использование кода, то есть результат подвыражения может служить аргументом более чем для одного узла, и это может сделать решения более компактными [6, 10].

Однако каждый метод графовой ГП имеет свой собственный набор генетических операторов и эволюционный алгоритм (ЭА). Например, LGP использует постоянный советник, тогда как CGP и EGGP используют (\(1+\lambda\)) EA. С другой стороны, GP использует советник поколения. Поскольку генетические операторы и EA взаимодействуют с представлением, несправедливо утверждать, что графовое представление является единственной причиной эмпирических различий в производительности между этими методами и стандартным GP. Чтобы лучше понять, как работают графовые методы ГП и в чем их преимущество перед деревьями, мы проанализируем влияние трех различных факторов на эффективность методов: представления, генетических операторов и эволюционного алгоритма. Для этого мы сконцентрируемся на двух основных исследовательских вопросах: 1) как советник, используемый для каждого метода GP на основе графа и стандартного GP, влияет на производительность этих методов? и 2) имеют ли графы преимущество перед деревьями, когда одинаковые ЕА используется?

Впервые к этим вопросам мы подошли в [28]. Текущая работа направлена ​​на расширение объема предыдущих результатов за счет внесения некоторых изменений в экспериментальную методологию, проведения более полного анализа результатов и тестирования алгоритмов на крупных реальных тестах, что приводит к более проницательным и надежным выводам. В дополнение к первым двум исследовательским вопросам, приведенным выше, в этой работе также делается попытка понять: 3) Существует ли связь между частотой повторного использования промежуточных результатов в LGP и CGP и производительностью в задачах цепей четности? Повторное использование промежуточных результатов может быть параметризовано в LGP путем установки количества регистров и в CGP путем настройки параметра level-back.

В этой работе мы изучаем четыре задачи символьной регрессии, пять задач реальной регрессии, пять стандартных задач синтеза цифровых схем и 5 задач четности. Мы обнаружили, что стандартная древовидная GP с советником поколений обычно лучше работает для эталонных тестов символической регрессии, но методы графовой GP могут превзойти стандартную GP в реальных задачах регрессии. Кроме того, (\(1+\lambda\)) EA дает наилучшие результаты по каждой задаче для эталонных тестов синтеза цифровых схем. Наконец, графовые методы GP, особенно в сочетании с (\(1+\lambda\)) EA, значительно лучше подходят для задач синтеза цифровых схем, чем традиционные древовидные GP. В частности, LGP и CGP предоставляют механизм управления повторным использованием кода, что полезно для решения сложных проблем с четностью.

Основной методологической целью этой работы является понимание динамики некоторых основных компонентов общего процесса оптимизации (алгоритм оптимизации, свойства кодирования, категории пространства поиска) в различных алгоритмах, таких как GP, LGP, CGP и EGGP, и поиск подобные узоры. Сходства могут помочь нам в будущем объединить различные методы на основе графов в один и более общий, а также перенести результаты и методы анализа из исследования одного алгоритма в другие. Все алгоритмы в этой работе сконфигурированы субоптимально, в отличие от того, что было сделано в смежной работе (например, [31]. Мы используем характеристики сходимости алгоритма не для того, чтобы сделать вывод, что один алгоритм лучше других, а для того, чтобы сделать вывод что один компонент процесса оптимизации, такой как, например, алгоритм оптимизации, лучше подходит для данной конфигурации (например, целевая функция, кодирование, эволюционные операторы). Оптимальная производительность сходимости алгоритма не входит в объем этого исследования. Мы используем конвергенция как индикатор динамики одного из компонентов процесса оптимизации, а не установление абсолютного ранжирования между GP, LGP, CGP и EGGP.Например, CGP работает намного лучше для всех булевых и синтетических регрессионных тестов, чем показано в этой статье [15, 16]. Однако наша цель состоит не в том, чтобы сравнить пиковые характеристики алгоритмов GP, а в том, чтобы сравнить их внутренние механизмы при контролируемом исследовании.

Остальная часть этой работы устроена следующим образом. В разделе 2 представлен обзор GP, LGP, CGP и EGGP, а также обсуждение различий между этими методами. В Разделе 3 объясняется использованный экспериментальный план, а в Разд. 4 показаны полученные результаты и их обсуждение. Работа завершается в разд. 5.

2 История вопроса

В этом разделе мы описываем и сравниваем методы, которые рассматриваются в этой работе: GP, LGP, CGP и EGGP.

2.1 Генетическое программирование

Стандартная ГП представляет программы в виде древовидной схемы [19] и использует два стандартных генетических оператора: скрещивание и мутацию. В схемах древовидного кодирования (GP) кроссовер задается путем замены случайно выбранных поддеревьев от двух родителей. Обычный подход к мутации заключается в замене случайно выбранного поддерева индивидуума на случайно сгенерированное (также известное как мутация поддерева).

GP обычно использует алгоритм поколений: особи из текущей популяции отбираются посредством турнирного отбора и проходят скрещивание и мутацию в соответствии с заранее определенными вероятностями. Процесс повторяется до тех пор, пока не появится новая популяция, образованная потомками текущих особей, и лучшая особь из текущего поколения не будет передана следующему (элитизм).

2.2 Линейное генетическое программирование

LGP представляет программы как списки инструкций языка программирования. Он использует вектор регистров r , где каждая позиция инициализируется значениями входных переменных последовательно и циклически [6]. Например, если система имеет восемь регистров и четыре входных переменных, четыре первых регистра инициализируются четырьмя входными данными, как и четыре последних регистра. Инструкция кодируется в виде ( func , dest , args ), где func — функция (например, логическая функция), dest — индекс регистра назначения (где хранится результат выполнения функции), аргументов аргументы. Аргумент может быть либо индексом регистра, либо константой. В LGP второй аргумент бинарной функции обычно имеет вероятность \(50\%\) быть константой из предопределенного диапазона.

На рис. 1 показана программа LGP для 1-битного двоичного сумматора. Сумматор принимает три входа: два бита в регистрах r [0] и r [1] и перенос в регистре r [2]. Инструкции интерпретируются и выполняются от первой до последней. Обратите внимание, что регистры можно повторно использовать и перезаписывать. Конечный результат сохраняется в регистрах r [0] (вынос) и r [1] (сумма).

Рис. 1

Программа LGP, представляющая 1-битный сумматор. Инструкция 4 является примером неактивной инструкции

Полноразмерное изображение

LGP использует в основном макро- и микромутации [5, 6]. Макромутация действует на программном уровне и может удалить, вставить или заменить целую инструкцию. Микромутации действуют на уровне инструкций и изменяют функцию инструкции, регистра назначения или регистра аргумента. Микромутации эквивалентны точковым мутациям в CGP (см. раздел 2.3).

Традиционно в LGP используется стационарный советник [6]. В этом советнике два победителя и два проигравших выбираются посредством турнирного отбора. Копии победителей заменяют проигравших на месте, а к победителям применяются макрос и микромутация в соответствии с заданными пользователем вероятностями. Поколение определяется, когда обработано 92 269 P 92 270 особей, где 92 269 P 92 270 — размер популяции.

2.3 Декартово генетическое программирование

Декартово генетическое программирование (CGP) — это эволюционный алгоритм, использующий DAG для кодирования функций решения [23]. Генотип CGP представляет собой линейный список (\(n_a+1\))-кортежей целых чисел, описывающих для каждого узла графа маршрутизацию \(n_a\) входов узла и функцию узла. Чтобы гарантировать отсутствие циклов в закодированном графе, CGP использует промежуточное представление для ограничения маршрутизации. Для этого CGP помещает узлы в сетку \(n_c \times n_r\) и требует, чтобы соединение между узлами всегда шло в одном направлении (например, слева направо). Максимальное количество столбцов, которые может охватывать соединение, называется параметром level back 9.2269 л . Первичные входы \(n_i\) и первичные выходы \(n_o\) графа представляют собой отдельные наборы узлов, рассматриваемые как крайний левый и крайний правый столбцы сетки. Порядок сопоставления последовательности кортежей генотипов с узлами графа сетки следующий: сверху вниз и слева направо, как показано на рис. 2.

рис. его кодировка (внизу). Все узлы, вносящие вклад в первичные выходы, называются «активными», а все остальные узлы — «неактивными». Например, узел 6 является неактивным узлом 9.0003

Полноразмерное изображение

CGP использует исключительно точечную мутацию. Ген функции мутируют, заменяя его случайно выбранным индексом функции из таблицы функций. Ген соединения мутирует путем переподключения входных данных узла к случайно выбранному узлу в предыдущих столбцах 92 269 l 92 270 (т. е. к некоторому узлу в столбцах 92 269 l 92 270 слева от текущего мутированного узла). Это обеспечивает бесцикловое состояние. Размер генотипа CGP можно уменьшить и, как следствие, улучшить сходимость, установив количество строк равным \(n_r=1\). Связанные работы почти исключительно используют эту «однолинейную» модель CGP. Кроме того, для оптимизации CGP преимущественно используется советник \((1+\lambda )\) с \(\lambda\)=4. В (1+\(\lambda\)) EA есть только одна особь, и в каждом поколении \(\lambda\) потомки генерируются с помощью оператора мутации. Схема отбора реализована таким образом, что при выборе нового родителя для следующего поколения предпочтение отдается потомкам, которые так же подходят или лучше, чем родитель.

CGP разделяет с LGP то свойство, что не все узлы графа вносят свой вклад в первичные выходные данные. Таким образом, фенотип CGP представляет собой лишь небольшую часть графа промежуточной сетки, как показано на рис. 2. Кроме того, CGP смещен в сторону эволюции малых решений. Это ограничивает тенденцию к раздуванию, как показано в [13].

2.

4 Эволюция графов с помощью программирования графов

Эволюция графов с помощью программирования графов (EGGP) — это подход к GP графов, в котором программы представлены непосредственно в виде DAG [1]. Каждое решение состоит из входных узлов, функциональных узлов и выходных узлов, которые непосредственно соответствуют входным узлам, внутренним узлам и выходным узлам CGP соответственно. В обычном EGGP единственные ограничения на топологию программы заключаются в том, что она не может содержать циклы, хотя при желании могут быть введены дополнительные элементы управления глубиной программы [4]. Приведем пример представления программы EGGP на рис. 3.

