✖


Jump to content

Обнаружение и изоляция неисправностей

Обнаружение, изоляция и восстановление неисправностей ( FDIR ) — это подобласть техники управления , которая занимается мониторингом системы, определением момента возникновения неисправности и определением типа неисправности и ее местоположения. Можно выделить два подхода: прямое распознавание закономерностей показаний датчиков, указывающих на неисправность, и анализ несоответствия между показаниями датчиков и ожидаемыми значениями, полученными на основе некоторой модели. В последнем случае обычно говорят, что неисправность обнаружена, если расхождение или невязка превышают определенный порог. Тогда задача локализации неисправности состоит в том, чтобы классифицировать тип неисправности и ее местоположение в оборудовании. Методы обнаружения и изоляции неисправностей ( FDI ) можно разделить на две категории. К ним относятся ПИИ на основе моделей и ПИИ на основе обработки сигналов.

ПИИ на основе моделей

[ редактировать ]
Пример логики FDI на основе модели для привода в системе управления лифтом самолета [1]

В методах прямых иностранных инвестиций, основанных на моделях, для принятия решения о возникновении ошибки используется некоторая модель системы. Модель системы может быть математической или основанной на знаниях. Некоторые из методов прямых иностранных инвестиций на основе моделей включают в себя [2] подход, основанный на наблюдателе, подход пространства четности и методы, основанные на идентификации параметров. Существует еще одна тенденция схем ПИИ, основанных на моделях, которая называется методами членства в наборе. Эти методы гарантируют обнаружение неисправности при определенных условиях. Основное отличие состоит в том, что вместо поиска наиболее вероятной модели эти методы исключают модели, несовместимые с данными. [3] [4]

Пример, показанный на рисунке справа, иллюстрирует метод FDI на основе модели для реактивного контроллера лифта самолета с использованием таблицы истинности и диаграммы состояний. Таблица истинности определяет, как контроллер реагирует на обнаруженные неисправности, а диаграмма состояний определяет, как контроллер переключается между различными режимами работы (пассивный, активный, резервный, выключенный и изолированный) каждого исполнительного механизма. Например, если в гидравлической системе 1 обнаружена неисправность, то таблица истинности отправляет в диаграмму состояний событие о том, что левый внутренний исполнительный механизм должен быть отключен. Одним из преимуществ этого метода FDI, основанного на модели, является то, что этот реактивный контроллер также можно подключить к модели гидравлики привода, работающей в непрерывном режиме, что позволяет изучать переходные процессы переключения. [5]

ПИИ на основе обработки сигналов

[ редактировать ]

В FDI, основанном на обработке сигналов, над измерениями выполняются некоторые математические или статистические операции, или некоторая нейронная сеть обучается с использованием измерений для извлечения информации о неисправности. [6] [7] [8] [9]

Хорошим примером FDI на основе обработки сигналов является рефлектометрия во временной области , когда сигнал передается по кабелю или электрической линии, а отраженный сигнал математически сравнивается с исходным сигналом для выявления неисправностей. Например, рефлектометрия с расширенным спектром во временной области включает отправку сигнала с расширенным спектром по проводной линии для обнаружения неисправностей проводов. [10] Также было предложено несколько методов кластеризации для идентификации новой неисправности и разделения данного сигнала на нормальные и неисправные сегменты. [11]

Диагностика неисправностей машины

[ редактировать ]

Диагностика неисправностей машин — это область машиностроения, занимающаяся поиском неисправностей, возникающих в машинах. Особенно хорошо развитая его часть относится именно к вращающимся машинам, одному из наиболее распространенных типов. Для выявления наиболее вероятных неисправностей, приводящих к отказу, используются многие методы сбора данных, в том числе вибрации мониторинг , тепловидение , анализ частиц масла и т. д. Затем эти данные обрабатываются с использованием таких методов, как спектральный анализ , вейвлет-анализ , вейвлет-преобразование, краткосрочное Преобразование Фурье, расширение Габора, распределение Вигнера-Вилля (WVD), кепстр, биспектр, метод корреляции, спектральный анализ высокого разрешения, анализ формы сигнала (во временной области, поскольку спектральный анализ обычно касается только распределения частот, а не информации о фазе) и других. Результаты этого анализа используются при анализе основной причины отказа, чтобы определить первоначальную причину неисправности. Например, если диагностирована неисправность подшипника, то вполне вероятно, что подшипник был поврежден не сам по себе при установке, а в результате другой ошибки при установке (например, несоосности), которая затем привела к повреждению подшипника. Диагностики поврежденного состояния подшипника недостаточно для целей точного технического обслуживания. Необходимо выявить и устранить первопричину. Если этого не сделать, замененный подшипник вскоре изнашивается по той же причине, и машина получит еще больше повреждений, оставаясь опасной. Конечно, причина также может быть видна в результате спектрального анализа, проведенного на этапе сбора данных, но это не всегда так.

