Диагностика неисправности: Пошаговая диагностика компьютера на неисправности

Содержание

Пошаговая диагностика компьютера на неисправности

Если в один отнюдь не прекрасный момент ноутбук или системный блок стационарного ПК перестал включаться, или пытается это сделать, но на каком-то этапе процесс останавливается, то поиск возникшей неисправности следует вести не хаотично, а руководствуясь некоторым алгоритмом. О том, как самостоятельно выполнить диагностику вдруг забарахлившего компьютера, мы и расскажем в сегодняшнем материале.

Полная неработоспособность

Симптом – отсутствие какой-либо реакции на попытку включить компьютер. Не загораются сигнальные светодиоды на корпусе, не крутятся вентиляторы. Начать надо с самого простого – убедиться, что электропитание компьютера в порядке. Для начала следует проверить, правильно ли подсоединен провод питания, хорошо ли вставлен его коннектор. Причина может быть в отсутствии контакта, или в неисправности блока питания.

Если все провода подключены надежно, в розетке есть напряжение, но компьютер по -прежнему молчит, то придется разобрать корпус. Возможно, неисправна кнопка включения. Проверить ее несложно. На материнской плате надо найти контакты, к которым подключается кнопка включения питания. Обычно они помечаются надписью «PWR_SW».

Достаточно отсоединить контакты, и при помощи металлического инструмента или обычной канцелярской скрепки перемкнуть их. Если компьютер заработал, то проблема найдена. Теперь необходимо только отремонтировать кнопку включения или заменить ее.

Если же компьютер по — прежнему «мертв», то следующий объект для проверки – блок питания. Лучше всего воспользоваться другим блоком и подключить его к своему ПК. Загоревшиеся индикаторы, включившиеся вентиляторы системы охлаждения однозначно укажут на неисправность замененного блока.

Компьютер все еще не желает работать? Тогда проблема скорее всего кроется в материнской плате. Чтобы исключить возможные нюансы, лучше всего отключить все подсоединенные к ней устройства: накопители, вентиляторы (за исключением процессорного), вытащить видеокарту, прочие установленные контроллеры. Оставить только самый минимум – процессор, ОЗУ.

Если ничего не помогло, то с очень большой долей вероятности проблема именно в материнской плате. Далеко не всегда ее ремонт целесообразен, и лучше ее заменить на новую.

Компьютер включается, но загрузка системы не происходит

Симптомы – начинают крутиться вентиляторы, загораются индикаторы, но изображения на экране нет или выводится сообщение об ошибке, компьютер может подавать звуковые сигналы.

Причин может быть довольно много. В случае, если при включении компьютер издает некую последовательность звуковых сигналов, то именно она может указать на неисправный компонент. У разных производителей оборудования одна и та же последовательность звуковых сигналов может означать разные неисправности, и следует свериться с документацией на вашу материнскую плату.

Можно проверить кнопку перезагрузки (Reset), часто присутствующую на корпусе стационарного ПК, в ней может возникнуть замыкание. Проверить ее просто, для этого надо отключить ее от материнской платы (она подключается аналогично кнопке включения и их контакты обычно расположены рядом). Если неисправность исчезла, то следует заменить кнопку.

Если на экране монитора есть изображение и можно зайти в BIOS, то следует сделать это и проверить настройки. Нелишним будет сбросить их до заводских, для чего воспользоваться соответствующим пунктом BIOS. Если изображения нет, то на материнской плате надо нажать кнопку возврата к первоначальным настройкам или перемкнуть специальные контакты. После этого следует перезапустить компьютер.

Проблема не исчезла? Тогда лучше опять поступить так, как было уже сказано выше. Отключить все устройства, оставив только самый минимум. Подавляющее большинство современных ПК имеет встроенный видеочип, поэтому можно смело вытащить из разъема установленную дискретную видеокарту. Если загрузка проходит успешно, то скорее всего проблема кроется как раз в ней.

Следует проверить и оперативную память. Если установлены 2 или 4 планки ОЗУ, то надо попытаться запустить компьютер только с одной из них. При выходе из строя одного из модулей надо найти неисправный, устанавливая все их по очереди. Неисправная память опять проявит себя, не позволив запустить компьютер.

Если материнская плата с отключенными устройствами запускается, надо каждую плату возвращать на место и включать компьютер. Неисправное устройство будет найдено.

Не загружается система или работает со сбоями

Симптомы – загрузка системы начинается, но компьютер зависает или появляется сообщение об ошибках, либо ОС загружается, но в процессе работы возникают неполадки, не работают какие-либо устройства.

В данном случае проблему надо искать в настройках системы. Если загрузить ее не удается, надо попытаться запустить ее в безопасном режиме. Желательно вспомнить, какую программу вы устанавливали последней или какой драйвер обновляли. Есть большая вероятность того, что причина именно в этом. Удаление или откат к предыдущему состоянию может исправить ситуацию.

Следует проверить жесткий диск, т. к. его неисправность также может помешать загрузке ОС. Можно воспользоваться командой «chkdsk» для тестирования файловой системы.

В крайнем случае придется переустановить систему.

Для проведения профессиональной диагностики Вашего компьютера обращайтесь к специалистам сервисного центра Ритм.

Чтобы заказать диагностику компьютера в «Сервисном центре РИТМ», оставляйте заявку по телефонам:

+7 (3812) 66-30-40

+7 (913) 651-87-69

Методы для обнаружения и диагностика неисправностей применительно IoT / Хабр

Введение

Текущая промышленная тенденция в отношении автоматизации и промышленных предприятий ведет нас к все более и более сложным системам. В свою очередь простой системы может приводить к огромным финансовым потерям. В некоторых случаях поломка одной детали может привести к разрушению целой системы без возможности восстановления. В связи с этим возникает необходимость разработки Обнаружения и Диагностики Неисправностей (ОДН), которая может предотвратить и локализовать неисправности, при этом повышается производительность систем. Диагностика заключается в обнаружении ненормального функционирования по данным датчиков. Обычно данные от датчиков бывают сильно зашумленными или поврежденными, с шумами сети передачи данных, соответственно алгоритмы ОДН также должны быть устойчивы к выбросам.

Давайте рассмотрим методы ОДН, Рис. 1. Методы ОДН : подходы, которые используют аналитическую физическую модель системы и подходы, полагающиеся только на системные наблюдения. Использование методов диагностики с моделями кажется трудным и дорогостоящим из-за менее удовлетворительных характеристик. Кроме того, существует несколько промышленных приложений, в которых модель трудно или невозможно получить из-за повышенной сложности или нескольких конфигураций, задействованных в производственном процессе.

Рис. 1. Методы ОДН

Описание проблемы

В ОДН основной трудно решаемой задачей является установка порога, который определяет неисправности. В случае установки низкого порога обнаружения, система будет генерировать достаточно много ложных тревог. При ложной тревоге отправляется обслуживающий персонал или организуется не плановая замена частей системы, а в совокупности определенные ложные тревоги приведут к огромным затратам. С другой стороны, установка очень высокого порога обнаружения может привести к риску не обнаружения неисправности и привести к остановке производства. Также неисправность системы может повлияет на жизнь и здоровье людей, что крайне не допускается. Поэтому следует учитывать множество неопределенностей: неопределенности, связанные с отсутствием знаний о процессе, неточности данных в датчиках, которые могут содержать шум или отсутствовать данные, связанные с погрешностями неправильной обработки.

В наши дни система становится очень сложной и бывает сложно определить аналитическую модель системы, а модели машинного обучения (ML) справляются с этой задачей достаточно неплохо. Сформировались некоторые требования ML-моделей, такие как: необходимость качественных данных (отсутствующие или зашумленные данные), возможность рассмотреть несколько типов переменных (дискретных или непрерывных), способ учесть время для динамической системы и способность обобщить, чтобы модель могла найти решение с новым наблюдением. Но кроме этих требований есть производственный момент, при котором руководство хочет модели, которые были бы объяснениями, а не черным ящиком. Дальше мы посмотрим ML алгоритмы для ОДН.

Подходы к машинному обучению

Применение IoT-систем во всех областях создает огромное количество данных. Кроме того, эти системы становятся все более и более сложными, и трудно запустить аналитическую модель с хорошими результатами. Использование моделей ML становится очевидным и логичным решением для диагностирования этих систем.

Цель данной статьи — мы хотим показать несколько методов машинного обучения для ОДН. Мы рассмотрим популярные методы машинного обучения в ОДН, такие как метод опорных векторов (англ. SVM, support vector machine), искусственная нейронная сеть (ИНС), нечеткая нейронная сеть (англ. FNN, fuzzy neural network), деревья решений, Байесовская сеть доверия (англ. BNN, bayesian belief network).

Метод опорных векторов

Метод опорных векторов показывает хорошие результаты относительно других алгоритмов с небольшим объемом обучающих данных, также применяется при отказе аналоговой цепи диагностика с использованием вейвлет-преобразования в качестве препроцессора с высокой точностью классификации. Это один из наиболее популярных методов обучения, который применяется для решения задач классификации и регрессии.

Основная идея метода заключается в построении гиперплоскости, разделяющей объекты выборки оптимальным способом. Алгоритм работает с тем предположением, что чем больше расстояние (зазор) между разделяющей гиперплоскостью и объектами разделяемых классов, тем меньше будет средняя ошибка классификатора. Количество опорных векторов увеличивается с усложнением задачи. Однако у SVM есть недостатки:

Неустойчивость к шуму: выбросы в исходные данные становятся опорными объектами-нарушителями и напрямую влияют на построение разделяющей гиперплоскости;
Не описаны общие методы построения ядер и спрямляющих пространств, наиболее подходящих для конкретной задачи;
Нет отбора признаков;
При попытке использования в мультиклассовой задаче качество и скорость работы падают.

В последнее время набирает популярность обучение с частичным привлечением учителя для ОДН HVAC (отопления, вентиляции и кондиционирования воздуха). Используя только несколько неисправных обучающих выборок, SVM решает задачу обнаружения и диагностирования компонентов нагрева.

Также можно отметить метод релевантных векторов (Relevance Vector Machine, RVM). В отличие от SVM данный метод дает вероятности, с которыми объект принадлежит данному классу. Т.е. если SVM говорит «x принадлежит классу А», то RVM скажет «x принадлежит классу А с вероятностью p и классу B с вероятностью 1-p«.

Искусственная нейронная сеть (ИНС)

ИНС — это мощный инструмент, способный выполнять задачи классификации и регрессии. ИНС можно рассматривать как взвешенные ориентированные графы, в которых нейроны являются узлами, и связи между узлами являются взвешенными связями. Это обучение регулирует веса, а также функции активации для принятия желаемого поведения. Используются два типа обучения: контролируемое обучение с учителем и без учителя.

Обучение с учителем: цель состоит в том, чтобы определить синаптические веса из помеченных примеров. Сеть параметров изменяется, чтобы минимизировать ошибки между целевым выводом (предоставленным экспертом) и фактическим выводом в сеть. Метод обратного распространения ошибки (англ. backpropagation) — это пример контролируемого алгоритма обучения.
Без учителя: входные данные не содержат информации о желаемом результате; обучение осуществляется с правилами, которые изменяют параметры сети в соответствии с входными данными. Алгоритм обучения ассоциативной памяти для сетей Хопфилда является тому примером. Квантовые сети Хопфилда используются для диагностики множественных неисправностей аналоговых схем с использованием вероятностного механизма. Затем образцы неисправностей квантуются и стандартно ортогонализируются для подачи в квантовую нейронную сеть Хопфилда. Системный подход, использующий механизм квантовой ассоциативной памяти и принцип квантовой суперпозиции, дает хорошее объяснение вероятности множественных неисправностей.

Кроме того, ИНС можно использовать для создания нейронной модели с целью имитации нормального поведения системы и дополнительных моделей для имитации различных условий неисправности. Затем нейронные модели размещаются параллельно с отслеживаемой системой, и обнаружение неисправностей достигается путем сравнения выходных данных нейронных моделей с выходными данными реальной системы. Классификация неисправностей основана на простом пороговом тесте остатков, сформированных путем вычитания выходных данных каждой нейронной модели из соответствующих выходных данных реальной системы. Для оценки остатков используется байесовская сеть. Сила ИНС — в их способности аппроксимировать и распознавать закономерности. В диагностических приложениях они показали большие перспективы в областях, где присутствуют шумы и ошибки. Однако ИНС требует больших вычислительных ресурсов, что делает сходимость обычно медленной во время обучения и склонна к переобучению, а также требует большого разнообразного набора данных для обучения.

Нечеткая нейронная сеть

Приложения для диагностики в основном включают гибридные нечеткие нейронные модели, в которых нейронные сети и нечеткие системы объединены в одну систему. Наиболее распространенные нечеткие нейронные сети основаны на двух типах моделей: моделях Тагаки Сугено Канга (ТСК) и Мамдани, в сочетании с алгоритмами нейронного

обучения. Существует два основных применения нечетких нейронных сетей в мониторинге. Эти применения чаще всего основаны на изучении остатков, которые генерируются разницей оцененного сигнала, полученного нейро-нечетким наблюдателем, с фактическими значениями сигнала. Затем эти остатки классифицируются и оцениваются с помощью нечеткой нейронной сетью.

Нейро-нечеткое обучение и адаптация нечетких моделей ТСК используются для остаточной генерации, в то время как для остаточной оценки используется нейро-нечеткий классификатор для моделей Мамдани. Такая сеть может быть использована для обнаружения и изолирования неисправности промышленной газовой турбины, уделяя особое внимание неисправностям, возникшим в исполнительной части газовой турбины. Более того, нечеткая нейронная сеть применяется для обучения отображения причин неисправности. Результаты показывают, что этот метод может точно диагностировать множественные неисправности. Последовательная нечеткая кластеризация нечетких нейронных сетей на динамической основе разработана и успешно применяется для мониторинга высокоскоростного процесса фрезерования. Он может последовательно изучать модель, адаптироваться к вариациям и предоставлять оценку или прогноз состояния процесса. Это облегчает ненавязчивую диагностику неисправностей. Нечеткая нейронная сеть имеет преимущества над ИНС, так как нечеткая нейронная сеть обладает способностью представлять неопределенности, присущие человеческому знанию, с помощью лингвистических переменных, и это надежно в отношении возможных нарушений в системе. Тем не менее, для обучения нечеткой нейронной сети необходимо включать знание эксперта в этой области, чтобы установить правила, а обучение требует больших вычислительных ресурсов.

Деревья решений

Деревья решений являются одним из наиболее эффективных инструментов интеллектуального анализа данных и предсказательной аналитики, которые позволяют решать задачи классификации и регрессии.

Они представляют собой иерархические древовидные структуры, состоящие из решающих правил вида «Если …, то …». Правила автоматически генерируются в процессе обучения на обучающем множестве и, поскольку они формулируются практически на естественном языке (например, «Если объём продаж более 1000 шт., то товар перспективный»), деревья решений как аналитические модели более вербализуемы и интерпретируемы, чем, скажем, нейронные сети.

Поскольку правила в деревьях решений получаются путём обобщения множества отдельных наблюдений (обучающих примеров), описывающих предметную область, то по аналогии с соответствующим методом логического вывода их называют индуктивными правилами, а сам процесс обучения — индукцией деревьев решений.

В обучающем множестве для примеров должно быть задано целевое значение, так как деревья решений являются моделями, строящимися на основе обучения с учителем. При этом, если целевая переменная дискретная (метка класса), то модель называют деревом классификации, а если непрерывная, то деревом регрессии.

Основополагающие идеи, послужившие толчком к появлению и развитию деревьев решений, были заложены в 1950-х годах в области исследований моделирования человеческого поведения с помощью компьютерных систем. Среди них следует выделить работы К. Ховеленда «Компьютерное моделирование мышления» и Е. Ханта и др. «Эксперименты по индукции».

Существует несколько алгоритмов обучения деревьев решений на основе данных, включая ID3, C4. 5 и CART.

В ОДН деревья решений можно использовать для анализа распространения телеметрии в ветряных турбинах с помощью алгоритма обучения дерева решений и обнаружения отказов, повреждений и аномальных операций. Они обучают набор классификаторов дерева решений Bagged на наборе данных с морской ветряной электростанции, состоящей из 48 ветряных турбин, и используют его для автоматического выделения путей, связывающих сбои из-за чрезмерной вибрации с их возможными первопричинами.

Алгоритм CART используется для введения дерева решений в диагностическую стратегию для вентиляционных установок. Детектор установившегося состояния и регрессионная модель включены в стратегию для повышения интерпретируемости разработанной диагностической стратегии. Показано, что с помощью этой стратегии можно достичь хороших диагностических показателей.

Деревья решений визуально более интуитивно понятны, проще и легче усваиваются и интерпретируются инженерами. В отличие от других методов классификации, с классификаторами дерева решений можно выполнять анализ первопричин неисправностей на основе данных; можно проследить путь от конечного состояния до инициирования, путь, который следует последовательности и хронологии взаимосвязи событий. Деревья решений очень устойчивы к зашумленным и неполным данным. Однако для них необходимо использовать параметр обрезки, чтобы уменьшить необходимость переобучения.

Байесовская сеть доверия

Байесовская сеть доверия (англ. Bayesian Belief Network, BBN) — важная вероятностная графическая модель, которая может эффективно решать различные проблемы неопределенности на основе вероятностного представления информации и логических выводов. Байесовская сеть доверия — вероятностная графическая модель, представляющая набор случайных величин и их условных зависимостей через ориентированный ациклический граф. Такая сеть состоит из качественной и количественной частей.

Качественная часть — это направленный ациклический граф, в котором узлы представляют системные переменные, а дуги символизируют зависимости или причинно-следственные связи между переменными.
Количественная часть состоит из условной вероятностной таблицы, которая представляет отношения между каждым узлом и его родителями.

Процедуры диагностики неисправностей с байесовской сетью доверия состоят из моделирования структуры BBN, моделирования параметров BBN, вывода BBN, идентификации неисправностей, а также проверки и верификации. Сообщалось о нескольких методах построения структурных моделей BBN для диагностики неисправностей. Три основных метода включают причинно-следственные связи, алгоритмы сопоставления или структурирование обучения. Кроме того, параметрами являются априорная вероятность корневых узлов и условная вероятность листовых узлов. Эти вероятности могут быть получены из экспертных знаний и опыта, а также статистических результатов исторических, смоделированных и экспериментальных данных.

Алгоритмы могут быть основаны на анализе наблюдаемого поведения системы и сравнении его с набором поведенческих паттернов, созданных на основе различных неисправных состояний. Сопоставляя с образцом, можно сформулировать оценку апостериорного распределения байесовской вероятностной модели. Когда диагностика неисправностей связана с временными, системными или сложными системами, неизбежны трудности со статическими BBN. Поэтому для решения этих проблем используются некоторые другие типы BBN, такие как динамическая байесовская сеть и объектно-ориентированная байесовская сеть.

Динамическая байесовская сеть — это экстенсиональные BBN с переменными, зависящими от времени, и их можно использовать для моделирования временной эволюции динамических систем. Таким образом, используется байесовская сеть, которая моделирует систему электроснабжения для интегральных схем. При этом обрабатывается изменяющаяся динамика сбоя, развитие сбоя и мощность сбоя. Динамическая байесовская сеть используется для моделирования процесса динамической деградации электронных продуктов, а цепи Маркова используются для моделирования переходных отношений четырех состояний, то есть отсутствия неисправности, переходной неисправности, прерывистой неисправности и постоянной неисправности. Кроме того, методология диагностики неисправностей может идентифицировать неисправные компоненты и различать типы неисправностей в разное время.

Объектно-ориентированная байесовская сеть обеспечивает подход для достижения иерархического представления модели, и каждый уровень соответствует уровню абстракции, показывая инкапсулированные узлы для текущего уровня объекта. Такой подход снижает сложность построения BBN и повышает вероятность повторного использования моделей. Методология диагностики неисправностей в реальном времени сложных систем с повторяющимися структурами предложена с использованием объектно-ориентированной байесовской сети. При возникновении неисправностей предлагаемая система диагностики неисправностей на основе объектно-ориентированной байесовской сети может сообщать о неисправностях и предупреждениях. Для указанной системы с определенной ситуацией оператор может ввести некоторую известную информацию об опыте в дополнительные информационные уровни подсетей дополнительной информации и отказов по общей причине.

BBN интуитивно понятен пользователю в плане взаимодействия между переменными модели. Это полезно для моделирования неопределенности и может быть легко использовано для моделирования иерархических уровней множественных причин и следствий с данными из множества источников, которые обычно встречаются в производственных системах. Основная проблема обучения BBN заключается в построении древовидной структуры, и для решения этой проблемы было предложено несколько методов, включая экспертное мнение.

Обсуждения

В процессе диагностики система развивается в недетерминированной среде, что требует учета неопределенностей, которые включают зашумленные измерения, недостающие данные, неизвестность и изменчивость системы. Как правило, корректность работы модели машинного обучения в основном зависит от качества используемых данных.

Основная проблема диагностических систем в промышленных приложениях — это оценка неисправностей с неполными наблюдениями. В промышленной практике необходимо иметь дело с неполными наборами данных и неизвестными измерениями, при этом постоянно требуя полезной и надежной информации для поддержки принятия решений.

Сложность этого вопроса зависит от механизма обмена данных и информативности базы данных процессов. Есть много подходов к решению этих проблем, таких как удаление неполных данных или оценка недостающих данных. Однако некоторые инструменты машинного обучения могут обрабатывать непосредственно неполные данные. Например, BBN может работать неполными наблюдениями. Фактически, он использует вероятности для оценки степени нашей неопределенности, а иногда использует алгоритмы максимизации ожидания для изучения параметров, когда в наборе данных есть некоторые недостающие данные.

Важной частью машинного обучения является способность модели к обобщениям. Действительно, модель, которая слишком сложна по сравнению с проблемой, которую мы хотим моделировать, будет учиться на выбросах, включенных в набор данных; следовательно, модель может быть переобученной, неспособной к обобщениям и допускать множество ошибок при новом наблюдении. По этой причине в некоторых методах используются методы отсечения, например, деревья решений и нейронные сети.

Цель техники обрезки — остановить тренировку, чтобы избежать переобучения. Кроме того, большинство этих методов — это контролируемые методы, которые используют знания эксперта для постановки диагноза. Главный недостаток контролируемых методов состоит в том, что модели известен только тип обнаруженных неисправностей. Тем не менее, с новой ошибкой некоторые модели могут выполнять отклонение неоднозначности или отклонение расстояния, чтобы восполнить недостаток знаний о системе и адаптироваться к развитию системы.

Кроме того, в процессе диагностики датчики генерируют числовые данные, и не все инструменты машинного обучения используют эти числовые данные напрямую. Однако большинство методов машинного обучения работают только с непрерывными переменными, например, метод опорных векторов и ИНС. С другой стороны, другие методы используют дискретные переменные; это случай деревья решений и BBN. В деревьях решений C4.5 поддерживает числовые целевые переменные. Для других алгоритмов, таких как ID3 и CART, они используют дискретные переменные или преобразуют непрерывные переменные в интервал. BBN обычно используют дискретную случайную величину, а иногда можно включить случайную непрерывную переменную, если она имеет гауссовское распределение вероятностей.

Нечеткая нейронная сеть — единственный метод, который может обрабатывать различные типы данных (числовые и символьные). Фактически, он преобразует количественные и качественные значения в нечеткое множество. Оптимальный процесс диагностики заключается в создании модели, способной обрабатывать числовые или символьные данные, при этом оператор может использовать свои знания, улучшая диагностику.

Сложные или гибридные системы характеризуются множеством реконфигураций, несколькими режимами работы и регулярным изменением количества датчиков, особенно в IoT-системах: добавлением или удалением одного или нескольких датчиков. Диагностика гибридных динамических систем требует совместного использования непрерывной динамики и дискретной динамики. В этом случае для диагностики в данном контексте нам потребуются надежные инструменты с изменением моделей и системы измерения.

Заключение

Этот обзор приложения машинного обучения для диагностики неисправностей демонстрирует, что методы машинного обучения могут быть очень полезным инструментом для обнаружения и диагностики неисправностей. Этой статьей мы показали, что один метод не позволяет учесть все характеристики, которые требуются при диагностики системы. Некоторые методы могут дополнять другие, для улучшения системы ОДН. IoT ведет к огромному объему, разнообразию и высокой скорости передачи данных. Более того, возникает необходимость проектировать облака для хранения данных. Однако есть некоторые проблемы, такие как безопасность и масштабируемость. Таким образом, важно построить систему ОДН для уменьшение расходов и простоев системы.

В этой статье было много обзоров и теории без практики и кода. Но в будущем мы планируем написать статью про байесовские сети доверия с практической стороны с примерами кода, способную поставить надежный диагноз и с включение знание эксперта.

Вследствие увеличения сложности систем и необходимости уменьшения затрат на их поддержание традиционные методы ОДН (обнаружение и диагностика неисправностей) не справляются со своей задачей. С другой стороны, эксперты в этой области не сильно доверяют методам, основанным на машинном обучении и глубоком обучении, или, говоря по-другому — методам BlackBox. В свою очередь, при GreyBox методах возможно вводить знание эксперта в систему и более или менее объяснять, как были получены результаты. В связи с этим в статье мы рассмотрим методы ОДН и примеры их применения в IoT системах.

Материал подготовлен в рамках курса «Промышленный ML на больших данных».
Также скоро пройдет двухдневный бесплатный онлайн-интенсив «Как вывести модель в продакшн с помошью AWS? Теория и подготовка». На нем можно узнать, как использовать lambda и нюансы работы с IoT данными; а также научиться выводить модель в продакшн без сложных настроек системы. Записаться можно здесь.

Самостоятельная диагностика и типичные неисправности бензиновых двигателей

Практически все новые автомобили сегодня оснащаются бортовыми компьютерами, которые управляют работой двигателя, а также формируют и сохраняют коды ошибок и неисправностей. Однако компьютер формирует коды неисправностей только электронной части системы управления, системы зажигания и иных систем, в работе которых принимает участие электроника. А механические неисправности двигателя, как то износ, поломка деталей и т.д., диагностируется только при визуальном осмотре, прослушивании работы двигателя и по иным внешним признакам.

Рядовому автолюбителю проще всего провести диагностику механической части двигателя, а также простейшую диагностику электронной части. Если же так проблему выявить не удалось, то стоит обратиться за помощью в сервисный центр, где проведут диагностику с применением сканера, считывающего коды ошибок с бортового компьютера.

В первую очередь необходимо провести визуальный осмотр двигателя, проверить надежность электрических соединений, определить места утечки масла или охлаждающей жидкости, осмотреть резьбовые соединения на предмет их самопроизвольного отворачивания, осмотреть и проверить работу приводов и т.д.

Теперь можно запустить двигатель и после того, как он прогреется и выйдет на рабочий режим, посмотреть на отработанные газы, их цвет может многое сказать о состоянии силового агрегата.

Выхлоп белого цвета. Белый цвет говорит о наличии в отработанных газах водяных паров. Выхлоп белого цвета вполне нормален для первых минут пуска двигателя, особенно в холодное время (так как испаряется осевший внутри выхлопной трубы и глушителя конденсат), но если такой выхлоп остается даже после прогрева двигателя, то это свидетельствует о попадании в цилиндры охлаждающей жидкости. Белый цвет выхлопу придает пар, возникающий из-за наличия в охлаждающей жидкости воды. Обычно такая ситуация возникает при появлении трещин в блоке цилиндров или при прогорании прокладки между блоком и головкой блока цилиндров.

Однако иногда белый дым из выхлопной трубы имеет сизый оттенок, который также возникает при попадании в цилиндры масла. Поэтому необходимо убедиться, что белый выхлоп образуется именно из-за попадания охлаждающей жидкости. Это можно сделать несколькими способами:

• На несколько секунд поднести к выхлопной трубе белый бумажный лист — вода при попадании на бумагу относительно быстро испаряется и не оставляет масляных следов;

• Понюхать выхлоп — при утечке охлаждающей жидкости не ощущается запах гари;
• Открыть пробку радиатора охлаждения — при работающем двигателе можно уловить доносящийся из радиатора запах выхлопа, а также увидеть масляную пленку, при остановленном двигателе уровень жидкости в радиаторе будет постепенно убывать.

Выхлоп белого цвета — тревожный признак, свидетельствующий о серьезной поломке двигателя. При появлении такого дыма нужно провести диагностику двигателя, найти причину утечки и устранить ее. В противном случае будет происходить чрезмерный износ деталей цилиндро-поршневой группы и клапанов, а в некоторых случаях возможно даже разрушение поршня или клапанов вследствие гидроудара — такие разрушения произведет охлаждающая жидкость, накопившаяся в цилиндре при длительной стоянке автомобиля, и сжатая при прокручивании коленвала.

Выхлоп с сизым (синеватым) оттенком и с запахом гари. Это менее опасный признак, так как он свидетельствует о попадании в цилиндры моторного масла. Причины попадания масла в цилиндры могут быть самыми разными, а определить их можно по ситуации, когда наблюдается сизый выхлоп:

• Сизый дым из выхлопной трубы идет только при резком нажатии на педаль газа и на высоких оборотах двигателя. В этом случае проблема в потерявших эластичность маслоотражательных колпачках, но иногда причиной могут стать чрезмерно изношенные или деформированные направляющие втулки клапанов;
• Сизый дым из трубы идет постоянно на всех режимах работы двигателя. Это говорит о более серьезной проблеме — поломке, чрезмерном износе или закоксовке поршневых колец. При такой проблеме также возникает масляное кольцо на конце выхлопной трубы.

Для устранения этой неисправности необходима разборка двигателя, но если проблема в закоксовке, то решить ее можно использованием специальных химических средств.

Выхлоп черного цвета с запахом бензина. Это явный признак переобогащенной горючей смеси, поступающей в цилиндры. Переобогащение смеси может возникать при нарушении настроек или при поломке топливной системы и топливной аппаратуры, а также при неисправностях системы зажигания. В этом случае также повышается расход топлива, увеличивается интенсивность износа деталей цилиндро-поршневой группы и возникают иные проблемы.

• В карбюраторных моторах — неправильная установка угла опережения зажигания, засорение воздушных жиклеров карбюратора либо поломка игольчатого клапана, вследствие чего переполняется поплавковая камера;
• В инжекторных моторах — поломка форсунок (потеря герметичности) и выход из строя одного или нескольких датчиков.

При появлении выхлопа черного цвета у автолюбителя могут возникнуть проблемы с диагностикой, так как определить конкретную неисправность в этом случае бывает очень сложно. Поэтому в данном случае имеет смысл обратиться в автосервис.

Дальнейшую диагностику двигателя можно проводить с помощью приведенных ниже таблиц.

Каждая неисправность двигателя обязательно имеет какие-либо внешние признаки — характерный шум, особенности работы мотора, влияние на различные системы двигателя и т.д. В представленных здесь таблицах все неисправности двигателя сгруппированы по внешним признакам, что облегчает проведение диагностики.

Отдельное внимание нужно обратить на шумы или стуки, возникающие во время работы двигателя, так как они могут многое сказать о неисправности. Вся информация о шумах и стуках собрана в данной таблице.

Ремонт двигателя — сложная задача, поэтому в большинстве случаев эту работу стоит доверить профессионалам. Но при желании каждый автомобилист может самостоятельно выполнить различные регулировки, произвести замену ремня ГРМ, прочистить систему охлаждения, устранить потерю герметичности различных систем, и т.д. Но все, что связано с разбором двигателя, а особенно с заменой поршней, цилиндров и иных деталей, следует выполнять специалистам или опытным автомобилистам. Только так можно быть уверенным, что неисправность будет устранена.