Рис. 3

Программное представление EGGP, рисунок взят из [4]. Узлы \(i_1\) и \(i_2\) являются входными узлами. Узел \(o_1\) является выходным узлом. Ребро от x до y означает, что x использует y в качестве аргумента. Ребра явно упорядочены по их целочисленным меткам (см. [4], а неактивный материал аннотирован серым цветом

Полноразмерное изображение

Генетические операторы в EGGP описываются с помощью вероятностных графовых программ [2], которые являются программным расширением формального преобразования графа ( см. [7].В то время как программы вероятностного графа могут использоваться для описания специфичных для домена операторов мутации [3] и операторов рекомбинации [4], исходная форма EGGP [1], которую мы изучаем здесь, предоставляет два атомарных оператора мутации:

• Мутация ребра Ребро выбирается для мутации случайным образом. Идентифицируется набор допустимых узлов, на которые можно ориентироваться без введения цикла. Затем мутирующее ребро перенаправляется на один из этих случайно выбранных узлов.

• Мутация узла Функциональный узел выбирается для случайной мутации, и его функция изменяется на какую-то другую функцию из набора функций. Если арность функционального узла увеличилась, вставляются новые ребра с сохранением ацикличности. Если арность функционального узла уменьшилась, ребра удаляются случайным образом. Наконец, порядок ребер мутировавшего узла рандомизирован.

Учитывая частоту мутаций \(m_r\) и индивидуума с функциональными узлами \(v_f\) и e ребер, число мутаций узлов \(m_v \in {\mathcal {B}}\big (v_f, m_r\big)\) и реберные мутации \(m_e \in {\mathcal {B}}\big (e, m_r\big)\) отбираются. Все мутации \(m_v + m_e\) затем помещаются в список, который затем перемешивается, применяя мутации в случайном порядке. Общее ожидаемое количество мутаций равно \(m_r\big (v_f + e\big)\).

Хотя были исследованы и другие EA [4], EGGP в целом предполагал стандартный эволюционный алгоритм CGP [1, 3]; советник \((1+\lambda )\) с включенным \(\lambda = 4\) и нейтральным дрейфом.

2.5 Сравнение представлений

В таблице 1 приведены основные аспекты GP, LGP, CGP и EGGP. Разница между LGP и CGP в отношении представления заключается в том, что в LGP результаты предыдущих инструкций, которые могут быть использованы в качестве аргументов текущей инструкцией, определяются с точки зрения количества доступных регистров, тогда как в CGP результаты предыдущих узлов, которые могут использоваться текущим узлом в качестве аргументов, определяются параметром level-back. В EGGP все узлы могут использоваться в качестве аргументов данным узлом, за исключением случаев, когда это приводит к циклу. Установив \(n_r=1\), \(n_c=N\) и \(l=n_c\), для CGP, где \(n_r\) – количество строк, \(n_c\) количество колонны, N количество узлов и l параметры обратного уровня, то CGP может представлять тот же набор программ, что и EGGP. Также, если для LGP используется отдельный вектор для входов и уникальный регистр для каждой инструкции, то он также может представлять тот же набор программ, что и EGGP.

Таблица 1 Основные аспекты ГП и трех рассмотренных здесь методов графовой ГП

Полная таблица

Что касается генетических операторов, то мутации предпочтительны для всех вариантов графовой ГП [1, 5, 6, 21]. И CGP, и EGGP используют программы фиксированного размера, а мутации изменяют только функцию каждого узла или связи между узлами. Однако в LGP макромутация может вставлять или удалять инструкции. Таким образом, программы начинаются с начальной длины и могут увеличиваться до максимального размера. Микромутации эквивалентны точечным мутациям CGP, однако в EGGP могут возникать некоторые мутации, недопустимые в CGP и LGP. Пример такой мутации показан на рис. 4. Здесь красное ребро (идущее от узла 2 к 1) перенаправляется на переход от узла 2 к 3 (синее ребро). Поскольку CGP и LGP могут использовать только предыдущие узлы/инструкции в качестве аргументов текущего узла (свойство прямой связи), эта мутация невозможна. Однако, поскольку цикл не создается, это возможно в EGGP. В [1] было продемонстрировано, что эта разница приводит к увеличению производительности для EGGP по сравнению с CGP на тестах цифровых цепей.

Рис. 4

Пример мутации, разрешенной в EGGP, но не разрешенной в CGP и LGP. и — вход, или — выход. Ребро от x до y означает, что x использует y в качестве аргумента. В этой мутации красный край заменяется синим. Из [1]

Увеличенное изображение

Имеются публикации, в которых некоторые варианты ГП графа сравниваются со стандартной ГП и между собой. В [6] LGP смог превзойти GP в задачах символьной регрессии, синтеза цифровых схем и классификации. В [10] LGP создал лучшие программы, чем GP, для эталонных тестов классификации как с точки зрения производительности, так и с точки зрения понятности. LGP также превзошел GP в задаче о муравьином следе в [27]. В [23] Миллер и Томсон показали, что CGP превосходит GP в задаче Ant Trail, и что нейтральные мутации играют важную роль в этом результате. Было показано, что схема выбора CGP \((1+4)\) превосходит схемы выбора поколений для эволюции булевых схем в [18]. Аткинсон и др. показали в [1], что EGGP обеспечивает лучшую производительность, чем CGP, на тестах цифровых цепей благодаря своему оператору мутации. [35] и [14] также провели сравнение между LGP и CGP, а также LGP и GP соответственно, но обнаружили, что ни один метод не был явно лучше другого во всех задачах. Шмидт и Липсон [26] сравнивают древовидное кодирование и общее графовое кодирование, подобное LGP, для ряда все более сложных функций символьной регрессии и заключают, что графовое кодирование дает результаты, аналогичные деревьям, с меньшим раздуванием и лучшей вычислительной производительностью, поскольку оно не зависит на рекурсии.

Хотя эти публикации предлагают некоторое сравнение между методами, как мы можем видеть в Таблице 1, многие аспекты отличаются от одного алгоритма к другому. Наша цель в этой работе — изучить роль EA и генетических операторов, которые используются в сочетании с каждым представлением, чтобы исследовать, как можно лучше использовать графы и деревья. Мы также хотим проанализировать влияние представления при использовании одного и того же советника, чтобы определить, способна ли структура сама по себе превзойти деревья или она может сделать это только в сочетании с конкретным советником.

3 План эксперимента

В этом разделе мы представляем методологию наших экспериментов, конфигурации алгоритмов и контрольные задачи, которые мы изучаем.

3.1 Предлагаемая методология

Целью наших экспериментов является использование базовых алгоритмов с единообразными конфигурациями, чтобы изолировать влияние представления, операторов или EA. Для этого рассмотрим GP, LGP, CGP и EGGP в их стандартных формах, то есть с использованием основных генетических операторов и стандартных эволюционных алгоритмов. Мы используем схему одиночной активной мутации без параметров (SAM) для подходов на основе графов [12]. Схема SAM многократно применяет исходный оператор точечной мутации до тех пор, пока активный ген не будет мутирован в первый раз. Мутация активного гена обычно изменяет фенотип и влияет на функциональное качество решения-кандидата. Мы оцениваем приспособленность особи только по изменениям активных генов. Приспособленность особи никогда не переоценивается в наших алгоритмах, если гены, кодирующие фенотип, не претерпевают изменений. Обоснованием использования схемы SAM является минимизация алгоритмических параметров, которые необходимо настроить, и справедливое сравнение методов.

В качестве условия остановки для наших алгоритмов мы используем количество оцениваемых узлов графа вместо оценки пригодности. Подсчет количества оцененных узлов графа является более точным, поскольку он соответствует времени моделирования развитой программы на стандартном однопоточном процессоре. Важно отметить, что в графовых методах оцениваются только активные узлы. Кроме того, поскольку количество тестов пригодности является постоянным для эталонного теста, количество оцениваемых узлов графа всегда кратно количеству тестовых случаев. Для тестов символической регрессии пригодность вычисляется для двадцати точек. Для эталонных тестов булевых схем количество тестовых случаев равно двум в степени количества входных данных. Для упрощения отчетов мы показываем только количество оцененных узлов графа, деленное на количество тестовых случаев. Это эффективно соответствует отчету о накопленных размерах фенотипа. Мы разделим наш экспериментальный план следующим образом:

1. 1.

   В нашем первом эксперименте мы тестируем каждый из методов, используя каждый из трех описанных советников: поколенческий, стационарный и (\(1+\лямбда\)). Целью этого является изучение того, какой советник работает лучше всего для каждого алгоритма и класса тестов.

2. 2.

   Во-вторых, мы сравниваем производительность трех методов GP графа (LGP, CGP и EGGP) при использовании одного и того же советника, чтобы оценить влияние комбинации структуры и операторов. Различие, рассматриваемое здесь между CGP и EGGP, заключается в операторе мутации, который является более общим в EGGP. LGP, с другой стороны, представляет больше отличий: нет уникального идентификатора для каждой инструкции, регистры и входы могут быть перезаписаны, и он использует макромутации, которые добавляют и удаляют целые инструкции. По этой причине мы также рассматриваем версию, обозначенную как 9.2269 LGP-micro , где разрешены только микромутации. В LGP-micro отличие от CGP заключается только в представлении.

3. 3.

   Затем мы выбираем метод GP графа, который лучше всего подходит для каждой из задач, и сравниваем его со стандартным GP, когда используется один и тот же советник, чтобы оценить влияние представления.

3.2 Параметры алгоритма

В таблице 2 показаны параметры, используемые для каждого алгоритма. Мы устанавливаем размеры популяции на хорошо установленные значения. Алгоритм завершается, если он нашел решение с MAE ниже некоторого порога (символические регрессионные тесты), если он выдал 100% правильных выходных битов (булевы тесты) или если он оценил решения-кандидаты с накопленными размерами фенотипа (активные узлы). равно или выше некоторого предела. Пригодность решения-кандидата никогда не переоценивается, если его активные гены остаются неизменными. Размер турнира был основан на литературных данных [6], а также подтвержден эмпирически предварительными прогонами с различными размерами турниров. Начальная и максимальная длина программы, а также фиксированная длина были основаны на литературных данных [1, 5, 6, 21]. Мы также устанавливаем максимальную глубину дерева так, чтобы количество внутренних узлов было аналогично длине генотипа в LGP, CGP и EGGP. Метод инициализации дерева и процент констант являются стандартными для GP [25], а допустимое количество регистров для LGP предложено в [6] и также определено эмпирически. Мы избегаем использования констант для цифровых схем и используем только одну константу для задач регрессии для всех методов. Количество строк, столбцов и параметр level-back в CGP были определены таким образом, чтобы они представляли тот же набор программ, что и EGGP. Для GP мы адаптировали реализацию из DEAP [11] на Python, а для LGP, CGP и EGGP мы использовали наши реализации. ^{Сноска 1}

Таблица 2 Параметры для GP, LGP, LGP-micro, CGP и EGGP. Когда параметр или значение допустимо только для некоторых техник или советников, это указывается в скобках. Параметры не настраиваются, а настраиваются в соответствии с общими значениями, используемыми в связанных работах (например, [4, 6, 31])

Таблица полного размера

Для LGP-micro, CGP и EGGP мы используем одноактивную мутацию. Однако для GP это невозможно, так как нет неактивного кода и используется кроссовер, а в LGP все еще есть макромутации, которые могут удалять или добавлять целые инструкции. В предварительных прогонах мы заметили, что использование частоты мутаций было выгодно для LGP и GP (только для функций регрессии в GP), и приняли его. В LGP частота мутаций \(X\%\) означает, что \(X\%\) инструкций подвергаются макромутации, за которой следует микромутация. В GP это означает, что мутация поддерева применяется к \(X\%\) узлов. Кроссовер по-прежнему используется с вероятностью \(90\%\), так как мы обнаружили, что это важно для GP в предварительных прогонах, сравнивая GP с кроссовером и без него. В цифровых схемах мы используем вероятность \(10\%\) для мутации поддерева в GP.