Наиболее распространенным методом обнаружения неисправностей является метод частотно-временного анализа. Для вращающейся машины скорость вращения машины (часто называемая числом оборотов в минуту ) не является постоянной, особенно на этапах запуска и остановки машины. Даже если машина работает в установившемся режиме, скорость вращения будет варьироваться вокруг среднего установившегося значения, и это изменение зависит от нагрузки и других факторов. Поскольку звуковые и вибрационные сигналы, получаемые от вращающейся машины, тесно связаны со скоростью ее вращения, можно сказать, что по своей природе они являются изменяющимися во времени сигналами. Эти изменяющиеся во времени функции содержат признаки неисправности машины. Следовательно, то, как эти особенности извлекаются и интерпретируются, важно для исследований и промышленного применения.

Наиболее распространенным методом, используемым при анализе сигналов, является БПФ или преобразование Фурье. Преобразование Фурье и его обратный аналог предлагают две точки зрения для изучения сигнала: во временной области или в частотной области. Спектр временного сигнала, основанный на БПФ, показывает нам существование его частотного содержания. Изучая их и их величину или фазовые отношения, мы можем получить различные типы информации, такие как гармоники , боковые полосы , частота биений , частота неисправности подшипника и так далее. Однако БПФ подходит только для сигналов, частотный состав которых не меняется со временем; однако, как упоминалось выше, частотный состав звуковых и вибрационных сигналов, получаемых от вращающейся машины, очень сильно зависит от времени. По этой причине спектры на основе БПФ не могут определить, как частотное содержимое меняется с течением времени. Точнее, если частота вращения машины увеличивается или уменьшается во время ее запуска или остановки, ее полоса пропускания в спектре БПФ станет намного шире, чем она была бы просто для устойчивого состояния. Следовательно, в таком случае гармоники не так различимы в спектре.

Частотно-временной подход к диагностике неисправностей оборудования можно разделить на две широкие категории: линейные методы и квадратичные методы. Разница в том, что линейные преобразования можно инвертировать для построения временного сигнала, поэтому они больше подходят для обработки сигналов, такой как шумоподавление и изменяющаяся во времени фильтрация. Хотя квадратичный метод описывает распределение энергии сигнала в совместной частотно-временной области, что полезно для анализа, классификации и обнаружения характеристик сигнала, информация о фазе теряется в квадратичном частотно-временном представлении; Кроме того, с помощью этого метода невозможно восстановить временную историю.

Кратковременное преобразование Фурье ( STFT ) и преобразование Габора — это два алгоритма, обычно используемые в качестве линейных частотно-временных методов. Если мы считаем линейный частотно-временной анализ развитием обычного БПФ , то квадратичный частотно-временной анализ будет аналогом спектра мощности. Квадратичные алгоритмы включают спектрограмму Габора, класс Коэна и адаптивную спектрограмму. Основным преимуществом частотно-временного анализа является обнаружение закономерностей изменения частоты, которые обычно отражают природу сигнала. Пока этот шаблон идентифицирован, можно идентифицировать неисправность машины, связанную с этим шаблоном. Еще одним важным применением частотно-временного анализа является возможность отфильтровать конкретную частотную составляющую с помощью изменяющегося во времени фильтра.