Признак неисправности	Возможная причина неисправности	Устранение неисправности
Двигатель не запускается, стартер не крутит	Неисправность стартера	Выявить и устранить неисправности стартера
	Разряжена аккумуляторная батарея	Проверить заряд АКБ, при необходимости — произвести ее зарядку
	Проблемы в проводке	Проверить разъемы, осмотреть проводку
Двигатель не запускается, стартер работает	Проблемы в системе зажигания (обрыв проводки, неисправность трамблера, реле, катушки зажигания и т. д.)	Выявить и устранить неисправности системы зажигания
	Поломка топливного насоса	Проверить насос (при включении зажигания должен прослушиваться характерный звук), при необходимости — заменить
	Непроходимость штуцеров топливного насоса, топливопроводов или топливного фильтра вследствие засорения	Снять загрязненные детали, промыть и продуть
	Не открывается воздушная заслонка	Найти и устранить причину заклинивания воздушной заслонки
	Не срабатывает электромагнитный клапан карбюратора из-за обрыва проводов или поломки блока управления	Провести визуальный осмотр и проверку проводки, при неисправности блока управления — заменить его
	Недостаточная компрессия в цилиндрах	Провести проверку и устранить причину низкой компрессии
	Чрезмерное загрязнение или непроходимость воздушного фильтра	Проверить, почистить или заменить фильтр
	В карбюраторных двигателях — не открывается клапан ЭПХХ (экономайзера принудительного холостого хода)	Проверить и заменить клапан
	Вышел из строя электронный блок управления (ЭБУ)	Заменить ЭБУ
	Неисправность датчика положения коленчатого вала	Проверить провода, идущие к датчику, установить новый датчик
Неустойчивая работа двигателя, особенно на холостом ходу (мотор глохнет)	Засорение топливопроводов, топливного насоса или топливного фильтра	Промыть и продуть засоренные детали
	Поломка регулятора холостого хода (РХХ)	Проверить и заменить РХХ
	Нарушение герметичности вакуумных магистралей	Проверить магистрали, найти место подсоса воздуха и устранить не герметичность
	Нарушение герметичности соединений вакуумных магистралей с впускным коллектором из-за износа прокладки или отворачивания болтов	Найти место подсоса, заменить прокладку, затянуть болты
	Проблемы в системе зажигания	Проверить систему зажигания и устранить неисправность
	Увеличение зазоров между кулачками вала ГРМ и деталями привода клапанов (рычагами, толкателями и т. д.)	Проверить и отрегулировать зазоры
	Непроходимость воздушного фильтра	Проверить, прочистить или заменить фильтр
	Заклинивание клапана принудительной вентиляции картера	Проверить и заменить клапан
	Неисправность клапана системы рециркуляции отработанных газов	Проверить и заменить клапан
	Недостаточная компрессия в цилиндрах из-за прогорания прокладки между ГБЦ и блоком цилиндров	Проверить компрессию, заменить прокладку
	Прогорание или неполное закрытие клапанов ГРМ	Проверить и установить новые клапаны
	Износ ремня или цепи привода ГРМ	Проверить и заменить ремень или цепь
	В карбюраторных двигателях — неверно выставлен угол опережения зажигания	Выставить опережение зажигания
	В инжекторных двигателях — непроходимость форсунок вследствие засорения или попадания посторонних предметов	Проверить, прочистить или заменить форсунки
	Поломка воздушной заслонки	Проверить и заменить воздушную заслонку
	В карбюраторных двигателях — попадание в карбюратор воды	Слить из карбюратора воду
	В карбюраторных двигателях — засорение каналов или жиклеров карбюратора, повреждение диафрагмы пускового устройства	Промыть и продуть карбюратор и жиклеры, заменить жиклеры, заменить диафрагму
На холостом ходу двигатель развивает слишком высокие обороты	Неверно отрегулировать холостой ход	Выставить необходимые обороты с помощью регулятора холостого хода
	Чрезмерное открытие воздушной заслонки	Отрегулировать положение воздушной заслонки на холостом ходу
	Поломка привода воздушной заслонки (неисправность или защемление тросов и тяг)	Проверить привод, устранить защемление или заменить детали
Во время движения автомобиля двигатель работает с перебоями	Засорение топливопроводов или топливного фильтра	Промыть топливопроводы и фильтр
	Неисправности системы зажигания	Проверить и устранить неисправности
	Неверно выставлен угол опережения зажигания	Отрегулировать угол опережения зажигания
	Неисправность выхлопной системы	Найти и устранить неисправность
	Недостаточная или неодинаковая в разных цилиндрах компрессия	Установить и устранить причину низкой или разной компрессии
	Подсос воздуха вакуумными магистралями или в месте соединения магистралей с впускным коллектором	Найти место подсоса воздуха, устранить неисправность
	Неверная регулировка холостого хода двигателя	Отрегулировать обороты на холостом ходу
	Поломка клапана системы рециркуляции отработанных газов	Проверить и при необходимости заменить клапан
	В карбюраторных двигателях — засорение жиклеров или эмульсионной трубки	Произвести очистку (продувку) жиклеров и эмульсионной трубки
После непродолжительной работы двигатель глохнет	Неверно установлены обороты на холостом ходу	Отрегулировать обороты холостого хода двигателя
	Не полностью или, наоборот, слишком сильно открывается воздушная заслонка	Найти и устранить причину некорректной работы воздушной заслонки
	Попадание в топливо воды	Слить бензин из бака, а затем залить новый
	Чрезмерное засорение топливопроводов или топливного фильтра	Промыть засоренные детали
	Нарушение герметичности вакуумных магистралей или места их подключения к впускному коллектору двигателя	Найти место подсоса воздуха и устранить его причину
	Поломка выхлопной системы двигателя	Проверить все детали системы выпуска отработанных газов, устранить неисправность
	Неисправность системы зажигания (неправильный искровой промежуток, попадание влаги на крышку распределителя и т. д.)	Найти и устранить неисправность
Пониженная мощность и приемистость двигателя	Засорение системы подачи топлива (трубопроводов, фильтра), вследствие чего в инжекторном моторе наблюдается пониженное давление топлива в рампе	Прочистить топливопроводы и топливный фильтр
	Выход из строя датчика положения дроссельной заслонки	Заменить датчик
	Недостаточная или неодинаковая компрессия в цилиндрах	Измерить компрессию, обнаружить и устранить причину низкой компрессии
	В карбюраторных двигателях — непроходимость жиклеров и каналов	Разобрать карбюратор, промыть или заменить жиклеры
	В карбюраторных двигателях — заклинивание дроссельных заслонок или поломка их привода	Устранить причину заклинивания заслонок, отрегулировать или отремонтировать привод
	В карбюраторных двигателях — различные поломки карбюратора (ускорительного насоса, диафрагмы, поплавка и т. д.)	Разобрать карбюратор, установить и устранить неисправность
	Подсос воздуха во впускном коллекторе	Найти место подсоса, устранить причину его возникновения
	Неверно выставлен угол опережения зажигания	Отрегулировать угол опережения зажигания
	Неисправности системы зажигания (неисправность свечей, трамблера, катушки зажигания, проводки и т.д.)	Найти и устранить неисправность
	Чрезмерное засорение воздушного фильтра	Установить новый фильтр
	Топливо низкого качества	Слить старое топливо, залить новое
	Поломка топливного насоса	Отремонтировать или установить новый насос
	Неправильно выставленные зазоры в клапанах ГРМ	Отрегулировать зазоры
Двигатель работает после выключения зажигания, детонация во время работы двигателя	Перегрев двигателя из-за неисправности датчика температуры или вследствие пониженного уровня охлаждающей жидкости	Проверить уровень охлаждающей жидкости, при необходимости произвести долив, проверить и заменить датчик температуры
	Выставлено слишком большое опережение зажигания	Отрегулировать угол опережения зажигания
	Свечи зажигания не соответствуют рекомендациям производителя автомобиля	Заменить свечи зажигания
	Нагар в цилиндрах и на поршнях	Произвести очистку цилиндров и поршней от нагара
	Поломка в топливной системе (топливо подается после остановки двигателя)	Найти и устранить неисправность
	Заклинивание клапанов (в том числе из-за поломки пружин)	Установить и устранить причину заклинивания клапанов
Низкое давление масла даже после прогрева двигателя	Поломка или износ шестерен масляного насоса	Отремонтировать или заменить насос
	Неплотное закрытие редукционного клапана вследствие загрязнения или из-за задиров	Произвести очистку клапана
	Заклинивание редукционного клапана в открытом положении	Установить новый клапан
	Износ вкладышей коренных шеек коленчатого вала	Установить новые вкладыши
	Использование иного масла, чем рекомендовано производителем	Слить старое масло, залить масло с требуемыми характеристиками
Высокое давление масла на прогретом двигателе	Заклинивание редукционного клапана	Установить новый клапан
Высокое давление масла на прогретом двигателе	Жесткость пружины редукционного клапана выше требуемой	Установить пружину необходимой жесткости
Высокий расход топлива	Потеря герметичности элементов топливной системы (бака, трубопроводов, насоса и т. д.)	Найти и устранить протечку топлива
	Неисправность системы зажигания	Найти и устранить неисправность
	В инжекторных двигателях — поломка форсунок	Установить новые форсунки
	В карбюраторных двигателях — утечка топлива через игольчатый клапан или прокладку, засорение воздушных жиклеров, иные неисправности карбюратора	Снять и разобрать карбюратор, найти и устранить неисправность
	Неправильная регулировка угла опережения зажигания	Отрегулировать угол опережения зажигания
Высокий расход масла	Утечка масла вследствие самопроизвольного отворачивания болтов крепления картера или повреждения прокладки	Подтянуть болты, установить новую прокладку
	Засорение системы вентиляции картера двигателя	Снять и промыть элементы системы вентиляции
	Поломка поршневых колец	Установить новые поршневые кольца
	Износ поршневых колец, поршней и цилиндров	Установить новые кольца, хонинговать цилиндры
	Износ или поломка маслосъемных колпачков	Установить новые колпачки
	Износ направляющих втулок и штоков клапанов	Установить новые втулки и клапаны
	Закоксовка поршневых колец	Очистить поршневые кольца
	Утечка масла из-за самопроизвольного отворачивания или износа уплотнения масляного фильтра	Затянуть или заменить фильтр
Двигатель перегревается во время работы	Утечка охлаждающей жидкости	Найти и удалить причину утечки, долить охлаждающую жидкость
	Поломка электродвигателя вентилятора или проблемы с электропроводкой	Устранить неисправности проводки, установить новый электромотор
	Ослабление ремня привода водяного насоса	Отрегулировать натяжение ремня
	Внешнее загрязнение радиатора охлаждения	Почистить и промыть радиатор
	Непроходимость радиатора вследствие образования накипи	Произвести очистку радиатора или установить новый радиатор
	Поломка водяного насоса	Отремонтировать или установить новый насос
	Выход из строя термостата	Установить новый термостат
	Поломка клапана в пробке радиатора	Установить новую пробку радиатора

Диагностика неисправности бензиновых и дизельных электростанций

Компания «ГенМастер» выполняет диагностику дизель-генераторных установок (ДГУ) и газовых мини-электростанций. Данная процедура выполняется в ходе технического обслуживания оборудования, а также перед ремонтом с целью установления причин неполадок.

Что дает диагностика

Любая газовая или дизельная электростанция представляет собой сложный технический механизм. Она будет нормально функционировать лишь в случае, если все узлы и детали находятся в исправном состоянии. При выходе из строя какого-либо элемента неспециалисту сложно разобраться, почему оборудование не работает. В этих целях и проводится диагностика. Она позволяет определить:

какой именно узел вышел из строя;
какие детали нуждаются в экстренной или скорой замене;
в чем заключаются причины поломки оборудования.

Для выполнения диагностики может понадобиться специализированный инструмент. Наша компания имеет необходимую техническую базу для выполнения всех работ. Диагностика генераторов может проводиться в нашей мастерской либо на Вашем объекте.

Преимущества сотрудничества с нами

Профессионализм. Компания «ГенМастер» имеет в своем штате аттестованных специалистов, которые досконально знают устройство генераторов различных мощностей и конструкций. Мы работаем с оборудованием, выпущенным FG Wilson, Gesan, Iveco, Cummins, SDMO,GEKO, Deutz, Altas Copco, Volvo Penta, Caterpillar и другими производителями.

Оперативность. Наша служба технической поддержки действует круглосуточно 24/7, без выходных. Вы в любое время можете обратиться в «ГенМастер» за получением компетентной консультации по мини-электростанциям различных модификаций, для вызова специалиста с целью проведения диагностики оборудования.

Полный сервис. Помимо диагностики мы осуществляем обслуживание и ремонт мини-электростанций. Обратившись к нам, Вы получаете полный набор услуг, начиная от поставок дизельных и бензиновых установок и заканчивая их модернизацией, ремонтом, техсервисом.

Причинами неисправности работы генераторных установок зачастую являются:

Неправильно произведенные монтаж оборудования и пуско-наладочные работы;
Несвоевременное техническое обслуживание;
Использование некачественных расходных материалов при проведении технического обслуживания;
Самостоятельное проведение технического обслуживания или устранение мелких неисправностей;
Низкокачественное топливо;
Нарушение правил эксплуатации энергоустановки.

Для своевременного выявления причин неисправности и устранения неполадок в работе электро-генераторных установок компания «ГенМастер» предлагает компьютерную диагностику оборудования с использованием профессионального программного обеспечения. После оценки результатов сканирования риск оставить какую-то неисправность не выявленной минимален и в большинстве случаев инженеры нашей компании могут произвести ремонт и восстановить работоспособность электростанции непосредственно на месте установки оборудования. Сложный ремонт осуществляется в ремонтной мастерской ООО «ГенМастер»

Чтобы заказать услугу, позвоните нам по телефону +7 495 545 45 80

или заполните заявку на работы

Виктор Петрович

Главный механик

Оценка 5

04.07.0019

Из-за постоянных перебоев с электроснабжением горели датчики на оборудовании, вследствие чего оно работало с перегрузками, о чем операторы и технологи просто не знали. Итог: дорогостоящие ремонты и простои. Теперь проблема решена компанией Генмастер, которая занималась поставкой для нас мобильной электростанции. Помимо того, что теперь оборудование работает без перебоев и аварийных ситуаций, у нас еще и себестоимость заметно снизилась за счет удешевления стоимости электроэнергии. Так что теперь можем не только конкурировать на рынке, но и слегка демпинговать цены, привлекая новых клиентов.

Лютиков Семен

Инженер по эксплуатации

Оценка 5

16.06.0019

Год назад нам установили собственную электростанцию на предприятии, все работы, в том числе и проектную документацию взяли на себя специалисты компании Генмастер. Оговорюсь, что сделали все они безупречно, оборудование работает без перебоев, что для нас обслуживающего персонала весьма важно. Руководство договорилось с поставщиками, чтобы они провели обучение нашего персонала, во избежание неправильной эксплуатации оборудования. Теперь у нас настоящие профи, можно не переживать за работу системы энергообеспечения.

Константин

Начальник ГЭТУ

Оценка 5

29.04.2020

Заключил договор на поставку газового генератора для больницы. По заявке изначально на нашу территорию приехал специалист от компании и дал полноценную очень дельную консультацию по необходимому оборудованию. Быстро сделали расчет, сориентировали по срокам доставки, монтажа и пусконаладки, в которые, кстати говоря, если забегать вперед уложились идеально. Запустили генератор в кратчайшие сроки. Как мне сообщили при необходимости могут поставить оригинальные запчасти. Очень комфортное сотрудничество

Контакты

Email: [email protected]

Телефон: +7 495 545-45-80

Бесплатно по РФ: 8 800 500-40-99

Политика конфиденциальности

Наши адреса

Офис / Cклад / Юридический /
Почтовый адрес:
Московская область, Ивантеевка, ул. Трудовая, д.3

Офис/Переговорная:
Москва, Ракетный бул. 16, БЦ “Алексеевская башня”

Вся информация, размещенная на сайте, носит информационный характер и не является публичной офертой, определяемой положениями Статьи 437 (2) ГК РФ. Все материалы на сайте являются интеллектуальной собственностью ООО «ГенМастер», согласно ст.1225, ст.1228, ст.1229 части 4 ГК РФ

Диагностика кодов неисправностей | ООО ШТАТ

ДИАГНОСТИКА КОДОВ НЕИСПРАВНОСТЕЙ

Определения типов диагностических кодов неисправности (DTC)

Коды неисправности, связанные с выбросом вредных веществ
Действия, выполняемые при установке кода неисправности – тип А
Контроллер включает контрольную лампу индикации неисправности (MIL) при обнаружении неисправности в процессе выполнения диагностики.
Действия, выполняемые при установке кода неисправности – тип E
Контроллер включает контрольную лампу индикации неисправности (MIL) во время следующего цикла зажигания, при котором вторично в процессе выполнения диагностики обнаруживается неисправность.
Условия стирания кода неисправности / выключения индикации неисправности – тип А или тип E
1. Контроллер выключает контрольную лампу индикации неисправности (MIL) через 3 последовательных цикла зажигания, в которых при выполнении диагностики не выявляются неисправности.
2. Текущий код неисправности “Последняя проверка прошла с нарушениями” удаляется после того, как диагностика будет выполнена удачно.
3. С помощью сканирующего прибора выключить контрольную лампу индикации неисправности и стереть DTC.

Коды неисправности, не связанные с выбросом вредных веществ
Действия, выполняемые при установке кода неисправности – тип С
1. Контроллер записывает код неисправности в память при обнаружении неисправности в процессе выполнения диагностики.
2. Как только происходит ошибка, загорается индикатор “В ближайшее время выполнить техническое обслуживание автомобиля” (SVS).
3. Если автомобиль оборудован информационным центром водителя, то на него может выведено сообщение.
Условия для стирания кодов неисправности – тип С
1. Данные о неисправностях, обнаруженных при последней предыдущей диагностике, или активные коды неисправности стираются, если при проведении диагностики неисправности не будут обнаружены.
2. С помощью сканирующего прибора стереть DTC.

Диагностические коды неисправностей

DTC	Описание	Тип ошибки	Горит контрольная лампа MIL	Горит контрольная лампа SVS
P0008	Работоспособность системы определения положения двигателя на ряду 1	Е	да	нет
P0009	Работоспособность системы определения положения двигателя на ряду 2	Е	да	нет
P0010	Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 1	Е	да	нет
P0011	Работоспособность системы определения положения впускного распредвала (CMP) на ряду 1	Е	да	нет
P0013	Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 1	Е	да	нет
P0014	Работоспособность системы определения положения выпускного распредвала (CMP) на ряду 1	Е	да	нет
P0016	Соответствие положения коленвала (СКР) положению впускного распредвала (СМР) на ряду 1	Е	да	нет
P0017	Соответствие положения коленвала (СКР) положению выпускного распредвала (СМР) на ряду 1	Е	да	нет
P0018	Соответствие положения коленвала (СКР) положению впускного распредвала (СМР) на ряду 2	Е	да	нет
P0019	Соответствие положения коленвала (СКР) положению выпускного распредвала (СМР) на ряду 2	Е	да	нет
P0020	Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 2	Е	да	нет
P0021	Работоспособность системы определения положения впускного распредвала (CMP) на ряду 2	Е	да	нет
P0023	Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 2	Е	да	нет
P0024	Работоспособность системы определения положения выпускного распредвала (CMP) на ряду 2	Е	да	нет
P0030	Цепь управления нагревателем датчика HO2S, ряд цилиндров 1, датчик 1	Е	да	нет
P0031	Цепь управления нагревателем датчика HO2S, ряд цилиндров 1, датчик 1, низкое напряжение	Е	да	нет
P0032	Цепь управления нагревателем датчика HO2S, ряд цилиндров 1, датчик 1, высокое напряжение	Е	да	нет
P0036	Датчик 2 ряда 1 цепи управления нагревателя HO2S	Е	да	нет
P0037	Цепь управления нагревателем датчика HO2S, ряд цилиндров 1, датчик 2, низкое напряжение	Е	да	нет
P0038	Датчик 2 ряда 1 высокого напряжения цепи управления нагревателя HO2S	Е	да	нет
P0040	Переставлены местами сигналы датчиков кислорода (HO2S) на рядах 1 и 2, датчик 1	Е	да	нет
P0041	Переставлены местами сигналы датчиков кислорода (HO2S) на рядах 1 и 2, датчик 2	Е	да	нет
P0050	Цепь управления нагревателем датчика HO2S, ряд цилиндров 2, датчик 1	Е	да	нет
P0051	Цепь управления нагревателем датчика HO2S, ряд цилиндров 2, датчик 1, низкое напряжение	Е	да	нет
P0052	Цепь управления нагревателем датчика HO2S, ряд цилиндров 2, датчик 1, высокое напряжение	Е	да	нет
P0053	Сопротивление нагревателя датчика кислорода (HO2S), ряд 1, датчик 1	A	да	нет
P0056	Цепь управления нагревателем датчика HO2S, ряд цилиндров 2, датчик 2	Е	да	нет
P0057	Цепь управления нагревателем датчика HO2S, ряд цилиндров 2, датчик 2, низкое напряжение	Е	да	нет
P0058	Цепь управления нагревателем датчика HO2S, ряд цилиндров 2, датчик 2, высокое напряжение	Е	да	нет
P0059	Сопротивление нагревателя датчика кислорода (HO2S), ряд цилиндров 2, датчик 1	A	да	нет
P0068	Параметры расхода воздуха на дроссельной заслонке	A	да	нет
P0100	Цепь датчика массового расхода воздуха (MAF)	Е	да	нет
P0101	Работоспособность датчика массового расхода воздуха (MAF)	Е	да	нет
P0102	Низкое напряжение в цепи датчика массового расхода воздуха (MAF)	Е	да	нет
P0103	Высокое напряжение в цепи датчика массового расхода воздуха (MAF)	Е	да	нет
P0111	Работоспособность датчика температуры впускного воздуха (IAT)	Е	да	нет
P0112	Цепь датчика температуры воздуха на впуске, низкий уровень сигнала	Е	да	нет
P0113	Цепь датчика температуры воздуха на впуске, высокий уровень сигнала	Е	да	нет
P0116	Работоспособность датчика температуры охлаждающей жидкости двигателя (ЕТС)	Е	да	нет
P0117	Цепь датчика температуры охлаждающей жидкости двигателя, низкий уровень сигнала	Е	да	нет
P0118	Цепь датчика температуры охлаждающей жидкости двигателя, высокий уровень сигнала	Е	да	нет
P0121	Работоспособность датчика 1 положения дроссельной заслонки (TP)	Е	да	нет
P0122	Цепь датчика 1 положения дроссельной заслонки (TP), низкое напряжение	Е	да	нет
P0123	Цепь датчика 1 положения дроссельной заслонки (TP), высокое напряжение	Е	да	нет
P0125	Температура охлаждающей жидкости двигателя (ЕСТ) недостаточна для включения замкнутого контура регулирования подачи топлива	Е	да	нет
P0128	Температура охлаждающей жидкости двигателя (ECT) ниже температуры регулирования термостата	Е	да	нет
P0130	Цепь датчика кислорода (HO2S), ряд 1, датчик 1	Е	да	нет
P0131	Цепь датчика HO2S, ряд цилиндров 1, датчик 1, низкое напряжение	Е	да	нет
P0132	Цепь датчика HO2S, ряд цилиндров 1, датчик 1, высокое напряжение	Е	да	нет
P0133	Датчик HO2S, ряд цилиндров 1, датчик 1, медленный отклик	Е	да	нет
P0135	Работоспособность нагревателя датчика HO2S, ряд цилиндров 1, датчик 1	Е	да	нет
P0137	Цепь датчика HO2S, ряд цилиндров 1, датчик 2, низкое напряжение	Е	да	нет
P0138	Датчик 2 ряда 1 высокого напряжения цепи датчика HO2S	Е	да	нет
P0140	Датчик HO2S, ряд цилиндров 1, датчик 2, недостаточный отклик	Е	да	нет
P0141	Работоспособность нагревателя датчика HO2S, ряд цилиндров 1, датчик 2	Е	да	нет
P0150	Цепь датчика кислорода (HO2S), ряд 2, датчик 1	Е	да	нет
P0151	Цепь датчика HO2S, ряд цилиндров 2, датчик 1, низкое напряжение	Е	да	нет
P0152	Цепь датчика HO2S, ряд цилиндров 2, датчик 1, высокое напряжение	Е	да	нет
P0153	Датчик HO2S, ряд цилиндров 2, датчик 1, медленный отклик	Е	да	нет
P0155	Работоспособность нагревателя датчика HO2S, ряд цилиндров 2, датчик 1	Е	да	нет
P0157	Цепь датчика HO2S, ряд цилиндров 2, датчик 2, низкое напряжение	Е	да	нет
P0158	Цепь датчика HO2S, ряд цилиндров 2, датчик 2, высокое напряжение	Е	да	нет
P0160	Датчик HO2S, ряд цилиндров 2, датчик 2, недостаточный отклик	Е	да	нет
P0161	Работоспособность нагревателя датчика HO2S, ряд цилиндров 2, датчик 2	Е	да	нет
P0196	Работоспособность датчика температуры моторного масла (ЕOТ)	Е	да	нет
P0197	Цепь датчика температуры моторного масла (EOT), низкое напряжение	Е	да	нет
P0198	Цепь датчика температуры моторного масла (EOT), высокое напряжение	Е	да	нет
P0201	Цепь управления форсунки 1	Е	да	нет
P0202	Цепь управления форсунки 2	Е	да	нет
P0203	Цепь управления форсунки 3	Е	да	нет
P0204	Цепь управления форсунки 4	Е	да	нет
P0205	Цепь управления форсунки 5	Е	да	нет
P0206	Цепь управления форсунки 6	Е	да	нет
P0219	Превышение оборотов двигателя	A	да	нет
P0221	Работоспособность датчика 2 положения дроссельной заслонки (TP)	Е	да	нет
P0222	Цепь датчика 2 положения дроссельной заслонки (TP), низкое напряжение	Е	да	нет
P0223	Цепь датчика 2 положения дроссельной заслонки (TP), высокое напряжение	Е	да	нет
P0261	Низкое напряжение цепи управления форсунки 1	Е	да	нет
P0262	Высокое напряжение цепи управления форсунки 1	Е	да	нет
P0264	Низкое напряжение цепи управления форсунки 2	Е	да	нет
P0265	Высокое напряжение цепи управления форсунки 2	Е	да	нет
P0267	Низкое напряжение цепи управления форсунки 3	Е	да	нет
P0268	Высокое напряжение цепи управления форсунки 3	Е	да	нет
P0270	Низкое напряжение цепи управления форсунки 4	Е	да	нет
P0271	Высокое напряжение цепи управления форсунки 4	Е	да	нет
P0273	Цепь управления форсунки 5, низкое напряжение	Е	да	нет
P0274	Цепь управления форсунки 5, высокое напряжение	Е	да	нет
P0276	Цепь управления форсунки 6, низкое напряжение	Е	да	нет
P0277	Цепь управления форсунки 6, высокое напряжение	Е	да	нет
P0300	Обнаружен пропуск зажигания	Е	да	нет
P0301	Обнаружен пропуск зажигания цилиндра 1	Е	да	нет
P0302	Обнаружен пропуск зажигания цилиндра 2	Е	да	нет
P0303	Обнаружен пропуск зажигания цилиндра 3	Е	да	нет
P0304	Обнаружен пропуск зажигания цилиндра 4	Е	да	нет
P0305	Обнаружен пропуск зажигания в цилиндре 5	Е	да	нет
P0306	Обнаружен пропуск зажигания в цилиндре 6	Е	да	нет
P0324	Работоспособность модуля датчика детонации	C	нет	да
P0327	Цепь датчика детонации (KS), ряд 1, низкое напряжение	C	нет	да
P0328	Цепь датчика детонации (KS), ряд 1, высокое напряжение	C	нет	да
P0332	Цепь датчика детонации (KS), ряд 2, низкое напряжение	C	нет	да
P0333	Цепь датчика детонации (KS), ряд 2, высокое напряжение	C	нет	да
P0335	Цепь датчика положения коленчатого вала (CKP)	A	да	нет
P0336	Работоспособность датчика положения коленчатого вала (CKP)	A	да	нет
P0337	Малая продолжительность включения цепи датчика положения коленчатого вала (CKP)	A	да	нет
P0338	Большая продолжительность включения цепи датчика положения коленчатого вала (CKP)	A	да	нет
P0341	Работоспособность датчика положения впускного распредвала (CMP), ряд 1	Е	да	нет
P0342	Цепь датчика положения впускного распредвала (CMP), низкое напряжение, ряд 1	Е	да	нет
P0343	Цепь датчика положения впускного распредвала (CMP), высокое напряжение, ряд 1	Е	да	нет
P0346	Работоспособность датчика положения впускного распредвала (CMP), ряд 2	Е	да	нет
P0347	Цепь датчика положения впускного распредвала (CMP), низкое напряжение, ряд 2	Е	да	нет
P0348	Цепь датчика положения впускного распредвала (CMP), высокое напряжение, ряд 2	Е	да	нет
P0350	Цепь управления катушкой зажигания	Е	да	нет
P0351	Цепь управления катушкой зажигания 1	Е	да	нет
P0352	Цепь управления катушкой зажигания 2	Е	да	нет
P0353	Цепь управления катушкой зажигания 3	Е	да	нет
P0354	Цепь управления катушкой зажигания 4	Е	да	нет
P0355	Цепь управления катушкой зажигания 5	Е	да	нет
P0356	Цепь управления катушкой зажигания 6	Е	да	нет
P0366	Работоспособность датчика положения коленчатого вала (CKP)	Е	да	нет
P0367	Цепь датчика положения выпускного распредвала (CMP), низкое напряжение, ряд 1	Е	да	нет
P0368	Цепь датчика положения выпускного распредвала (CMP), высокое напряжение, ряд 1	Е	да	нет
P0391	Работоспособность датчика положения выпускного распредвала (CMP), ряд 2	Е	да	нет
P0392	Цепь датчика положения выпускного распредвала (CMP), низкое напряжение, ряд 2	Е	да	нет
P0393	Цепь датчика положения выпускного распредвала (CMP), высокое напряжение, ряд 2	Е	да	нет
P0420	Низкая эффективность каталитического нейтрализатора ряда 1	Е	да	нет
P0430	Низкая производительность каталитического нейтрализатора, ряд цилиндров 2	Е	да	нет
P0443	Цепь управления клапаном продувки адсорбера СУПБ	Е	да	нет
P0451	Работоспособность датчика давления топлива в баке (FTP)	Е	да	нет
P0452	Цепь датчика давления топлива в баке (FTP), низкое напряжение	Е	да	нет
P0453	Цепь датчика давления топлива в баке (FTP), высокое напряжение	Е	да	нет
P0458	Низкое напряжение цепи управления клапаном продувки адсорбера СУПБ	Е	да	нет
P0459	Высокое напряжение цепи управления клапаном продувки адсорбера СУПБ	Е	да	нет
P0460	Цепь датчика уровня топлива	Е	да	нет
P0461	Работоспособность датчика 1 уровня топлива	Е	да	нет
P0462	Датчик уровня топлива 1, низкое напряжение	Е	да	нет
P0463	Датчик уровня топлива 1, высокое напряжение	Е	да	нет
P0480	Цепь управления реле вентилятора охлаждения, низкая скорость	Е	да	нет
P0481	Цепь управления реле вентилятора охлаждения, высокая скорость	Е	да	нет
P0500	Цепь датчика скорости автомобиля (VSS)	Е	да	нет
P0506	Низкая частота вращения на холостом ходу	Е	да	нет
P0507	Высокая частота вращения на холостом ходу	Е	да	нет
P0513	Неверный ключ противоугонной системы	Е	да	нет
P0521	Работоспособность датчика давления моторного масла (ЕOP)	C	нет	да
P0522	Цепь датчика давления моторного масла (ЕOP), низкое напряжение	C	нет	да
P0523	Цепь датчика давления моторного масла (ЕOP), высокое напряжение	C	нет	да
P0532	Цепь датчика давления охладителя в системе кондиционирования воздуха, низкое напряжение	Е	да	нет
P0533	Цепь датчика давления охладителя в системе кондиционирования воздуха, высокое напряжение	Е	да	нет
P0560	Параметры напряжения в системе	C	нет	да
P0562	Низкое напряжение системы	C	нет	да
P0563	Высокое напряжение системы	C	нет	да
P0571	Цепь тормозного переключателя 1	C	нет	да
P0601	Постоянное запоминающее устройство (ПЗУ) модуля управления	A	да	нет
P0602	Не запрограммирован модуль управления	A	да	нет
P0604	Оперативное запоминающее устройство (ОЗУ) блока управления	A	да	нет
P0606	Быстродействие процессора в модуле управления	A	да	нет
P0615	Цепь управления реле стартера	Е	да	нет
P0616	Низкое напряжение цепи управления реле стартера	Е	да	нет
P0617	Высокое напряжение цепи управления реле стартера	Е	да	нет
P0625	Цепь F-контакта генератора, низкое напряжение	C	нет	да
P0626	Цепь F-контакта генератора, высокое напряжение	C	нет	да
P0627	Обрыв цепи реле управления топливного насоса	Е	да	нет
P0628	Низкое напряжение в цепи реле управления топливного насоса	Е	да	нет
P0629	Высокое напряжение в цепи реле управления топливного насоса	Е	да	нет
P0633	Ключ противоугонной системы не запрограммирован	Е	да	нет
P0638	Требуемый режим управления приводом дроссельной заслонки (TAC)	A	да	нет
P0645	Цепь управления реле муфты кондиционера (A/C)	Е	да	нет
P0646	Низкое напряжение цепи управления реле муфты кондиционера (A/C)	Е	да	нет
P0647	Высокое напряжение цепи управления реле муфты кондиционера (A/C)	Е	да	нет
P0650	Цепь управления контрольной лампой индикации неисправности (MIL)	Е	да	нет
P0685	Органы управления двигателем, цепь управления реле зажигания	Е	да	нет
P0686	Органы управления двигателем, цепь управления реле зажигания, низкое напряжение	Е	да	нет
P0687	Органы управления двигателем, цепь управления реле зажигания, высокое напряжение	Е	да	нет
P0688	Органы управления двигателем, цепь обратной связи реле зажигания	Е	да	нет
P0689	Низкое напряжение цепи обратной связи реле зажигания органов управления двигателем	Е	да	нет
P0690	Цепь обратной связи реле зажигания системы управления двигателем, высокое напряжение	Е	да	нет
P0691	Низкое напряжение цепи управления реле 1 вентилятора системы охлаждения	Е	да	нет
P0692	Высокое напряжение цепи управления реле 1 вентилятора системы охлаждения	Е	да	нет
P0693	Низкое напряжение цепи управления реле 2 вентилятора системы охлаждения	Е	да	нет
P0694	Высокое напряжение цепи управления реле 2 вентилятора системы охлаждения	Е	да	нет
P0700	Контроллер КПП заставил загореться контрольную лампу индикации неисправности	A	да	нет
P0704	Цепь выключателя сцепления	C	нет	да
P1011	Положение парковки привода регулирования фаз газораспределения впускного распредвала (CMP), ряд 1	C	нет	да
P1012	Положение парковки привода регулирования фаз газораспределения выпускного распредвала (CMP), ряд 1	C	нет	да
P1013	Положение парковки привода регулирования фаз газораспределения впускного распредвала (CMP), ряд 2	C	нет	да
P1014	Положение парковки привода регулирования фаз газораспределения выпускного распредвала (CMP), ряд 2	C	нет	да
P1258	Превышение температуры охлаждающей жидкости двигателя — активизирован режим защиты	Е	да	нет
P1551	В процессе обучения не достигается положение упора дроссельной заслонки	A	да	нет
P1629	Не получен сигнал разрешения подачи топлива для противоугонной системы	Е	да	нет
P1631	Неверен сигнал, разрешающий подачу топлива для защиты от кражи	C	нет	да
P1632	Получен сигнал запрещения подачи топлива для противоугонной системы	Е	да	нет
P1648	Неверный код безопасности противоугонной системы	Е	да	нет
P1649	Код безопасности противоугонной системы не запрограммирован	C	нет	да
P1668	Цепь управления L-контакта генератора	C	нет	да
P2008	Цепь управления соленоидом изменения геометрии впускного коллектора (IMRC)	Е	да	нет
P2009	Цепь управления соленоидом изменения геометрии впускного коллектора (IMRC), низкое напряжение	Е	да	нет
P2010	Цепь управления соленоидом изменения геометрии впускного коллектора (IMRC), высокое напряжение	Е	да	нет
P2065	Цепь датчика уровня топлива 2	Е	да	нет
P2066	Работоспособность датчика 2 уровня топлива	Е	да	нет
P2067	Низкое напряжение цепи датчика 2 уровня топлива	Е	да	нет
P2068	Высокое напряжение цепи датчика 2 уровня топлива	Е	да	нет
P2076	Работоспособность датчика положения клапана регулировки впускного коллектора (IMT)	Е	да	нет
P2077	Цепь датчика положения клапана регулировки впускного коллектора (IMT), низкое напряжение	Е	да	нет
P2078	Цепь датчика положения клапана регулировки впускного коллектора (IMT), высокое напряжение	Е	да	нет
P2088	Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала, низкое напряжение, ряд 1	Е	да	нет
P2089	Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала, высокое напряжение, ряд 1	Е	да	нет
P2090	Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала, низкое напряжение, ряд 1	Е	да	нет
P2091	Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала, высокое напряжение, ряд 1	Е	да	нет
P2092	Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала, низкое напряжение, ряд 2	Е	да	нет
P2093	Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала, высокое напряжение, ряд 2	Е	да	нет
P2094	Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала, низкое напряжение, ряд 2	Е	да	нет
P2095	Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала, высокое напряжение, ряд 2	Е	да	нет
P2096	Нижний предел системы корректировки топливоподачи после каталитического нейтрализатора, ряд 1	Е	да	нет
P2097	Верхний предел системы корректировки топливоподачи после каталитического нейтрализатора, ряд 1	Е	да	нет
P2098	Нижний предел системы корректировки топливоподачи после каталитического нейтрализатора, ряд 2	Е	да	нет
P2099	Верхний предел системы корректировки топливоподачи после каталитического нейтрализатора, ряд 2	Е	да	нет
P2100	Цепь управления двигателем привода дроссельной заслонки (TAC)	A	да	нет
P2101	Работоспособность контроллера привода изменения положения дроссельной заслонки	A	да	нет
P2105	Система управления приводом дроссельной заслонки (TAC) — принудительное выключение двигателя	A	да	нет
P2107	Внутренняя цепь контроллера привода дроссельной заслонки (TAC)	C	нет	да
P2111	Система управления приводом дроссельной заслонки (TAC) — заедание дроссельной заслонки в открытом положении	A	да	нет
P2119	Работоспособность дроссельной заслонки в закрытом положении	A	да	нет
P2122	Низкое напряжение цепи датчика 1 положения педали акселератора (APP)	A	да	нет
P2123	Высокое напряжение цепи датчика 1 положения педали акселератора (APP)	A	да	нет
P2127	Низкое напряжение цепи датчика 2 положения педали акселератора (APP)	A	да	нет
P2128	Высокое напряжение цепи датчика 2 положения педали акселератора (APP)	A	да	нет
P2138	Корреляция датчиков 1-2 положения педали акселератора (APP)	A	да	нет
P2176	Не определено минимальное положение дроссельной заслонки	A	да	нет
P2177	Система корректировки топливоподачи, смесь бедная в режиме поддержания скорости или при ускорении, ряд 1	Е	да	нет
P2178	Система корректировки топливоподачи, смесь богатая в режиме поддержания скорости или при ускорении, ряд 1	Е	да	нет
P2179	Система корректировки топливоподачи, смесь бедная в режиме поддержания скорости или при ускорении, ряд 2	Е	да	нет
P2180	Система корректировки топливоподачи, смесь богатая в режиме поддержания скорости или при ускорении, ряд 2	Е	да	нет
P2187	Система корректировки топливоподачи, смесь бедная на холостом ходу, ряд 1	Е	да	нет
P2188	Система корректировки топливоподачи, смесь богатая на холостом ходу, ряд 1	Е	да	нет
P2189	Система корректировки топливоподачи, смесь бедная на холостом ходу, ряд 2	Е	да	нет
P2190	Система корректировки топливоподачи, смесь богатая на холостом ходу, ряд 2	Е	да	нет
P2195	Сигнал датчика кислорода (HO2S), отклонение в сторону обеднения, ряд 1, датчик 1	Е	да	нет
P2196	Сигнал датчика кислорода (HO2S), отклонение в сторону обогащения, ряд 1, датчик 1	Е	да	нет
P2197	Сигнал датчика кислорода (HO2S), отклонение в сторону обеднения, ряд 2, датчик 1	Е	да	нет
P2198	Сигнал датчика кислорода (HO2S), отклонение в сторону обогащения, ряд 2, датчик 1	Е	да	нет
P2227	Работоспособность датчика барометрического давления (BARO)	Е	да	нет
P2228	Цепь датчика барометрического давления (BARO), низкое напряжение	Е	да	нет
P2229	Цепь датчика барометрического давления (BARO), высокое напряжение	Е	да	нет
P2231	Замыкание сигнальной цепи датчика кислорода (HO2S) на цепь нагревателя, ряд 1, датчик 1	Е	да	нет
P2232	Замыкание сигнальной цепи датчика кислорода (HO2S) на цепь нагревателя, ряд 1, датчик 2	Е	да	нет
P2234	Замыкание сигнальной цепи датчика кислорода (HO2S) на цепь нагревателя, ряд 2, датчик 1	Е	да	нет
P2235	Замыкание сигнальной цепи датчика кислорода (HO2S) на цепь нагревателя, ряд 2, датчик 2	Е	да	нет
P2237	Цепь управления током накачки датчика кислорода (HO2S), ряд 1, датчик 1	Е	да	нет
P2238	Цепь управления током накачки датчика кислорода (HO2S), ряд 1, датчик 1, низкое напряжение	Е	да	нет
P2239	Цепь управления током накачки датчика кислорода (HO2S), ряд 1, датчик 1, высокое напряжение	Е	да	нет
P2240	Цепь управления током накачки датчика кислорода (HO2S), ряд 2, датчик 1	Е	да	нет
P2241	Цепь управления током накачки датчика кислорода (HO2S), ряд 2, датчик 1, низкое напряжение	Е	да	нет
P2242	Цепь управления током накачки датчика кислорода (HO2S), ряд 2, датчик 1, высокое напряжение	Е	да	нет
P2243	Цепь опорного напряжения датчика кислорода (HO2S), ряд 1, датчик 1	Е	да	нет
P2247	Цепь опорного напряжения датчика кислорода (HO2S), ряд 2, датчик 1	Е	да	нет
P2251	Цепь опорного низкого уровня датчика кислорода (HO2S), ряд 1, датчик 1	Е	да	нет
P2254	Цепь опорного низкого уровня датчика кислорода (HO2S), ряд 2, датчик 1	Е	да	нет
P2270	Сигнал датчика кислорода (HO2S), зависание на обеднение, ряд 1, датчик 2	Е	да	нет
P2271	Сигнал датчика кислорода (HO2S), зависание на обогащение, ряд 1, датчик 2	Е	да	нет
P2272	Сигнал датчика кислорода (HO2S), зависание на обеднение, ряд 2, датчик 2	Е	да	нет
P2273	Сигнал датчика кислорода (HO2S), зависание на обогащение, ряд 2, датчик 2	Е	да	нет
P2297	Работоспособность датчика HO2S при отключении подачи топлива в режиме торможения двигателем, ряд цилиндров 1, датчик 1	Е	да	нет
P2298	Работоспособность датчика HO2S при отключении подачи топлива в режиме торможения двигателем, ряд цилиндров 2, датчик 1	Е	да	нет
P2300	Цепь управления катушкой зажигания 1, низкое напряжение	Е	да	нет
P2301	Цепь управления катушкой зажигания 1, высокое напряжение	Е	да	нет
P2303	Цепь управления катушкой зажигания 2, низкое напряжение	Е	да	нет
P2304	Цепь управления катушкой зажигания 2, высокое напряжение	Е	да	нет
P2306	Цепь управления катушкой зажигания 3, низкое напряжение	Е	да	нет
P2307	Цепь управления катушкой зажигания 3, высокое напряжение	Е	да	нет
P2309	Цепь управления катушкой зажигания 4, низкое напряжение	Е	да	нет
P2310	Цепь управления катушкой зажигания 4, высокое напряжение	Е	да	нет
P2312	Цепь управления катушкой зажигания 5, низкое напряжение	Е	да	нет
P2313	Цепь управления катушкой зажигания 5, высокое напряжение	Е	да	нет
P2315	Цепь управления катушкой зажигания 6, низкое напряжение	Е	да	нет
P2316	Цепь управления катушкой зажигания 6, высокое напряжение	Е	да	нет
P2500	Цепь L-контакта генератора, низкое напряжение	C	нет	да
P2501	Цепь L-контакта генератора, высокое напряжение	C	нет	да
P2626	Цепь ограничения тока накачки датчика кислорода (HO2S), ряд 1, датчик 1	Е	да	нет
P2627	Цепь ограничения тока накачки датчика кислорода (HO2S), ряд 1, датчик 1, низкое напряжение	Е	да	нет
P2628	Цепь ограничения тока накачки датчика кислорода (HO2S), ряд цилиндров 1, датчик 1, высокое напряжение	Е	да	нет
P2629	Цепь ограничения тока накачки датчика кислорода (HO2S), ряд 2, датчик 1	Е	да	нет
P2630	Цепь ограничения тока накачки датчика кислорода (HO2S), ряд 2, датчик 1, низкое напряжение	Е	да	нет
P2631	Цепь ограничения тока накачки датчика кислорода (HO2S), ряд 2, датчик 1, высокое напряжение	Е	да	нет
U0001	Высокоскоростная шина передачи данных CAN	C	нет	да
U0101	Нарушена связь с контроллером КПП	C	нет	да
U0121	Нарушена связь с контроллером антиблокировочной тормозной системы (ABS)	C	нет	да
U0422	Получены неверные данные от блока управления электронными системами кузова	C	нет	да