Скорость мутации была оптимизирована с использованием nguyen5 для регрессии и adder2 для классов цифровых тестов (см. раздел 3.3 для используемых тестов). Мы выполнили 50 прогонов с различной скоростью от \(1\%\) до \(30\%\) и выбрали тот, который показал наилучшие результаты для каждого метода. ^{Сноска 2} Используемые частоты мутаций показаны в таблице 3.

Таблица 3 Частоты мутаций, используемые каждым методом и эталонным классом после оптимизации

Полноразмерная таблица

Все остальные параметры настроены в соответствии с часто используемыми значениями в связанных работах [1, 4, 6, 28, 31], а иногда подтверждается предварительными прогонами с разными значениями параметров. Все алгоритмы будут работать лучше, если их конфигурации будут оптимизированы для какого-либо теста [15, 16]. Однако, поскольку сравнение производительности алгоритмов с различной конфигурацией, оптимизированных для конкретных задач, не является предметом исследования в этой статье, мы устанавливаем параметры в общие значения, чтобы мы могли лучше изолировать и исследовать роль конкретных функций (эволюционный алгоритм, генетические операторы). , и представительство).

3.3 Контрольные показатели

Мы используем три разных класса контрольных показателей, которые были выбраны в соответствии с предложениями, сделанными в литературе для контрольных показателей GP [20, 24, 34]: символическая регрессия, регрессионные данные реального мира и цифровые схемы. Для символьной регрессии мы использовали функции pagie1 , nguyen3 , nguyen5 и nguyen7 (определения из [20], а для цифровых схем \(1 \times 1 \times c_{in} \) сумматор ( adder1 ), \(2 \times 2 \times c_{in}\) сумматор ( adder2 ), \(3 \times 3 \times c_{in}\) сумматор ( adder3 ), \(2 \times 2\) множитель mult2 и \(3 \times 3\) множитель mult3  (определения из [33]). Все сумматоры реализуют линию переноса. Поскольку используемые схемы имеют более одного выхода, а решение задач с несколькими выходами нетривиально для GP, для сравнения результатов с GP мы использовали функции четности только с одним выходом: 3-битный вход даже контроль четности ( par3 ), 4-битный входной контроль четности ( par4 ), 5-битный входной контроль четности ( par5 ), 6-битный входной контроль четности ( par6 ) и 7-битный входной контроль четности ( par7 ) (определения из [33]).

Используемые наборы данных реальной регрессии можно найти в репозитории машинного обучения UCI [9]: набор данных об аэродинамическом профиле с 5 входными данными и 1503 экземплярами, набор данных бетона с 8 входными данными и 1030 экземплярами, EnergyCooling 9Наборы данных 2270 и EnergyHeating с 8 входами и 768 экземплярами, а также набор данных для яхт с 6 входами и 308 экземплярами. Все наборы данных имеют только один числовой выход. Мы разделили данные на 70% для обучения и 30% для тестирования стратифицированным образом. Количество обучающих и тестовых выборок сведено в Таблицу 4.

Таблица 4 Размеры обучающих и тестовых наборов данных в регрессионных экспериментах. Для функций pagie1 и nguyen определения обучающей и тестовой выборок взяты из [20]. Поскольку для этих функций не определен набор тестов, для pagie1 мы использовали тот же интервал от -5 до 5, но с шагом 0,1 вместо 0,4 для тестового набора, а для функций nguyen мы выбрали 20 различных точек из того же интервала, что и для обучающий набор

Полноразмерная таблица

Набор функций для контрольных показателей символической регрессии: 20] (защищенные операторы возвращают 1. 0). Для схем сумматора и четности это были И, НЕ-И, ИЛИ, ИЛИ, а для схем умножителя И, И с инвертированным одним входом — исключающее ИЛИ, ИЛИ [33]. Мы используем медианную абсолютную ошибку (MAE) в качестве фитнес-функции для регрессии и процента правильных битов для схем. Для цифровых схем дополнительно представлены вычислительные усилия Козы (CE) [19].] значений с \(z=0,99\), что служит оценкой того, сколько оценок требуется методу, чтобы найти решение для данной проблемы с \(99\%\) успеха.

4 Результаты и обсуждение

В таблице 5 показаны результаты с точки зрения MAE для всех методов с использованием генерационного, стационарного и (\(1+\лямбда\)) EA на контрольных показателях регрессии. В таблице 6 показан процент правильных битов и вычислительные усилия для всех методов цифровых цепей. Поскольку GP определен только для задач с одним выходом, мы не запускали его для схем сумматора и умножителя.

Таблица 5 MAE для всех методов с использованием различных советников, оцененных на тестовом наборе для эталонных показателей символической регрессии и реальных наборов данных

Полноразмерная таблица

Таблица 6 все методы, использующие различные советники, оценивались на эталонных тестах цифровых схем. Процентные значения представляют собой медиану по 100 независимым последовательным запускам, и CE вычисляется только в том случае, если не менее 10 запусков были успешными

Полноразмерная таблица

4.1 Сравнение эволюционных алгоритмов

На основании таблицы 5 можно сделать следующие наблюдения для решения задач регрессии:

• Тенденции в результатах для pagie1 , nguyen и реальных тестов различаются, и их лучше анализировать отдельно.

• Советник (\(1+\lambda\)) неизменно является лучшей схемой среди всех алгоритмов оптимизации для страниц1 тестов. Хотя EGGP превосходен, различия между остальными алгоритмами и эволюционными схемами довольно малы.

• Для эталонных тестов nguyen3 и nguyen5 генерация GP и стационарная LGP лучше, чем остальные алгоритмы оптимизации.

• Для теста nguyen7 результаты среди алгоритмов оптимизации и эволюционных схем аналогичны. GP и LGP-micro работают лучше всего, независимо от эволюционной схемы, а остальные алгоритмы оптимизации следуют близко друг к другу.

• Для тестов nguyen советник поколения лучше всего работает для GP и LGP-micro, в то время как советник в устойчивом состоянии лучше всего работает для LGP и (\(1+\lambda\)) EA для CGP, а также EGGP.

• Для реальных наборов данных алгоритм генерации лучше всего работал для GP, CGP и EGGP, за исключением набора данных яхта 9.2270 для CGP и EGGP. Однако для LGP и LGP-micro советник (\(1+\lambda\)) работал лучше, но разница по сравнению с другими советниками для LGP-micro была небольшой.

Для булевых тестов в таблице 6 можно сделать следующие наблюдения:

• Советник (\(1+\lambda\)) последовательно и на сегодняшний день является лучшей эволюционной схемой для всех алгоритмов оптимизации и тестов.

• Поколенческие и стационарные советники демонстрируют схожие характеристики и плохо масштабируются в тестах четности.

В таблице 7 показаны результаты статистических сравнений между генерационными, стационарными и (\(1+\лямбда\)) EA для всех методов. Для каждой пары советников и категории эталона мы показываем средний рейтинг для советников и значение p , полученное в результате теста Фридмана, следуя подходу из [8] для сравнения нескольких алгоритмов на нескольких наборах данных.

Таблица 7 Рейтинги советников по классам задач и методам. Чем ниже ранг, тем лучше советник. «Регрессия 1» относится к эталонным функциям, а 2 — к наборам данных реального мира, в то время как «Схемы 1» относятся к схемам сумматора и умножителя, а 2 — к схемам четности. Для каждой категории мы рассчитали средний ранг каждого советника по задачам в этой категории (например, для «Регрессии 1» показанное значение является средним рангом по функциям pagie1 , nguyen3 , nguyen5 и nguyen7 ). Ранги, выделенные жирным шрифтом, являются лучшими рангами для каждой категории. Мы также показываем значение p , полученное в результате теста Фридмана. EA для LGP и (\(1+\lambda\)) EA для CGP и EGGP. Для реальных наборов регрессионных данных советник поколений лучше всего работал для GP, CGP и EGGP, но советник (\(1+\lambda\)) был лучшим для LGP и LGP-micro. Для развивающихся цифровых схем генерирующие и стационарные советники ранжируются одинаково, и (\(1+\лямбда\)) EA имеет лучший ранг для всех комбинаций алгоритмов и экземпляров проблемы.

Большинство значений p больше 0,05, и это не является статистически значимым. Исключением являются CGP и EGGP для функций символической регрессии ((\(1+\lambda\)) с лучшим рангом), а также GP, LGP и LGP-micro для реальных наборов данных регрессии (поколенческие с лучшим рангом). для GP и (\(1+\lambda\)) для LGP и LGP-micro). Для регрессии ожидался такой результат, поскольку результаты иногда бывают смешанными и различаются в зависимости от экземпляра проблемы. Для цифровых схем три разных советника (поколенческий, стационарный и (\(1+\лямбда\))) работают одинаково с точки зрения процента правильных битов для более простых схем, но различаются, когда мы смотрим на CE. Например, LGP-micro достигает производительности 1,0 для всех советников по функциям 9.2269 par3 , 4 и 5 , но CE для (\(1+\lambda\)) EA намного ниже (таблица 6). Даже когда результаты различаются, разница не всегда чрезвычайно велика (например, CGP и EGGP на mult3 в Таблице 6), хотя разница очевидна, если мы посмотрим на CE.

В таблицах 8 и 9 мы показываем статистическое сравнение выбранных методов для каждой отдельной задачи на основе теста Манна-Уитни U и теста Варги и Делани Мера для оценки возможных статистических различий, которые не были зафиксированы критерием Фридмана. Здесь мы сосредоточимся на сравнении советников поколений и (\(1+\lambda\)) , поскольку в некоторых случаях советник поколений лучше всего работал для регрессии, в то время как (\(1+\lambda\)) EA работал лучше всего. в других случаях, и явно дал наилучшие результаты для всех проблем с цифровыми схемами.