Надежная диагностика неисправностей

[ редактировать ]

На практике неопределенности модели и шум измерений могут усложнить обнаружение и локализацию неисправностей. [12]

В результате, использование диагностики неисправностей для экономически эффективного удовлетворения промышленных нужд и снижения затрат на техническое обслуживание без необходимости больших инвестиций, чем стоимость того, чего следует избегать в первую очередь, требует эффективной схемы их применения. Это предмет технического обслуживания, ремонта и эксплуатации ; различные стратегии включают в себя:

Обнаружение и диагностика неисправностей с помощью искусственного интеллекта

[ редактировать ]

Методы машинного обучения для обнаружения и диагностики неисправностей

[ редактировать ]
См. также: Машинное обучение

При обнаружении и диагностике неисправностей модели математической классификации , которые на самом деле относятся к контролируемым методам обучения, обучаются на обучающем наборе размеченного набора данных для точного выявления избыточности, неисправностей и аномальных выборок. За последние десятилетия классификации и предварительной обработки . в этой области исследований были разработаны и предложены различные модели [13] Алгоритм K -ближайших соседей ( kNN ) — один из старейших методов, который использовался для решения задач обнаружения и диагностики неисправностей. [14] Несмотря на простую логику этого алгоритма на основе экземпляров, существуют некоторые проблемы с большой размерностью и временем обработки при его использовании с большими наборами данных . [15] Поскольку k NN не может автоматически извлекать признаки, чтобы преодолеть проклятие размерности , часто некоторые предварительной обработки данных методы , такие как анализ главных компонентов (PCA), линейный дискриминантный анализ (LDA) или канонический корреляционный анализ (CCA), сопровождают его для достижения лучшая производительность. [16] Во многих промышленных случаях эффективность k NN сравнивалась с другими методами, особенно с более сложными моделями классификации, такими как машины опорных векторов (SVM), которые широко используются в этой области. Благодаря соответствующему нелинейному отображению с использованием методов ядра SVM демонстрируют впечатляющую производительность при обобщении даже с небольшими обучающими данными. [17] Однако обычные SVM сами по себе не имеют автоматического извлечения признаков и, как и k NN , часто сочетаются с методом предварительной обработки данных . [18] Еще одним недостатком SVM является то, что их производительность очень чувствительна к начальным параметрам, особенно к методам ядра . [19] сигнала поэтому в каждом наборе данных сначала необходимо провести процесс настройки параметров. Таким образом, низкая скорость фазы обучения является ограничением SVM, когда дело доходит до его использования в случаях обнаружения и диагностики неисправностей. [20]

Форма сигнала во временной области (вверху) и CWTS (внизу) нормального сигнала

Искусственные нейронные сети (ИНС) являются одними из наиболее зрелых и широко используемых алгоритмов математической классификации при обнаружении и диагностике неисправностей. ИНС хорошо известны своими эффективными способностями самообучения сложных отношений (которые обычно присущи задачам обнаружения и диагностики неисправностей) и просты в эксплуатации. [18] Еще одним преимуществом ИНС является то, что они выполняют автоматическое извлечение признаков, присваивая незначительные веса нерелевантным признакам, помогая системе избежать работы с другим экстрактором признаков. [21] Однако ИНС имеют тенденцию переоценивать обучающий набор, что будет иметь последствия в виде низкой точности проверки на проверочном наборе. Следовательно, часто к модели ИНС добавляются некоторые условия регуляризации и предварительные знания, чтобы избежать переобучения и добиться более высокой производительности. Более того, правильное определение размера скрытого слоя требует исчерпывающей настройки параметров, чтобы избежать плохих возможностей аппроксимации и обобщения. [20] В целом, различные модели SVM и ANN (например, нейронные сети обратного распространения ошибки и многослойный персептрон ) показали успешные результаты при обнаружении и диагностике неисправностей в таких отраслях, как коробка передач , [22] машин детали (например, механические подшипники [23] ), компрессоры , [24] ветряные и газовые турбины [25] [26] и стальные пластины . [27]

Методы глубокого обучения для обнаружения и диагностики неисправностей

[ редактировать ]
Типичная архитектура сверточной нейронной сети
См. также: Глубокое обучение

Благодаря достижениям в области исследований ИНС и появлению алгоритмов глубокого обучения, использующих глубокие и сложные уровни, новые модели классификации , позволяющие справляться с обнаружением и диагностикой неисправностей. были разработаны [28] Большинство моделей поверхностного обучения извлекают из сигналов несколько значений признаков, что приводит к уменьшению размерности исходного сигнала . Используя сверточные нейронные сети , непрерывного вейвлет-преобразования скалограмму можно напрямую разделить на нормальные и ошибочные классы. Такой метод позволяет избежать пропуска какого-либо важного сообщения о неисправности и приводит к повышению эффективности обнаружения и диагностики неисправностей. [29] Кроме того, путем преобразования сигналов в конструкции изображений 2D- сверточные нейронные сети для выявления ошибочных сигналов по особенностям изображения вибрации. можно реализовать [30]