Диагностический код неисправности (DTC) P0008 или P0009
Описание DTC

DTC P0008: Работоспособность системы определения положения двигателя на ряду 1

DTC P0009: Работоспособность системы определения положения двигателя на ряду 2

Диагностическая информация о неисправности

Перед использование настоящей диагностической процедуры следует выполнить проверку диагностической системы.

Описание цепей / систем

Контроллер электронной системы управления двигателем (ЭСУД) проверяет рассогласованность положений обеих распределительных валов одного ряда цилиндров и коленчатого вала. Рассогласованность возможна либо у направляющей звездочки каждого из рядов цилиндров, либо у коленчатого вала. Определив положение обоих распределительных валов ряда цилиндров двигателя, ЭСУД сравнивает полученные значения с контрольными. ЭСУД установит код неисправности, если оба определенных значения для одного ряда цилиндров двигателя превышают выверенное пороговое значение в этом же направлении.

Условия появления кода DTC

1. Диагностические коды неисправности P0010, P0011, P0013, P0014, P0020, P0021, P0023, P0024, P0341, P0342, P0343, P0346, P0347, P0348, P0366, P0367, P0368, P0391, P0392, P0393, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095 не установлены.

2. Двигатель работает.

3. Контроллер ЭСУД определил положения распредвала.

4. Коды неисправности DTC P0008 и P0009 выдаются постоянно, если выполняются указанные выше условия.

Условия установки кода неисправности.

ЭСУД определяет, что положение обоих распределительных валов какого-либо ряда цилиндров двигателя не согласовано с положением коленчатого вала более чем на 4 секунды.

Действия, выполняемые при установке кода неисправности
Диагностические коды неисправности P0008 и P0009 относятся к типу E.

Условия очистки кода неисправности
Диагностические коды неисправности P0008 и P0009 относятся к типу E.
Диагностическая информация

1. Осмотреть двигатель для выявления недавно проводившегося ремонта механической части двигателя. Неправильно установленная может вторичная цепь привода распределительного вала стать причиной появления этого кода неисправности.

2. Один неисправный привод регулирования фаз газораспределения или его клапан не могут привести к появлению этого кода неисправности. Этот диагностический алгоритм предназначен для обнаружения рассогласованности между первичной промежуточной звездочкой и вторичной цепью привода распределительного вала, или рассогласованности между первичной промежуточной звездочкой и коленчатым валом. Любое из этих условий может стать причиной нарушения согласованности фаз у кулачков обоих валов одного ряда цилиндров на одинаковое число градусов.

3. Наличие DTC P0008 и P0009 вместе с P0016, P0017, P0018 и P0019 указывает на возможную неисправность первичной цепи привода распределительного вала и рассогласованность между обеими промежуточными звездочками и коленчатым валом. Возможно также, что импульсный датчик коленчатого вала смещен, и не соответствует верхней мертвой точке (TDC) коленчатого вала.

4. Путем сравнения требуемого и фактического значений угла распредвала с помощью сканирующего прибора до выдачи кода неисправности можно определить, относится ли неисправность к одному распредвалу, одному ряду цилиндров, или же вызвана нарушением первичной синхронизации с коленчатым валом.
Проверка цепей / систем

1. Сканирующим прибором сбросить коды DTC.

2. Дать двигателю прогреться до нормальной рабочей температуры.

3. Дайте двигателю поработать на холостых оборотах в течение 10 минут или до установки кода неисправности. С помощью сканирующего прибора получить информацию о кодах неисправности; DTC P0008 и P0009 не должны быть установлены.

Испытание цепи / системы

1. Осмотреть цепи привода распределительных валов, проверяя на износ или рассогласование.
При обнаружении неисправности цепей привода распределительных валов или натяжителей следует обратиться к разделу “Компоненты цепей привода распределительных валов”, Часть 1С2, “Механическая часть двигателя HFV6 3.2 L.”

2. Проверить, правильно ли установлен имульсный датчик на коленчатом вале.
При обнаружении неисправности, относящейся к коленчатому валу, следует обратиться к разделу “Коленчатый вал и коренные подшипники”, Часть 1С2, “Механическая часть двигателя HFV6 3.2 L.”

Диагностические коды неисправности (DTC) P0010, P0013, P0020, P0023, P2088, P2089, P2090, P2091, P2092, P2093, P2094 или P2095
Описание DTC
DTC P0010 : Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 1
DTC P0013 : Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 1
DTC P0020 : Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 2
DTC P0023 : Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 2
DTC P2088 : Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 1, низкое напряжение
DTC P2089 : Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 1, высокое напряжение
DTC P2090 : Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 1, низкое напряжение
DTC P2091 : Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 1, высокое напряжение
DTC P2092 : Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 2, низкое напряжение
DTC P2093 : Цепь управления соленоидом привода регулирования фаз газораспределения впускного распредвала (CMP) на ряду 2, высокое напряжение
DTC P2094 : Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 2, низкое напряжение
DTC P2095 : Цепь управления соленоидом привода регулирования фаз газораспределения выпускного распредвала (CMP) на ряду 2, высокое напряжение

Диагностическая информация о неисправности

Описание цепей / систем

Система привода регулирования фаз газораспределения позволяет контроллеру ЭСУД изменять фазы газораспределения распределительных валов во время работы двигателя. Сигнал клапана привода регулировки фаз газораспределения, поступающий от контроллера ЭСУД, представляет собой широтно-импульсный сигнал. Контроллер управляет циклом работы клапана привода, регулируя продолжительность включения клапана. Клапан привода регулировки фаз газораспределения управляет увеличением или уменьшением фаз для каждого распределительного вала. Клапан привода регулировки фаз газораспределения управляет потоком масла, подающего давление для увеличения или уменьшения фаз распределительных валов.
Напряжение зажигания поступает непосредственно на клапан привода регулировки фаз газораспределения. Контроллер ЭСУД контролирует работу клапана путем заземления цепи управления с помощью полупроводникового устройства, т.н. драйвера. Устройство снабжено цепью обратной связи, которая повышает напряжение. Контроллер ЭСУД может определить обрыв цепи управления, короткое замыкание на землю или на напряжение, контролируя напряжение обратной связи.

Условия появления кода DTC

1. Обороты двигателя выше 80 об/мин.

2. Напряжение зажигания 1 в диапазоне 10-18 В.

3. Контроллер ЭСУД выдал команду на включение и выключение соленоида привода регулировки фаз газораспределения минимум один раз в течение цикла зажигания.

4. Коды неисправности P0010, P0013, P0020, P0023, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095 выдаются постоянно, когда указанные выше условия соблюдаются более 1 секунды.

Условия установки кода неисправности.
P0010, P0013, P0020, P0023
Контроллер ЭСУД обнаружил обрыв в цепи соленоида привода CMP в течение более 4 секунд при выдаче команды на выключение соленоида.
P2088, P2090, P2092, P2094
Контроллер ЭСУД обнаружил замыкание на массу в цепи соленоида привода CMP в течение более 4 секунд при выдаче команды на выключение соленоида.
P2089, P2091, P2093, P2095
Контроллер ЭСУД обнаружил замыкание на напряжение питания в цепи соленоида привода CMP в течение более 4 секунд при выдаче команды на включение соленоида.

1. Контроллер ЭСУД обнаружил обрыв, замыкание на массу или на напряжение питания (B+) в цепи соленоида привода CMP при выдаче команды на выключение соленоида.

2. Условие выполняется на протяжении более 4 секунд.

Действия, выполняемые при установке кода неисправности

Диагностические коды неисправности P0010, P0013, P0020, P0023, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095 относятся к типу E.

Условия очистки кода неисправности

Диагностические коды неисправности P0010, P0013, P0020, P0023, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095 относятся к типу E.

Проверка цепей / систем

1. Прогреть двигатель до нормальной рабочей температуры, поднять обороты до 2000 об/мин на 10 секунд. Диагностические коды P0010, P0013, P0020, P0023, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095 не должны быть установлены.

2. Если автомобиль успешно прошел испытание на проверку цепей / систем, то следует обеспечить условия, требующиеся для проведения диагностики. Можно также обеспечить условия, зафиксированные в записях данных состояний / протоколов неисправностей.

Испытание цепи / системы

1. Выключить зажигание, отсоединить разъем жгута от соответствующего клапана привода регулирования фаз газораспределения распределительного вала.

3. Выключить зажигание, подключить контрольную лампу между контактом цепи управления и напряжением питания (В+).

4. Включить зажигание, подать с помощью сканирующего прибора на клапан привода регулирования фаз газораспределения команды “вкл.” и “выкл.” Контрольная лампа должна загореться и погаснуть в соответствии с поданными командами.
Если контрольная лампа все время горит, то проверить на замыкание на “массу” цепь управления. Если цепь исправна, заменить контроллер ЭСУД.
Если контрольная лампа не загорается, проверить цепь управления на замыкание на напряжение питания или обрыв/высокое сопротивление. Если при тестировании цепи неисправность не обнаружена, то заменить контроллер ЭСУД.

5. Включить зажигание, проверить наличие 2,0-3,0 В между контактом цепи управления и надежной массой.
Если напряжения в указанном диапазоне нет, то заменить контроллер ЭСУД.

6. Если при тестировании всех цепей / соединений неисправность не обнаружена, то проверить или заменить клапан привода регулировки фаз газораспределения распределительных валов.
1.
Тестирование компонент

1. Измерить сопротивление между контактами клапана привода регулирования фаз газораспределения распределительных валов, которое должно равняться 7-12 Ом.
Если сопротивление не находится в указанном диапазоне, то заменить клапан привода регулирования фаз газораспределения распределительных валов

2. Проверить сопротивление между каждым из контактов и корпусом клапана привода регулирования фаз газораспределения распределительных валов. Сопротивления должны быть бесконечно большими.
Если сопротивление меньше, то заменить клапан привода регулирования фаз газораспределения распределительных валов.

Диагностические коды неисправности (DTC) P0011, P0014, P0021 или P0024

Описание DTC

DTC P0011: Работоспособность системы определения положения впускного распредвала (CMP) на ряду 1
DTC P0014: Работоспособность системы определения положения выпускного распредвала (CMP) на ряду 1
DTC P0021: Работоспособность системы определения положения впускного распредвала (CMP) на ряду 2
DTC P0024: Работоспособность системы определения положения выпускного распредвала (CMP) на ряду 2

Диагностическая информация о неисправности

Описание цепей / систем

Условия появления кода DTC

1. Прежде чем контроллер ЭСУД сообщит о неполадках DTC P0011, P0014, P0021 или P0024, должны успешно пройти проверки P0010, P0013, P0020, P0023, P0341, P0342, P0343, P0346, P0347, P0348, P0366, P0367, P0368, P0391, P0392, P0393, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095.

2. Коды неисправности P0016, P0017, P0018, P0019, P0335, P0336 и P0338 не устанавливаются.

3. Обороты двигателя выше 500 об/мин.

4. Двигатель должен ускоряться так, чтобы на систему привода регулирования фаз газораспределения была выдана команда перемещения из положения парковки в положение требуемой фазы. Этот процесс представляет собой цикл управления распределительным валом. Всего должно быть 4-10 циклов управления распределительным валом с продолжительностью нахождения в позиции смещения фазы в течение не менее 2,5 секунд в каждом цикле.

5. Двигатель работает приблизительно в течение 1,8 секунд.

6. Коды неисправности P0011, P0014, P0021 и P0024 выдаются постоянно, если указанные выше условия соблюдаются дольше 1 секунды.

Условия установки кода неисправности.

1. Контроллер ЭСУД обнаруживает разность между требуемым и фактическим угловым положением распределительного вала, превышающую 5 градусов.

ИЛИ

1. Контроллер ЭСУД обнаруживает разность между фактическим и фиксированным угловым положением распределительного вала, превышающую 1 градус. Это условие сохраняется более 4 секунд.

Действия, выполняемые при установке кода неисправности

Диагностические коды неисправности P0011, P0014, P0021 и P0024 относятся к типу E.

Условия очистки кода неисправности

Диагностические коды неисправности P0011, P0014, P0021 и P0024 относятся к типу E.

Диагностическая информация

1. Состояние моторного масла в решающей степени влияет на работу системы привода регулирования фаз газораспределения распределительных валов.

2. Этот диагностический код может быть установлен вследствие низкого уровня масла. Для двигателя может потребоваться замена масла. С помощью сканирующего прибора можно также узнать значение параметра Engine Oil Life (Срок службы моторного масла).

3. Осмотреть двигатель для выявления недавно проводившегося ремонта механической части двигателя. К появлению этого кода неисправности может привести неправильная установка распределительного вала, привода регулирования фаз газораспределения или цепи привода распределительного вала.

Проверка цепей / систем

Важно: Решающее значение для правильной работы системы привода регулирования фаз газораспределения распределительных валов имеют уровень и давление моторного масла. Перед тем как продолжить эту диагностику, необходимо убедиться в наличии требуемого уровня и давления масла.

1. Зажигание включено, получить информацию о DTC сканирующим прибором. Убедиться, что не установлен ни один из следующих кодов неисправности. DTC P0016, P0017, P0018, P0019, P0335, P0336, P0338, P0341, P0342, P0343, P0346, P0347, P0348, P0366, P0367, P0368, P0391, P0392, P0393, P0521, P0522 или P0523.

Если какой-либо из перечисленных кодов неисправности установлен, то для выполнения дальнейшей диагностики обратиться к информации по соответствующему коду.

2. Двигатель работает на холостом ходу. Выдать команду на привод регулирования распредвала с предполагаемой неисправностью на перемещение с 0 на 40 градусов и обратно на ноль, наблюдая при этом соответствующие параметры отклонения угла CMP с помощью сканирующего прибора. Отклонение угла CMP должно быть в пределах 2 градусов для каждого положения в соответствии с командами.

3. Если автомобиль успешно прошел испытание на проверку цепей / систем, то следует обеспечить условия, требующиеся для проведения диагностики. Можно также обеспечить условия, зафиксированные в записях данных состояний / протоколов неисправностей.

Испытание цепи / системы

2. Включить зажигание, убедиться в том, что не горит контрольная лампа, подключенная между контактом цепи зажигания и надежной массой.

Важно: Цепь зажигания подает напряжение на другие компоненты. Необходимо обеспечить проверку всех цепей на замыкание на “массу” и проверить на замыкание все компоненты, которые входят в цепь зажигания.

Если контрольная лампа не горит, то проверить цепь зажигания на замыкание на “массу” или на обрыв / высокое сопротивление. Если при тестировании цепей неисправности не обнаружены и имеется обрыв предохранителя цепи зажигания, то следует проверить все компоненты, подключенные к цепи зажигания и, в случае необходимости, заменить.

3. Выключить зажигание, подключить контрольную лампу между контактом 2 цепи управления и В+.

Если контрольная лампа все время горит, то проверить на замыкание на “массу” цепь управления. Если цепь исправна, заменить контроллер ЭСУД.

Если контрольная лампа не загорается, проверить цепь управления на замыкание на напряжение питания или обрыв/высокое сопротивление. Если при тестировании цепи неисправность не обнаружена, то заменить контроллер ЭСУД.

5. Снять клапан привода регулирования фаз газораспределения распределительных валов. Осмотреть клапан привода регулирования фаз газораспределения распределительных валов и место установки и проверить на следующие неисправности:

– Разорванные, закупоренные, неправильно установленные или отсутствующие сетчатые фильтры клапана привода регулирования фаз газораспределения распределительных валов.
– Утечки моторного масла у посадочных поверхностей уплотнений клапана привода регулирования фаз газораспределения распределительных валов. Убедиться в отсутствии царапин на посадочных поверхностях клапана привода регулирования фаз газораспределения распределительных валов.
– Просачивание масла у разъема клапана привода регулирования фаз газораспределения распределительных валов.

В случае обнаружения неисправности заменить клапан привода регулирования фаз газораспределения распределительных валов.

Тестирование компонент

1. Тестировать на наличие сопротивления 7-12 Ом между контактами клапан привода регулирования фаз газораспределения распределительных валов.
Если сопротивление не находится в указанном диапазоне, то заменить клапан привода регулирования фаз газораспределения распределительных валов

Диагностические коды неисправности (DTC) P0016, P0017, P0018 или P0019

Описание DTC

DTC P0016: Соответствие положения коленвала (СКР) положению впускного распредвала (СМР) на ряду 1
DTC P0017: Соответствие положения коленвала (СКР) положению выпускного распредвала (СМР) на ряду 1
DTC P0018: Соответствие положения коленвала (СКР) положению впускного распредвала (СМР) на ряду 2
DTC P0019: Соответствие положения коленвала (СКР) положению выпускного распредвала (СМР) на ряду 2

Диагностическая информация о неисправности

Описание цепей / систем

Система привода регулирования фаз газораспределения позволяет контроллеру ЭСУД изменять фазы газораспределения распределительных валов во время работы двигателя. Сигнал клапана привода регулировки фаз газораспределения, поступающий от контроллера ЭСУД, представляет собой широтно-импульсный сигнал. Контроллер управляет циклом работы клапана привода, регулируя продолжительность включения клапана. Клапан привода регулировки фаз газораспределения управляет увеличением или уменьшением фаз для каждого распределительного вала. Клапан привода регулировки фаз газораспределения управляет потоком масла, подающего давление для увеличения или уменьшения фаз распределительных валов.
Напряжение зажигания поступает непосредственно на клапан привода регулировки фаз газораспределения. Контроллер ЭСУД контролирует работу клапана путем заземления цепи управления с помощью полупроводникового устройства, т.н. драйвера. Контроллер ЭСУД сравнивает положение (угол поворота) распределительного вала с положением коленчатого вала.