Из Таблицы 8 мы подтверждаем, что в отдельных задачах советник поколений статистически превосходит (\(1+\лямбда\)) советник для GP и LGP-micro с некоторыми большими размерами эффекта. В то время как для CGP различия в функциях символической регрессии несущественны, для EGGP советник (\(1+\лямбда\)) статистически лучше, чем советник поколений, по всем задачам, в основном с умеренной величиной эффекта. С другой стороны, для реальных наборов регрессионных данных CGP и EGGP с советником поколений превосходят (\(1+\lambda\)) EA с большими размерами эффекта. Из таблицы 9, ясно, что улучшение (\(1+\lambda\)) EA по сравнению с генерационным EA является статистически значимым для всех методов почти во всех задачах со многими большими размерами эффекта.

Таблица 8 Избранное статистическое сравнение между советниками для регрессионных тестов

Полная таблица

Таблица 9 Избранное статистическое сравнение между советниками для тестов цифровых схем

Полная таблица

На основании этих результатов можно сказать, что результаты для класс задач регрессии более смешанный и зависит от комбинации алгоритма оптимизации и экземпляра проблемы. Однако для цифровых схем результаты полностью подтверждают, что использование (\(1+\lambda )\) EA приводит к значительному улучшению производительности для этого эталонного класса, независимо от используемого представления, что предполагает, что решения для этих проблемы с эталонными тестами выигрывают от интенсивной эксплуатации. Подобные выводы были сделаны Кауфманном и Калькройтом при исследовании параметров [15, 16]. Повышение эксплуатации за счет сокращения \(\lambda \rightarrow 1\) позволило добиться наилучших показателей сходимости по широкому диапазону булевых тестов.

4.2 Сравнение методов GP на основе графов

В этом разделе мы сосредоточимся на сравнении между LGP, LGP-micro, CGP и EGGP, когда используется один и тот же эволюционный алгоритм. Из таблицы 5 мы делаем следующие наблюдения для сравнения методов на основе графов в задачах регрессии:

• При использовании советника поколений LGP-micro имеет наилучшую производительность для функций символьной регрессии, тогда как CGP и EGGP обеспечивают наилучшую производительность для реальных наборов данных. Для функций символьной регрессии LGP, CGP и EGGP дают смешанные результаты в зависимости от каждой проблемы. Для реальных наборов данных LGP демонстрирует резкое снижение производительности по сравнению с LGP-micro и другими методами на основе графов.

• При использовании стационарного советника LGP дает наилучшие результаты для функций символической регрессии, а CGP и EGGP — для реальных наборов данных. LGP-micro, CGP и EGGP снова показывают смешанные результаты для функций символьной регрессии, в то время как LGP снова работает намного хуже по сравнению с другими методами на основе графов.

• Для советника (\(1+\lambda\)) результаты также в основном смешанные, но EGGP имеет более низкие значения MAE для функций символьной регрессии. В реальных наборах данных у LGP все еще есть заметно более высокие MAE.

• LGP был единственным методом на основе графов, который смог достичь почти оптимальной пригодности для функции nguyen5 . Поскольку GP также имеет хорошую производительность для этой функции, находя оптимальное решение, это может свидетельствовать о том, что эта функция выиграла от макрооператора на программном уровне (кроссовер в GP и макромутация в LGP).

Для эволюции цифровых схем мы фокусируемся на производительности алгоритмов при использовании (\(1+\лямбда\)) EA, поскольку он намного превосходит генерационные и стационарные EA (раздел 4.1). Согласно таблице 6 результаты следующие:

• Для тестов с несколькими выходами (схемы сумматора и умножителя) CGP и EGGP одинаково хорошо масштабируются, а LGP-micro немного отстает. LGP имеет наихудшую производительность.

• Для эталонного теста четности LGP-micro показывает лучшие результаты. EGGP следует за ним, а CGP плохо масштабируется с увеличением количества входных данных. В качестве исключения EGGP представляет более низкое значение CE для par7 9. 2270 .

В таблице 10 мы показываем ранжирование и значения Friedman p для сравнения между методами графовой ГП с одним и тем же эволюционным алгоритмом. Поскольку разница между генерационными и стационарными советниками не была ясна, мы показываем здесь результаты только для поколений и (\(1+\lambda\)) EA. Для функций символической регрессии рейтинги подтверждают, что LGP-micro достигает наилучшего результата с советником поколений, а EGGP — с советником (\(1+\lambda\)) EA. С другой стороны, в реальных наборах регрессионных данных наилучший результат с использованием генерационного EA был получен с помощью EGGP и CGP, когда используется (\(1+\lambda\)). CGP и EGGP являются лучшими методами ранжирования, когда (\(1+\lambda\)) EA используется для цепей сумматора и умножителя, но все ранги одинаковы для функций четности. На этот раз без Фридмана p – значение значимое. Опять же, это связано с тем, что все эти методы хорошо работают с точки зрения процента правильных битов (таблица 6), а разница между ними заключается больше в вычислительных усилиях.

Таблица 10. Ранжирование графовых методов GP в разбивке по классам задач и EA. Чем ниже ранг, тем лучше советник. «Регрессия 1» относится к эталонным функциям, а 2 — к наборам данных реального мира, в то время как «Схемы 1» относятся к схемам сумматора и умножителя, а 2 — к схемам четности. Для каждой категории мы рассчитали средний ранг каждого метода по задачам в этой категории (например, для «Регрессии 1» показанное значение является средним рангом по функциям 9).2269 стр.1 , nguyen3 , nguyen5 и nguyen7 ). Ранги, выделенные жирным шрифтом, являются лучшими рангами для каждой категории. Мы также показываем p -значение, полученное в результате теста Фридмана

Полноразмерная таблица

В таблицах 11 и 12 мы снова показываем анализ измерений Манна-Уитни и A для всех отдельных задач для выбранных методов. Для регрессии мы показываем сравнение между LGP-micro, CGP и EGGP с использованием советника поколений и (\(1+\лямбда\)) EA, поскольку оба EA показали хорошие результаты в зависимости от используемого метода на основе графа. Для цифровых схем, поскольку советник (\(1+\лямбда\)) был явным победителем, мы приводим сравнение только для него.

Из Таблицы 11 мы видим, что лучшая производительность LGP-micro с использованием советника поколений на функциях символической регрессии статистически значима с некоторыми большими размерами эффекта. При использовании советника (\(1+\lambda\)) CGP и, в частности, EGGP статистически превосходят LGP-micro. Разница между CGP и EGGP иногда значительна, но только с небольшим эффектом. В реальных наборах регрессионных данных CGP и EGGP снова превосходят LGP-micro с некоторыми большими размерами эффекта при использовании генерационного советника. Когда используется (\(1+\лямбда\)) EA, различия значительны и имеют большие размеры эффекта, хотя, поскольку результаты из таблицы 5 неоднозначны, это по-прежнему не дает окончательного понимания. Для цифровых схем (Таблица 12) большинство различий не обнаруживаются как статистически значимые, и даже в меньшей степени проявляются значительные размеры эффекта. Как обсуждалось ранее, это связано с тем, что все методы одинаково хорошо работают с точки зрения качества найденного окончательного решения, хотя они различаются количеством оценок, необходимых для его нахождения (значения CE в таблице 6).

Таблица 11 Избранное статистическое сравнение графических методов для регрессионных тестов

Полная таблица

Таблица 12 Избранное статистическое сравнение графических методов для эталонных тестов цифровых схем

Полная таблица

Таким образом, результаты весьма неоднозначны и контекстно-зависимая для символьной регрессии, хотя LGP-micro с генерационным EA лучше всего показал себя для функций символической регрессии, а EGGP с генерационным EA для реальных наборов данных. Для цифровых цепей результаты более четкие: EGGP является лучшим методом, но LGP-micro превосходит его по всем функциям контроля четности, кроме одной.

На основании этих результатов рекомендуется использование LGP с генотипом фиксированного размера и мутациями, изменяющими только функции внутри инструкций или соединений (LGP-микро), как это сделано в CGP и EGGP, и это становится очевидным при рассмотрении результаты LGP на реальных наборах данных регрессии (таблица 5). Поскольку разница между LGP-micro и CGP заключается в представлении, мы утверждаем, что представление в LGP, где количество регистров (10 + #Inputs) намного меньше, чем размер генотипа, и регистры могут быть перезаписаны, может быть недостатком. . Тем не менее, LGP-micro показал лучшие результаты в тестах с четностью, даже несмотря на то, что CGP и EGGP превзошли его в схемах сумматора и умножителя. Поскольку все конфигурации были одинаковыми между двумя экспериментами и тремя алгоритмами, одна из гипотез состоит в том, что тесты с четностью выигрывают от большего обмена результатами — меньше общего происходит в CGP и EGGP, поскольку любой узел может использовать любой из предыдущих узлов в качестве аргументов. , тогда как в LGP это ограничено количеством доступных регистров, которое значительно меньше, чем общее количество инструкций. Мы исследуем эту гипотезу в разд. 4.4.

4.3 Сравнение с древовидной ГП

Чтобы оценить влияние графового представления при использовании одного и того же эволюционного алгоритма и аналогичных конфигураций, мы сравниваем ГП с графовым методом и используем советник, который лучше всего работал на каждом эталонный класс: LGP-micro с советником поколений для функций символической регрессии, EGGP с советником поколений для реальных наборов данных регрессии и LGP-micro с советником (\(1+\lambda\)) для четной четности схемы. Из таблицы 5, кроме page1 , GP работает лучше, чем LGP-micro, с генерационными и стационарными советниками. При использовании советника (\(1+\lambda\)) GP показывает лучшие результаты на nguyen3 и nguyen5 . За исключением конкретного набора данных , когда используется (\(1+\лямбда\)) EA, EGGP превосходит LGP на всех реальных наборах данных регрессии с некоторыми значительными улучшениями в MAE. Глядя на Таблицу 6, LGP-micro превосходит GP по всем функциям контроля четности, как с точки зрения процента правильных битов, так и с точки зрения вычислительных усилий, что показывает, что графическое представление дает большое преимущество в этом классе тестов.

Таблицы 13 и 14 показывают величину эффекта для статистического сравнения между GP и LGP-micro/EGGP. Что касается регрессионных тестов, в целом GP статистически лучше, чем LGP-micro, с некоторыми большими размерами эффекта. LGP был лучше на pagie1 с использованием стационарного советника и на nguyen7 с использованием (\(1+\lambda\)) EA, хотя величина эффекта невелика. EGGP статистически лучше, чем GP, в реальных наборах данных регрессии и с большими размерами эффекта при (\(1+\lambda\)) EA. В схемах с четностью почти все различия между GP и LGP-micro были значительными и с очень большой величиной эффекта. При использовании советника (\(1+\lambda\)) GP работает лучше, чем раньше, но по-прежнему уступает LGP micro из пар5 и далее.