Глубокие сети убеждений , [31] Ограниченные машины Больцмана [32] и автоэнкодеры [33] Есть и другие архитектуры глубоких нейронных сетей , которые успешно использовались в этой области исследований. По сравнению с традиционным машинным обучением , благодаря своей глубокой архитектуре, модели глубокого обучения способны изучать более сложные структуры из наборов данных , однако для достижения более высокой точности им требуются более крупные выборки и более длительное время обработки. [18]

Восстановление неисправности

[ редактировать ]

Восстановление после сбоя в FDIR — это действие, предпринимаемое после обнаружения и изоляции сбоя для возврата системы в стабильное состояние. Некоторые примеры устранения неисправностей:

  • Отключение неисправного оборудования
  • Переключение с неисправного оборудования на резервное.
  • Изменение состояния всей системы в безопасный режим с ограниченным функционалом.

См. также

[ редактировать ]

Ссылки

[ редактировать ]
  1. ^ Джейсон Р. Гиделла и Питер Дж. Мостерман, «Тестирование на основе требований при проектировании управления самолетом», ID статьи AIAA 2005-5886 на конференции и выставке AIAA Modeling and Simulation Technologies Conference 2005, 15–18 августа, Сан-Франциско, Калифорния, 2005 г. .
  2. ^ Дин, SX, Методы диагностики неисправностей на основе моделей, Springer 2008.
  3. ^ Харирчи, Фаршад; Озай, Нечмие (2015). «Аннулирование модели для переключаемых аффинных систем с приложениями для обнаружения неисправностей и аномалий ** Эта работа частично поддерживается грантом DARPA N66001-14-1-4045» . IFAC-PapersOnLine . 48 (27): 260–266. дои : 10.1016/j.ifacol.2015.11.185 .
  4. ^ Фаршад Харирчи и Нечмие Озай, «Гарантированное обнаружение неисправностей на основе моделей в киберфизических системах: подход к признанию модели недействительным», arXiv
  5. ^ «Питер Дж. Мостерман и Джейсон Гиделла, «Повторное использование модели для обучения сценариям неисправностей в аэрокосмической отрасли», в материалах конференции AIAA по моделированию и технологиям моделирования, компакт-диск, документ 2004-4931, 16–19 августа, Род-Айлендская конвенция. Центр, Провиденс, Род-Айленд, 2004 г.» . Архивировано из оригинала 28 января 2013 г. Проверено 7 июня 2011 г.
  6. ^ Лю, Цзе (2012). «Вейвлет-спектральный анализ Шеннона усеченных сигналов вибрации для обнаружения зарождающихся неисправностей оборудования». Измерительная наука и технология . 23 (5): 1–11. Бибкод : 2012MeScT..23e5604L . дои : 10.1088/0957-0233/23/5/055604 . S2CID   121684952 .
  7. ^ Ахмадиманеш, Алиреза и С. Мохаммад Шахрташ. «Метод определения места повреждения на основе переходных процессов для многополюсных линий с использованием S-преобразования». Транзакции IEEE по доставке электроэнергии 28.3 (2013 г.): 1373-1380.
  8. ^ Ахмадиманеш, Алиреза и Сейед Мохаммад Шахрташ. «Алгоритм определения места повреждения на основе преобразования время-время для трехполюсных линий электропередачи». Генерация, передача и распределение IET 7.5 (2013): 464-473.
  9. ^ Ахмадиманеш А. и С.М. Шахрташ. «Использование S-преобразования для определения места повреждения в трех оконечных линиях». Окружающая среда и электротехника (EEEIC), 2011 10-я Международная конференция. ИИЭР, 2011.
  10. ^ Фурс, Синтия ; Смит, Пол; Ло, Чет. «Датчики с расширенным спектром для обнаружения критических неисправностей. Архивировано 1 мая 2010 г. в archive.today в Live Wire Networks», Структурный контроль и мониторинг работоспособности, 6 июня 2005 г.