Условия появления кода DTC

1. До того как контроллер ЭСУД может установить неисправности с кодами P0016, P0017, P0018 или P0019, необходимо чтобы не были обнаружены неисправности, соответствующие кодам DTC P0010, P0011, P0013, P0014, P0020, P0021, P0023, P0024, P0335, P0336, P0338, P0341, P0342, P0343, P0346, P0347, P0348, P0366, P0367, P0368, P0391, P0392, P0393, P2088, P2089, P2090, P2091, P2092, P2093, P2094 и P2095.

2. Двигатель работает в течение более 5 секунд.

3. Температура охлаждающей жидкости двигателя в пределах 0-95°C (32-203°F).

4. Рассчитанная температура моторного масла ниже 120°C (248°F).

5. Коды неисправности P0016, P0017, P0018 и P0019 выдаются постоянно, если указанные выше условия соблюдаются приблизительно в течение 10 минут.

Условия установки кода неисправности.

1. Контроллер ЭСУД обнаруживает одну из следующих неисправностей:

-Контроллер ЭСУД обнаруживает нарушение согласованности положений распределительного и коленчатого валов.

-Распределительный вал слишком опережает коленчатый вал.

-Распределительный вал слишком отстает от коленчатого вала.

2. Контроллер ЭСУД обнаруживает разность между фактическим и фиксированным угловым положением распределительного вала, превышающую 1 градус.

3. Это условие сохраняется более 4 секунд.

Действия, выполняемые при установке кода неисправности

Диагностические коды неисправности P0016, P0017, P0018 и P0019 относятся к типу E.

Условия очистки кода неисправности

Диагностические коды неисправности P0016, P0017, P0018 и P0019 относятся к типу E.

Диагностическая информация

1. Осмотреть двигатель для выявления недавно проводившегося ремонта механической части двигателя. К появлению этого кода неисправности может привести неправильная установка распределительного вала, привода регулирования фаз газораспределения, датчика распределительного вала, датчика коленчатого вала или цепи привода распределительного вала.

2. Этот код неисправности может появиться, если привод регулирования фаз газораспределения находится в положении, соответствующем максимальному опережению или отставанию.

Испытание цепи / системы

1. Зажигание включено, получить информацию о DTC сканирующим прибором. Убедиться, что не установлен ни один из следующих кодов неисправности. DTC P0010, P0013, P0020, P0023, P0335, P0336, P0338, P0341, P0342, P0343, P0346, P0347, P0348, P0366, P0367, P0368, P0391, P0392, P0393, P2088, P2089, P2090, P2091, P2092, P2093, P2094 или P2095.
Если какой-либо из перечисленных кодов неисправности установлен, то для выполнения дальнейшей диагностики обратиться к информации по соответствующему коду.

2. Дать двигателю поработать на холостых оборотах при нормальной рабочей температуре в течение 10 минут. Диагностические коды P0016, P0017, P0018 или P0019 не должны быть установлены.

Если диагностические коды неисправности установлены, то проверить следующее:

-Правильность установки датчиков распределительных валов.
-Правильность установки датчика коленчатого вала.
-Состояние натяжителя цепи привода распределительных валов.
-Неправильно установленная цепь привода распределительного вала.
-Чрезмерный свободный ход цепи привода распределительных валов.
-Цепь привода распределительных валов пропускает зубцы.
-Импульсный датчик коленчатого вала смещен по отношению к верхней мертвой точке коленчатого вала.

Диагностические коды неисправности (DTC) P0030, P0031, P0032, P0036, P0037, P0038, P0050, P0051, P0052, P0056, P0057 или P0058
Описание DTC

DTC P0030 : Цепь управления нагревателем датчика HO2S, ряд 1, датчик 1
DTC P0031 : Цепь управления нагревателем датчика HO2S, ряд 1, датчик 1, низкое напряжение
DTC P0032 : Цепь управления нагревателем датчика HO2S, ряд 1, датчик 1, высокое напряжение
DTC P0036 : Цепь управления нагревателем датчика HO2S, ряд 1, датчик 2
DTC P0037 :Цепь управления нагревателем датчика HO2S, ряд 1, датчик 2, низкое напряжение
DTC P0038 : Цепь управления нагревателем датчика HO2S, ряд 1, датчик 2, высокое напряжение
DTC P0050 : Цепь управления нагревателем датчика HO2S, ряд 2, датчик 1
DTC P0051 : Цепь управления нагревателем датчика HO2S, ряд 2, датчик 1, низкое напряжение
DTC P0052 : Цепь управления нагревателем датчика HO2S, ряд 2, датчик 1, высокое напряжение
DTC P0056 : Цепь управления нагревателем датчика HO2S, ряд 2, датчик 2
DTC P0057 : Цепь управления нагревателем датчика HO2S, ряд 2, датчик 2, низкое напряжение
DTC P0058 :Цепь управления нагревателем датчика HO2S, ряд 2, датчик 2, высокое напряжение

Диагностическая информация о неисправности

Цепь	Короткого замыкания с «массой»	Обрыв / высокое сопротивление	Замыкание на провод, находящийся под напряжением	Параметры сигнала
Напряжение зажигания	P0030, P0036, P0050, P0056	P0030, P0036, P0050, P0056	—	P0135, P0141, P0155, P0161
Цепь управления нагревателя HO2S, датчик 1	P0031, P0051	P0030, P0050	P0032, P0052	P0135, P0141, P0155, P0161
Цепь управления нагревателя HO2S, датчик 2	P0037, P0057	P0036, P0056	P0038, P0058	P0135, P0141, P0155, P0161

Описание схемы

Имеющийся у нагреваемого датчика кислорода (HO2S) нагреватель сокращает время, требующееся для прогрева датчика до рабочей температуры, и поддерживает эту температуру при длительных периодах работы на холостых оборотах. При включении зажигания, напряжение зажигания подается непосредственно на нагреватель датчика. Сначала, когда датчики холодные, контроллер ЭСУД управляет работой нагревателя, периодически замыкая цепь управления на “массу”. Благодаря управлению темпом нагрева датчиков устраняется вероятность воздействия на датчики термического удара, который возможен из-за отложения на датчиках конденсата. После истечения заданного периода времени контроллер ЭСУД подает команду на постоянное включение нагревателей. После нагрева датчика до рабочей температуры, контроллер ЭСУД может периодически замыкать цепь управления на “массу”, поддерживая требуемую температуру.
Контроллер ЭСУД контролирует работу нагревателя путем заземления цепи управления с помощью полупроводникового устройства, т.н. драйвера. Это устройство снабжено цепью обратной связи, которая повышает напряжение. Контроллер ЭСУД может определить обрыв цепи управления, короткое замыкание на землю или на напряжение, контролируя напряжение обратной связи.
Управляющий датчик кислорода использует следующие цепи:

1. Сигнальная цепь

2. Цепь опорного низкого уровня

3. Цепь напряжения зажигания

4. Цепь управления нагревателем

Условия появления кода DTC
P0030, P0031, P0032, P0050, P0051, P0052

1. Напряжение зажигания в пределах 10,5-18 В.
2. Обороты двигателя выше 80 об/мин.
3. На нагреватель датчика кислорода (HO2S) подается команда включения и выключения минимум один раз за цикл зажигания.
4. Коды неисправности выдаются постоянно, если указанные выше условия выполняются в течение 1 секунды.
P0036, P0037, P0038, P0056, P0057, P0058

1. Напряжение зажигания в пределах 10,5-18 В.
2. Обороты двигателя выше 80 об/мин.
3. На нагреватель датчика кислорода (HO2S) подается команда включения и выключения минимум один раз за цикл зажигания.
4. Контрольный датчик кислорода (HO2S) имеет рабочую температуру.
5. Коды неисправности выдаются постоянно, если указанные выше условия выполняются в течение 1 секунды.

Условия установки кода неисправности

P0030, P0036, P0050 и P0056 Контроллер ЭСУД обнаруживает обрыв в цепях нагревателя датчика кислорода (HO2S) при выдаче команды на выключение нагревателя. Условие выполняется дольше 4 секунд.
P0031, P0037, P0051 и P0057 Контроллер ЭСУД обнаруживает замыкание на массу в цепях нагревателя датчика кислорода (HO2S) при выдаче команды на выключение нагревателя. Условие выполняется дольше 4 секунд.
P0032, P0038, P0052 и P0058 Контроллер ЭСУД обнаруживает замыкание на напряжение питания в цепях нагревателя датчика кислорода (HO2S) при выдаче команды на включение нагревателя. Условие выполняется дольше 4 секунд.

Действия, выполняемые при установке кода неисправности

Коды неисправности P0030, P0031, P0032, P0036, P0037, P0038, P0050, P0051, P0052, P0056, P0057 и P0058 относятся к типу E.

Условия очистки кода неисправности/индикации неисправности

Коды неисправности P0030, P0031, P0032, P0036, P0037, P0038, P0050, P0051, P0052, P0056, P0057 и P0058 относятся к типу E.

Диагностическая информация

1. Если неисправность носит неустойчивый характер, перемещать соответствующие жгуты проводов и разъемы при работающем двигателе, контролируя с помощью сканирующего прибора состояние цепи соответствующего компонента. Параметр состояния цепи изменяется от OK (Исправно) или Indeterminate (Не определено) к Fault (Неисправно), если это условие связано с цепью или разъемом. Информация модуля управления (ODM) находится в списке данных модуля.

2. Обрыв цепи предохранителя в цепи нагревателя управляющего датчика кислорода может быть связан с нагревательным элементов в одном из датчиков. Эта неисправность может отсутствовать до тех пор, пока датчик не поработает в течение некоторого времени. Если в цепи нагревателя неисправности нет, то необходимо с помощью цифрового мультиметра проверить ток в каждом из нагревателей, чтобы выяснить, не вызван ли обрыв в предохранителе нагревательным элементом одного из нагревателей. Проверить, не контактирует ли вывод зонда или жгут с элементами выпускной системы.

Проверка цепей / систем

Двигатель работает на холостых оборотах при рабочей температуре в течение не менее чем 30 секунд. Получить информацию о DTC. DTC P0030, P0031, P0032, P0036, P0037, P0038, P0050, P0051, P0052, P0056, P0057 и P0058 не должны быть установлены.

Испытание цепи / системы

1. Выключить зажигание, отсоединить разъем жгута проводов на соответствующем нагреваемом датчике кислорода (HO2S).

2. Включить зажигание, убедиться в том, что контрольная лампа загорается между контактом цепи зажигания и надежной массой.
Важно: Цепь зажигания подает напряжение на другие компоненты. Необходимо обеспечить проверку всех цепей на замыкание на “массу” и проверить на замыкание все компоненты, которые входят в цепь зажигания.
Если контрольная лампа не горит, то проверить цепь зажигания на замыкание на “массу” или на обрыв / высокое сопротивление. Если при тестировании цепей неисправности не обнаружены и имеется обрыв предохранителя цепи зажигания, то следует проверить все компоненты, подключенные к цепи зажигания 1 и, в случае необходимости, заменить.
3. Выключить зажигание, подключить контрольную лампу между контактом цепи управления нагревателем и напряжением “B+”. Контрольная лампа не должна гореть.
Если контрольная лампа постоянно горит, то проверить цепь управления на замыкание на “массу”. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
Важно: Цепь управления нагревателя HO2S подключается к источнику напряжения внутри контроллера ЭСУД. Нормальным для цепи управления является напряжение в пределах 2,0 – 3,0 вольта.
4. Включить двигатель на холостых оборотах и проверить, горит ли контрольная лампа непрерывно или вспыхивает.
Если контрольная лампа постоянно не горит, то проверить цепь управления на замыкание на провод, находящийся под напряжением, или на обрыв / высокое сопротивление. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
5. Включить зажигание, тестировать на наличие 2,0 – 3,0 вольт между контактом “D” цепи управления и “массой”.
Если напряжение не находится в указанном диапазоне, то заменить контроллер ЭСУД.
6. Если при тестировании всех цепей / соединений неисправность не обнаружена, то проверить или заменить кислородный датчик HO2S.

Тестирование компонент

1. Выключить зажигание, отсоединить разъем жгута от соответствующего датчика кислорода (с электронагревателем) (HO2S).

2. Проверить сопротивление нагревателя датчика кислорода, которое должно равняться 3-35 Ом.
Если сопротивление не находится в указанном диапазоне, то заменить кислородный датчик.

Диагностический код неисправности (DTC) P0040 или P0041

Описание DTC

DTC P0040: Переставлены местами сигналы датчиков кислорода (HO2S) на рядах 1 и 2, датчик 1
DTC P0041: Переставлены местами сигналы датчиков кислорода (HO2S) на рядах 1 и 2, датчик 2

Диагностическая информация о неисправности

Описание цепей / систем

Имеющийся у нагреваемого датчика кислорода (HO2S) нагреватель сокращает время, требующееся для прогрева датчика до рабочей температуры, и поддерживает эту температуру при длительных периодах работы на холостых оборотах. При включении зажигания, напряжение зажигания подается непосредственно на нагреватель датчика. Сначала, когда датчики холодные, контроллер ЭСУД управляет работой нагревателя, периодически замыкая цепь управления на “массу”. Благодаря управлению темпом нагрева датчиков устраняется вероятность воздействия на датчики термического удара, который возможен из-за отложения на датчиках конденсата. После истечения заданного периода времени контроллер ЭСУД подает команду на постоянное включение нагревателей. После нагрева датчика до рабочей температуры, контроллер ЭСУД может периодически замыкать цепь управления на “массу”, поддерживая требуемую температуру.
Контроллер ЭСУД контролирует работу нагревателя путем заземления цепи управления с помощью полупроводникового устройства, т.н. драйвера. Это устройство снабжено цепью обратной связи, которая повышает напряжение. Контроллер ЭСУД может определить обрыв цепи управления, короткое замыкание на землю или на напряжение, контролируя напряжение обратной связи.
Код неисправности “Переставлены местами сигналы датчиков кислорода (HO2S)” выдается, если контроллер ЭСУД обнаруживает, что напряжения сигналов с датчиков кислорода (HO2S) противоположны состоянию согласно выданной команде.
Управляющий датчик кислорода использует следующие цепи:

1. Сигнальная цепь
2. Цепь опорного низкого уровня
3. Цепь напряжения зажигания
4. Цепь управления нагревателем

Условия появления кода DTC

P0040 или P0041

-Напряжение зажигания в пределах 10,5-18 В.
-Обороты двигателя выше 80 об/мин.
-На нагреватель датчика кислорода (HO2S) подается команда включения и выключения минимум один раз за цикл зажигания.
-Коды неисправности выдаются постоянно, если указанные выше условия выполняются в течение 1 секунды.

Условия установки кода неисправности.

P0040 или P0041
Код неисправности “Переставлены местами сигналы датчиков кислорода (HO2S)” выдается, если контроллер ЭСУД обнаруживает, что напряжения сигналов с датчиков кислорода (HO2S) противоположны состоянию согласно выданной команде.

Действия, выполняемые при установке кода неисправности

Коды неисправности P0040 и P0041 относятся к типу E.

Условия очистки кода неисправности/индикации неисправности

Коды неисправности P0040 и P0041 относятся к типу E.

Диагностическая информация

o 1. Если неисправность носит неустойчивый характер, перемещать соответствующие жгуты проводов и разъемы при работающем двигателе, контролируя с помощью сканирующего прибора состояние цепи соответствующего компонента. Если параметр состояния цепи изменяется с “OK” (исправно) или “Indeterminate” (не определено) на “Fault” (неисправно), имеется неисправность, связанная с цепью или разъемом. Информация модуля управления (ODM) находится в списке данных модуля.
o
o 2. Обрыв цепи предохранителя в цепи нагревателя управляющего датчика кислорода может быть связан с нагревательным элементов в одном из датчиков. Эта неисправность может отсутствовать до тех пор, пока датчик не поработает в течение некоторого времени. Если в цепи нагревателя неисправности нет, то необходимо с помощью цифрового мультиметра проверить ток в каждом из нагревателей, чтобы выяснить, не вызван ли обрыв в предохранителе нагревательным элементом одного из нагревателей. Проверить, не контактирует ли вывод зонда или жгут с элементами выпускной системы.

Диагностический код неисправности (DTC) P0053 или P0059
Описание DTC

DTC P0053 :Сопротивление нагревателя датчика кислорода (HO2S), ряд 1, датчик 1
DTC P0041 : Сопротивление нагревателя датчика кислорода (HO2S), ряд 2, датчик 1

Диагностическая информация о неисправности

Описание цепей / систем

Датчики кислорода с электронагревателем используются для контроля топлива и контроля после нейтрализатора. Каждый датчик кислорода сравнивает содержание кислорода в окружающем воздухе с содержанием кислорода в выхлопе. Датчик кислорода должен иметь рабочую температуру, чтобы выдавать правильный сигнал напряжения. Нагревательный элемент внутри датчика кислорода (HO2S) сокращает время, требующееся для достижения рабочей температуры датчика. Напряжение подается на нагреватель через предохранитель по цепи зажигания. При работающем двигателе масса на нагреватель подается по цепи низкого уровня нагревателя датчика кислорода (HO2S), через драйвер низкого уровня в контроллере. С контроллера выдается команда на включение и выключение нагревателя с целью поддержания температуры датчика кислорода (HO2S) в определенном диапазоне.
Контроллер определяет температуру путем измерения тока, протекающего через нагреватель, и расчета сопротивления. На основании сопротивления в контроллере определяется температура датчика. Для управления функционированием нагревателя в датчиках используется широтно-импульсная модуляция (ШИМ). В контроллере рассчитывается сопротивление нагревателя при холодном пуске двигателя. Эта диагностическая процедура выполняется только один раз за цикл зажигания. Если контроллер обнаруживает, что рассчитанное сопротивление нагревателя находится вне ожидаемого диапазона значений, выдаются эти коды неисправности.

Условия появления кода DTC

o 1. Диагностические коды неисправности P0112, P0113, P0117, P0118 не установлены.
o 2. Двигатель работает.
o 3. Зажигание выключено дольше 10 часов.
o 4. Параметр датчика температуры охлаждающей жидкости двигателя (ECT) при пуске двигателя находится между -30°C и +45°C (-22°F и +113°F).
o 5. Разница параметров датчика ECT и датчика температуры воздуха во впускном коллекторе (IAT) менее 8°C (14°F) при пуске двигателя.
o 6. Коды неисправности P0053 и P0059 выдаются один раз за цикл вождения, если выполняются указанные выше условия.

Условия установки кода неисправности.

P0053 и P0059
Контроллер обнаруживает, что цепь управления низкого уровня соответствующего нагревателя датчика кислорода HO2S при пуске двигателя находится вне установленного диапазона.

Действия, выполняемые при установке кода неисправности

Диагностические коды неисправности DTC P0053 и P0059 относятся к типу A.

Условия очистки кода неисправности/индикации неисправности
Диагностические коды неисправности DTC P0053 и P0059 относятся к типу A.

Проверка цепей / систем

o 1. Прогреть двигатель до рабочей температуры. При работающем двигателе наблюдать параметр нагревателя датчика кислорода HO2S с помощью сканирующего прибора. Значение должно изменяться приблизительно от 2 А до чуть выше 1 А.
o
o 2. При работающем двигателе при рабочей температуре наблюдать параметр нагревателя датчика кислорода HO2S с помощью сканирующего прибора и покачивать соответствующую проводку и разъемы.
o Если при таком воздействии параметр изменяется, отремонтировать жгут проводов или разъем.

Испытание цепи / системы

14. 1. Выключить зажигание, отсоединить разъем жгута проводов от соответствующего датчика кислорода HO2S.
15. 2. Включить зажигание, убедиться в том, что контрольная лампа горит при подключении между контактом цепи напряжения “B+” и надежной массой.
16. Если контрольная лампа не горит, проверить цепь напряжения “B+” на замыкание на массу или на обрыв / высокое сопротивление. Если цепи исправны, но перегорел предохранитель “B+”, заменить датчик кислорода HO2S.
17. 3. Выключить зажигание, убедиться в том, что контрольная лампа не горит между контактом цепи управления низкого уровня соответствующего датчика кислорода HO2S и цепью напряжения “B+”.
18. Если контрольная лампа горит, проверить цепь управления низкого уровня на замыкание на массу.
19. 4. Подключить контрольную лампу между контактом цепи управления низкого уровня нагревателя соответствующего датчика кислорода HO2S и контактом цепи напряжения “B+”.
20. 5. При работающем двигателе контрольная лампа должна непрерывно гореть или мигать.
21. Если контрольная лампа не горит постоянно или не мигает, проверить цепь управления низкого уровня на замыкание на напряжение питания и обрыв цепи / высокое сопротивление. Если цепь исправна, заменить контроллер.
22. Выключить зажигание, подключить перемычку с предохранителем 30 А между контактом цепи “B+” и цепью управления низкого уровня нагревателя на соответствующем датчике кислорода HO2S.
23. 6. При работающем двигателе с помощью сканирующего прибора убедиться в том, что параметр нагревателя соответствующего датчика кислорода HO2S показывает 0,0 А.
24. Если сканирующий прибор не показывает 0,0 А, проверить цепь “B+” нагревателя и цепь управления низкого уровня на сопротивление выше 3 Ом. Если цепь исправна, заменить контроллер.
25. 7. Если все цепи исправны, заменить соответствующий датчик кислорода HO2S.

Диагностический код неисправности (DTC) P0068
Описание DTC
DTC P0068: Параметры расхода воздуха на дроссельной заслонке

Диагностическая информация о неисправности

Описание цепей / систем

В контроллере электронной системы управления двигателем (ЭСУД) для расчета ожидаемой величины расхода воздуха используется следующая информация:
o Датчик положения дроссельной заслонки (TP).
o Температура впускного воздуха (IAT).
o Обороты двигателя.

Условия появления кода DTC

o Коды неисправности P2101 или P2119 не установлены.
o Двигатель работает.
o Код неисправности P0068 выдается постоянно при выполнении указанных выше условий.

Условия установки кода неисправности.

Контроллер ЭСУД обнаруживает, что положение дроссельной заслонки и показываемая нагрузка двигателя не соответствуют ожидаемой нагрузке и положению дроссельной заслонки в течение менее 1 секунды.

Действия, выполняемые при установке кода неисправности

Диагностический код неисправности DTC P0068 относится к типу А.

Условия очистки кода неисправности/индикации неисправности

Диагностический код неисправности DTC P0068 относится к типу А.

Испытание цепи / системы

32. 1. Проверить следующее:
 Отсутствие трещин, перекручивания, а также надежность соединения вакуумных шлангов, как показано на информационной табличке по контролю токсичности выхлопных газов автомобиля.
 Тщательно проверить шланги на утечки и засорения.
 Утечка воздуха в зоне монтажа корпуса дроссельной заслонки и уплотнительные поверхности впускного коллектора.

33. 2. Проверить корпус дроссельной заслонки на наличие следующих неисправностей:
 Ослабление крепления или повреждение дроссельной заслонки.
 Поломка оси дроссельной заслонки.
 Какое-либо повреждение корпуса дроссельной заслонки.
 При наличии какого-либо из этих условий заменить корпус дроссельной заслонки в сборе.

34. 3. Подключить сканирующий прибор и подождать, пока двигатель не достигнет рабочей температуры. Наблюдать параметры датчика MAF.
35.
36. 4. Создать протокол с перечнем данных двигателя, выполнив перечисленные ниже действия.
 Запустить двигатель на холостом ходу.
 Медленно повысить обороты двигателя до 3000 об/мин, затем вернуться на холостой ход.
 Завершить создание протокола и просмотреть данные.
 По кадрам просмотреть параметры датчика MAF/TP. Параметры датчика MAF/TP должны плавно и непрерывно изменяться по мере повышения оборотов двигателя и возвращения на холостой ход.

Если параметры датчика MAF/TP не изменяются непрерывно и плавно по мере возрастания оборотов двигателя и возвращения на холостой ход, найти неисправный датчик и заменить его.

Диагностические коды неисправности (DTC) P0100, P0102 или P0103
Описание DTC
DTC P0100: Цепь датчика массового расхода воздуха (MAF)
DTC P0102: Цепь датчика массового расхода воздуха (MAF), низкая частота
DTC P0103: Цепь датчика массового расхода воздуха (MAF), высокая частота

Диагностическая информация о неисправности

Цепь	Короткого замыкания с «массой»	Высокое сопротивление	Разрыва	Замыкание на провод, находящийся под напряжением	Параметры сигнала
Напряжение зажигания 1	P0102	P0101	P0100	—	P0101
Сигнал датчика MAF	P0102	P0101	P0103	P0103	P0101
Низкое опорное напряжение	—	P0101, P0103	P0103	—	P0101

Описание цепей / систем

Датчик массового расхода воздуха (MAF) расположен во впускном воздуховоде. Датчик MAF представляет собой воздушный расходомер, измеряющий количество воздуха, поступающего в двигатель. В датчике MAF используется нагретая пленка, охлаждаемая потоком воздуха, поступающим в двигатель. Охлаждение пропорционально расходу воздуха. При возрастании расхода воздуха возрастает ток, требующийся для поддержания постоянной температуры нагретой пленки. Контроллер ЭСУД использует датчик MAF для обеспечения требуемой топливоподачи во всех режимах работы двигателя.

Условия появления кода DTC

P0100
-Двигатель работает.
-Напряжение зажигания 1 превышает 10,5 В.
-Код неисправности P0100 выдается постоянно, если указанные выше условия соблюдаются дольше 1 секунды.
P0102 или P0103
-До того как контроллер ЭСУД может установить неисправности с кодами P0102 или P0103, необходимо чтобы не были обнаружены неисправности, соответствующие кодам P0121, P0122, P0123, P0221, P0222, P0223, P0336 и P0338.
-Двигатель работает.
-Обороты двигателя превышают 320 об/мин.
-Напряжение зажигания 1 превышает 7,5 В.
-Коды неисправности P0102 и P0103 выдаются постоянно, если указанные выше условия выполняются менее 1 секунды.

Условия установки кода неисправности.

P0100
-Контроллер ЭСУД обнаруживает, что сигнал датчика MAF вышел за пределы заданного диапазона расчетных значений массового расхода воздуха.
-Это условие сохраняется в течение 4 секунд.
P0102
-Контроллер ЭСУД обнаруживает, что сигнал датчика MAF менее -11,7 грамм в секунду.
-Это условие сохраняется более 4 секунд.
P0103
-Контроллер ЭСУД обнаруживает, что сигнал датчика MAF более 294 грамм в секунду.
-Это условие сохраняется более 4 секунд.

Действия, выполняемые при установке кода неисправности

Коды неисправности P0100, P0102 и P0103 относятся к типу E.

Условия очистки кода неисправности

Коды неисправности P0100, P0102 и P0103 относятся к типу E.

Диагностическая информация

1. Осмотреть жгут датчика MAF и проверить, не расположен ли он слишком близко к следующим компонентам:
-Проводка или вторичные обмотки катушек зажигания
-Любые соленоиды
-Любые реле
-Любые моторы
2. Ускорение с места с полностью открытой дроссельной заслонкой (WOT) должно вызвать быстрое увеличение показаний датчика MAF на сканирующем приборе. Это увеличение должно происходить от 3-10 г/с при холостых оборотах до 150 г/с и более во время переключения 1-2. Если увеличение не наблюдается, то необходимо проверить, нет ли помех движению воздуха в системе впуска или выпуска.
3. Проверить, не загрязнены ли чувствительные элементы датчика MAF и не происходит ли проникновение воды в них. Если датчик загрязнен, то выполнить очистку. Если очистить датчик невозможно, то заменить его.
4. Высокое сопротивление может привести к ухудшению работоспособности двигателя еще до установки диагностического кода неисправности.

Проверка цепей / систем

34. 1. Оставить двигатель работать на холостых оборотах в течение 1 минуты, с помощью сканирующего прибора получить информацию о диагностических кодах неисправности. Коды P0100, P0102 и P0103 не должны быть установлены.
35.
36. 2. Если автомобиль успешно прошел испытание на проверку цепей / систем, то следует обеспечить условия, требующиеся для проведения диагностики. Можно также обеспечить условия, зафиксированные в записях данных состояний / протоколов неисправностей.

Испытание цепи / системы

37. 1. Выключить зажигание, отсоединить разъем жгута от датчика MAF.

Примечание: Для такой проверки НЕЛЬЗЯ использовать контрольную цепь с низким уровнем сигнала в разъеме жгута проводов компонентов. Повреждение этого блока управления может привести к повышению тока.

2. Включить зажигание, убедиться, что не горит контрольная лампа, подключенная между контактом цепи зажигания и “массой”.
Если контрольная лампа не горит, то проверить цепь зажигания на замыкание на “массу” или на обрыв / высокое сопротивление.
Если при тестировании цепей неисправности не обнаружены и имеется обрыв предохранителя цепи зажигания, то следует проверить все компоненты, подключенные к цепи зажигания и, в случае необходимости, заменить.
3. Проверить, что горит контрольная лампа, подключенная между напряжением “В+” и контактом цепи массы.
Если контрольная лампа не горит, устранить обрыв / высокое сопротивление в цепи контакта массы.
4. 4. С помощью сканирующего прибора проверить, превышает ли напряжение датчика MAF значение 4,8 вольта.
4. Если напряжение меньше указанного, проверить сигнальную цепь на замыкание на массу. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
5. 5. Подключить перемычку с предохранителем 3 А между контактом сигнальной цепи и контактом цепи массы. С помощью сканирующего прибора убедиться в том, что напряжение датчика MAF меньше 0,10 В.
5. Если напряжение больше указанного, то проверить цепь сигнала на замыкание на провод, находящийся под напряжением, или на обрыв / высокое сопротивление. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
6. 6. Если при тестировании всех цепей / соединений неисправность не обнаружена, то заменить датчик МАF.

Диагностический код неисправности (DTC) P0101
Описание DTC

DTC P0101 : Работоспособность цепи датчика массового расхода воздуха (MAF)

Диагностическая информация о неисправности

Цепь	Короткого замыкания с «массой»	Высокое сопротивление	Разрыва	Замыкание на провод, находящийся под напряжением	Параметры сигнала
Напряжение зажигания 1	P0102	P0101	P0100	—	P0101
Сигнал датчика MAF	P0102	P0101	P0103	P0103	P0101
Низкое опорное напряжение	—	P0101, P0103	P0103	—	P0101

Описание цепей / систем

Условия появления кода DTC
-Прежде чем контроллер ЭСУД сообщит о неполадках DTC P0101, должны успешно пройти проверки P0100, P0102, P0103, P0121, P0122, P0123, P0221, P0222, P0223, P0335, P0336 и P0338.
-Код неисправности DTC P2176 не устанавливается.
-Обороты двигателя выше 320 об/мин.
-Сигнал датчика MAF показывает более 11 г/с.
-Напряжение зажигания больше 10,5 вольт.
-Контроллер ЭСУД обнаруживает более 150 оборотов коленчатого вала.
-Код неисправности P0101 выдается постоянно, если указанные выше условия выполняются дольше 2 секунд.

Условия установки кода неисправности.

-Контроллер ЭСУД обнаруживает, что сигнал датчика MAF вышел за пределы заданного диапазона расчетных значений массового расхода воздуха.
-Это условие сохраняется в течение 4 секунд.

Действия, выполняемые при установке кода неисправности

Диагностический код неисправности DTC P0101 относится к типу E.

Условия очистки кода неисправности

Диагностический код неисправности DTC P0101 относится к типу E.

Диагностическая информация

1. Осмотреть жгут датчика MAF и проверить, не расположен ли он слишком близко к следующим компонентам:
-Проводка или вторичные обмотки катушек зажигания
-Любые соленоиды
-Любые реле
-Любые моторы
-Загрязненный или изношенный фильтрующий элемент воздушного фильтра.
-Попадание воды во впускную систему.
-Утечка вакуума.
-Утечка в тормозном усилителе.
-Неисправность в системе вентиляции картера.
Засорение или повреждение воздуховода.

2. Ускорение с места с полностью открытой дроссельной заслонкой (WOT) должно вызвать быстрое увеличение показаний датчика MAF на сканирующем приборе. Это увеличение должно происходить от 3-10 г/с при холостых оборотах до 150 г/с и более во время переключения 1-2. Если увеличение не наблюдается, то необходимо проверить, нет ли помех движению воздуха в системе впуска или выпуска.