Таблица 13 Статистическое сравнение между GP и LGP-micro (регрессионные тесты) и между GP и EGGP (реальные проблемы) при использовании одного и того же советника

Полноразмерная таблица

Таблица 14 Статистическое сравнение между GP и LGP- микро, при использовании одного и того же советника, на задачах цифровых схем

Полная таблица

В заключение отметим, что графовое представление было недостатком для рассматриваемых здесь задач символьной регрессии. С другой стороны, он превзошел деревья в реальных наборах данных регрессии, которые представляют собой гораздо более сложные задачи, основанные на полученных значениях ошибок. Это говорит о том, что, хотя результаты для класса задач регрессии довольно неоднозначны, представление графа может улучшить результаты, особенно для более сложных задач.

Графики также смогли превзойти деревья для эталонных тестов цифровых схем независимо от используемого советника. Кроме того, величина увеличения производительности увеличивается с увеличением сложности функции, а также при объединении графиков с советником \((1+\lambda\)) ( par6 и par7 в таблице 6). Таким образом, представление графа имеет преимущества для развивающихся цифровых схем, а (\(1+\lambda\)) EA способен лучше использовать эти возможности. Поскольку (\(1+\lambda\)) EA выполняет более локальный поиск, одной из таких особенностей может быть нейтральный генетический дрейф, который чаще встречается в графовых представлениях из-за мутаций в неактивных частях генотипа. Это согласуется с публикациями, изучающими пространство поиска задачи эволюции цепей и показывающими, что разрешение нейтрального генетического дрейфа помогает для этих тестов в CGP [22, 30, 36]. Таким образом, как показали наши результаты, даже если мы изменим GP для работы с советником (\(1+\lambda\)) EA, включение графиков все равно сможет превзойти его в тестах цифровых схем. Сотто и Ротлауф также показывают в [29] что увеличение количества мутаций в неактивных инструкциях немного улучшило производительность поиска для некоторых тестов символьной регрессии. Поскольку в этой публикации авторы использовали стандартный EA для LGP, который является устойчивым EA, функция нейтрального поиска, вероятно, должна быть потенциализирована в сочетании с (\(1+\lambda\)) EA, особенно для развивающихся цифровых схемы.

4.4 Количество регистров и параметр обратного уровня

В разд. 4.2 мы предположили, что лучшая производительность LGP-micro по функциям контроля четности заключается в меньшем количестве регистров. Небольшое количество регистров вынуждает эволюцию чаще повторно использовать промежуточные результаты. В свою очередь, это помогает оптимизации быстрее разрабатывать более сложные решения. Чтобы развить эту идею, мы фиксируем эволюционный алгоритм как (\(1+\lambda\)) EA, так как он лучше всего работает с функциями четности, и проводим два эксперимента. В первом эксперименте мы измеряем производительность LGP-micro на тестах четности, используя возрастающее количество регистров от одного до 100 с шагом 2. Во втором эксперименте мы тестируем фактор «повторного использования промежуточных результатов» для CGP. CGP реализует параметр level back l , которые, как и количество регистров в LGP, могут контролировать использование промежуточных результатов. Измерение производительности CGP для \(l=1\dots 100\) с шагом 2 помогает нам увидеть, показывает ли ограничение параметра level back определенное поведение, как это поведение сравнивается с ограничением | Р | для LGP-micro и сравнение результатов с предыдущими экспериментами с \(l=\infty\).

Рис. 5

Вычислительные усилия (CE) для различных значений R в LGP-micro и параметр level-back l в CGP для задач четности (логарифмическая шкала). Оба метода используют (\(1+\lambda\)) EA, а значения CE были рассчитаны для 100 прогонов для каждой конфигурации

Полноразмерное изображение

На рис. 5 показано развитие CE для LGP-micro и CGP. когда R и l прокручиваются от 1 до 100. Все остальные параметры алгоритма устанавливаются на те же значения, что и в предыдущих экспериментах. Можно сделать следующие замечания:

• Есть оптимальный интервал для R и l . LGP-micro показывает лучшую производительность для \(R\in [10,15]\), а CGP для \(l\in [15,25]\). Поскольку в предыдущих экспериментах мы настроили R для LGP-micro почти оптимально на основании литературы и выбрали для CGP обычный, но значительно неоптимальный \(l=n_c=100\), CGP показал себя хуже. Учитывая лучшую конфигурацию 92 269 l 92 270 , CGP должен работать аналогично LGP-micro и EGGP в таблице 6.

• Чем сложнее становится функция контроля четности, тем более чувствительной становится настройка R LGP и l CGP. Для LGP-micro оптимальный интервал для R постепенно повышается с [10, 13] до [10, 20] для par7 , par6 , par5 , par4 и par3 , в этом заказ. CGP более устойчив к неправильно сконфигурированным l . Для par3 и par4 нет больших различий в производительности для \(l>20\). Однако для больших функций четности увеличение CE значительно возрастает при \(l>20\).

Эти результаты подтверждают, что более широкое повторное использование промежуточных результатов полезно для сложных проблем с четностью, а LGP и CGP предоставляют механизм для управления этим повторным использованием. Тот факт, что LGP менее устойчив к более высоким значениям R , может быть следствием перезаписи регистров, поскольку тогда у нас есть два фактора, уменьшающих повторное использование промежуточных результатов: больше доступных инструкций с начала программ и перезаписанные результаты.

Аналогичное влияние параметров конфигурации R LGP-micro и l CGP указывает на то, что эти подходы на основе DAG, вероятно, могут использовать очень похожие механизмы и фактически представляют собой две разные формы одного и того же принципа. Подобные идеи наблюдались в более подробной работе [17].

5 Выводы и будущая работа

Мы рассмотрели три метода графовой GP (LGP, CGP и EGGP), две формы применения мутации к LGP (LGP и LGP-микро) и три эволюционных алгоритма (поколенческий, стационарный и (1+\(\lambda\))), а также стандартный GP. После тестирования каждой комбинации техники и эволюционного алгоритма на тестах регрессии и цифровых схем мы изучили: (1) влияние используемого советника на производительность; (2) разница в производительности между графовыми методами ГП; (3) разница в производительности между GP и наиболее эффективным графовым методом GP. Наши основные выводы:

1. 1.

   Эволюционная схема, которая лучше работает в задаче регрессии, зависит от алгоритма. Для GP это всегда советник поколения. Для LGP-micro это советник поколений для функций символической регрессии и (\(1+\лямбда\)) для наборов данных реальной регрессии. Для CGP и EGGP все было наоборот. С другой стороны, (\(1+\lambda\)) советник значительно превосходит другие советники на цифровых схемах для всех алгоритмов, что показывает, что этот класс задач выигрывает от усиленного локального поиска.

2. 2.

   Для методов на основе графов рекомендуется использовать фиксированную длину генотипа в сочетании с точечными мутациями, как в LGP-micro, CGP и EGGP. Представление, которое позволяет повторно использовать все узлы вместо ограниченного набора регистров из LGP, также оказалось более эффективным, но показало худшую производительность на схемах с четной четностью, что показывает, что существуют проблемы, которые выигрывают от ограниченного повторного использования инструкций. Неограниченная мутация соединительных генов в EGGP часто приводила к лучшим характеристикам по сравнению с CGP.

3. 3.

   В задачах символьной регрессии графическое представление не имеет преимущества перед деревьями, поскольку GP с использованием советника поколений работала в целом лучше. Тем не менее, графики превзошли GP в реальных наборах данных регрессии, что показывает, что методы на основе графиков потенциально могут улучшить производительность при решении сложных задач регрессии. Графы также превосходят GP на цифровых схемах, независимо от используемого советника, что приводит нас к выводу, что этот класс задач выигрывает от особенностей представления графа, таких как нейтральный генетический дрейф. При использовании в сочетании с (\(1+\lambda\)) EA методы на основе графов имеют наибольшее преимущество перед деревьями, поскольку эта форма EA может дополнительно исследовать особенности представления графа. Кроме того, графы представляют собой большое преимущество перед деревьями для задач с несколькими выходными данными, включая регрессию, поскольку они могут легко кодировать более одного вывода.

4. 4.

   LGP и CGP обеспечивают способ управления повторным использованием промежуточных результатов через количество регистров R и параметр обратного уровня l соответственно. Используя более низкие значения для этих параметров, можно способствовать повторному использованию кода и повысить производительность в более сложных функциях контроля четности, что объясняет лучшую производительность LGP-micro в этом классе задач. Хотя EGGP также обеспечивает хорошую производительность и без этой функции, возможно, что добавление этого типа контроля может быть полезным.

Мы предприняли первоначальную попытку указать на общие различия для разных групп задач, чтобы в будущем иметь направление к более конкретному анализу, как к углубленному изучению, чтобы понять, какие свойства (\ (1+\lambda\)) EA и графическое представление, например, отвечают за улучшенную производительность на цифровых схемах. Некоторые возможности будущей работы включают: (1) изучение того, присутствуют ли такие свойства, как хранение развитой информации, сохранение разнообразия и нейтральный поиск, когда графы объединены с (\(1+\лямбда\)) EA, и если они помощи, как это сделано в [29] для ЛГП и стационарного ЭП; (2) изучить, как параметризация влияет на производительность графовых методов GP, как это сделано для количества узлов, доступных для повторного использования здесь и в более общем плане для CGP в [17]; (3) распространить результаты, полученные в этой статье, на другие типы задач, такие как задачи управления и более реальные задачи; (4) изучить фенотипические смещения LGP, CGP и EGGP, а также вероятность активности узла, и может ли это дополнительно объяснить плохое масштабирование CGP в функциях четности, например, или если более высокая вероятность мутации узлов, которые наименее активны, может повлиять на любое смещение длины фенотипа и повлиять на производительность поиска.

Ссылки

1. “>

   Т. Аткинсон, Д. Пламп, С. Степни, Эволюция графов с помощью графового программирования, в Европейская конференция по генетическому программированию . (Springer International Publishing, Cham, 2018), стр. 35–51

2. Т. Аткинсон, Д. Пламп, С. Степни, Вероятностные графовые программы для рандомизированных и эволюционных алгоритмов. В: Proc. Международная конференция по преобразованию графов, ICGT 2018, LNCS (Springer, 2018, том 10887, стр. 63–78)

3. Т. Аткинсон, Д. Пламп, С. Степни, Эволюция графов с семантическим нейтральным дрейфом. Естественные вычисления (2019). arXiv:1810.10453

4. Т. Аткинсон, Д. Пламп, С. Степни, Горизонтальный перенос генов для рекомбинации графов. Генетическое программирование и эволюционирующие машины (2020)

5. М. Брамейер, В. Банцхаф, Эффективное линейное генетическое программирование. Тех. Rep., Department of Computer Science (Университет Дортмунда, Дортмунд, 2001 г.)