  11. ^ Бахрампур, Сохейл; Мошири, Бехзад; Салахшур, Карим. «Взвешенная и ограниченная возможностная кластеризация C-средств для онлайн-обнаружения и изоляции неисправностей [1] » Applied Intelligence, том 35, стр. 269–284, 2011 г. , 6 июня 2005 г.
  12. ^ «Надежный остаточный выбор для обнаружения неисправностей», 2014.
  13. ^ Чен, Кунджин; Хуан, Каовэй; Хэ, Цзиньлян (1 апреля 2016 г.). «Обнаружение, классификация и локализация неисправностей линий электропередачи и распределительных систем: обзор методов» . Высокое напряжение . 1 (1): 25–33. дои : 10.1049/hve.2016.0005 .
  14. ^ Вердье, Гислен; Феррейра, Ариана (февраль 2011 г.). «Адаптивное расстояние Махаланобиса и правило $k$-ближайшего соседа для обнаружения неисправностей в производстве полупроводников». Транзакции IEEE по производству полупроводников . 24 (1): 59–68. дои : 10.1109/TSM.2010.2065531 . S2CID   23707431 .
  15. ^ Тянь, Цзин; Морилло, Карлос; Азарян, Майкл Х.; Пехт, Майкл (март 2016 г.). «Обнаружение неисправностей подшипников двигателя с использованием спектрального выделения признаков на основе эксцесса в сочетании с анализом расстояний K-ближайшего соседа». Транзакции IEEE по промышленной электронике . 63 (3): 1793–1803. дои : 10.1109/TIE.2015.2509913 . S2CID   265207 .
  16. ^ Сафизаде, М.С.; Латифи, Словакия (июль 2014 г.). «Использование объединения данных нескольких датчиков для диагностики вибрационных неисправностей подшипников качения с помощью акселерометра и тензодатчика». Информационный синтез . 18 : 1–8. дои : 10.1016/j.inffus.2013.10.002 .
  17. ^ Лю, Цзе; Зио, Энрико (декабрь 2016 г.). «Векторная регрессия признаков с эффективной настройкой гиперпараметров и геометрической интерпретацией». Нейрокомпьютинг . 218 : 411–422. дои : 10.1016/j.neucom.2016.08.093 .
  18. ^ Jump up to: а б с Лю, Руонань; Ян, Боюань; Зио, Энрико; Чен, Сюэфэн (август 2018 г.). «Искусственный интеллект для диагностики неисправностей вращающихся машин: обзор». Механические системы и обработка сигналов . 108 : 33–47. Бибкод : 2018MSSP..108...33L . дои : 10.1016/j.ymssp.2018.02.016 . S2CID   125976702 .
  19. ^ Джентон, Марк Г. (2001). «Классы ядер для машинного обучения: взгляд на статистику». Журнал исследований машинного обучения . 2 : 299–312. дои : 10.1162/15324430260185646 .
  20. ^ Jump up to: а б Коциантис, С.Б.; Захаракис, И.Д.; Пинтелас, ЧП (2006). «Машинное обучение: обзор методов классификации и комбинирования». Обзор искусственного интеллекта . 26 (3): 159–190. дои : 10.1007/s10462-007-9052-3 . S2CID   1721126 .
  21. ^ Верселлис, Карло (2008). Бизнес-аналитика: интеллектуальный анализ данных и оптимизация для принятия решений ([Online-Ausg.]. Под ред.). Хобокен, Нью-Джерси: Уайли. п. 436. ИСБН  978-0-470-51138-1 .
  22. ^ Сараванан, Н.; Сиддабаттуни, В.Н.С. Кумар; Рамачандран, К.И. (январь 2010 г.). «Диагностика неисправностей прямозубой конической коробки передач с использованием искусственной нейронной сети (ИНС) и машины проксимальных опорных векторов (ПСВМ)». Прикладные мягкие вычисления . 10 (1): 344–360. дои : 10.1016/j.asoc.2009.08.006 .
  23. ^ Хуэй, Кар Хоу; Оой, Чинг Шэн; Лим, Мэн Хи; Леонг, Мохд Салман (15 ноября 2016 г.). «Гибридная искусственная нейронная сеть с теорией Демпстера-Шафера для автоматической диагностики неисправностей подшипников» . Журнал вибротехники . 18 (7): 4409–4418. дои : 10.21595/jve.2016.17024 .