3. Проверить, не загрязнены ли чувствительные элементы датчика MAF и не происходит ли проникновение воды в них. Если датчик загрязнен, то выполнить очистку. Если очистить датчик невозможно, то заменить его.

4. Высокое сопротивление может привести к ухудшению работоспособности двигателя еще до установки диагностического кода неисправности.

Проверка цепей / систем

25. 1. Оставить двигатель работать на холостых оборотах в течение 1 минуты, с помощью сканирующего прибора получить информацию о диагностических кодах неисправности. Код P0101 не должен быть установлен.
26.
27. 2. Если автомобиль успешно прошел испытание на проверку цепей / систем, то следует обеспечить условия, требующиеся для проведения диагностики. Можно также обеспечить условия, зафиксированные в записях данных состояний / протоколов неисправностей.

Испытание цепи / системы

28. 1. Проверить следующее:
29.
-Утечка вакуума в двигателе
-Утечка воздуха во впускном воздуховоде между датчиком массового расхода воздуха (MAF) и корпусом дроссельной заслонки
-Засорение или повреждение впускного воздуховода
-Какой-либо предмет заблокировал воздухозаборник датчика MAF
-Засорение фильтрующего элемента воздушного фильтра.
-Засорение дроссельной заслонки или нагар вокруг дроссельной заслонки
-Не установлен на место щуп масломера двигателя
-Ослаблена или отсутствует пробка заправочной горловины для моторного масла
-Переполнение картера
-При обнаружении какой-либо из перечисленных выше неисправностей, ее следует устранить.

30. 2. Выключить зажигание, отсоединить разъем жгута от датчика MAF.

3. Включить зажигание, убедиться, что не горит контрольная лампа, подключенная между контактом цепи зажигания и “массой”.
-Если контрольная лампа не горит, то проверить цепь зажигания на замыкание на “массу” или на обрыв / высокое сопротивление. Если при тестировании цепей неисправности не обнаружены и имеется обрыв предохранителя цепи зажигания, то следует проверить все компоненты, подключенные к цепи зажигания и, в случае необходимости, заменить.
4. Проверить, что горит контрольная лампа, подключенная между напряжением “В+” и контактом цепи массы.
-Если контрольная лампа не горит, устранить обрыв / высокое сопротивление в цепи контакта массы.
5. С помощью сканирующего прибора проверить, превышает ли напряжение датчика MAF значение 4,8 вольта.
-Если напряжение меньше указанного, проверить сигнальную цепь на замыкание на массу. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
6. Подключить перемычку с предохранителем 3 А между контактом сигнальной цепи и контактом цепи массы. С помощью сканирующего прибора убедиться в том, что напряжение датчика MAF меньше 0,10 В.
-Если напряжение больше указанного, то проверить цепь сигнала на замыкание на провод, находящийся под напряжением, или на обрыв / высокое сопротивление. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
7. Если при тестировании всех цепей / соединений неисправность не обнаружена, то заменить датчик МАF.

Диагностические коды неисправности (DTC) P0111, P0112 или P0113

Описание DTC

DTC P0111: Работоспособность цепи датчика впускного воздуха (IAT)
DTC P0112: Цепь датчика впускного воздуха (IAT), низкое напряжение
DTC P0113: Цепь датчика впускного воздуха (IAT), высокое напряжение

Диагностическая информация о неисправности

Цепь	Короткого замыкания с «массой»	Обрыв / высокое сопротивление	Замыкание на провод, находящийся под напряжением	Параметры сигнала
Сигнал датчика IAT	P0112	P0111, P0113	P0113?	P0111
Низкое опорное напряжение	—	P0111, P0113	P0113?	P0111
¹ В контроллере ЭСУД или датчике могут возникнуть внутренние повреждения, если цепь будет замкнута на напряжение «В+».

Описание схемы

Датчик температуры впускного воздуха (IAT) является составной частью датчика массового расхода воздуха (MAF). Датчик IAT представляет собой переменное сопротивление, измеряющее температуру впускаемого воздуха. Контроллер ЭСУД подает 5 вольт на цепь сигнала IAT и подключает к “массе” цепь опорного низкого сигнала.

Условия появления кода DTC

P0111 при холостых оборотах:
Прежде чем контроллер ЭСУД сообщит о неполадках P0111, должны успешно пройти проверки P0101.
Коды неисправности P0112, P0113, P0116, P0117, P0118, P0119, P0125 и P0128 не устанавливаются.
Температура охлаждающей жидкости двигателя (ECT) при пуске ниже 65,4°C (149,7°F).
Температура ECT выше 75°C (167°F).
Скорость автомобиля ниже 10 км/ч (6,3 mph).
Код неисправности P0111 выдается постоянно, если указанные выше условия выполняются дольше 2 секунд.
P0111 при эксплуатационной скорости:
Прежде чем контроллер ЭСУД сообщит о неполадках P0111, должны успешно пройти проверки P0101.
Коды неисправности P0112, P0113, P0116, P0117, P0118, P0119, P0125 и P0128 не устанавливаются.
Температура охлаждающей жидкости двигателя (ECT) при пуске ниже 65,4°C (149,7°F).
Скорость автомобиля выше 60 км/ч (37,4 mph).
Значение датчика MAF в диапазоне 11-42 г/с.
Отключении подачи топлива при торможении двигателем (DFCO) не активизировано.
Код неисправности P0111 выдается постоянно, если указанные выше условия выполняются дольше 2 секунд.
P0112 и P011:
Время работы двигателя превышает 3 минуты.
Двигатель работает на холостом ходу более 10 секунд.
Диагностические проверки выполняются непрерывно при выполнении указанных выше условий.

Условия установки кода неисправности.

P0111 :
Контроллер ЭСУД обнаруживает, что температура впускного воздуха возросла менее, чем на 4°C (7°F) при выполнении проверки на холостых оборотах.
Условие выполняется на протяжении 16 секунд непрерывно или 4 раза дольше, чем по 4 секунды каждый. ИЛИ
Контроллер ЭСУД обнаруживает, что температура впускного воздуха возросла менее, чем на 4°C (7°F) во время проверки стабилизации скорости.
Неисправность существует в течение более 28 секунд или возникает более 7 раз при продолжительности более 4 секунд в каждом случае.
P0112 :
Контроллер ЭСУД обнаруживает, что температура впускного воздуха выше 132°C (270°F) в течение более 4 секунд.
P0113 :
Контроллер ЭСУД обнаруживает, что температура впускного воздуха меньше -42°C (-43,6°F) и отклоняется от этого значения в пределах 3°C (5°F) при увеличении расхода воздуха более чем на 999 грамм. Показания сканирующего прибора ограничены значением -40°C (-40°F) и для выявления неисправности, связанной с температурой впускного воздуха, в диагностической процедуре используется значение -39°C (-38°F).
Это условие сохраняется более 4 секунд.

Действия, выполняемые при установке кода неисправности

Диагностические коды неисправности P0111, P0112 и P0113 относятся к типу E.

Условия очистки кода неисправности/индикации неисправности

Диагностические коды неисправности P0111, P0112 и P0113 относятся к типу E.

Диагностическая информация

24. Если автомобиль простоял ночь, значения датчиков IAT и ECT не должны расходиться более, чем на 3°C (5°F).
25. Высокое сопротивление в сигнальной цепи датчика IAT или цепи опорного низкого уровня датчика IAT может привести к выдаче кода неисправности.

Проверка цепей / систем
Обеспечить условия, требующиеся для проведения диагностики. Можно также обеспечить условия, зафиксированные в записях данных состояний / протоколов неисправностей. Диагностические коды неисправности P0111, P0112 или P0113 не должны быть установлены.

Испытание цепи / системы

1. Выключить зажигание, отсоединить датчик MAF/IAT.
2. Включить зажигание, убедиться, что параметр “IAT sensor” имеет значение -40°C (-40°F).
3. Если значение больше -40°C (-40°F), то проверить цепь сигнала датчика IAT на замыкание на “массу”. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
4. Выключить зажигание, вынуть предохранитель, через который напряжение “B+” подается на контроллер ЭСУД.

Примечание: Для проверки цепи на отсутствие обрыва НЕ использовать контрольную лампу. Повреждение этого блока управления может привести к повышению тока.

4. Проверить на сопротивление, меньшее 5 Ом, между контактом цепи опорного низкого уровня и надежной массой. Если сопротивление более 5 Ом, то проверить цепь низкого опорного сигнала на обрыв / высокое сопротивление, или на замыкание на провод, находящийся под напряжением. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
5. Установить предохранитель, через который напряжение “В+” подается на контроллер ЭСУД.
6. Включить зажигание, подключить перемычку с предохранителем 3 А между контактом сигнальной цепи и контактом цепи опорного низкого уровня. Убедиться в том, что параметр датчика IAT больше 132°C (270°F).

Важно: Если цепь сигнала датчика IAT замкнута на провод, находящийся под напряжением, то датчик IAT может быть поврежден.

Если менее 132°C (270°F), то проверить цепь сигнала датчика IAT на замыкание на провод, находящийся под напряжением или на обрыв / высокое сопротивление. Если при тестировании цепи / соединений неисправность не обнаружена, то заменить контроллер ЭСУД.
7. Если при тестировании всех цепей / соединений неисправность не обнаружена, то проверить или заменить датчик MAF/IAT.

Тестирование компонент

1. Выключить зажигание, отсоединить разъем жгута от датчика IAT.

Важно: Для проверки датчика вне автомобиля можно использовать термометр.

2. Проверить датчик IAT, меняя его температуру и одновременно измеряя электрическое сопротивление датчика. Сравнить результаты со значениями, приведенными в таблице Зависимость сопротивления от температуры. Датчик впускного воздуха (IAT) . Измеренные сопротивления не должны отличаться от требуемых значений более чем на 5 процентов.
Если сопротивления отличаются более чем на 5 процентов, то датчик IAT необходимо заменить.

Неисправности ИБП и их диагностика

Существует несколько типичных неисправностей, которые характерны для источников бесперебойного питания разных производителей. Рассмотрим, какие проблемы встречаются у ИБП, как их диагностировать и устранять.

Как узнать о неполадках в работе ИБП

Большинство отказов в работе ИБП вызвано выходом из строя аккумуляторных батарей. Незначительная часть неполадок – около 2 % – связана с электроникой, неправильной настройкой или неправильной эксплуатацией оборудования. Типичные неполадки и способы их устранения описаны в инструкциях, которые производитель прилагает к устройствам. Более сложные поломки могут диагностировать и устранить сотрудники сервисных центров или технические специалисты с соответствующей квалификацией и инструментами.

Любую неполадку можно устранить только тогда, когда полностью понятна и прозрачна схема работы конкретной модели ИБП. В критичной ситуации основными источниками информации о неисправностях становятся системные сообщения. Условно их можно разделить на две категории.

Информационные. ИБП с помощью световых индикаторов выдает оповещение о том, что в его работе наблюдаются отклонения или изменился режим. При этом источник бесперебойного питания продолжает функционировать в штатном режиме. Причиной информационных сообщений часто становится высокая температура окружающей среды, переключение на работу от аккумуляторных батарей, завершение батарейного теста и другие относительно безобидные ситуации.
Аварийные. ИБП с помощью индикаторов и звуковых сигналов оповещает пользователя о серьезных сбоях в работе. В этом случае на корпусе загорается красный индикатор Fault (ошибка) и с определенной периодичностью – раз в несколько секунд – звучит короткий писк. После наступления аварийной ситуации ИБП может продолжать запитывать нагрузку, перейти в режим байпаса или отключиться. Конкретное действие зависит от модели оборудования.

Системное сообщение – всего лишь указание на неисправность, а не прямое руководство к действию. Нужно понимать структуру ИБП, чтобы устранить неполадку самостоятельно. Серьезное вмешательство в его работу способно вывести устройство из строя. Исключением будут те аварийные ситуации, которые описаны в официальной инструкции к ИБП. В остальных случаях, когда вероятную причину неисправности и способ ее устранения вы узнали из других источников (например, интернета), необходимо обратиться за консультацией к специалистам сервисного центра.

Как устранять типичные неисправности ИБП

В зависимости от применения источники бесперебойного питания можно разделить на две большие группы. Первые – с децентрализованным управлением, или локальные. Обычно это маломощные ИБП – от 1 до 10 кВА, – для защиты одного устройства, расположенного рядом с ИБП. Их используют в офисах для обеспечения бесперебойной работы персональных компьютеров и периферийной техники, в ЦОДах для питания серверов, на крупных объектах для электропитания систем наблюдения. В таких ИБП для определения причины неисправности ее устранения лучше обратиться к инструкции – с высокой вероятностью там будет описано решение проблемы. Типичные неполадки такого плана приведены в таблице ниже.

Неисправность	Вероятная причина	Как устранить неисправность
ИБП не включается	Отключена аккумуляторная батарея	Подключите батарею
	Аккумуляторная батарея неисправна или ее емкости недостаточно	Замените аккумуляторную батарею
	Оборвался гибкий кабель подключения дисплея	Замените кабель, который соединяет дисплей с основной платой ИБП
ИБП отключился, чувствуется запах горелой изоляции	Сетевой фильтр неисправен	Проверьте компоненты сетевого фильтра
	Сработал автоматический выключатель на входе ИБП от перегрузки	Уменьшите нагрузку на ИБП, включите автоматический выключатель
	Аккумуляторы батареи подключены неправильно	Проверьте корректность подключения аккумуляторов батареи
ИБП может работать только от батареи	Сгорел сетевой предохранитель	Замените предохранитель
ИБП не подключается в линию	Соединение сетевого кабеля нарушено	Подключите сетевой кабель
ИБП работает от аккумуляторов, но напряжение в сети есть	Завышено, занижено или искажено помехами напряжение в сети	Дождитесь стабилизации сетевого напряжения
ИБП перезагружается	Мощность оборудования, подключенного к ИБП, превышает номинальную	Уменьшите нагрузку на ИБП
Аккумуляторная батарея не заряжается	Аккумуляторная батарея вышла из строя	Замените аккумуляторную батарею
ИБП не обеспечивает ожидаемого времени автономной работы	Аккумуляторная батарея неисправна или ее емкость уменьшилась	Замените аккумуляторную батарею
ИБП не включается после установки новых аккумуляторных батарей	При замене аккумуляторные батареи были неправильно подключены	Правильно подключите аккумуляторные батареи

Переходим ко второй группе ИБП – централизованные (общие) ИБП мощностью 10 кВА и более, которые устанавливают в отдельном помещении, запитывая от них большое количество единиц оборудования. К таким ИБП подключают целые офисы, серверные стойки, рабочие места сотрудников предприятия, промышленное оборудование. Неисправности, которые характерны для них, описаны в руководствах пользователя. В некоторых случаях их можно устранить на месте. Но с этим типом ИБП возможен другой вариант развития событий – когда для диагностики и восстановления работоспособности потребуется обращение в авторизованный сервисный центр или к официальному дистрибьютору.

Практически у всех современных мощных ИБП есть дисплей, на который выводятся сообщения, указывающие на неисправность. По сообщениям можно понять суть проблемы и найти способ устранения неисправности. Но в большинстве случаев, если выводится аварийное сообщение, потребуется диагностика квалифицированного специалиста.

ИБП, к которому подключено критически важное оборудование. Например, медицинское оборудование или серверные стойки в банке – необходимо обязательно передавать на диагностику в авторизованные сервисные центры или к официальному дистрибьютору. Это относится и ко всем аварийным сообщениям в любых ИБП.

Обнаружение и диагностика неисправностей при обслуживании оборудования

28 октября 2021 г.

Понимание неисправностей оборудования и разработка стратегий их обнаружения и диагностики является одним из ключевых элементов обслуживания оборудования.

Цель этой статьи — представить обзор обнаружения и диагностики неисправностей, поскольку они применяются для улучшения процесса обслуживания оборудования и повышения надежности активов.

История обнаружения и диагностики неисправностей

В первые дни техническое обслуживание оборудования ограничивалось ремонтом неисправных активов и выполнением базового планового обслуживания через определенные промежутки времени. Специалисты по техническому обслуживанию не могли бы быть более активными, даже если бы захотели. Их возможности по сбору, хранению и анализу данных о состоянии и производительности оборудования были просто слишком ограничены.

Однако благодаря постоянному совершенствованию микропроцессорного управления, автоматизации, сбора данных в режиме реального времени и таких систем, как обнаружение и диагностика неисправностей (FDD), способ, которым мы выполняем техническое обслуживание оборудования, значительно изменился.

FDD в техническом обслуживании оборудования

Целью обнаружения и диагностики неисправностей в контексте технического обслуживания оборудования является оптимизация затрат на техническое обслуживание при одновременном повышении надежности, доступности, ремонтопригодности и безопасности (RAMS) оборудования.

Функция FDD заключается в непрерывном мониторинге и анализе данных мониторинга состояния и обнаружении любых аномалий (при их наличии). Затем наборы данных о состоянии оборудования обрабатываются алгоритмами диагностики неисправностей, иногда встроенными в само оборудование, для создания предупреждений о сбоях для операторов оборудования и обеспечения своевременного технического обслуживания.

В некоторых случаях алгоритмы достаточно сложны, чтобы даже инициировать действия по локализации сбоя для автоматического исправления самого сбоя и восстановления работоспособного состояния оборудования.

Ключевые элементы системы обнаружения и диагностики неисправностей

FDD, как следует из названия, содержит обнаружение и диагностику отказов оборудования. Диагностика отказа может быть разбита на выделение и идентификацию отказа.

Оценка отказов часто добавляется в область действия FDD, поскольку она помогает понять серьезность отказа для производительности системы, что является важным аспектом управления техническим обслуживанием.

Тем не менее, алгоритм обнаружения и диагностики неисправностей для любого оборудования должен содержать не менее четырех ключевых процессов, перечисленных ниже (они также могут представлять собой нелинейный процесс при условии, что некоторые шаги происходят одновременно):

Нам нужно чтобы обсудить каждый элемент более подробно, чтобы действительно понять, как работают обнаружение неисправностей и диагностика.

1. Обнаружение неисправностей

Обнаружение неисправностей – это процесс обнаружения наличия неисправности в каком-либо оборудовании до того, как она проявится в виде поломки. Это самый важный этап FDD, поскольку все последующие процессы зависят от его точности.

Если оборудование не может обнаружить правильный вид отказа (или если обнаружение неверно и вызывает ложные тревоги), изоляция, идентификация и оценка также будут неэффективны.

Существует два основных подхода к обнаружению неисправностей:

Обнаружение неисправностей на основе моделей: Осуществляется посредством математического моделирования сигналов и процессов.
Обнаружение неисправностей на основе знаний: Это метод, использующий исторические данные о производительности оборудования.

Обнаружение неисправностей на основе моделей

При обнаружении неисправностей на основе моделей мы определяем набор инженерных правил, написанных в соответствии с физическими законами, которые определяют отношения подсистем и компонентов внутри оборудования. Всякий раз, когда правило нарушается, алгоритм может обнаружить неисправность и запустить диагностику неисправности.

Одним из примеров обнаружения неисправностей на основе моделей является использование рефлектометрии во временной области (TDR) для обнаружения повреждений в подземных кабелях. В TDR сигнал передается по тестовому кабелю и принимается после отражения от места повреждения.

Если в кабеле имеется разрыв или высокое сопротивление, часть сигнала будет отражаться обратно к испытательному оборудованию или приемнику. Анализируя время возврата сигнала и скорость отраженного сигнала, испытательное оборудование может определить характер неисправности в кабеле как обрыв цепи или короткое замыкание.

Другой простой пример обнаружения на основе правил связан с последовательной работой системы наполнения, укупорки и упаковки бутылок на конвейерной ленте. Можно установить простое правило, указывающее иерархию процессов, например:

бутылку нельзя закрыть крышкой, пока бутылка не будет заполнена жидкостью
бутылки не могут быть упакованы, если они не заполнены и не закрыты крышками

В случае неисправности механизма укупорки бутылок алгоритм обнаружит поступающий сбой в системе упаковки. Он заблаговременно уведомит оператора упаковки. Необходимая подготовка может быть сделана для минимизации эксплуатационных потерь на упаковочной стороне конвейерной ленты.

Обнаружение ошибок на основе знаний

Чтобы обнаружение ошибок на основе знаний работало, нам сначала нужно установить базовый уровень. Это делается путем получения параметров производительности оборудования , таких как напряжение, ток, вибрация, температура, давление и других соответствующих переменных процесса, пока оборудование работает в нормальных условиях.

Цель состоит в том, чтобы разработать сигнатуру оборудования при нормальной работе.

После этого одни и те же параметры непрерывно извлекаются и сопоставляются с «здоровой» сигнатурой, чтобы зафиксировать отклонение через интерфейс статистического анализа — распознавание образов, выполняемое с помощью машинного обучения или искусственной нейронной сети.

Мы можем использовать этот метод для прогнозирования выхода из строя подшипника двигателя на основе сенсорных данных, собранных с подшипника и двигателя в целом.

Большое количество данных, собранных в течение долгого времени — история процесса — может быть проанализировано с помощью статистического алгоритма. Это помогает нам понять влияние различных условий, которым подвергается двигатель, таких как тепловой режим, механическое напряжение или некоторые другие рабочие условия, возникающие в особых обстоятельствах.

Затем алгоритм сопоставляет влияние этих условий на ухудшение состояния подшипников и прогнозирует частоту отказов и состояние работоспособности всего двигателя.

На основе этих сигнатур данных можно провести анализ для прогнозирования будущего состояния оборудования. Кроме того, можно активировать необходимые аварийные сигналы и провести диагностику неисправностей, чтобы оператор/техник мог предпринять соответствующие действия.

Те же данные можно использовать для определения стратегии профилактического обслуживания на оставшийся срок службы двигателя.

2. Локализация неисправности

Целью процесса локализации неисправности является локализация неисправности до самого нижнего компонента, который можно заменить. В некоторых приложениях обнаружение и изоляция неисправностей идут рука об руку; они могут, конечно, быть отдельными модулями процесса. Это связано с тем, что процессы обнаружения и локализации неисправности происходят в основном в одно и то же время, и оба выполняются алгоритмом обнаружения и изоляции неисправностей (FDI).

Например, рассмотрим пример тестирования TDR для подземного кабеля. Возвратный импульсный сигнал от кабеля одновременно указывает на наличие и местонахождение неисправности через время и скорость возвращенного импульсного сигнала.

Важным аспектом локализации неисправности является то, что неисправность должна быть локализована в самом нижнем компоненте, который может быть заменен . Это сделано для повышения точности изоляции и снижения влияния простоев.

В случае описанного ранее примера системы конвейера для бутылок обнаружение должно быть способно точно определить место отказа, например, отказ платы управления в механизме укупорки бутылок.

Если обнаружение просто указывает на отказ высокого уровня в конвейерной ленте, это не очень полезно для техника, выполняющего диагностику — на одном конвейере есть несколько систем, которые потенциально могут выйти из строя.

Информация, которая действительно ускорит процесс ремонта, — это знание точного места неисправности.

3. Идентификация неисправности

Цель идентификации неисправности состоит в том, чтобы понять основной вид неисправности, определить размер неисправности и найти ее первопричину. Методы диагностики неисправностей могут различаться, но действия, которые необходимо выполнить, в основном одинаковы.

Понимание основного режима сбоя

Глубокое понимание режима сбоя требует работы:

нам необходимо проанализировать поведение сбоя в разное время
, чтобы мы могли разработать изменяющуюся во времени сигнатуру режима отказа
и классифицировать его по разным категориям

Определение размера сбоя

Независимо от применяемого метода обнаружения сбоя размер или величина сбоя играет важную роль в определении желаемого уровня отказоустойчивости, который необходимо заложить в конструкцию оборудования .

Если величина неисправности мала, системе просто необходимо выдержать неисправность в течение дополнительного времени, пока неисправность не будет устранена сама по себе. Прекрасным примером является разрешение на временное переключение токов в электроприборах, если это не оказывает существенного влияния на производительность оборудования.

Теперь, если величина ошибки действительно высока, требуется другая методология: инженеры должны использовать активное или пассивное резервирование для повышения отказоустойчивости своих устройств.

Поиск основных причин

Алгоритм обнаружения и диагностики неисправностей является ядром хорошей системы диагностики неисправностей. Он основан на принципах машинного обучения и может использоваться для выявления аномалий в потоках данных, исходящих от оборудования, и определения их основной причины.

Идентификация некоторых режимов отказа очень проста, в то время как другие могут быть сложными и требовать обширных математических вычислений.

БЕСПЛАТНЫЕ РЕСУРСЫ ДЛЯ ПРОФЕССИОНАЛОВ И СТУДЕНТОВ

Вы получите:

Рабочий билет + рабочий лист анализа первопричин
Прямая поддержка от нашей команды

В качестве примера возьмем высоковольтный и мощный трехфазный асинхронный двигатель переменного тока.

Чаще всего основные виды отказов носят механический характер и связаны с вращающейся частью двигателя: короткое замыкание обмоток ротора, выход из строя подшипников и поломка ротора. Поскольку ротор является быстродвижущимся элементом, непосредственно на него нельзя установить датчик.

Усовершенствованные алгоритмы FDD можно использовать для получения сигнатур тока на клеммах статора исправного двигателя и сравнения их с сигнатурами тока в неисправных условиях.

Например, при обрыве стержней ротора импульс тока статора в два раза превышает частоту тока статора двигателя. Существует косвенная зависимость между механическим разрушением стержней ротора и колебаниями тока статора.

Такие возникающие тенденции анализируются алгоритмами обнаружения и диагностики неисправностей и могут использоваться для поиска возможных основных причин, которые выводятся и отображаются в режиме реального времени на интерактивных информационных панелях.

Использование таких алгоритмов идентификации неисправностей значительно сократило количество времени, необходимого техническим специалистам для устранения неполадок оборудования и выявления основной причины сбоев. Автоматическая диагностика основных причин в значительной степени способствовала сокращению времени простоя оборудования, сокращению среднего времени ремонта и повышению общей надежности предприятия.

4. Оценка сбоев

После определения видов сбоев и связанных с ними основных причин следующим шагом является оценка влияния этого типа сбоя на общую производительность системы.

Нам необходимо учитывать такие факторы, как:

влияние сбоя на окружающую среду и остальную часть системы
влияние неисправности на безопасность системы
финансовый убыток из-за простоя
необходимость принятия решений о капитальной замене (в случае, если серьезность неисправности достаточна для замены оборудования, а не для его ремонта)

через GIPHY

Оценка неисправностей является важным элементом общего процесса, поскольку он направлен на определение серьезности неисправности . Это помогает инженерам по надежности проводить проверку и рассчитывать риск сбоев, что окажет большое влияние на требования к техническому обслуживанию, рекомендации и оптимизацию.

Например, результат FDD для одной единицы оборудования может означать быстрое увеличение количества отказов. Однако влияние этой ошибки на общую производительность системы может быть минимальным, что делает общий риск умеренным. В этом случае для управления риском может быть достаточно менее строгой стратегии обслуживания, такой как работа до отказа или профилактическое обслуживание.

Обнаружение и диагностика сбоев для другой части оборудования может указывать на увеличение количества отказов, а также на сильное влияние отказа на общую производительность системы. В этом случае следует принять наиболее строгую программу профилактического обслуживания, несмотря на ее высокую стоимость. Это связано с тем, что увеличение затрат на техническое обслуживание оправдано для предотвращения серьезных последствий, которые будут намного более дорогостоящими.

Оптимизация обслуживания с помощью FDD

Короче говоря, обнаружение неисправностей и диагностика играют решающую роль в оптимизации режима обслуживания любого оборудования на протяжении всего его жизненного цикла.

С появлением технологий быстрых вычислений, обработки больших данных и передовых алгоритмов обучения традиционное обнаружение неисправностей превратилось в автоматические системы управления неисправностями, которые не только обнаруживают неисправности, но также определяют их основную причину и осуществляют корректирующие действия, чтобы избежать повторения в будущем.

Такая автоматизация ряда ручных процессов позволила инженерам по надежности и техническому обслуживанию прогнозировать состояние оборудования, определять будущие характеристики оборудования и определять оптимальные интервалы обслуживания.

Единственное, что им осталось сделать, это запустить свое компьютеризированное программное обеспечение для управления техническим обслуживанием (CMMS), отслеживать состояние своих критически важных активов и планировать соответствующие работы по техническому обслуживанию.

Power System Fault Diagnosis — 1st Edition

Select country/regionUnited States of AmericaUnited KingdomAfghanistanÅland IslandsAlbaniaAlgeriaAmerican SamoaAndorraAngolaAnguillaAntigua and BarbudaArgentinaArmeniaArubaAustraliaAustriaAzerbaijanBahamasBahrainBangladeshBarbadosBelgiumBelizeBeninBermudaBhutanBoliviaBonaire, Sint Eustatius and SabaBosnia and HerzegovinaBotswanaBrazilBritish Indian Ocean TerritoryBritish Virgin IslandsBruneiBulgariaBurkina FasoBurundiCambodiaCameroonCanadaCanary IslandsCape VerdeCayman IslandsCentral African RepublicChadChileChinaChristmas IslandCocos (Keeling) IslandsColombiaComorosCongoCook IslandsCosta RicaCroatiaCubaCuraçaoCyprusCzech RepublicDemocratic Republic КонгоДанияДжибутиДоминикаДоминиканская РеспубликаЭквадорЕгипетСальвадорЭкваториальная ГвинеяЭритреяЭстонияЭфиопияФолклендские (Мальвинские) островаФарерские островаФедеративные Штаты МикронезииФиджиФинляндияФранцияФранцузская ГвианаФранцузская ПолинезияГабонГамбияГрузияГерманияГанаГибралтарGre eceGreenlandGrenadaGuadeloupeGuamGuatemalaGuernseyGuineaGuinea-BissauGuyanaHaitiHondurasHong KongHungaryIcelandIndiaIndonesiaIranIraqIrelandIsle of ManIsraelItalyJamaicaJapanJerseyJordanKazakhstanKenyaKiribatiKuwaitKyrgyzstanLaoLatviaLesothoLiberiaLibyaLiechtensteinLuxembourgMacaoMacedoniaMadagascarMalawiMalaysiaMaldivesMaliMaltaMarshall IslandsMartiniqueMauritaniaMauritiusMayotteMexicoMoldovaMonacoMongoliaMontenegroMontserratMoroccoMozambiqueMyanmarNamibiaNepalNetherlandsNew CaledoniaNew ZealandNicaraguaNigerNiueNorfolk IslandNorth KoreaNorthern Mariana IslandsNorwayOmanPakistanPalauPanamaPapua New GuineaParaguayPeruPhilippinesPitcairnPolandPortugalPuerto RicoQatarRéunionRomaniaRwandaSaint BarthélemySaint HelenaSaint Kitts and NevisSaint LuciaSaint Martin (French part)Saint Pierre and MiquelonSaint Vincent and the GrenadinesSamoaSan MarinoSao Tome and PrincipeSaudi ArabiaSenegalSerbiaSeychellesSierra LeoneSingaporeSint Maarten (Dutch part)SlovakiaSloveniaSolomon IslandsSomaliaSouth Af ricaSouth Georgia and the South Sandwich IslandsSouth KoreaSouth SudanSpainSri LankaSudanSurinameSvalbard and Jan MayenSwazilandSwedenSwitzerlandSyriaTaiwanTajikistanTanzaniaThailandTimor LesteTogoTokelauTongaTrinidad and TobagoTunisiaTurkeyTurkmenistanTurks and Caicos IslandsTuvaluUgandaUkraineUnited Arab EmiratesUruguayUS Virgin IslandsUzbekistanVanuatuVatican CityVenezuelaVietnamWallis and FutunaWestern SaharaYemenZambiaZimbabwe

Варианты покупки

Bundle (электронная книга, мягкая обложка) 50% скидка ~~$ 330,00~~ $ 165,00

Ebook $ 165,00

Печать — в мягкой обложке $ 165,00.