   МАТЕМАТИКА Google Scholar

6. М.Ф. Brameier, W. Banzhaf, Linear Genetic Programming (Springer, Berlin, 2007)

   MATH Google Scholar

7. А. Коррадини, У. Монтанари, Ф. Росси, Х. Эриг, Р. Хеккель, М. Лёве, Алгебраические подходы к преобразованию графов – часть I: основные понятия и метод двойного выталкивания, в Handbook Of Graph Grammars И вычисления с помощью преобразования графов: Том 1: Основы (World Scientific, 1997), стр. 163–245

8. Дж. Демшар, Статистические сравнения классификаторов по нескольким наборам данных. Дж.Мах. Учиться. Рез. 7 (1), 1–30 (2006). http://jmlr.org/papers/v7/demsar06a.html

9. Д. Дуа, К. Графф, Репозиторий машинного обучения UCI (2017). http://archive.ics.uci.edu/ml

10. К. Фогельберг, М. Чжан, Линейное генетическое программирование для многоклассовой классификации объектов, в AI 2005: Advances in Artificial Intelligence . (Springer, Berlin Heidelberg, Berlin, Heidelberg, 2005), стр. 369–379

11. Ф.А. Фортин, Ф.М. Де Рейнвиль, М. А. Гарднер, М. Паризо, К. Ганье, DEAP: Эволюционные алгоритмы стали проще. Дж. Мах. Учиться. Рез. 13 , 2171–2175 (2012)

    MathSciNet Google Scholar

12. Б.В. Голдман, В.Ф. Punch, Сокращение ненужных оценок в декартовом генетическом программировании, в Genetic Programming . (Springer, Berlin Heidelberg, 2013), стр. 61–72

13. Б.В. Голдман, В.Ф. Панч, Анализ эволюционных механизмов картезианского генетического программирования. IEEE транс. Эволют. вычисл. 19 (3), 359–373 (2015)

    Статья Google Scholar

14. “>

    С. Харрис, Т. Бутер, Д.Р. Tauritz, in Сравнение вариантов генетического программирования для гиперэвристики , in GECCO 2015 5-й семинар по эволюционным вычислениям для автоматизированного проектирования алгоритмов , том. ECADA’15, (Мадрид, Испания, 2015 г.), стр. 1043–1050

15. П. Кауфманн, Р. Калькройт, Эмпирическое исследование параметризации декартова генетического программирования, в Genetic and Evolutionary Computation (GECCO) . (Compendium) (ACM, 2017)

16. P. Kaufmann, R. Kalkreuth, in Параметризация декартова генетического программирования: эмпирическое исследование , in KI 2017: Достижения в области искусственного интеллекта: 40-я ежегодная немецкая конференция по ИИ . (Springer International Publishing, 2017)

17. П. Кауфманн, Р. Калкройт, О параметризации декартова генетического программирования, в Конгрессе IEEE по эволюционным вычислениям (CEC) (IEEE, 2020)

18. “>

    П.Кауфманн , М. Платцнер, в Передовые методы создания и распространения модулей в декартовом генетическом программировании , в Конференция по генетическим и эволюционным вычислениям (GECCO), (ACM Press, 2008), стр. 1219–1226

19. Дж. Р. Коза, Генетическое программирование: программирование компьютеров с помощью естественного отбора (MIT Press, Кембридж, Массачусетс, США, 1992)

    МАТЕМАТИКА Google Scholar

20. Дж. Макдермотт, Д.Р. Уайт, С. Люк, Л. Манцони, М. Кастелли, Л. Ваннески, В. Ясковски, К. Кравец, Р. Харпер, К. Де Йонг, У.М. О’Рейли, «Генетическое программирование нуждается в более качественных тестах», в материалах Proceedings of the 14th Annual Conference on Genetic and Evolutionary Computing, GECCO ’12 (2012), стр. 791–798

21. Дж. Миллер, Декартово генетическое программирование: его статус и будущее. Генетическое программирование и эволюционирующие машины (2019). https://doi.org/10.1007/s10710-019-09360-6

22. Дж. Ф. Миллер, С.Л. Смит, Избыточность и вычислительная эффективность в декартовом генетическом программировании. IEEE транс. Эвол. вычисл. 10 (2), 167–174 (2006). https://doi.org/10.1109/TEVC.2006.871253

    Статья Google Scholar

23. Дж. Ф. Миллер, П. Томсон, Декартово генетическое программирование, в Генетическое программирование . изд. Р. Поли, В. Банцхаф, У.Б. Лэнгдон, Дж. Миллер, П. Нордин, Т.С. Фогарти (Springer, Berlin Heidelberg, Berlin, Heidelberg, 2000), стр. 121–132

24. М. Николау, А. Агапитос, М.О’Нил, А. Брабазон, Руководство по определению контрольных задач в генетическом программировании, в материалах Конгресса IEEE по эволюционным вычислениям 2015 г. (CEC 2015) (Сендай, Япония, 2015 г.), стр. 1152–1159.

25. Р. Поли, В.Б. Лэнгдон, Н.Ф. Макфи, Полевое руководство по генетическому программированию. Опубликовано на http://lulu.com и находится в свободном доступе на http://www.gp-field-guide.org.uk (2008 г.). (При участии Дж. Р. Коза)

26. М. Шмидт, Х. Липсон, в Сравнение кодирования дерева и графа как функция сложности проблемы , том. GECCO ’07 (Ассоциация вычислительной техники, Нью-Йорк, США, 2007 г.), стр. 1674–1679. https://doi.org/10.1145/1276958.1277288

27. Л.Ф.Д.П. Сотто, В.В. де Мело, М.П. Basgalupp, \(\lambda\)-LGP: улучшенная версия линейного генетического программирования, оцененная в задаче о муравьином следе. Знай. Инф. Сист. 52 (2), 445–465 (2017)

    Статья Google Scholar

28. Л.Ф.Д.П. Сотто, П. Кауфманн, Т. Аткинсон, Р. Калкройт, М.П. Basgalupp, in Исследование представлений графов для генетического программирования , in Proceedings of the Genetic and Evolutionary Computation Conference 2020, GECCO ’20 , (Ассоциация вычислительной техники, Нью-Йорк, штат Нью-Йорк, США, 2020 г. ), стр. 931–939. https://doi.org/10.1145/3377930.33

29. Л.Ф.Д.П. Сотто, Ф. Ротлауф, в О роли неэффективного кода в линейном генетическом программировании , в Трудах конференции по генетическим и эволюционным вычислениям, GECCO ’19 (ACM, Нью-Йорк, Нью-Йорк, США, 2019 г.), стр. 1075–1083

30. А.Дж. Тернер, Дж. Ф. Миллер, Нейтральный генетический дрейф: исследование с использованием декартова генетического программирования. Жене. Программа Evolvable Mach. 16 (4), 531–558 (2015). https://doi.org/10.1007/s10710-015-9244-6

    Статья Google Scholar

31. А.Дж. Тернер, Дж. Ф. Миллер, Нейтральный генетический дрейф: исследование с использованием декартова генетического программирования. Жене. Программа Evolvable Mach. 16 (4), 531–558 (2015)

    Статья Google Scholar

32. “>

    В.К. Васильев, Дж. Ф. Миллер, Преимущества ландшафтной нейтральности в эволюции цифровых схем, в Развивающиеся системы: от биологии к оборудованию . изд. Дж. Миллер, А. Томпсон, П. Томсон, Т.К. Фогарти (Springer, Berlin Heidelberg, Berlin, Heidelberg, 2000), стр. 252–263

33. Дж.А. Уокер, Автоматическое приобретение, эволюция и повторное использование модулей в декартовом генетическом программировании. IEEE транс. Эвол. вычисл. 12 , 397–417 (2007)

    Статья Google Scholar

34. Д.Р. Уайт, Дж. Макдермотт, М. Кастелли, Л. Манцони, Б.В. Гольдман, Г. Кронбергер, В. Ясковски, У.М. О’Рейли, С. Люк, Улучшение контрольных показателей GP: результаты опроса сообщества и предложения. Жене. Программа. Эвол. Мах. 14 (1), 3–29 (2013)

    Статья Google Scholar

35. Г. Уилсон, В. Банцаф, Сравнение декартова генетического программирования и линейного генетического программирования, в Генетическое программирование . изд. М. О’Нил, Л. Ваннески, С. Густафсон, А.И. Эспарсия Алькасар, И. Де Фалько, А. Делла Чоппа, Э. Тарантино (Springer, Berlin Heidelberg, Berlin, Heidelberg, 2008), стр. 182–193

36. Т. Ю, Дж. Ф. Миллер, Нейтральность и эволюционируемость ландшафт булевых функций. В: Материалы 4-й Европейской конференции по генетическому программированию, EuroGP ’01, стр. 204–217. Springer-Verlag, Берлин, Гейдельберг (2001). http://dl.acm.org/citation.cfm?id=646809.704083

Ссылки для скачивания

Обучение представлению на RDF* и LPG Knowledge Graphs | Майкл Галкин

GNN за пределами Triples

Гиперреляционные KG кодируют гораздо больше знаний, чем тройные KG. Мы используем последние достижения в Graph ML и предлагаем кодировщик GNN для таких графиков вместе с новым тестом.

Изображение автора.

Графы знаний (KG) являются краеугольным камнем современных приложений НЛП и ИИ — недавние работы включают в себя ответы на вопросы, связывание сущностей и отношений, языковое моделирование, извлечение информации и даже воспроизведение текстовых ролевых игр с обучением с подкреплением. Кроме того, KG уже широко используются в отрасли, например, ряд работ с недавней конференции Knowledge Graph (KGC)

Традиционно KG кодируются как тройки (RDF), и многие общедоступные KG, такие как DBpedia и YAGO, изначально следовали этой парадигме, подкрепленной выразительными логическими формализмами (вспомните времена, когда DL относился к логике описания). 👵) и такие стандарты, как RDF и OWL.

Тройные факты. Учился ли Эйнштейн в обоих университетах одновременно? Изображение автора.

Используя тройки, приведенный выше пример, описывающий, какие университеты посещал Альберт Эйнштейн, можно закодировать как две тройки:

  Альберт Эйнштейн, получил образование в ETH Zurich 
 Альберт Эйнштейн, получил образование в Цюрихском университете  

Что ж, выглядит неплохо, для простых приложений, но оказывается, что наш мир немного сложнее, чтобы уместить все в тройки. Например, означают ли две тройки, что Альберт Эйнштейн получил образование в двух местах одновременно? Или присудили ему такую ​​же степень?