Пролени. Нет минимального заказа

Описание

Диагностика отказов энергосистемы: интеллектуальный подход, основанный на измерении на большой площади, представляет собой всесторонний обзор растущего интереса к эффективной диагностике отказов энергосистем с целью сокращения продолжительности простоев и потерь доходов за счет ускорения процесса восстановления. Эта книга иллюстрирует интеллектуальные схемы диагностики неисправностей для сетей энергосистем как на уровне передачи, так и на уровне распределения с использованием данных, полученных от векторных измерительных устройств. В нем поэтапно представлено моделирование энергосистемы, моделирование неисправностей, процессы извлечения признаков и различные методы диагностики неисправностей, включая методы искусственного интеллекта. Книга также включает в себя неопределенность, связанную с параметрами линии, информацией о неисправностях (сопротивление и угол зарождения), потребностью нагрузки, производством возобновляемой энергии и шумами измерений.

Основные функции

Обеспечивает пошаговое моделирование сетей энергосистемы (распределение и передача) и отказов в платформах MATLAB/SIMULINK и цифрового симулятора реального времени (RTDS)
Представляет процессы извлечения признаков с использованием передовых методов обработки сигналов (дискретный вейвлет и преобразования Стоквелла) и простой для понимания метод выбора оптимальных признаков
Иллюстрирует всесторонние результаты в графическом и табличном форматах, которые могут быть легко воспроизведены новичками
Освещает различные методы коммунальных служб для локализации повреждений в сетях передачи, распределительных системах и подземных кабелях.

Аспирантура

Аспиранты кафедры электроэнергетики и энергетических систем. Профессиональные исследователи и академические практики. Промышленные (энергетические) инженеры. Энергосистема и научно-исследовательские центры по возобновляемым источникам энергии. Предприятия электроэнергетики. Профессиональные и технические общества (IEEE, IET и CIGRE)

Содержание

Product details

No. of pages: 428
Language: English
Copyright: © Elsevier 2022
Published: January 14, 2022
Imprint: Elsevier
eBook ISBN: 9780323884303
Paperback ISBN: 9780323884297

Об авторах

Md Shafiullah

Доктор Md Shafiullah в настоящее время работает преподавателем в Междисциплинарном исследовательском центре возобновляемых источников энергии и энергетических систем (IRC-REPS) в Университете нефти и минералов имени короля Фахда (KFUPM) . Он получил докторскую степень. получил степень бакалавра электротехники (Электроэнергетика и энергетические системы) в КФУУП в 2018 году. До этого он получил степень бакалавра наук. и магистр наук. степени в области электротехники и электронной инженерии (EEE) Бангладешского инженерно-технологического университета (BUET) в 2009 г.и 2013 соответственно. Он продемонстрировал свой исследовательский вклад в более чем 70 научных статьях (рецензируемых журналах, материалах международных конференций и главах книг). Область его научных интересов включает диагностику неисправностей энергосистемы, интеграцию возобновляемых источников энергии в сеть, анализ стабильности и качества энергосистемы, а также методы машинного обучения. Он получил награду за лучшую исследовательскую работу на двух флагманских конференциях IEEE (ICEEICT 2014 в Бангладеш и CAIDA 2021 в Саудовской Аравии).

Принадлежности и опыт

Университет нефти и минералов им. короля Фахда, Саудовская Аравия

Магистр Абидо

Доктор М. А. Абидо получил степень бакалавра наук. и магистр наук. степени в области электротехники (EE) Университета Менуфия, Египет, в 1985 и 1989 годах соответственно, и докторскую степень. из Университета нефти и минералов им. короля Фахда (KFUPM), Саудовская Аравия, в 1997 году. В настоящее время он работает на факультете энергоэффективности KFUPM в качестве заслуженного профессора университета. Он также является старшим научным сотрудником Центра исследований и инноваций в области энергетики K∙A∙CARE и Междисциплинарного исследовательского центра возобновляемых источников энергии и энергосистем, Дахран, Саудовская Аравия. Его исследовательские интересы включают управление энергосистемой и интеграцию возобновляемых источников энергии. Доктор Абидо является лауреатом премии KFUPM за выдающиеся достижения в области исследований в 2002, 2007 и 2012 годах, премии KFUPM за лучший проект в 2007 и 2010 годах, премии за первую премию Общества отраслевых приложений IEEE, 2003 год, премии Абдель-Хамида Шомана, 2005 год. Премия Алмараи за научные инновации 2017–2018 гг., Саудовская Аравия, 2018 г., и премия Халифа в области высшего образования 2017–2018 гг., Абу-Даби, ОАЭ, 2018 г.

Принадлежности и опыт

Университет нефти и минералов имени короля Фахда, Саудовская Аравия

А. Х. Аль-Мохаммед

Д-р Али Х. Аль-Мохаммед получил степень бакалавра наук. степень (с отличием первой степени) в области электротехники Университета нефти и полезных ископаемых имени короля Фахда (KFUPM), Дахран, Саудовская Аравия, в 1994 году, и степень магистра наук. и доктор философии степени того же университета в 1999 и 2013 годах соответственно. Д-р Аль-Мохаммед более 27 лет работает в Саудовской электроэнергетической компании (SEC) в области проектирования, проектирования и управления различными проектами передачи электроэнергии высокого и сверхвысокого напряжения, включая подстанции, воздушные линии электропередачи, подземные кабели и проекты интеллектуальных сетей. Его исследовательские интересы включают планирование энергосистемы, локализацию неисправностей, оптимизацию активов, проектирование подстанций, приложения векторных измерительных блоков (PMU) и защиту энергосистемы.

Принадлежности и опыт

Менеджер, E&D-EOA, National Grid SA, дочерняя компания Саудовской электроэнергетической компании, Даммам, Саудовская Аравия

Рейтинги и обзоры

Написать отзыв

все обзоры)

Abdul H. Воскресенье, 17 апреля 2022
Очень хорошо организованный контент
Очень хорошо организованный контент с точки зрения исследования и полезности. С нетерпением ждем полного содержания (настольная копия)

Базовая серия по строительной аналитике: что такое обнаружение и диагностика неисправностей?

Мы все испытывали разочарование из-за того, что наши бытовые приборы или электронные устройства не работали должным образом. В такие моменты нам хотелось бы быстро узнать, что не так, научиться их исправлять и двигаться дальше по жизни. Многие современные машины, доступные сегодня, предлагают функции, помогающие нам устранять неполадки при возникновении общих проблем. На самом деле дефектация и диагностика окружают нас в нашей повседневной жизни, стандартная функция, по-видимому, везде, от наших умных кофемашин до наших компьютеризированных автомобилей и наших офисных принтеров и копировальных аппаратов.

Концепция обнаружения неисправностей и диагностики существует уже несколько десятилетий и находит практическое применение в нескольких областях, включая аэрокосмическую, автомобильную, производственную, ядерную и национальную оборону. В этой краткой статье мы сосредоточимся на одной области, в которой усилия по исследованиям и разработкам значительно увеличились за последние два десятилетия. Это область зданий и систем отопления, вентиляции, кондиционирования и охлаждения (HVAC&R).

Что такое обнаружение и диагностика неисправностей в зданиях?

По сути, обнаружение и диагностика неисправностей, или FDD, представляет собой процесс обнаружения ошибок в физических системах при попытке определить источник проблемы . В зданиях эти физические системы включают HVAC&R — системы, предназначенные для поддержания внутренней среды, приемлемой для людей, продуктов и оборудования, а также освещение, лифты и любое специализированное оборудование, находящееся в пределах тысяч зданий вокруг нас.

Термин «автоматическое обнаружение и диагностика неисправностей», или AFDD, в последнее время стал более популярным, особенно в строительной отрасли. В целом, различие заключается в том, что в то время как FDD обычно относится к процессу , AFDD относится к технологиям , используемым для реализации процессов FDD. Таким образом, инструмент AFDD оборудован для реализации автоматизированного FDD с минимальным вмешательством человека.

Как работает обнаружение и диагностика неисправностей?

Базовая методология FDD включает четыре ключевых процесса: обнаружение неисправности , локализацию неисправности , идентификацию неисправности и оценку неисправности , как показано на рисунке 1. После того, как было установлено, что произошла неисправность в системе он изолируется и классифицируется на основе типа неисправности, местоположения и времени обнаружения. Выделение неисправности вместе с идентификацией неисправности, которая включает определение размера неисправности и ее поведения в разное время, обычно называют диагностикой неисправности. Оценка неисправности — это, по сути, оценка влияния неисправности на производительность системы, часто основанная на различных категориях приоритетов, включая энергопотребление, комфорт, воздействие на окружающую среду и затраты.

Рисунок 1. Четыре ключевых процесса обнаружения и диагностики неисправностей

После оценки неисправности необходимо принять решение о том, как реагировать на обнаруженную неисправность. Следующие шаги могут варьироваться от корректирующих действий, инициирования дальнейшего расследования, точной настройки определения FDD — в случае ложного срабатывания до отсрочки или даже бездействия.

Какие существуют подходы к обнаружению и диагностике неисправностей?

Хотя существует несколько различных методов обнаружения неисправностей и диагностики их причин, в основном они подпадают под одну из трех групп, общепринятых в классификации методов FDD. Это, на основе количественной модели , на основе качественной модели и на основе истории процесса .

Подходы, основанные на количественных моделях, которые основывают диагностику на физических моделях, широко не используются в коммерческих инструментах AFDD. Напротив, подходы на основе качественных моделей, такие как FDD на основе правил, широко используются в отрасли для моделирования процесса или системы для диагностики неисправностей. Подходы, основанные на истории процессов, используют большие объемы исторических данных, с инженерными знаниями или без них, для построения регрессионных моделей, нейронных сетей и других методов распознавания образов. Принадлежа к этой последней группе, многие поставщики AFDD участвуют в обширных исследованиях, посвященных различным подходам, основанным на данных.

Как правило обнаружения и диагностики неисправностей будет работать в системе здания?

Блок-схема на рис. 2 представляет собой упрощенное правило FDD, объясняющее основы обнаружения и диагностики неисправности.

Рис. 2. Блок-схема, изображающая упрощенное правило FDD для системы вытяжных вентиляторов, используемой для вентиляции помещения с электрооборудованием.

Вытяжная система предназначена для вентиляции помещения с электрооборудованием. При нормальной последовательности работы, когда температура в помещении поднимается выше требуемой уставки, включается вентилятор, а когда температура падает ниже уставки плюс дифференциал, вентилятор выключается. Три точки контроля включают воздушный поток в вытяжном канале, мощность вентилятора и температуру в помещении с оборудованием. В этом упрощенном подходе правило FDD обнаруживает неисправность и пытается диагностировать проблему, используя три доступных показания датчика.

Зачем внедрять обнаружение неисправностей и диагностику в зданиях?

Из-за негативного воздействия оборудования и эксплуатационных сбоев на здания, которое оценивается в пять, а иногда даже в тридцать процентов энергии, используемой в коммерческих зданиях, впустую, инструменты AFDD являются проверенными решениями, которые улучшают эксплуатационные характеристики здания и комфорт, снижают потребление энергии и, в конечном счете, сэкономить время и деньги.

Если рассматривается возможность внедрения технологии AFDD для вашего объекта или портфолио, или вы хотите узнать больше о процессе FDD, свяжитесь с нами сегодня .

Диагностика неисправностей датчиков ТРД на основе упрощенной бортовой модели

. 2012;12(8):11061-76.

дои: 10.3390/s120811061. Epub 2012 9 августа.

Фэн Лу ¹ , Цзиньцюань Хуан, Яодун Син

принадлежность

¹ Колледж энергетики и энергетики, Нанкинский университет аэронавтики и астронавтики, Нанкин 210016, Китай. [email protected]

PMID: 23112645
PMCID: PMC3472873
DOI: 10. 3390/с120811061

Бесплатная статья ЧВК

Фэн Лу и др. Датчики (Базель). 2012.

Бесплатная статья ЧВК

. 2012;12(8):11061-76.

дои: 10.3390/s120811061. Epub 2012 9 августа.

Авторы

Фэн Лу ¹, Цзиньцюань Хуан, Яодун Син

принадлежность

¹ Колледж энергетики и энергетики, Нанкинский университет аэронавтики и астронавтики, Нанкин 210016, Китай. [email protected]

PMID: 23112645
PMCID: PMC3472873
DOI: 10. 3390/с120811061

Абстрактный

Предлагается основанный на модели метод диагностики неисправности датчика, сочетающий упрощенную бортовую модель турбовала с логикой диагностики неисправности датчика. Существующий метод диагностики неисправностей датчиков ключей турбовальных двигателей в основном основан на методе двойной избыточности, и в некоторых случаях это не может быть удовлетворено из-за отсутствия суждения. Упрощенная бортовая модель обеспечивает третий аналитический канал, с которым сравниваются двухканальные измерения, в то время как аппаратная избыточность увеличивает сложность и вес конструкции. Упрощенная модель турбовального двигателя содержит модель газогенератора и модель силовой турбины с нагрузками, построенную методом динамических параметров. Разработана логика обнаружения и диагностики неисправностей датчика (FDD), и моделируются два типа отказов датчика, такие как ступенчатые отказы и отказы дрейфа. Когда расхождение между триплексными каналами превышает допустимый уровень, логика диагностики неисправности определяет причину расхождения. Благодаря такому подходу система диагностики неисправностей датчиков достигает целей обнаружения аномалий, диагностики неисправностей датчиков и восстановления избыточности. Наконец, проведены эксперименты по этому методу на турбовальном двигателе, и представлены два типа неисправностей при различных комбинациях каналов. Результаты экспериментов показывают, что предложенный метод диагностики неисправностей датчиков работоспособен.

Ключевые слова: динамические параметры; диагностика неисправностей; датчик газовой турбины; упрощенная бортовая модель; турбовальный двигатель.

Цифры

Рисунок 1.

Выходы n _g по…

Рисунок 1.

Выходы н _г в зависимости от модели и турбовального двигателя.

Фигура 1.

Выходы н _г по модели и турбовальный двигатель.

Рисунок 2.

Выходы n _p по…

Рис. 2.

Выходы н _р в зависимости от модели и турбовального двигателя.

Фигура 2.

Выходы н _р по модели и турбовальный двигатель.

Рисунок 3.

Обнаружение неисправности датчика, диагностика и…

Рис. 3.

Обнаружение неисправности датчика, диагностика и принцип восстановления.

Рисунок 3.

Обнаружение неисправности датчика, диагностика и принцип восстановления.

Рисунок 4.

Система распознавания выбросов и…

Рисунок 4.

Система дискриминации и устранения выбросов.

Рисунок 4.

Система дискриминации и устранения выбросов.

Рисунок 5.

Результаты моделирования выделения выбросов…

Рисунок 5.

Результаты моделирования выделения и устранения выбросов.

Рисунок 5.

Результаты моделирования выделения и устранения выбросов.

Рисунок 6.

Реакция на пошаговый ввод…

Рисунок 6.

Реакция на пошаговый ввод ( a ) ПИ-регулятора без…

Рисунок 6.

Ответ на пошаговый ввод ( a ) ПИ-регулятор без задержки; и ( b ) ПИД-регулятор с задержкой.

Рисунок 7.

Двухканальный датчик обнаружения неисправностей, диагностика,…

Рисунок 7.

Логика обнаружения неисправностей двухканального датчика, диагностики и восстановления.

Рисунок 7.

Обнаружение неисправности двухканального датчика, диагностика и логика восстановления.

Рисунок 8.

Одноканальный датчик n _g…

Рисунок 8.

Одноканальный датчик n _g ступенчатая ошибка в установившемся режиме ng…

Рисунок 8.

Одноканальный датчик n _g ступенчатая ошибка в установившемся режиме ng % = 85%. ( a ) Триплексные выходы каналов; ( b ) Индикация неисправности ступени СПСО-СВР; ( c ) Индикация неисправности ступени по упрощенной модели.

Рисунок 9.

Одноканальный датчик n _g…

Рисунок 9.

Одноканальный датчик n _g ошибка дрейфа в установившемся режиме ng…

Рисунок 9.

Одноканальный датчик n _g ошибка дрейфа в установившемся режиме ng % = 85%. ( a ) Триплексные выходы каналов; ( b ) Индикация неисправности дрейфа.

Рисунок 10.

Двухканальная ошибка с разными…

Рисунок 10.

Двухканальный разлом с разными скоростями дрейфа в установившемся режиме нг…

Рисунок 10.

Двухканальная неисправность с разными скоростями дрейфа в установившемся режиме нг % = 85%. ( a ) Триплексные выходы каналов; ( b ) Индикация неисправности дрейфа.

Рисунок 11.

Двухканальная неисправность с…

Рисунок 11.

Двухканальная неисправность с одинаковыми скоростями дрейфа в установившемся режиме…

Рисунок 11.

Двухканальная неисправность с одинаковыми скоростями дрейфа в установившемся режиме нг % = 85%. ( a ) Триплексные выходы каналов; ( b ) Индикация неисправности дрейфа.

Рисунок 12.

Канал А со ступенькой…

Рисунок 12.

Канал А со ступенчатой ошибкой в динамической работе. ( и )…

Рисунок 12.

Канал А со скачкообразной ошибкой в динамической работе. ( a ) Триплексные выходы каналов; ( b ) Индикация неисправности ступени СПСО-СВР; ( c ) Индикация неисправности ступени по упрощенной модели.

См. это изображение и информацию об авторских правах в PMC

Цитируется

Обнаружение и изоляция неисправностей датчиков авиационных данных с помощью сингулярного возмущения и геометрического подхода.
Кастальди П., Миммо Н., Симани С. Кастальди П. и др. Датчики (Базель). 2017 Сентябрь 25;17(10):2202. дои: 10.3390/s17102202. Датчики (Базель). 2017. PMID: 28946673 Бесплатная статья ЧВК.
Оценка эксплуатационной безопасности турбогенераторов с вейвлетной энтропией Реньи по сенсорно-зависимым вибрационным сигналам.
Чжан С, Ван Б, Чен С. Чжан X и др. Датчики (Базель). 2015 16 апреля; 15 (4): 8898-918. дои: 10.3390/s150408898. Датчики (Базель). 2015. PMID: 25894934 Бесплатная статья ЧВК.
Надежная система мониторинга отказов датчиков на основе моделей для нелинейных систем в сенсорных сетях.
Ван Д., Сонг С. Ван Д и др. Датчики (Базель). 2014 15 октября; 14 (10): 19138-61. дои: 10.3390/s141019138. Датчики (Базель). 2014. PMID: 25320904 Бесплатная статья ЧВК.

использованная литература

1. Гарг С., Шадоу К., Хорн В. Потребности в датчиках и приводах для более интеллектуальных газотурбинных двигателей. НАСА; Хьюстон, Техас, США: 2010. NASA/TM-2010-216746.
1. Мартуччи А. Обнаружение и устранение неисправностей в режиме реального времени Встроенные цифровые электронные средства управления двигателем с полным контролем. Стокгольм, Швеция: 16 апреля 1998 г. ASME 98-GT-155.
1. Санджай Г. Исследования в области управления двигателями и управления здравоохранением в Исследовательском центре Гленна НАСА. НАСА; Хьюстон, Техас, США: 2002 г. НАСА/TM-2002-211590.
1. Челюсть Л.К. Последние достижения в области технологий управления состоянием авиационных двигателей (EHM) и рекомендации для следующего шага. Материалы Turbo Expo 2005: 50-й Международный технический конгресс ASME по газовым турбинам и авиационным двигателям; Рино-Тахо, Невада, США. 6–9июнь 2005 г.; стр. 1–13.
1. Саймон Д.Л. Обзор элемента мониторинга состояния двигателя программы авиационной безопасности НАСА. Труды 36-го Совместного движения; Хантсвилл, Алабама, США. 16–19 июля 2000 г.; АИАА-2000-3624.

Типы публикаций

Интеллектуальная диагностика неисправностей и прогноз для инженерных систем

Выбранный тип: Твердый переплет

Количество:

Печать по требованию

$195,95

Джордж Вахцеванос, Фрэнк Л. Льюис, Майкл Ремер, Эндрю Хесс, Бицин Ву

ISBN: 978-0-471-72999-0 сентябрь 2006 г. 456 страниц

Распечатать
От 195,95 долл. США
О-бук

Твердый переплет

195,95 $

O-Book </p>» data-original-title=»» title=»»/>

Загрузить рекламный проспект

Загрузить рекламный проспект

Загрузить флаер продукта для загрузки PDF в новой вкладке. Это фиктивное описание. Загрузить флаер продукта — загрузить PDF в новой вкладке. Это фиктивное описание. Загрузить флаер продукта — загрузить PDF в новой вкладке. Это фиктивное описание. Загрузить флаер продукта — загрузить PDF в новой вкладке. Это фиктивное описание.

Описание

Экспертное руководство по теории и практике интеллектуальной диагностики неисправностей и прогнозирования отказов на основе состояния

Интеллектуальная диагностика и прогнозирование отказов для инженерных систем дает полное представление об основных принципах диагностики отказов и прогнозирования отказов, а также рассматривает Передовая дисциплина интеллектуальной диагностики неисправностей и технологий прогнозирования отказов для технического обслуживания по состоянию. В нем подробно описаны междисциплинарные методы, необходимые для понимания физики механизмов разрушения материалов, конструкций и вращающегося оборудования, а также представлены стратегии обнаружения неисправностей или зарождающихся отказов и прогнозирования оставшегося срока службы неисправных компонентов. Практические примеры используются на протяжении всей книги для иллюстрации передовых технологий.

Intelligent Fault Diagnosis and Prognosis for Engineering Systems предлагает материал в виде целостного и комплексного подхода, который касается различных междисциплинарных компонентов в этой области — от электротехники, механики, промышленного и компьютерного проектирования до управления бизнесом. Эта бесценно полезная книга:
* Включает в себя современные алгоритмы, методологии и вклад ведущих экспертов, в том числе инструменты анализа затрат и результатов и методы оценки эффективности
* Охватывает теорию и практику таким образом, который основан на отраслевых исследованиях и опыте
* Представляет единственный систематический, целостный подход к междисциплинарной теме

Купите оба и сэкономьте 25%!

Этот товар: Интеллектуальная диагностика неисправностей и прогноз для инженерных систем

Справочник Тагучи по инженерному обеспечению качества (в твердом переплете – 228,9 долл. США).5)

Не может быть в сочетании с любыми другими предложениями.

Купите оба и сэкономьте 25%!

Этот товар: Интеллектуальная диагностика неисправностей и прогноз для инженерных систем

Проектирование надежности жизненного цикла (в твердом переплете 173,95 долл. США)

Не может быть в сочетании с любыми другими предложениями.

Об авторе

Джордж Вачцеванос , доктор философии, директор Лаборатории интеллектуальных систем управления в Школе электротехники и вычислительной техники Технологического института Джорджии, Атланта, Джорджия.

Франк Л. Льюис , доктор философии, руководитель группы усовершенствованных элементов управления, датчиков и МЭМС Исследовательского института автоматизации и робототехники Техасского университета в Арлингтоне, Форт-Уэрт, штат Техас.

Майкл Ремер , доктор философии, технический директор компании Impact Technologies, LLC, Рочестер, Нью-Йорк.

Эндрю Хесс (Andrew Hess) — руководитель и менеджер по развитию Air System PHM в Объединенном офисе программы ударных истребителей Командования военно-воздушных систем в Патаксент-Ривер, штат Мэриленд.

Biqing Wu , кандидат наук, работает над различными темами активного контроля возмущений и CBM/PHM. В настоящее время она работает инженером-исследователем в Технологическом институте Джорджии в Атланте, штат Джорджия.

Разрешения

Запросить разрешение на повторное использование контента с этого сайта

Содержание

ПРЕДИСЛОВИЕ.

БЛАГОДАРНОСТИ.

ПРОЛОГ.

1 ВВЕДЕНИЕ.

1.1 Историческая перспектива.

1.2 Требования к диагностической и прогностической системе.

1.3 Проектирование систем диагностики и прогнозирования неисправностей.

1.4 Диагностические и прогностические функциональные уровни.

1.5 Предисловие к главам книги.

1.6 Ссылки.

2 СИСТЕМНЫЙ ПОДХОД К CBM/PHM.

2.1 Введение.

2.2 Торговые исследования.

2.3 Анализ критичности видов и последствий отказов (FMECA).

2.4 Проект плана испытаний системы CBM.

2.5 Оценка производительности.

2.6 Влияние CBM/PHM на техническое обслуживание и эксплуатацию: тематические исследования.

2.7 CBM/PHM в управлении и управлении непредвиденными обстоятельствами.

2.8 Ссылки.

3 ДАТЧИКИ И СТРАТЕГИИ ДАТЧИКОВ.

3.1 Введение.

3.2 Датчики.

3.3 Размещение датчика.

3.4 Сети беспроводных датчиков.

3.5 Интеллектуальные датчики.

3.6 Ссылки.

4 СИСТЕМЫ ОБРАБОТКИ СИГНАЛОВ И УПРАВЛЕНИЯ БАЗОЙ ДАННЫХ.

4.1 Введение.

4.2 Обработка сигналов в CBM/PHM.

4.3 Предварительная обработка сигналов.

4.4 Обработка сигналов.

4.5 Мониторинг вибрации и анализ данных.

4.6 Извлечение характеристик изображения в реальном времени и классификация дефектов/неисправностей.

4.7 Виртуальный датчик.

4.8 Технологии слияния или интеграции.

4.9 Отслеживание моделей использования.

4.10 Методы управления базой данных.

4.11 Ссылки.

5 ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ.

5.1 Введение.

5.2 Диагностическая структура.

5.3 Методы диагностики исторических данных.

5.4 Классификация отказов на основе данных и принятие решений.

5.5 Моделирование динамических систем.

5.6 Методы на основе физических моделей.

5.7 Рассуждения на основе моделей.

5.8 Рассуждения на основе прецедентов (CBR).

5.9 Другие методы диагностики неисправностей.

5.10 Диагностическая основа для электрических/электронных систем.

5.11 Практический пример: обнаружение и диагностика неисправностей подшипников двигателя на основе вибрации.

5.12 Ссылки.

6 ПРОГНОЗ НЕИСПРАВНОСТЕЙ.

6.1 Введение.

6.2 Методы прогнозирования на основе моделей.

6.3 Методы вероятностного прогнозирования.

6.4 Методы прогнозирования на основе данных.

6.5 Практические примеры.

6.6 Ссылки.

7 ДИАГНОСТИКА НЕИСПРАВНОСТЕЙ И ПРОГНОЗ ПОКАЗАТЕЛИ ПРОИЗВОДИТЕЛЬНОСТИ.

7.1 Введение.

7.2 Определение требований CBM/PHM.

7.3 Показатели оценки характеристик.

7.4 Показатели производительности диагностики неисправностей.

7.5 Показатели производительности прогноза.

7.6 Показатели эффективности диагностики и прогнозирования.

7.7 Анализ сложности/затрат-выгод систем CBM/PHM.

7.8 Ссылки.

8 ЛОГИСТИКА: ПОДДЕРЖКА СИСТЕМЫ В ЭКСПЛУАТАЦИИ.

8.1 Введение.

8.2 Архитектура поддержки продуктов, база знаний и методы CBM.

8.3 Поддержка продукта без CBM.

8.4 Поддержка продукта с CBM.

8.5 Стратегии планирования технического обслуживания.

8.6 Простой пример.

8.7 Ссылки.

ПРИЛОЖЕНИЕ.

ИНДЕКС.

Характеристики

Охват как теории, так и практики на основе исследований авторов и промышленного опыта.

Представляет единственный систематический, целостный подход к глубоко междисциплинарной теме.
Включает самые современные алгоритмы, методологии и вклад признанных экспертов в этой области.

Диагностика неисправностей чиллера на основе автоматического машинного обучения

Введение

Как отрасль с высоким потреблением энергии, строительная отрасль стала ключевой областью энергосбережения и сокращения выбросов (Li et al. , 2019a; Daneshvar et al., 2020 ). В частности, потери энергии, вызванные старением систем отопления, вентиляции и кондиционирования воздуха (HVAC), а также выходом из строя оборудования, составляют 15–30% от общего энергопотребления зданий (Zhou et al., 2020) и имеют стать «зоной серьезного бедствия» с точки зрения энергоэффективности зданий.

Чиллер – это оборудование с наибольшим энергопотреблением в системе HVAC. Соответствующие исследования показывают, что своевременное устранение неполадок чиллера может эффективно снизить потребление энергии на 20–50 % (Zhou et al., 2020). Таким образом, быстрая и точная оценка рабочего состояния чиллера является важной основой для обеспечения безопасной и стабильной работы чиллера и экономии энергии.

В последние годы методы машинного обучения, являющиеся основой искусственного интеллекта, стали предметом исследований и успешно применяются для прогнозирования энергопотребления зданий, системного моделирования и мониторинга промышленных процессов. В анализе систем отопления, вентиляции и кондиционирования воздуха значительный прогресс также был достигнут в стратегиях обнаружения и диагностики неисправностей чиллеров с помощью машинного обучения (FDD). Методы машинного обучения можно разделить на две основные категории: традиционные методы машинного обучения и методы глубокого обучения.

В традиционном машинном обучении машины опорных векторов (SVM) широко используются в чиллерах FDD. Лян и Ду разработали многоуровневый классификатор на основе SVM (Zhao et al., 2019a), который может эффективно обнаруживать неисправности чиллера с помощью анализа остаточных значений с высокой точностью классификации. Чтобы еще больше улучшить производительность чиллера FDD, Sun et al. (Sun et al., 2016a) использовали обработку сигналов для удаления информации о шуме, содержащейся в исходных измерениях чиллера. Они предложили гибридную модель диагностики неисправностей при регулировке заправки хладагентом, основанную на SVM и вейвлет-шумоподавлении, для неисправности неправильной регулировки заправки хладагентом в чиллерах. Кроме того, Хан и соавт. (Han et al., 2011) объединили SVM с другими методами для повышения производительности и надежности FDD чиллера. Они предложили гибридную модель SVM, сочетающую SVM и генетический алгоритм (GA) для чиллера FDD. Эта модель эффективно выполняет диагностику, но она не подходит для обнаружения утечек хладагента (RL) или неполадок, связанных с перезарядкой хладагента. Чтобы преодолеть ограничения этой модели, Han et al. предложил модель SVM методом наименьших квадратов (Han et al., 2019) и реализовал FDD центробежного чиллера посредством оптимизации перекрестной проверки. По сравнению с нейронными сетями на основе продуктов и SVM предложенный метод продемонстрировал лучшую производительность FDD. Кроме того, с улучшением вычислительных возможностей процессоров и развитием методов машинного обучения глубокое обучение (LeCun et al., 2015) привлекло широкий исследовательский интерес. В частности, было доказано, что глубокое обучение работает лучше, чем традиционные методы машинного обучения, и широко используется в сетевой безопасности (Chen et al. , 2020; Dixit and Silakari, 2021), анализе медицинских изображений (Grohl et al., 2021; Li et al., 2021; Xie et al., 2021) и компьютерное зрение (Hu, 2020; Zhang et al., 2020).

Архитектуры глубокого обучения также широко используются в FDD в промышленности (Zhao et al., 2019b). Например, Guo et al. (Yabin et al., 2018) предложил метод диагностики неисправностей для системы с переменным расходом хладагента, основанный на сети глубокого доверия. Азамфар и др. (Azamfar et al., 2020) предложил метод диагностики неисправностей коробки передач, основанный на анализе характеристик тока двигателя. Этот метод объединяет данные, собранные несколькими датчиками тока, с помощью новой архитектуры двумерной сверточной нейронной сети и напрямую используется для классификации без ручного выделения признаков. Кроме того, Лю и соавт. (Liu et al., 2018) предложили метод распознавания типа неисправности вращающегося оборудования с использованием рекуррентной нейронной сети (RNN), основанный на способности RNN фиксировать временную корреляцию данных временных рядов, который показал хорошую надежность и высокую точность классификации. . Долгосрочная кратковременная память (LSTM) (Shi et al., 2021) — это особый тип RNN, который компенсирует недостатки RNN при решении нелинейных временных задач (Ma et al., 2015). Более того, благодаря характеристикам сетевой структуры, она широко используется для обработки и прогнозирования сильно связанных во времени и сильно связанных событий. Юань и др. (Yuan et al., 2016) изучали проблему использования стандартного LSTM для оценки остаточного ресурса авиадвигателя. Точно так же Shahid et al. (Farah et al., 2020) использовали ядра активации LSTM и Gauss, Morelet, Ricker и Shannon для прогнозирования мощности различных ветряных электростанций и сравнивали результаты с результатами существующих зрелых технологий. Наблюдалось улучшение средней абсолютной ошибки до 30%, что подтвердило эффективность и надежность модели. LSTM не только широко используется для прогнозирования временных рядов, но также доказал свою эффективность в различных задачах диагностики неисправностей, связанных с данными временных рядов. Например, Инь и др. (Yin et al., 2020) предложили метод, основанный на косинусной функции потерь, для оптимизации нейронной сети LSTM для диагностики неисправностей редуктора ветровой турбины. Ян и др. (Yang et al., 2018) использовали пространственные и временные корреляции LSTM для обнаружения неисправностей и классификации соответствующих типов неисправностей с учетом сложности и неопределенности вращающегося оборудования. Кроме того, Лей и соавт. (Лей и др., 2019 г.) использовали LSTM для диагностики неисправностей ветряных турбин, эффективно классифицируя исходные сигналы временных рядов, собранные одним датчиком или несколькими датчиками. Следовательно, алгоритм LSTM также может применяться для диагностики неисправностей чиллеров в системах отопления, вентиляции и кондиционирования воздуха для решения проблем сложных неисправностей и сильной временной связи.

Однако при построении модели диагностики неисправностей чиллера избыточность признаков неисправности не всегда может выявить самую важную информацию. При большем ручном вмешательстве модель LSTM может легко вводить локальные минимумы во время оптимизации параметров, а не достигать глобальной оптимизации. Для решения вышеуказанных проблем мы приняли метод, основанный на автоматическом машинном обучении (AutoML), для автоматического определения оптимального решения модели. AutoML в основном включает в себя подготовку данных, разработку функций, создание и оценку моделей [т. е. поиск нейронной архитектуры (NAS)] (Yao et al., 2018). Создание модели включает в себя выбор модели и оптимизацию гиперпараметров (HPO) (Kanter and Veeramachaneni, 2015; He et al., 2021). С развитием машинного обучения создаются все более сложные сетевые модели. Особенно важна популяризация методов AutoML (García-Domínguez et al., 2021). По сравнению с традиционными методами машинного обучения AutoML упрощает процесс создания модели за счет автоматизации некоторых общих шагов (таких как предварительная обработка данных, настройка гиперпараметров и NAS). Поскольку AutoML не требует ручного вмешательства, он может обеспечить более эффективное применение моделей машинного обучения. Более того, AutoML широко применяется в различных областях, таких как медицина (Tan et al., 2020; Waring et al., 2020), прогнозирование мощности (Zhao et al., 2021) и распознавание сигналов (Li, 2020). Таким образом, AutoML также можно использовать при диагностике неисправностей чиллера, чтобы повысить эффективность и уровень диагностики неисправностей и способствовать практическому применению диагностических алгоритмов.

Таким образом, AutoML стал центром исследований в области искусственного интеллекта и может автоматизировать весь процесс машинного обучения, от построения до применения. Сети LSTM можно использовать для анализа временных корреляций данных временных рядов и сопоставления входных данных с выходными для получения правильных результатов классификации. Основываясь на этих преимуществах, в данной статье предлагается метод диагностики неисправностей чиллера, основанный на AutoML. Основные вклады этого доклада заключаются в следующем.

1) Предлагается модель диагностики неисправностей с использованием сети LSTM, оптимизированной с использованием GA. GA используется для оптимизации гиперпараметров и NAS LSTM. Преимущества корреляции времени майнинга LSTM и возможности пространственного поиска GA используются для достижения эффективной и стабильной диагностики неисправностей чиллера.

2) На основе модели LSTM, оптимизированной для GA, предлагается метод диагностики неисправностей чиллера на основе AutoML. В отличие от традиционного метода FDD для чиллеров, этот метод имеет сквозную сетевую структуру и может напрямую идентифицировать определенные типы отказов во временном ряду. Во-первых, принимая данные о неисправности в качестве входного временного ряда, наиболее важную информацию о характеристиках неисправности получают с использованием улучшенного алгоритма максимальной релевантности и минимальной избыточности (mRMR), а метку данных о неисправности помечают. Затем строится модель LSTM, оптимизированная для GA, и обучение модели диагностики ускоряется на основе параллельной технологии графического процессора для построения оптимальной модели диагностики неисправностей. Наконец, данные о неисправности отправляются в модель, и функция softmax выводит метку неисправности для диагностики неисправности конкретного чиллера.

3) Представлены платформа совместного моделирования переходных процессов для водяного чиллера на основе решателя инженерных уравнений (EES) и MATLAB, термодинамическая модель агрегата и динамическое моделирование набора данных, выполненное для получения необходимых данных для эксперимента.

4) Представлены подробные эксперименты с учетом различных степеней и типов неисправностей. Оценка предлагаемой стратегии диагностики отказов предоставляется с точки зрения как эффективности обучения, так и эффективности диагностики отказов. Чтобы проверить эффективность и превосходство предложенного метода, представлены сравнения с другими методами FDD, такими как RNN, нейронные сети с обратным распространением (BPNN) и SVM. Результаты сравнения показывают, что улучшение производительности предлагаемого метода значительно больше для ошибок низкой серьезности, чем для ошибок высокой серьезности. Диагностическая точность этого метода значительно выше, чем у других рассмотренных методов в случаях сложных типов разломов и хаотической тяжести. Таким образом, предложенный метод AutoML эффективно повышает уровень диагностики при диагностике неисправностей чиллера, и его превосходство было подтверждено.

Оставшаяся часть этого документа имеет следующую структуру. Основы исследования представляет основную теорию, лежащую в основе методов, используемых в этом исследовании. Стратегия диагностики неисправностей чиллера на основе автоматического машинного обучения развивает стратегию диагностики неисправностей на основе AutoML. Платформа совместного моделирования переходных процессов водоохладителя на основе MATLAB + Engineering Equation Solver описывает созданную совместную платформу моделирования и обсуждает конкретную ситуацию с набором данных моделирования,0333 Экспериментальные результаты и сравнение представляет экспериментальные результаты и сравнивает предложенный метод с существующими моделями. Наконец, Заключение обобщает результаты и дает рекомендации для дальнейших исследований.

Основа исследования

Долгая кратковременная память

Сеть с долговременной кратковременной памятью (LSTM) была впервые предложена в (Hochreiter and Schmidhuber, 1997) и представляет собой улучшенный алгоритм для RNN , , который компенсирует недостатки RNN в решении нелинейных задач времени (Ma et al., 2015). Модель LSTM может обрабатывать крупномасштабные параметры и обеспечивает универсальность использования нелинейных функций активации на каждом уровне. Он может фиксировать нелинейные тенденции в данных и сохранять долгосрочную информацию (Shi et al., 2021). Структура LSTM выгодна тем, что содержит три типа дверей: входные, забывающие и выходные двери, как показано на рисунке 1.9.0003

РИСУНОК 1 . Диаграмма ячеек скрытого слоя LSTM.

Математические методы могут описать основной информационный поток ячейки скрытого слоя LSTM (рис. 1) (Barthwal et al., 2020). На рисунке 1, x _T, C _T и H _T. в _{т –1} и h _{t –1} – состояние ячейки и единица вывода в момент времени t –1 соответственно; σ — функция softmax; ⊗ обозначает умножение в модели; а стрелка представляет направление потока информации. Слой сети в форме tanh создает новый вектор-кандидат значений c ¹ _t , который можно добавить к состоянию ячейки. Ворота забывания определяют, сколько из c _{t –1} сохраняется в c _t , что означает, что можно решить, какую необходимую информацию сохранить в состоянии ячейки, используя

ft=σ(Wf×[ht−1 , XT]+BF), (1)

, где F _T — порог забывания во время T , W _T999. и _T999999999. и _T99999999999999999999999999999999999999999999999999999999999999999999999993333333333н. это смещение.

Входной вентиль определяет, сколько из x _t текущей сети сохраняется в c _t . Конкретные выражения следующие:

it=σ(Wi×[ht−1,xt]+bi)(2)

ct1=tanh(Wc×[ht−1,xt]+bc),(3)

, где i _t — порог ввода в момент времени t ; W _i, U _i, W _c и U _c — гири; b _c — смещение.

Следующее выражение используется для обновления состояния ячейки в момент времени t :

ct=ft×ct−1+it×ct1.(4)

выходные ворота контролируют, сколько c _t выводит на h _t LSTM. Конкретное выражение выглядит следующим образом:

ot=σ(Wo×[ht−1,xt]+bo).(5)