На самом деле Эйнштейн получил степень бакалавра в ETH Zurich по специальности математика, тогда как в Цюрихском университете он получил докторскую степень по специальности физика.

Можем ли мы иметь механизм для более подробного изложения фактов?

Да! В мире KG для этого есть как минимум два способа — RDF* Graphs и Labeled Property Graphs (LPG). Оба они позволяют дополнительно конкретизировать каждый факт, присоединяя вспомогательные пары ключ-значение (отношение-сущность) к ребрам в KG. И оба они уже поддерживаются крупными вендорами на рынке графовых баз данных 👍.

В мире LPG и узлы, и ребра естественным образом могут иметь атрибуты ключ-значение. Neo4j, вероятно, самое известное имя в семействе LPG. Вы можете запрашивать LPG с помощью (Open)Cypher. Недавний COVID-19KG доступен в виде дампа Neo4j.

RDF*, изначально предложенный Олафом Хартигом (его блог — хороший начальный источник для знакомства с RDF* и связанными с ним технологиями), направлен на решение многих проблем печально известного механизма реификации RDF (всесторонний обзор см. в этом обзоре Фрея и др.). овеществления), сохраняя при этом возможности рассуждения, относящиеся к RDF-графам. Опираясь на прочную теоретическую основу, RDF* предоставляет несколько способов обогатить триплеты дополнительными деталями. Вы можете запрашивать графики RDF* с помощью SPARQL* (расширение SPARQL для работы с RDF*). Apache Jena, RDF4J, N3.js, Blazegraph, AnzoGraph, Stardog и GraphDB поддерживают RDF* и SPARQL*

Наш пример в синтаксисе RDF* может выглядеть так:

  << Альберт_Эйнштейн получил образование в ETH_Zurich >> 
 академическая_степень бакалавра ; 
 академический_майор Математика . 
 << Альберт_Эйнштейн получил образование_в Цюрихском_университете >> 
 академическая_степень докторская степень ; 
 академическая_специальность Физика.   

Какой термин подходит для таких детских садов? Был небольшой пробел в словарном запасе, пока Россо и др. в своей недавней работе WWW’20 не предложили использовать «гиперреляционный граф». Тем не менее, существует распространенное неправильное использование термина «гиперграф». Мы также хотели бы выступать за «гиперреляционные» графы. 🤝

Основное отличие заключается в представлении факта. Гиперграфы предполагают наличие одного (названного) гиперребра, объединяющего несколько объектов:

  образование (Альберт Эйнштейн, ETH Zurich, бакалавр, математика) 
 образование (Альберт Эйнштейн, Цюрихский университет, докторантура, физика)  

Гиперребра, состоящие из 4 узлы каждый. Обратите внимание, что мы теряем предикаты, относящиеся к академической специальности и ученой степени. Изображение автора.

Похоже на n-арное отношение, верно? 🤨 У нас тут несколько проблем:

1. Мы теряем типизированные отношения академическая_степень и академическая_майор , связанные со степенью бакалавра/доктората и математикой/физикой соответственно. Вместо этого тип гиперребра представляет собой абстракцию (или довольно странную семантическую смесь 🤯) educated_at , Academic_ Degree и Academic_major . Что если один факт также содержит вспомогательный предикат Academic_supervisor ? Нам нужно определить новое гиперребро, скажем, education1() , смешивая 4 те отношения, которые экспоненциально растут с количеством предикатов и квалификаторов. 📈

2. Более того, мы также теряем вспомогательный характер степеней и мажоров, т. е. они предназначены для описания своих основных троек. Например, бакалавриат и математика являются вспомогательными по отношению к Albert Einstein и ETH Zurich и, следовательно, должны рассматриваться таким образом. Кортеж сущностей в гиперребре предполагает равную важность своих элементов.

Тем не менее, в следующих частях мы будем придерживаться гиперреляционных подходов.

В 2020 году большинство KG с открытым доменом широко используют гиперреляционные факты. Викиданные и их модель заявлений Викиданных — хороший пример гиперреляционного KG. Каждый факт в Викиданных представляет собой Утверждение с основной тройкой и набором вспомогательных квалификаторов — пар сущность-отношение. С операторами Викиданных наш пример с Альбертом Эйнштейном можно смоделировать следующим образом:

гиперреляционных факта. Изображение автора.

В этих утверждениях (академическая_степень, бакалавр) и (академическая_специальность, математика) являются определителями для тройки <Альберт Эйнштейн, educated_at, ETH Zurich> .

Важно отметить, что Викиданные (и вообще гиперреляционная парадигма) не разделяют сущности и предикаты, используемые исключительно в основных тройках или квалификаторах, т. е.

все предикаты и сущности могут использоваться либо в тройственных терминах, либо отборочные

(хотя в текущей версии Викиданных могут быть некоторые сущности и отношения, видимые только в квалификаторах). Мы будем использовать это свойство в следующих разделах.

Что касается других KG, начиная с 2018 года, новые выпуски DBpedia содержат овеществленные утверждения, аналогичные тем, что есть в Викиданных. YAGO 4 также принял кодирование фактов RDF*. 🙌

А как насчет Freebase? 🤔 Что ж, в 2020 году некромантией заниматься, наверное, не стоит 🧟‍♂️, так как Freebase больше не поддерживается и не обновляется. Однако узлы Compound Value Types (CVT) в Freebase действительно напоминают овеществление троек [но больше похожи на n-арные отношения]

Наша задача здесь — изучить представления гиперреляционных графов.

Под представлениями мы подразумеваем вложения сущности (узла) и отношения (типизированное ребро). Затем вложения можно использовать в последующих задачах, таких как предсказание ссылок, классификация узлов, выравнивание объектов и многие другие, которые можно использовать в NLP, CV и других областях ИИ. 🍀

Область графового обучения (GRL) — одна из самых быстрорастущих 🚀 областей машинного обучения, есть несколько статей (серия постов Михаила Бронштейна, обзоры (мой, Сергея) с ICLR’20 и НейрИПС’19статьи), книги (Уильяма Гамильтона, Ма и Танга), курсы (CS224W, COMP 766, ESE 680) и даже Telegram-канал GraphML (подпишитесь 😉), охватывающий базовые и сложные темы.

В парадигме кодер-декодер кодировщик обычно представляет собой GNN (графовую нейронную сеть), а декодер представляет собой функцию вложений, которая возвращает значение или вектор, относящийся к определенной нисходящей задаче, например, вероятность того, что объект является объектом данного пара.

Очень много! 😍

Кодировщики : семейство мультиреляционных кодировщиков GNN, таких как R-GCN (Schlichtkrull et al, ESWC 2018) и CompGCN (Vashishth et al, ICLR 2020), которые расширяют исходный алгоритм графовой сверточной сети (GCN) в пределах Фреймворк для передачи сообщений.

Декодеры : на самом деле, традиционные алгоритмы внедрения KG, такие как TransE, ConvE, RotatE и т. д., являются хорошими примерами декодеров для задачи предсказания канала. Первоначально их также можно было обучать как модели только для декодера, оптимизированные напрямую 👉 для задач прогнозирования ссылок.

Хм, не так уж много 🤔 (по состоянию на осень 2020 г.)

Энкодеры : ???

Декодеры : HINGE, предложенная Rosso et al., представляет собой сквозную модель на основе CNN для прогнозирования ссылок на гиперреляционных графах.

Ну, мы не смогли справиться с такой вопиющей пропастью 🕳 в части кодеров GNN и предложили ⭐️ StarE ⭐️ в нашей недавней статье EMNLP’20 «Передача сообщений для гиперреляционных графов знаний», написанной совместно с Priyansh Trivedi , Гаурав Махешвари , Рикардо Усбек и Йенс Леманн .

StarE — мультиреляционный кодировщик GNN, который расширяет CompGCN для гиперреляционных KG.

Название вдохновлено RDF* 😊 StarE разработан с учетом следующих особенностей:

Пример объединения квалификаторов в StarE. Изображение автора.

• Явное моделирование отношений, включая уточняющие отношения;
• Отделение вспомогательных сущностей и отношений в определителях от сущностей и отношений в главных тройках;
• Тем не менее, любая сущность и любое отношение могут использоваться как в основных тройках, так и в квалификаторах;
• Инвариантность перестановки к порядку квалификаторов — они не имеют определенного порядка и могут быть свободно переставлены. То есть для основной тройки <<Альберт Эйнштейн, образование, ETH Zurich>> не имеет значения, стоит ли (академическая степень, бакалавр) перед (академическая специальность, физика) или после.

Давайте проследим эволюцию кодировщиков GNN с учетом отношений в их схемах агрегации соседства:

Алгоритмы передачи сообщений. Изображение автора.

В StarE основное тройное отношение h_r , появляющееся между узлами u и v , дополняется агрегированным вектором квалификаторов h_q с помощью функции gamma() , которая может быть взвешенной суммой, умножением, конкатенацией или любая другая бинарная функция (мы выбрали взвешенную сумму).

Мы получаем вектор h_q через:

То есть мы сначала объединяем отношения квалификаторов и вложения сущностей h_{qr} и h_{qv} соответственно в одном векторе с помощью функции композиции phi_q() , которая может быть функцией оценки из семейства вложений KG, например, RotatE. Затем мы применяем инвариантную к перестановке функцию агрегации (суммирование, хотя мы также исследовали умножение), чтобы объединить произвольное количество квалификаторов в один вектор и, наконец, проецировать его через матрицу преобразования W_q .

Поскольку все сущности и отношения обычно можно увидеть в основных тройках, а также в квалификаторах, W_q предназначен для изучения специфичных для квалификаторов представлений сущностей и отношений.

Мы по-прежнему сохраняем компоненты CompGCN: phi_() — это функция композиции, аналогичная phi_q() , но теперь она объединяет узел с расширенным представлением ребер. W_{\lambda} — весовой параметр для входящих, исходящих и замкнутых отношений.

GNN работают с разреженными матрицами из соображений эффективности. Для мультиреляционных основанных на тройках KG следующий пример утраивает

  Q937, P69, Q11942 
 Q937, P69, Q206702  

Может быть представлен в формате COO в виде тензора [2, num_edges] с дополнительной строкой для типов ребер ^{9Q0703 , [] Q11942, Q206702]
[P69, P69]}

Гиперреляционные факты с квалификаторами можно записать следующим образом: , qr2, qv2, …, qrN, qvN

Где первые три элемента всегда обозначают «основную» тройку, а последующие пары являются квалификаторами в произвольном порядке (помните об инвариантности порядка в Викиданных)

Каким может быть разреженное представление гиперреляционных KG, где каждый «столбец» матрицы COO может иметь произвольное количество квалификаторов? В статье мы предлагаем следующую кодировку:

Разреженное кодирование гиперреляционных KG. Изображение автора.