В этом уравнении o _t представляет выходной порог времени t , W

4
4 o и U _o — веса, а b _o — уклон. Тогда выход ячейки можно описать как
ht=ot×tanh(ct),(6)
, где tanh представляет собой функцию активации. После того, как данные проходят через три двери, эффективная информация выводится, а недействительная информация забывается.
Генетический алгоритм
Генетический алгоритм (ГА) (Денкена и др., 2021) — это эвристический метод случайного поиска, который был разработан на основе закона естественной эволюции и используется для поиска почти оптимальных решений задач оптимизации с большим поиском. пространства. Этот алгоритм легко распараллеливается и не является слепым перебором, а представляет собой скорее эвристический поиск. В то же время этот алгоритм обладает превосходными возможностями глобального поиска и превосходной масштабируемостью, используя предыдущую оценку производительности, и его легко комбинировать с другими алгоритмами (Ng et al., 2015; Ogunjuyigbe et al., 2021).
Принцип работы ГА можно разделить на шесть этапов: инициализация, проверка условия завершения, расчет пригодности, отбор, кроссовер и мутация (Ким и Шин, 2007). На этапе инициализации в пространстве поиска для решения случайным образом выбирается хромосома, и пригодность каждой выбранной хромосомы рассчитывается в соответствии с предопределенной функцией пригодности. В методах оптимизации, таких как GA, функция пригодности является индикатором, используемым для измерения производительности хромосом (Domingos, 2012). После расчета пригодности выбираются хромосомы, те из них, которые обладают превосходными характеристиками, сохраняются для следующего процесса репликации, а генетические операторы естественной генетики используются для комбинаторного скрещивания и мутации для получения новых хромосом. Наконец, определяется, выполняется ли условие завершения до тех пор, пока не будет выведен желаемый результат.
Стратегия диагностики неисправностей чиллера на основе автоматического машинного обучения
В этом разделе описывается принцип метода выявления неисправностей чиллера на основе AutoML. Как показано на рисунке 2, этот метод в основном включает четыре этапа: предварительная обработка данных, выбор признаков, обучение модели и выявление ошибок. В процессе обучения модели участвуют HPO и NAS. Основная идея этой стратегии заключается в следующем. Во-первых, входной обучающий набор данных для чиллеров предварительно обрабатывается и записывается в разрешенный формат для входных данных модели, а алгоритм mRMR выбирает ключевые функции в данных о неисправностях, чтобы уменьшить входные данные модели. Затем строится обучающая модель диагностики неисправностей на основе сети LSTM, и ГА используется для оптимизации гиперпараметров модели и нейронной архитектуры для получения относительно оптимальных параметров и создания оптимальной модели диагностики неисправностей. Наконец, набор тестовых данных отправляется в лучшую модель, чтобы получить окончательную классификационную метку и завершить диагностику неисправности. Предварительная обработка данных, выбор функций, оптимизация гиперпараметров, поиск нейронной архитектуры и обучение модели, а также анализ выявления неисправностей обеспечивают анализ специфики каждого этапа. Для повышения понятности предлагаемого метода дополнительно составим блок-схему, как показано на рис. 3.
РИСУНОК 2 . Принципиальная схема стратегии диагностики неисправностей AutoML.
РИСУНОК 3 . Блок-схема предлагаемого метода в сравнении с другими методами.
Предварительная обработка данных
Набор данных о неисправностях чиллера, содержащий признаков L , используется в качестве исходного образца и помечается для формирования метки неисправности. Затем образцы делятся на обучающие, проверочные и тестовые в соотношении 6:2:2. Обучающие выборки используются для обучения модели диагностики неисправностей, которую можно использовать для подгонки модели. Проверочные образцы — это наборы образцов, оставленные в процессе обучения модели, которые можно использовать для настройки гиперпараметров модели и оценки ее возможностей. Тестовые образцы используются для оценки способности к обобщению и точности окончательной модели. В обучающих выборках каждый признак содержит M данных, а выборка описывается как
xl=(x1,x2,x3,…,xL)∈RM×L,(7)
, где R — набор действительных чисел.
Из-за больших различий в порядках величин исходных данных большие изменения значений покрывают меньшие изменения значений. Поэтому необходимо требовать, чтобы входные данные имели одинаковые порядки, чтобы избежать эффектов прогнозирования нагрузки из-за больших отдельных входных значений. Конкретная формула расчета для нормализации данных выглядит следующим образом:
Xnormal=X−XminXmax−Xmin,(8)
where X and X _normal are the data before and after normalization, respectively, and X _max and X _min — максимальное и минимальное значения соответственно среди данных исходной выборки.
После нормализации обучающих выборок выборки представлены в виде
X′normal=(X′1,X′2,X′3,…,X′L)∈RM×L,(9)
, где Х´ _{нормальный} — нормализованные данные выборки, M — количество данных обучающей выборки, L — характеристическая величина.
При использовании машинного обучения для решения задач классификации необходимо кодировать метки, а также дискретные независимые переменные. Следовательно, необходимо расширить размеры меток неисправности, и для этой цели эффективно одноразовое горячее кодирование. Он представляет переменные классификации как бинарные векторы; например, первый тип ошибки равен 1 в соответствующей позиции и 0 в других позициях.
Выбор признаков
В задачах машинного обучения с учителем признаки — это независимые переменные, используемые исследователями данных для описания определенных существенных свойств сбоев, которые являются ключевыми для классификации сбоев. Стоит отметить, что проектирование признаков — важный, сложный и трудоемкий этап машинного обучения. С одной стороны, качество входных признаков серьезно влияет на производительность алгоритмов машинного обучения. С другой стороны, создание функций требует теоретических знаний во многих областях, и, как правило, необходимо ручное выполнение экспертами.
Чтобы упростить проектирование признаков, в предлагаемом методе используется автоматическое проектирование признаков для автоматического выбора наиболее важных признаков данных и создания нового набора признаков для повышения производительности последующих инструментов машинного обучения. Следовательно, используется метод выбора признаков для данных о неисправностях чиллера, а именно улучшенный алгоритм максимальной релевантности и минимальной избыточности (mRMR) (Sun et al., 2016b).
Пэн и др. (HanchuanPeng et al., 2005) предложили метод выбора признаков, основанный на взаимной информации (MI) в 2005 году. Принцип показан в
MI(x;y)=∫∫p(x,y)logp(x,y)p(x)p(y)dxdy(10)
В формуле x и y являются две заданные переменные, p ( x ) и p ( y ) являются их соответствующей плотностью вероятности, а p ( x, y ) их совместной вероятностью.
Метод mRMR реализован на основе метода MI, и сначала необходимо рассчитать корреляцию между признаками и целевыми классами. Поскольку критерий максимальной зависимости трудно достичь, выбирается метод выбора признаков, основанный на критерии максимальной релевантности. Набор признаков S можно получить с помощью метода выбора признаков МИ, который имеет m признаков и наиболее зависит от целевого класса c, названного x _и . Одновременно рассчитывается среднее значение всех значений взаимной информации между отдельным признаком x _a и целевым классом c, как показано в
maxD(S,c),D=1|S|∑xa∈ SMI(xa;c)(11)
Когда два признака сильно зависят друг от друга, удаление одного из них не повлияет на их способность различать классы. Следовательно, можно добавить условие минимальной избыточности для выбора взаимоисключающих функций. Конкретный механизм может быть выражен как
minR(s),R=1|S|2∑xa,xb∈SMI(xa;xb)(12)
После предварительной обработки данных для выборочных данных требуется выбор признаков. Таким образом, алгоритм выбора признаков mRMR используется для уменьшения количества признаков L в наборе данных до N , извлечения важной информации о признаках неисправностей и снижения стоимости диагностики неисправностей. Выборка после выбора признаков может быть выражена как
X′n=(X′1,X′2,X′3,…,X′N)∈RM×N, (13)
, где X´ _n — пример данных после выбора функции.
Оптимизация гиперпараметров, поиск нейронной архитектуры и обучение модели
Сетевая модель LSTM имеет два типа параметров: гиперпараметры и обычные параметры. Обычные параметры могут быть автоматически оптимизированы посредством обучения модели. Гиперпараметры — это параметры, которые разработчик модели должен установить вручную перед обучением, и производительность метода LSTM сильно зависит от конкретных настроек гиперпараметров. Самая основная задача AutoML — автоматически реализовать оптимальный выбор этих гиперпараметров для оптимизации производительности модели. Таким образом, HPO является одним из наиболее важных шагов в оптимизации модели LSTM на основе AutoML.
Кроме того, LSTM — это процесс обучения, использующий нейронную сеть для решения выражений функций. Он содержит структуру нейронной сети, состоящую из нескольких скрытых слоев, изучает представление входных данных и отображает входные данные в соответствующие выходные данные. Чтобы повысить эффективность обучения LSTM, необходимо настроить метод соединения и функцию активации нейронов, чтобы создать отличную архитектуру нейронной сети LSTM. Таким образом, NAS является еще одним направлением исследований AutoML, которое может найти лучшую структуру нейронной сети для метода LSTM. Эффективная способность пространственного поиска ГА может использоваться для поиска гиперпараметров и параметров архитектуры нейронной сети, поиска наиболее эффективной комбинации параметров и построения оптимальной сетевой модели LSTM. Конкретный процесс реализации выглядит следующим образом.
Во-первых, создается модель идентификации неисправностей LSTM, где структура модели в основном состоит из входного, скрытого и выходного слоев. Функция потерь использует функцию кросс-энтропийных потерь, а процесс обучения модели оптимизирован с использованием оптимизатора алгоритма Надама. Сетевая модель была построена с использованием фреймворка Keras.
Ниже приведены конкретные этапы обучения модели.
Шаг 1: Импортируйте образцы данных во входной слой после предварительной обработки данных и выбора признаков.
Шаг 2: Скрытый слой содержит два слоя LSTM. Обучайте LSTM слой за слоем с данными, передаваемыми входным слоем, и отправляйте выходные данные нейронов в скрытом слое сети LSTM в верхнем слое на следующий уровень для расчета.
Шаг 3: Отправьте окончательный результат выходной последовательности классификатору softmax в качестве выходного слоя.
Шаг 4. Сравните выходную прогнозируемую метку неисправности с фактической меткой и постоянно оптимизируйте модель посредством расчета функции потерь. Выполните обучение сети на основе параллельных вычислений графического процессора, чтобы реализовать быстрое построение модели LSTM.
Затем ГА используется для поиска HPO и архитектуры нейронной сети модели LSTM, а гиперпараметры и параметры архитектуры нейронной сети могут быть описаны как
Ps1=(P1,P2,P3,…,Pn)∈R1 ×n,(14)
, где P _s — набор векторов параметров модели.
В этом исследовании хромосомы были представлены двоичным массивом, а функция приспособленности ГА была выражена как
пригодностьi=12[1p∑p−1pyp−y′pyp+1Q∑q−1qyq−y′qyq] ,(15)
, где P и Q — номера обучающей и проверочной выборок соответственно; y _p и y´ _p — истинное и предсказанное значения обучающей выборки соответственно; и y _q и y´ _q — истинные и предсказанные значения проверочных выборок соответственно.
Процесс оптимизации параметров LSTM с помощью GA можно резюмировать следующим образом.
1) Установить базовую структуру нейронной сети LSTM для определения соответствующих параметров, таких как размер популяции и максимальная генетическая алгебра.
2) Инициализируйте популяцию и установите значения функций потерь и точности равными 0. хромосомы.
4) Случайным образом сгенерируйте полную нейронную сеть LSTM из хромосом в (уравнение 3) и выполните соответствующее обучение модели, используя графический процессор параллельная технология.
5) Рассчитать значение приспособленности хромосом; если он соответствует критерию оптимизации, введите (уравнение 7).
6) Выполнение хромосомной селекции, мутации и кроссинговера.
7) Проверить, соответствуют ли новые особи оптимальным критериям или достигают максимальной эволюционной алгебры, если они удовлетворяют следующему требованию; в противном случае вернуться к шагу (5).
8) Обновите нейронную сеть LSTM как новую модель обучения сети, используя оптимальную начальную пакетную обработку, скорость обучения, количество итераций, частоту отбрасывания и количество нейронов скрытого слоя, полученные ГА.
Анализ идентификации неисправностей
Перед диагностикой неисправностей чиллера в обученную модель AutoML вводятся новые тестовые образцы. В процессе диагностики сбоев модель AutoML используется для определения конкретных типов сбоев в каждом временном ряду тестов. В чиллерах различные типы отказов имеют соответствующую информацию о свойствах отказа. Далее, при обучении модели необходимо следить за тем, чтобы модель как можно лучше запоминала метки неисправностей, соответствующие типам неисправностей. Модель AutoML выводит метки ошибок через функцию softmax, тем самым определяя тип ошибки. Функция softmax может быть выражена как
softmax(xi)=exp(xi)∑xkexp(xk),(16)
где x _i — выходное значение узла i , а k — номер выхода узлов, то есть количество классифицированных категорий. Используя функцию softmax, выходное значение множественной классификации можно преобразовать в распределение вероятностей с диапазоном (0, 1) и суммой 1.
Платформа совместного моделирования переходных процессов водоохладителя на основе MATLAB + Engineering Equation Решатель
Внедрение совместной платформы моделирования
На рис. 4 показана платформа совместного моделирования переходных процессов чиллера на основе MATLAB + EES. Система водяного охлаждения в основном состоит из четырех компонентов: компрессора, конденсатора, расширительного клапана и испарителя (Hua, 2012). Эти четыре компонента взаимосвязаны и образуют три части: охлаждающая вода, охлаждающая вода и контуры хладагента. Отказ любого компонента влияет на термодинамическое состояние других компонентов.
РИСУНОК 4 . Совместное моделирование платформы и термодинамической модели чиллера.
Термодинамическая модель водоохладителя была построена с использованием EES, которая имеет множество встроенных математических и теплофизических функций, очень полезных для инженерных расчетов. По любым двум физическим параметрам другие физические параметры можно получить, вызвав встроенную функцию. Модель может имитировать работу чиллера в нормальном режиме и различных режимах неисправности, а изменения физических параметров используются для характеристики каждой неисправности и серьезности неисправности. Исходя из установки фиксированных параметров компонентов, мы смоделировали различные режимы отказа, изменив соответствующие физические параметры. Чтобы решить проблему, заключающуюся в том, что модель алгоритма не может быть обучена при отсутствии реальных данных, мы создали платформу для моделирования нестационарных сопутствующих неисправностей для чиллеров. Во-первых, стационарная термодинамическая модель чиллерной установки строится в программе EES, а MATLAB подключается к EES через интерфейс; затем MATLAB используется для управления входными параметрами для управления моделью холодильного агрегата и получения данных моделирования от EES для обучения и тестирования алгоритма; наконец, интерактивное совместное моделирование и диагностика неисправностей реализованы в программной среде системы управления. Среди них интерфейс является каналом для двух программ для установления соединения, что является ключом к реализации совместного моделирования и может быть реализовано путем программирования. Экспериментальный процесс является автономным процессом. Опираясь на идею сегментной линеаризации, мы разделяем процесс динамического отказа холодильной установки на несколько установившихся процессов в соответствии с настраиваемой длиной шага и используем выходные данные предыдущего установившегося процесса в качестве входных данных для следующего установившегося процесса. процесс состояния для имитации данных о динамических неисправностях путем имитации установившегося процесса. В то же время постоянная длина шага двух программ является ключевой частью для обеспечения успеха совместного моделирования платформы, что очень важно для точности данных моделирования.
Термодинамический анализ системы чиллера
Путь потока хладагента в чиллере был таким же, как и в большинстве парокомпрессионных установок. Наиболее важным аспектом имитационной модели чиллера на рис. 4 является термодинамический процесс цикла хладагента. Как показано на рисунке, термодинамический обратный цикл в основном делится на четыре процесса. Во-первых, пар хладагента низкой температуры и низкого давления (точка состояния 1) сжимается в компрессоре и преобразуется в пар высокой температуры и высокого давления (точка состояния 2). Во-вторых, пар поступает в конденсатор и отдает тепло охлаждающей воде, превращаясь в жидкость с высокой температурой и высоким давлением (точка состояния 3). В-третьих, жидкий хладагент проходит через расширительный клапан, снижая давление и температуру, и становится парожидкостной смесью с низкой температурой и низким давлением (точка состояния 4). Наконец, хладагент поступает в испаритель, поглощает тепло охлажденной воды, превращается в пар с низкой температурой и низким давлением (точка состояния 1) и всасывается в компрессор для повторения цикла. В процессе сжатия хладагента при реальной работе холодильной системы возникает трение между газом и стенкой цилиндра, а также теплообмен между газом и внешней средой. Следовательно, процесс сжатия не изоэнтропичен. Хладагент также испытывает потерю давления в конденсаторе и испарителе, и происходит теплообмен с внешней средой, поэтому выделение теплоты конденсации и поглощение теплоты испарения не являются процессами с одинаковым давлением (Howard and James, 2016). Данные давления на графике представляют собой разницу давлений между двумя сторонами компрессора и разницу давлений между двумя сторонами расширительного клапана соответственно.
Динамическое моделирование данных отказов
Во-первых, в этом подразделе представлены типы изучаемых отказов и их реализация в имитационной модели. При моделировании хладагент был выбран как R134a, параметр центробежного чиллера был установлен как 90 тонн (316 кВт), а конденсатор и испаритель были кожухотрубными. С учетом таких факторов, как частота отказов, серьезность и стоимость обслуживания, платформа смоделировала пять отказов с четырьмя уровнями серьезности (SL), как показано в таблице 1. Комсток и Браун (Комсток и Браун, 1999) доказали, что эти отказы являются наиболее вероятными и дорогостоящими отказами, связанными с центробежными чиллерами.
ТАБЛИЦА 1 . Типы неисправностей и SL.
В эксперименте по моделированию неисправности центробежного чиллера в качестве характеристических параметров FDD были выбраны 13 параметров (таблица 2). Данные динамического разлома, смоделированные платформой, были разделены на шесть наборов данных в соответствии с типом разлома, и каждый набор данных был разделен на четыре небольших набора данных в соответствии с SL. Каждый небольшой набор данных состоял из 13 характеристических параметров и имел 2000 точек выборки.
ТАБЛИЦА 2 . Характерные параметры.
Следующее описание содержит подробную информацию о различных режимах отказов, рассматриваемых платформой моделирования, и символы, используемые для представления этих отказов.
1) Уменьшенный расход воды в конденсаторе (FWC)
В реальном агрегате расход воды в конденсаторе можно отрегулировать путем изменения напора насоса с помощью электронного клапана. В соответствии с имитационной моделью неисправность FWC может быть смоделирована путем изменения параметров потока воды в конденсаторе. Базовый расход воды составил 490,96 м ³ /ч, и каждый уровень разлома уменьшал расход воды на 10%. Были рассмотрены различные серьезности отказов FWC, как показано в Таблице 1.
2) Уменьшенный расход воды в испарителе
Аналогично принципу отказа FWC, значения параметров можно изменить, чтобы отрегулировать расход воды в испарителе. Базовый уровень расхода воды составлял 49,05 м ³ /ч, и каждый уровень сброса уменьшал расход воды примерно на 10%. Как показано в таблице 1, учитывались различные степени серьезности нарушений потока воды в испарителе.0003
3) Утечка хладагента
Поток хладагента из системы был уменьшен для имитации неисправности RL. Базовый вес хладагента в системе составлял 300 фунтов (136 кг). Каждый уровень неисправности уменьшал заправку хладагента на 10 %, а каждое непрерывное испытание уменьшало массу хладагента на 13,6 кг. Было смоделировано четыре SL разлома. Были рассмотрены различные серьезности отказов RL, как показано в Таблице 1.
4) Перезаправка хладагентом
Подобно принципу имитации отказа RL, мы смоделировали перезаправку хладагента путем непрерывного увеличения потока хладагента в модельной системе. Базовая масса хладагента в модели составляла 136 кг. Каждый уровень отказа увеличивал заправку хладагента на 10 %, и учитывались различные степени отказа, как показано в таблице 1.
5) Загрязнение конденсатора
В конденсаторе слой загрязнения на поверхности теплопередачи был неравномерным и менялся со временем работы. Термическое сопротивление слоя загрязнения в основном связано с толщиной и составом слоя загрязнения в соответствии со следующим соотношением:
r=δ/λ, (17)
, где r — тепловое сопротивление загрязнения слой в м ² ч °С/Дж; δ – толщина слоя загрязнения, м; и λ – теплопроводность слоя загрязнения, Дж/м ч∙°С.
Наиболее распространенный оребренный трубчатый конденсатор используется в совместной платформе моделирования:
K=1K0+B(r−r0),(18)
, где K — общий коэффициент теплопередачи оребренного конденсатора; B – коэффициент усиления сопротивления обрастанию, который является константой, связанной со структурой блока теплопередачи; K ₀ – значение термического сопротивления обрастанию r ₀, соответствующий определенному состоянию качества воды.
Таким образом, загрязнение конденсатора существенно влияет на коэффициент теплопередачи конденсатора. Разломы обрастания различной степени тяжести моделировались путем изменения общего коэффициента теплопередачи. Были рассмотрены различные степени серьезности отказов от загрязнения конденсатора, как указано в таблице 1.
Экспериментальные результаты и сравнение
Методы сравнения
SVM, которые широко изучались и применялись для диагностики неисправностей.
Рекуррентная нейронная сеть
Метод RNN (Liu et al., 2018) учитывает корреляцию между выборками и отражается архитектурой нейронной сети. Суть его в том, что внутри единичного слоя существует обратная или прямая связь. Эта структура может эффективно сохранять информацию в процессе передачи данных, то есть узел скрытого уровня RNN сохраняет свое состояние, память и другую информацию. Следовательно, RNN может сохранять информацию о контексте последовательности в процессе диагностики отказов и имеет хорошие динамические характеристики и уровни диагностики отказов. Модель прямого распространения RNN
{zhl=∑i=1Iwilxit+∑l∗Lwl∗lal∗t−1alt=fl(zlt)ykt=∑l=1Lwlkahti=1,…,I;l=1,…,L;k = 1, …, K. (19)
В этой формуле x ^T _I и A ^{T —1 99}
988. 988 8 9888. 988. 9. . и нейрона во входном слое и l нейрона в скрытом слое в момент времени t соответственно; z ^l _h значение l нейронов в скрытом слое перед действием функции активации в момент времени t ; y ^t _k — k нейронов выходного слоя в момент времени t ; w _ih — вес между входным и скрытым слоями; w _l*l — вес скрытого и скрытого слоев; w _lk — вес скрытого и выходного слоев; и f _l ( ▪ ) — нелинейная функция активации.
Нейронные сети с обратным распространением
BPNN (Li et al., 2019b) — это широко используемые алгоритмы нейронных сетей, особенно для диагностики неисправностей. Вся структура BPNN разделена на три слоя: входной, скрытый и выходной слои сверху вниз. Эта трехуровневая структура тесно связана и может гарантировать возможность обработки информации BPNN. Общий принцип работы этого метода заключается в следующем.
Входной слой отправляет внешнюю информацию скрытому слою через каждый нейрон, а скрытый слой впоследствии обрабатывает и преобразует полученную информацию и воздействует на следующий нейрон для генерации выходного сигнала. Когда есть ошибка между ответом и ожидаемым значением, она распространяется на каждый модуль слой за слоем для обратного распространения. Непрерывное обучение и коррекция сети выполняется до тех пор, пока ошибка выходного слоя всей сети не станет ниже установленного ранее значения или не будет достигнуто заданное количество итераций.
Машины опорных векторов
Подход SVM (Zhao et al. , 2019a) является одним из наиболее влиятельных методов диагностики неисправностей. Основная идея состоит в том, чтобы максимизировать расстояние между выборками путем построения отображения Ψ : R → H для получения гиперплоскости классификации. Предположим, что набор выборок равен
G={(ci,di)}i=1g,i=1,⋅⋅⋅,g.(20)
Тогда c _i является входным вектором , а именно, данные полюса разлома; d _i ∈ {1, –1} — метка категории, а g — количество проб. Необходимые и достаточные условия двойственной квадратичной оптимизации выполняются посредством следующего преобразования: ⋅⋅⋅,p0≤βi≤C i=1,⋅⋅⋅,p(21)
h(x)=sgn(b+∑i,j=1pβiyiK(ci,di))(22)
K( ci,di)=ϕ(ci)ϕ(di), (23)
, где β _i — введенный множитель Лагранжа, C — штрафной коэффициент в радиальной базисной функции, уравнение 22 является решающей функцией, а уравнение. 23 — это функция ядра. Затем решается решающая функция и, наконец, линейная разделимость выборки достигается за счет нелинейного преобразования Φ (•) в функции ядра.
Экспериментальные конфигурации
1) Предварительная обработка данных
В зависимости от серьезности неисправности пять точек данных неисправности и одна нормальная точка данных в динамических данных неисправности платформы совместного моделирования были выбраны для создания пяти наборов данных, включая SL1, SL2, SL3 , SL4 и MSL (смешанная серьезность), и каждый набор данных состоял из 6000 групп данных. Неисправности представляются в виде тегов 0–5, как показано в таблице 3, после одного горячего кодирования.
2) Выбор функции
ТАБЛИЦА 3 . Типы неисправностей и однократное кодирование.
Как указано в таблице 2, набор данных о неисправностях включал 13 характеристических параметров, которые были сокращены до шести с помощью алгоритма mRMR. Эти шесть величин были наиболее репрезентативными и коррелированными характеристическими величинами в данных о разломах, а именно: CP, TCO, TEI, TCI, TEA и тонны испарителя.
3) Гиперпараметры и архитектура нейронной сети
Как и другие модели нейронных сетей, сети LSTM имеют множество гиперпараметров, которые должны быть изменены исследователями, и структур нейронных сетей, которые необходимо искать. Однако требуемое время и вычислительные ограничения делают невозможным просмотр пространства параметров и поиск оптимального набора параметров. Поэтому мы использовали ГА для оптимизации этих параметров модели. В этом исследовании были окончательно определены девять параметров, требующих оптимизации, как показано в таблице 4, которые соответственно представляют конкретное содержание параметров и результаты поиска оптимизации.
4) Сравнительная конфигурация модели
ТАБЛИЦА 4 . Результаты оптимизации гиперпараметров и результаты поиска нейронной сети.
Все модели в этом исследовании были реализованы на конфигурации NVIDIA GeForce MX150 с использованием архитектуры Keras платформы Python. В таблице 5 перечислены настройки сравниваемых методов диагностики неисправностей, которые являются лучшими параметрами, выбранными в ходе эксперимента.
ТАБЛИЦА 5 . Детали реализации метода.
Индексы оценки
1) Показатели эффективности обучения
Мы использовали функцию кросс-энтропийных потерь для оценки эффективности обучения модели предлагаемого метода. Конкретные принципы этого метода оценки можно выразить следующим образом.
Для двух вероятностных распределений p и q набора выборки пусть p будет реальным распределением, а q будет подходящим распределением. Ожидаемая длина кодирования, необходимая для идентификации выборки, т. е. информационная энтропия, измеряется согласно p :
H(p)=-∑i=1cp(xi)log(p(xi)).(24)
Если q используется для представления ожидаемой длины кодирования на основе p , то есть кросс-энтропия, тогда можно использовать для измерения разницы между p и q :
D(p∥q)=H(p,q)−H(p)=∑i=1cp(xi)log[p(xi)q (xi)]. (26)
Задача классификации в машинном обучении состоит в том, чтобы сократить разрыв между предсказанием модели и меткой, а набор меток остается неизменным, поэтому необходимо только обратить внимание на кросс- энтропия в процессе оптимизации. В задаче множественной классификации в этом исследовании функция кросс-энтропийных потерь, используемая для описания эффективности обучения модели классификации отказов, была рассчитана как
Loss=−∑i=1c−1yi⁡log(ui).(27)
where u _i = ( u ₀ , …, u _{c –1} ) представляет собой распределение вероятностей, и каждый элемент представляет вероятность принадлежности выборки к категории i , а y = ( y ₀ , …, y _{– c} ) — это одноразовое представление этикетки сэмпла.
2) Показатели эффективности диагностики
Матрица путаницы использовалась для оценки диагностических характеристик различных методов и проверки предлагаемого подхода. Матрица путаницы, также известная как матрица ошибок, представляет собой стандартный формат для оценки точности, который выражается в виде n строк и n столбцов, как показано в Таблице 6.
ТАБЛИЦА 6 . Матрица путаницы.
Точность и прецизионность — это показатели эффективности, полученные из матрицы путаницы. По форме матрицы путаницы точность определяется как отношение количества правильно диагностированных образцов к общему количеству образцов, выраженное в процентах, и формула расчета выглядит следующим образом:
Точность=TN+TPFP+TN+TP+PN×100%.(28)
В задачах с несколькими классификациями точность может представлять общую точность модели. Чем выше сходство метки неисправности, выдаваемой моделью, и фактической метки неисправности, тем точнее классификация и выше точность диагностики.
Точность представляет собой долю правильных положительных прогнозов среди всех положительных прогнозов. Формула расчета выглядит следующим образом:
Точность=TPTP+FP×100%.(29)
В некоторых типах задач множественной классификации точность можно использовать для расчета точности классификации модели.
Экспериментальные результаты
В этом разделе описываются выборки из наборов данных о разломах различных SL, которые были введены в обученную модель. На рис. 5 представлена матрица путаницы экспериментальных результатов, где строки и столбцы соответствуют предсказанным и фактическим меткам соответственно. Числа в матрице путаницы представляют собой количество правильных/ложных предсказаний для каждого случая. Видно, что предложенный метод AutoML обеспечивает идеальную точность классификации.
РИСУНОК 5 . График результатов диагностики неисправности.
Кроме того, LSTM_AML использовался для представления моделей LSTM на основе AutoML. AML — это аббревиатура от AutoML. Используя матрицу путаницы, эффективность диагностики неисправностей метода LSTM_AML была проанализирована для чиллеров с различными типами и серьезностью неисправностей. Для этого мы преобразовали числовые значения в изображения.
На рис. 6 показаны характеристики обучения и диагностики модели LSTM_AML для различных сбоев и SL. Среди выборок смешанных SL (MSL) разломов точность диагностики разломов FWC самая высокая – 93,86 %, а точность диагностики остальных типов неисправностей превышает 86 %. Точность диагностики СМЛ, как правило, низкая, что связано с пересечением различных типов разломов и СР, что приводит к очень сложным изменениям характеристических параметров. В образцах SL1, SL2, SL3 и SL4 точность погрешностей FWC и потока воды испарителя выше, чем у других типов неисправностей. Результаты показывают, что при диагностике неисправностей чиллера предложенный метод обладает наилучшей чувствительностью к неисправностям и самой высокой точностью с точки зрения снижения расхода воды. В целом точность для каждого типа неисправности составляет более 86 %, а с увеличением уровня серьезности неисправности точность постепенно увеличивается до 100 %. Результаты показывают, что увеличение серьезности неисправности приведет к дальнейшему снижению производительности системы, а модель LSTM_AML имеет отличные диагностические характеристики из-за резких изменений параметров системы. Следовательно, чем серьезнее неисправность, тем выше точность диагностики.
РИСУНОК 6 . Производительность модели с различными типами отказов.
Когда мы использовали функцию потерь для оценки эффективности обучения модели, мы обнаружили, что чем меньше потери, тем лучше эффективность обучения модели. Как показано на рисунке 6, в образцах SL1, SL2, SL3 и SL4 потери составляют не более 10%, а эффект обучения хороший. Образцы неисправностей MSL имеют более высокие значения функции потерь из-за сложных вариаций параметров, но все они ниже 11%. В целом потери уменьшаются с увеличением серьезности неисправности, а минимум близок к 0. Таким образом, предлагаемый метод демонстрирует превосходную эффективность обучения.
При диагностике неисправностей чем выше точность, тем меньше кросс-энтропийная потеря, и чем выше эффективность обучения модели, тем выше уровень диагностики. На рисунке 7 представлены точность распознавания и кросс-энтропийные потери предложенного метода и сети LSTM с неисправностями чиллера разных SL. По сравнению с традиционным методом LSTM предлагаемый метод имеет лучший обучающий эффект и более высокую точность в наборах данных MSL и SL1, которые увеличены на 10,2 и 10,5% соответственно. Точность распознавания разломов с другими SL увеличивается с увеличением SL разлома, достигая 98,92%. Функция потерь также уменьшается, при этом наименьшее значение составляет 1,24%, что свидетельствует о хорошем тренировочном эффекте. Предлагаемый метод не только собирает информацию, связанную со временем, и получает важные признаки в достаточно нормальном временном ряду, но также получает оптимальную модель диагностики неисправности с помощью HPO. Следовательно, по сравнению с LSTM, предлагаемый метод более чувствителен к неисправностям чиллера и имеет лучшую диагностическую эффективность.
РИСУНОК 7 . Производительность модели с различными уровнями серьезности.
Сравнение с другими методами
В этом исследовании метод LSTM_AML сравнивался с методами SVM, RNN и BPNN для проверки эффективности и превосходства предложенного метода AutoML при диагностике неисправностей чиллера. Мы использовали пять наборов данных для проведения экспериментов с использованием этих четырех методов и оценили их с точки зрения точности и прецизионности. Затем их выступления сравнивались и представлялись визуально.
На рисунках 8, 9 представлены тестовые точности различных методов для разломов разных SL в заданном наборе данных. Стоит отметить, что чем выше серьезность неисправности, тем выше точность метода. По сравнению с другими методами предлагаемый подход LSTM_AML улучшает диагностику неисправностей с более низкими SL более значительно, чем диагностику неисправностей с более высокими SL. Для образца SL1 предлагаемый метод может повысить точность диагностики до 25,92%. Таким образом, предлагаемый метод может точно диагностировать неисправности на их ранних стадиях, прежде чем они станут серьезными, что еще больше снижает потребление энергии и затраты на техническое обслуживание. Кроме того, диагностическая эффективность предлагаемого метода в наборе данных MSL намного выше, чем у других методов, что демонстрирует, что предлагаемый метод может идентифицировать типы неисправностей с высокой точностью в случаях большего количества типов неисправностей и сложной серьезности. Причина такого улучшения производительности заключается в том, что модель LSTM_AML может изучать и сохранять информацию о временной корреляции данных из большого количества временных данных. Эта информация облегчает точную оценку ненормальных реакций чиллеров классификатором, позволяя ему идентифицировать различные типы неисправностей.
РИСУНОК 8 . Сравнение методов с разными типами неисправностей.
РИСУНОК 9 . Сравнение методов с разной степенью жесткости.
Таким образом, по сравнению с другими методами FDD, метод AutoML, предложенный в данной статье, не только позволяет диагностировать неисправности чиллеров с низким уровнем критичности с гораздо большей точностью, но и имеет более высокий уровень диагностики в случаях сложных неисправностей.
Заключение
В этом документе представлен метод диагностики неисправностей чиллера, основанный на AutoML, который может эффективно повысить эффективность диагностики неисправностей. Эффективность метода оценивалась с использованием экспериментальных данных, полученных с помощью платформы моделирования. Основные результаты этого исследования можно резюмировать следующим образом.
1) Предлагаемый метод может эффективно извлекать важную информацию об особенностях из обучающих данных. Используя метод mRMR, 13 характеристических параметров в экспериментальных данных были сокращены до 6, а наиболее важные функции данных были автоматически выбраны, чтобы уменьшить количество избыточных функций и эффективно повысить эффективность диагностики неисправностей.
2) Разработанный метод позволяет выявить временные корреляции между данными о разломах. Диагностическая точность предлагаемого метода может достигать 98,92%, а диагностическая эффективность значительно улучшилась по сравнению с другими исследованными методами.
3) ГА может автоматически оптимизировать и выбирать гиперпараметры и архитектуру нейронной сети модели LSTM, получать оптимальную модель диагностики неисправностей и выбирать параметры модели без вмешательства человека.
4) Повышение производительности, достижимое с помощью этого метода, значительно выше для менее серьезных сбоев, чем для более серьезных сбоев. Таким образом, неисправности можно точно диагностировать на ранних стадиях, прежде чем они перерастут в серьезные неисправности.
5) При сложных типах разломов и хаотической тяжести диагностическая точность предлагаемого метода до 20,86% выше, чем у других рассмотренных методов.
Кроме того, эксперименты и сравнения показали, что производительность обучения и диагностики неисправностей предлагаемого метода увеличивается, подтверждая эффективность выбора признаков и HPO. Кроме того, предлагаемый метод AutoML может повысить эффективность обучения и диагностики неисправностей. Однако это исследование ограничено тем, что предлагаемый метод не может эффективно повысить скорость диагностики неисправностей. В будущих исследованиях мы будем изучать другие схемы или улучшенные модели AutoML, чтобы повысить скорость диагностики неисправностей модели и производительность диагностики.
Заявление о доступности данных
Наборы данных, представленные в этой статье, недоступны, поскольку проект все еще находится в стадии реализации, а раскрывать данные неудобно из-за ограничений соглашения о конфиденциальности в контракте. Он будет обнародован только после того, как проект будет принят. Запросы на доступ к набору данных следует направлять соответствующему автору.
Вклад авторов
CT: Концептуализация, Привлечение финансирования, Методология, Программное обеспечение, Написание Подготовка первоначального проекта. YW: Курирование данных, программное обеспечение, написание оригинального проекта. XM: Концептуализация, получение финансирования, написание, рецензирование и редактирование. ZC, HX: Программное обеспечение.
Финансирование
Эта работа была поддержана Ключевой программой исследований и разработок провинции Шаньдун (Крупный научно-технический инновационный проект) (№ 2020CXGC010201), Национальным фондом естественных наук Китая (№ 62003191), Молодежным фондом провинции Шаньдун (№ ZR202102220769) и Фонда естественных наук провинции Шаньдун (№ ZR2020QF072).
Конфликт интересов
Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.
Примечание издателя
Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.
Ссылки
Азамфар М., Сингх Дж., Браво-Имаз И. и Ли Дж. (2020). Объединение данных с нескольких датчиков для диагностики неисправностей коробки передач с использованием двумерной сверточной нейронной сети и анализа сигнатур тока двигателя. мех. Сист. Сиг. Процесс. 144, 106861. doi:10.1016/j.ymssp.2020.106861
CrossRef Полный текст | Google Scholar
Бартвал М. , Дхар А. и Повар С. (2020). Технико-экономический и экологический анализ генетического алгоритма (GA) оптимизированного хранения холодной тепловой энергии (CTES) для приложений кондиционирования воздуха. Заяв. Энерг. 283, 116253. doi:10.1016/j.apenergy.2020.116253
CrossRef Полный текст | Google Scholar
Чен Д., Вавжински П. и Лев З. (2020). Кибербезопасность в умных городах: обзор приложений на основе глубокого обучения и тематических исследований. Сустейн. Города Соц. 66, 102655.
Google Scholar
Comstock, M.C., Braun, J.E., and Eckhard, A.G. (2002). Обзор распространенных неисправностей чиллеров / обсуждение. ASHRAE Transactions, 108 (1), стр. 819-825.
Google Scholar
Данешвар Ю., Сабзехпарвар М. и Хашеми С. (2020). Энергоэффективность небольших зданий с умной системой охлаждения летом. Перед. Энергия. , 1–10. doi:10.1007/s11708-020-0699-7
Полный текст CrossRef | Академия Google
Денкена, Б. , Диттрих, М.-А., Вильмсмайер, С., и Сетник, С. Дж. (2021). Оптимизация модульной последовательности с помощью гибридного генетического алгоритма. Обработано. CIRP 96, 51–56. doi:10.1016/j.procir.2021.01.052
Полный текст CrossRef | Google Scholar
Диксит П. и Силакари С. (2021). Алгоритмы глубокого обучения для приложений кибербезопасности: технологический обзор и обзор состояния. Комп. науч. Rev. 39, 100317. doi:10.1016/j.cosrev.2020.100317
CrossRef Полный текст | Академия Google
Домингос, П. (2012). Несколько полезных вещей, которые нужно знать о машинном обучении. Комм. АСМ 55, 78–87. doi:10.1145/2347736.2347755
CrossRef Полный текст | Google Scholar
Фарах С., Анила З. и Аммара М. (2020). Новая парадигма долгосрочной краткосрочной памяти Wavenets для прогнозирования энергии ветра. Заяв. Энерг. 269, 115098. doi:10.1016/j.apenergy.2020.115098
CrossRef Полный текст | Google Scholar
Гарсия-Домингес М. , Домингес К., Эрас Дж., Мата Э. и Паскуаль В. (2021). UFOD: платформа AutoML для построения, сравнения и комбинирования моделей обнаружения объектов. Распознавание образа. лат. 145, 135–140. doi:10.1016/j.patrec.2021.01.022
CrossRef Full Text | Google Scholar
Грол Дж., Шелленберг М., Дреер К. и Майер-Хейн Л. (2021). Глубокое обучение для биомедицинских фотоакустических изображений: обзор. Фотоакустика 22, 100241. doi:10.1016/j.pacs.2021.100241
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Хань Х., Цуй X., Фан Ю. и Цин Х. (2019). Диагностика неисправностей чиллера на основе метода наименьших квадратов (LS-SVM) с использованием характерных признаков неисправности. Заявл. Терм. англ. 154, 540–547. doi:10.1016/j.applthermaleng.2019.03.111
Полный текст CrossRef | Google Scholar
Хань Х., Гу Б., Ван Т. и Ли З. Р. (2011). Важные датчики для обнаружения и диагностики неисправностей чиллера (FDD) с точки зрения выбора функций и машинного обучения. Междунар. J. Refrigeration 34, 586–599. doi:10.1016/j.ijrefrig.2010.08.011
Полный текст CrossRef | Google Scholar
Hanchuan Peng, H., Fuhui Long, F., and Ding, C. (2005). Выбор функций на основе взаимных информационных критериев максимальной зависимости, максимальной релевантности и минимальной избыточности. IEEE Trans. Анальный узор. Машинный интеллект. 27, 1226–1238. doi:10.1109/tpami.2005.159
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Хе Х., Чжао К. и Чу Х. (2021). AutoML: обзор современного состояния. Система, основанная на знаниях. 212, 106622. doi:10.1016/j.knosys.2020.106622
CrossRef Полный текст | Google Scholar
Хохрайтер С. и Шмидхубер Дж. (1997). Долгая кратковременная память. Нейронные вычисления. 9 (8), 1735–1780. doi:10.1162/neco.1997.9.8.1735
Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar
Ховард, К., и Джеймс, Э. Б. (2016). Эмпирическое моделирование влияния неисправностей на энергопотребление чиллеров с водяным охлаждением для использования в программах моделирования зданий. Заяв. Терм. англ. 99, 756–764. doi:10.1016/j.applthermaleng.2016.01.119
Полный текст CrossRef | Google Scholar
Hu, CH (2020). Восстановление освещения лица для функции глубокого обучения при серьезных изменениях освещения. Pattern Recog 111, 107724. doi:10.1016/j.patcog.2020.107724
CrossRef Полный текст | Google Scholar
Хуа, Х. (2012). Исследования по обнаружению и диагностике неисправностей холодильной системы на основе метода последовательного интегрирования . Шанхайский университет Цзяотун.
Google Scholar
Кантер Дж. М. и Верамачанени К. (2015). «Глубокий синтез признаков: на пути к автоматизации исследований данных», в Proc. Международный IEEE. конф. наук о данных. Доп. Анал., Париж, Франция, 19-21 октября 2015 г. (IEEE), 1–10. doi:10.1109/dsaa. 2015.7344858
Полный текст CrossRef | Google Scholar
Ким Х.-Дж. и Шин К.-с. (2007). Гибридный подход, основанный на нейронных сетях и генетических алгоритмах для обнаружения временных закономерностей на фондовых рынках. Заяв. Мягкий компьютер. 7, 569–576. doi:10.1016/j.asoc.2006.03.004
Полный текст CrossRef | Google Scholar
ЛеКун Ю., Бенжио Ю. и Хинтон Г. (2015). Глубокое обучение. Природа 521, 436–444. дои: 10.1038 / природа14539
Реферат PubMed | Полный текст перекрестной ссылки | Google Scholar
Лэй, Дж., Лю, К., и Цзян, Д. (2019). Диагностика неисправностей ветряных турбин на основе сетей с долговременной кратковременной памятью. Продлить. Энерг. 133, 422–432. doi:10.1016/j.renene.2018.10.031
Полный текст CrossRef | Google Scholar
Ли Д., Ли Д., Ли К., Ли Л. и Гао Л. (2019). Новая стратегия на основе сети с временными данными для диагностики неисправностей датчиков чиллеров. Энергетика и здания 198, 377–394. doi:10.1016/j.enbuild.2019.06.034
Полный текст CrossRef | Google Scholar
Li, J., Yao, X., Wang, X., Yu, Q. и Zhang, Y. (2019). Обучение многомасштабным локальным функциям на основе нейронной сети BP для интеллектуальной диагностики неисправностей подшипников качения. Measurement 153, 107419. doi:10.1016/j.measurement.2019.107419
CrossRef Полный текст | Google Scholar
Ли, П. (2020). Исследования по распознаванию радиолокационных сигналов на основе автоматического машинного обучения. Нейронные вычисления. Примен. 32, 1–11. doi:10.1007/s00521-019-04494-1
CrossRef Full Text | Google Scholar
Li, T., Bo, W., Hu, C., Kang, H., Liu, H., Wang, K., et al. (2021). Приложения глубокого обучения в изображениях глазного дна: обзор. Мед. Анальный образ. 69, 101971. doi:10.1016/j.media.2021.101971
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Лю Х., Чжоу Дж., Чжэн Ю., Цзян В. и Чжан Ю. (2018). Диагностика неисправностей подшипников качения с помощью рекуррентных автоэнкодеров на основе нейронных сетей. Иса Транс. 77, 167–178. doi:10.1016/j.isatra.2018.04.005
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Ma, X., Tao, Z., Wang, Y., Yu, H., and Wang, Y. (2015). Нейронная сеть с долгой кратковременной памятью для прогнозирования скорости движения с использованием данных удаленного микроволнового датчика. Транспорт Рез. C: Новые технологии. 54, 187–197. doi:10.1016/j.trc.2015.03.014
Полный текст CrossRef | Google Scholar
Ng, JYH, Hausknecht, M., Vijayanarasimhan, S., Vinyals, O., Monga, R., and Toderici, G. (2015). «Помимо коротких фрагментов: глубокие сети для классификации видео», в Proc. Конф. IEEE. Комп. Распознавание образов зрения, Бостон, Массачусетс, 7–12 июня 2015 г. (IEEE). Дои: 10.1109/cvpr.2015.7299101
CrossRef Полный текст | Google Scholar
Ogunjuyigbe, A.S.O., Ayodele, T. R., и Bamgboje, O.D. (2021). Оптимальное размещение ветряных турбин на ветряной электростанции с учетом разнонаправленной скорости ветра с использованием двухэтапного генетического алгоритма. Перед. Энерг. 15, 240–255. doi:10.1007/s11708-018-0514-x
Полный текст CrossRef | Google Scholar
Ши, Ю., Сонг, X., и Сонг, Г. (2021). Прогноз продуктивности многоствольной геотермальной системы на основе долговременной кратковременной памяти и многослойной комбинационной нейронной сети персептрона. Заявл. Энерг. 282, 116046. doi:10.1016/j.apenergy.2020.116046
CrossRef Полный текст | Google Scholar
Сунь К., Ли Г., Чен Х., Лю Дж., Ли Дж. и Ху В. (2016). Новый эффективный метод диагностики неисправностей, основанный на SVM, для определения количества сбоев при заправке хладагента в многосплит-системе кондиционирования воздуха. Заяв. Терм. англ. 108, 989–998. doi:10.1016/j.applthermaleng.2016.07.109
CrossRef Full Text | Google Scholar
Сунь К. , Ли Г., Чен Х., Лю Дж., Ли Дж. и Ху В. (2016). Новый эффективный метод диагностики неисправностей, основанный на SVM, для определения количества сбоев при заправке хладагента в многосплит-системе кондиционирования воздуха. Заявл. Терм. англ. 108, 989–998. doi:10.1016/j.applthermaleng.2016.07.109
CrossRef Full Text | Google Scholar
Tan, H.-B., Xiong, F., Jiang, Y.-L., Huang, W.-C., Wang, Y., Li, H.-H., et al. (2020). Исследование базы автоматического машинного обучения на основе радиомики нефокусной области в первой КТ грудной клетки различных клинических типов пневмонии COVID-19. Науч. Rep. 10, 18926. doi:10.1038/s41598-020-76141-y
PubMed Abstract | Полный текст перекрестной ссылки | Академия Google
Уоринг Дж., Линдвалл К. и Уметон Р. (2020). Автоматизированное машинное обучение: обзор современного состояния и возможностей для здравоохранения. Артиф. Интеллект Мед. 104, 101822. doi:10.1016/j.artmed.2020.101822
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Се X. , Ню Дж., Лю X., Чен З., Тан С. и Ю С. (2021). Опрос по включению знаний предметной области в глубокое обучение для анализа медицинских изображений. Мед. Анальный образ. 69, 101985. doi:10.1016/j.media.2021.101985
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Yabin, G., Zehan, T., Huanxin, C., Guannan, L., Jiangyu, W., Ronggeng, H., et al. (2018). Диагностика неисправностей системы кондиционирования воздуха с переменным потоком хладагента на основе глубокого обучения для энергосбережения здания. Заяв. Энерг. 225, 732–745. doi:10.1016/j.apenergy.2018.05.075
CrossRef Полный текст | Google Scholar
Ян Р., Хуанг М., Лу К. и Чжун М. (2018). Диагностика неисправностей вращающихся механизмов с использованием рекуррентной нейронной сети с долговременной памятью. IFAC-PapersOnLine 51, 228–232. doi:10.1016/j.ifacol.2018.09.582
Полный текст CrossRef | Google Scholar
Yao, Q., Wang, M., Chen, Y. , Dai, W., Li, Y.-F., Tu, W.-W., et al. (2018). Устранение человеческого фактора из обучающих приложений: обзор автоматизированного машинного обучения . Препринт arXiv arXiv 1810.13306.
Google Scholar
Инь А., Ян Ю., Чжан З., Ли К. и Санчес Р.-В. (2020). Диагностика неисправностей редуктора ветровой турбины на основе оптимизированной нейронной сети LSTM с косинусными потерями. Датчики 20, 2339–2352. doi:10.3390/s20082339
PubMed Abstract | Полный текст перекрестной ссылки | Google Scholar
Юань М., Ву Ю. и Лин Л. (2016). «Диагностика неисправностей и оценка оставшегося полезного срока службы авиационного двигателя с использованием нейронной сети LSTM», в Proc. Международный IEEE. конф. Aircraft Utility Syst., Пекин, Китай, 10–12 октября 2016 г. (IEEE), 135–140. doi:10.1109/aus.2016.7748035
Полный текст CrossRef | Google Scholar
Чжан X., Ван Л. и Су Ю. (2020). Визуальное распознавание мест: обзор с точки зрения глубокого обучения. Pattern Recog 113, 107760. doi:10.1016/j.patcog.2020.107760
CrossRef Полный текст | Google Scholar
Чжао Р., Ян Р., Чен З., Мао К., Ван П. и Гао Р. X. (2019). Глубокое обучение и его приложения для мониторинга работоспособности машин. Мех. Сист. Сигнальный процесс. 115, 213–237. doi:10.1016/j.ymssp.2018.05.050
Полный текст CrossRef | Google Scholar
Чжао В., Чжан Х., Чжэн Дж., Дай Ю., Хуанг Л., Шан В. и др. (2021). Автоматическое машинное обучение на основе метода точечного прогнозирования для выходной мощности многорегиональных фотоэлектрических электростанций на сутки вперед. Energy 223, 120026. doi:10.1016/j.energy.2021.120026
CrossRef Полный текст | Google Scholar
Чжао, Ю., Ли, Т., Чжан, X., и Чжан, К. (2019). Методы обнаружения и диагностики неисправностей энергетических систем зданий на основе искусственного интеллекта: преимущества, проблемы и будущее. Продлить. Суст. Энерг. Ред. 109, 85–101. doi:10.1016/j.rser.2019.04.021
Полный текст CrossRef | Google Scholar
Чжоу З., Ли Г., Ван Дж., Чен Х., Чжун Х. и Цао З. (2020). Сравнительное исследование основных методов диагностики неисправностей на основе данных для системы с переменным расходом хладагента. Energy and Buildings 224, 110232. doi:10.1016/j.enbuild.2020.110232
CrossRef Полный текст | Google Scholar
Nomenclature
b _c , b _f biases
B fouling resistance amplification factor
β _i Множитель Лагранжа
c _t cell state at time t
c _{t –1} cell state at time t –1
c ¹ _t состояние ячейки первого слоя LSTM в t время
C штрафной коэффициент в радиальной базисной функции
c целевой класс
3 334
thickness of the fouling layer
f _l ( ▪ ) nonlinear activation function
f _t forgetting threshold at time t
h _t единица вывода за время t
h _{t –1} t –1 3 903 единица вывода30003
I Количество нейронов в входном слое
K Количество выходных узлов
K Общая передача тепла. тепловое сопротивление обрастания, соответствующее определенной воде
состояние качества
l количество нейронов в скрытом слое
L characteristic quantity
λ thermal conductivity of the fouling layer
MI ( x ; y ) mutual information between x and y
m количество признаков
M количество данных
max D ( S , c ), max — критерий релевантности
мин R ( S ), R Условие Min-Relandance
N Количество функций. T
G Количество образцов
P Количество тренировочных образцов
P (.
) P ( x
) P ( x
) P ( x
))0333 x
p ( y ) probability density respectively of y
p ( x,y ) crossover probability or joint probability of x and y
P _I Гиперпараметрический вектор
P Параметр _S Параметр 39333933334 . Параметр 4 . 33333333334 Параметр 3 4 . 333333334 .0340 nonlinear transformation in the kernel function
p real distribution
q fitting distribution
Q number of validation samples
r thermal resistance of the fouling layer
R набор вещественных чисел
S набор признаков
σ сигмовидная функция
tanh activation function
U _c , U _i , U _o weights
w _ih вес между входным и скрытым слоями
w _l*l вес скрытого и скрытого слоев
w _lk weight of the hidden and output layers
W _c , W _i , W _o , W _t Вес
x Данные перед нормализацией
x _I Выходное значение NODE 333499393939393939393939393939393939393939393939393939393939н.

Разное