То есть имеем две матрицы COO:

1. Обычный «тройной» COO с неявным индексом столбца k
2. «Квалификатор» COO формы [3, num_qualifiers] , где первая строка содержит индексы столбцов в «тройном» СОО, второй содержит отношения квалификаторов, а третий — сущности квалификаторов. Индексная строка соединяет столбец квалификаторов с основной тройкой. При этом столбцы в «классификаторе» COO, которые имеют один и тот же индекс k, принадлежат одной и той же k-й тройке в «тройной» матрице COO. Это позволяет нам быть O (q) в памяти по количеству квалификаторов в KG, а общая память равна O (|ребра|+|квалификаторы|) ⚖.️

Мы кратко коснулись кодирования гиперреляционных фактов как последовательность сущностей и отношений. Но есть ли уже надежные наборы данных для экспериментов на таких КГ? Традиционно вложения KG оценивались в задаче прогнозирования ссылок, в то время как задачи Graph ML включают классификацию узлов, классификацию графов, сопоставление сущностей и многое другое.

На данный момент существует только два набора данных прогнозирования ссылок: WikiPeople, предложенный Гуаном и др. — это дамп Викиданных, описывающих, ну, людей, и JF17K — экспорт из Freebase 🧟‍♂️. Тем не менее, мы выявили основные недостатки 😞 с этими двумя:

• WikiPeople имеет слишком много квалификаторов с литералами (лет). Не рекомендуется рассматривать литералы как еще один вид сущностей, поскольку числа являются непрерывными значениями и должны рассматриваться таким образом (ну, это общая проблема с литералами в литературе по встраиванию KG 🤔). При этом в большинстве случаев такие квалификаторы просто отбрасываются. Это приводит к набору данных, в котором только 2% фактов имеют квалификаторы, а 80% этих фактов имеют только одну пару квалификаторов:/
• JF17K имеет набор для проверки утечек . На самом деле, сами авторы идентифицировали «» значительно много избыточных троек» и не рекомендуют использовать его в экспериментах. Первоначально являясь скорее n-мерным набором данных, HINGE преобразовал его в гиперреляционный формат со вспомогательными предикатами. Мы провели дальнейшее исследование и обнаружили, что более 40% тестовых утверждений имеют ту же основную тройку (s, r, o) , что и в наборе поездов. То есть в задаче прогнозирования субъекта/объекта простая эвристика, состоящая только из троек, может превзойти все предыдущие гиперреляционные подходы, которые мы показываем в статье.

Поскольку оба набора данных не подходят для оценки гиперреляционных подходов, мы выбрали WD50K из Викиданных со следующими рекомендациями:

Изображение автора.

• Сохранить распределение квалификаторов, подобное Викиданным. В ванильном WD50K около 13% утверждений имеют квалификаторы (около 17% от общего числа утверждений в Викиданных)
• Все квалификаторы представляют собой пары “сущность-отношение”, без литералов
• Сущности и отношения можно увидеть в основных тройках и квалификаторах
• 99% утверждений имеют не более 6 пар квалификаторов

Для дальнейших экспериментов мы выбрали 3 дополнительных набора данных:

• WD50K (33) — около 33% утверждений имеют квалификаторы
• WD50K (66) — около 66% операторов имеют квалификаторы
• WD50K (100) — все операторы имеют квалификаторы

Естественно, эти наборы данных меньше, чем исходный WD50K с большим количеством уникальных сущностей и отношений с квалификаторами.

На этом этапе у нас, наконец, есть кодировщик StarE и подходящие наборы данных предсказания канала для экспериментов. Наш главный исследовательский вопрос:

Помогают ли квалификаторы предсказывать субъекты и объекты гиперреляционных фактов?

StarE + декодер для предсказания канала. Изображение автора.

То есть, учитывая субъект, предикат и все определители, мы предсказываем объект или наоборот для субъекта. Для этого мы линеаризуем данный факт в последовательность, как показано на рисунке, и используем двухслойный преобразователь со средним пулом и конечный уровень FC в качестве декодера.

Преобразователь также позволяет нам передавать последовательности разной длины, используя маркеры заполнения, которые маскируются 👺 от вычислений внутреннего внимания.

Для сравнения, мы применили только декодер HINGE и 2-layer Transformer к той же задаче, чтобы измерить, дает ли кодировщик StarE какие-либо преимущества.

Оказывается, да! 🎆

Точность предсказания объекта/объекта для различных наборов данных WD50K. Чем больше квалификаций — тем больше выигрыш! Изображение автора.

Что мы наблюдаем 🕵 :

• StarE значительно повышает производительность прогнозирования ссылок по сравнению с подходами, основанными только на декодере;
• StarE даже более эффективен (разрыв в производительности больше), когда в наборе данных больше квалификаторов;
• Гиперреляционные подходы действительно помогают лучше предсказывать субъекты и объекты с учетом квалификаторов, которые увеличивают базовые показатели только втрое.

Сколько квалификаторов вам нужно, чтобы увидеть улучшение качества? Всего 2 достаточно 😉

Всего 2 квалификатора дают заметный прирост производительности. Изображение автора.

О нашей экспериментальной программе с конкретными числами и интерактивными диаграммами сообщается с Weights & Biases здесь 📈

Итак, выводы 🔖 для сообщества KG:

1. Попробуйте присвоить описательные квалификаторы большему количеству тройных фактов на графике — чем больше, тем лучше
2. Если вы присваиваете квалификаторы — добавьте 2 или более!

• Гиперреляционные графы ближе к реальности и описывают факты более подробно, чем простые тройки
• RDF* и LPG предоставляют средства для построения гиперреляционных KG
• Гиперреляционный граф отличается от гиперграфа
• Гиперграф -реляционные KG уже используются — как в открытых KG, так и в отрасли
• RDF*-мотивированный StarE — кодировщик GNN для гиперреляционных KG, который можно сочетать с декодером для последующих задач
• StarE улучшает прогнозирование канала по сравнению с подходами, основанными только на декодере о гиперреляционных KG

Дополнительную информацию можно найти в:

Наш документ EMNLP’20 : Передача сообщений для гиперреляционных графов знаний (arxiv pre-print)
Код : Github Repo
Набор данных : Страница Zenodo
Отчет о весе и смещениях t: здесь

Схемы компьютерных принадлежностей AT и ATX

Схемы компьютерных принадлежностей AT и ATX для ПК

Схемы комплектующих для компьютеров AT и ATX

На этой странице я собираю схемы коммутационных блоков для компьютеров (SMPS) ATX v 1. 0, ATX v 2.0 и некоторых AT, которые я нашел в Интернете. Я не автор. Автор обычно указывается непосредственно в схеме.

---

Схема питания полумоста ATX (AT) с TL494, KA7500
Микросхемы TL494 и KA7500 эквивалентны. Буквы 494 могут отличаться. В этих источниках питания используются биполярные транзисторы (BJT) типа NPN.

Схема AT 200 Вт с TL494	ATX Шидо 250 Вт, TL494	Микролаб 400 Вт, KA7500B	ATX, IC= TL494 (выходная мощность=?)
Электронная мышь с ключом 230 Вт	ПК SMPS AT, около 200 Вт	старый АТ, около 200 Вт	Sunny Technologies AT 200 Вт
Кодеген ATX 250 Вт — 250XA1	Seven Team ST-230WHF 230 Вт	Компьютер JNC LC-250ATX	SevenTeam ATX2V2 с TL494
PowerMaster FA-5-2, 250 Вт	PowerMaster LP-8, 230 Вт	SevenTeam ST-200HRK 200 Вт	Green Tech MAV-300W-P4
DTK-PTP-2038 200 Вт ATX	Кодеген Atx 300 Вт	ATX LWT2005 Китай, KA7500B	Дельта ДПС-200ПБ-59 Н
Алим ATX 250Вт СМЭВ J. M 2002	ATX (значения отсутствуют)	Электронный блок управления энергоэффективностью (-//-)	Старый AT smps (отсутствуют значения)
неизвестно AT	ПК Wintech WIN-235PE	MaxPower ATX PX-230W	ДТК Компьютер ПТП-2007 Макрон
ПК ATX EC, модель 200X	ATX-300P4-PFC (пассивный PFC)

Схема полумостового питания ПК ATX с SG6105.
Схемы коммутационных блоков ATX с SG6105. В этих источниках питания используются биполярные транзисторы (BJT) типа NPN.

Схема ATX 250 Вт с SG6105	АТХ М-ТЕХ	MaxPower PX-300W ATX	Схема ATX 300 Вт
PowerMan IW-ISP300A3-1 PFC	Nuitek 330U — ATX 330 Вт

Схемы полумостовых блоков питания ПК ATX с KA3511
Поставляет ATX с интегральной схемой KA3511. В этих источниках питания используются биполярные транзисторы (BJT) типа NPN.

Схема ATX 145W 145-60SP

FSP Group Inc. 145-60SP

Схема полумостового питания ПК ATX с DR B2003
ATX PC SMPS с DR B2003, отмеченным как 2003. В этих источниках питания используются биполярные транзисторы (BJT) типа NPN.

JNC Computer Co. LC-B250ATX

JNC Computer Co. Y-B200ATX

Схемы других полумостовых компьютерных блоков питания.
Коммутаторы ATX поставляются с DR B2002 (с маркировкой 2002 г.), AT2005 (2005 г.) и их аналогами LPG899 и WT7520. В этих источниках питания используются биполярные транзисторы (BJT) типа NPN.

LC Technology Inc. LC-A250ATX с 2002 г.

Powerlink LPJ2-18 300 Вт, LPG-899

Схемы питания ATX с прямой топологией с UC3842, 3843, 3844, 3845 и другими
Источники питания ATX используют прямую топологию с одинарным коммутатором или двойным коммутатором (полууправляемый мост). Транзисторы – это МОП-транзисторы. ИС управления – это UC3842, 3843, 3844, 3845 или другие ИС, которые представляют собой комбинацию для питания и активного управления PFC. как ML4824, FAN480X и ML4800.

ДПС-260-2А, МЛ4824, акт.ПФУ	ATX – два переключателя вперед, PFC	два переключателя вперед + PFC, FAN480X	два переключателя вперед + PFC с ML4800
неполный IP-P350AJ2-0, UC3843, 350 Вт	УТИЭК АТХ12В-13 600Т, УК3843	ATX CWT PUh500W два переключателя вперед, UC3845	Sunny Technologies Co. Добавить комментарий Отменить ответ Ваш адрес email не будет опубликован. Обязательные поля помечены * Комментарий * Имя * Email * Сайт