  24. ^ Ци, Гуаньцю; Чжу, Чжицинь; Эркинху, Ке; Чен, Инонг; Чай, Йи; Сунь, Цзянь (январь 2018 г.). «Диагностика неисправностей поршневых компрессоров с использованием больших данных и машинного обучения». Практика и теория имитационного моделирования . 80 : 104–127. дои : 10.1016/j.simpat.2017.10.005 . S2CID   5850817 .
  25. ^ Сантос, Педро; Вилла, Луиза; Реньонес, Анибал; Бустильо, Андрес; Модес, Хесус (9 марта 2015 г.). «Решение на основе SVM для обнаружения неисправностей ветряных турбин» . Датчики . 15 (3): 5627–5648. Бибкод : 2015Senso..15.5627S . дои : 10.3390/s150305627 . ПМЦ   4435112 . ПМИД   25760051 .
  26. ^ Вонг, Пак Кин; Ян, Чжисинь; Вонг, Чи Ман; Чжун, Цзяньхуа (март 2014 г.). «Диагностика неисправностей систем газотурбинных генераторов в режиме реального времени с использованием машины экстремального обучения». Нейрокомпьютинг . 128 : 249–257. дои : 10.1016/j.neucom.2013.03.059 .
  27. ^ Тянь, Ян; Фу, Мэнъю; Ву, Фанг (март 2015 г.). «Диагностика повреждений стальных пластин на основе машин опорных векторов». Нейрокомпьютинг . 151 : 296–303. дои : 10.1016/j.neucom.2014.09.036 .
  28. ^ Льв, Фейя; Вэнь, Чэнлинь; Бао, Цзэцзин; Лю, Мэйцинь (июль 2016 г.). «Диагностика неисправностей на основе глубокого обучения». Американская конференция по контролю (ACC), 2016 г. стр. 6851–6856. дои : 10.1109/ACC.2016.7526751 . ISBN  978-1-4673-8682-1 . S2CID   6019009 .
  29. ^ Го, Шэн; Ян, Тао; Гао, Вэй; Чжан, Чен (4 мая 2018 г.). «Новый метод диагностики неисправностей вращающегося оборудования на основе сверточной нейронной сети» . Датчики . 18 (5): 1429. Бибкод : 2018Senso..18.1429G . дои : 10.3390/s18051429 . ПМЦ   5982639 . ПМИД   29734704 .
  30. ^ Хоанг, Дуй-Тан; Кан, Хи Джун (2019). «Диагностика неисправностей подшипников качения с использованием сверточной нейронной сети и изображения вибрации». Исследование когнитивных систем . 53 : 42–50. дои : 10.1016/j.cogsys.2018.03.002 . S2CID   53265827 .
  31. ^ Лэй, Яго; Цзя, Фэн; Линь, Цзин; Син, Сайбо; Дин, Стивен X. (май 2016 г.). «Интеллектуальный метод диагностики неисправностей с использованием неконтролируемого обучения функциям для обработки больших данных в области механики». Транзакции IEEE по промышленной электронике . 63 (5): 3137–3147. дои : 10.1109/TIE.2016.2519325 . S2CID   2380770 .
  32. ^ Шао, Хайдун; Цзян, Хункай; Чжан, Сюнь; Ню, Маогуй (1 ноября 2015 г.). «Диагностика неисправностей подшипников качения с использованием оптимизации сети глубоких убеждений». Измерительная наука и технология . 26 (11): 115002. Бибкод : 2015MeScT..26k5002S . дои : 10.1088/0957-0233/26/11/115002 . S2CID   123774474 .
  33. ^ Цзя, Фэн; Лэй, Яго; Линь, Цзин; Чжоу, Синь; Лу, На (май 2016 г.). «Глубокие нейронные сети: многообещающий инструмент для анализа характеристик неисправностей и интеллектуальной диагностики вращающихся механизмов с использованием больших данных». Механические системы и обработка сигналов . 72–73: 303–315. Бибкод : 2016MSSP...72..303J . дои : 10.1016/j.ymssp.2015.10.025 .
Retrieved from "https://en.wikipedia.org/w/index.php?title=Fault_detection_and_isolation&oldid=1233019650"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 338e321e88e9e3bf223c17dc29a6562f__1720289580
URL1:https://arc.ask3.ru/arc/aa/33/2f/338e321e88e9e3bf223c17dc29a6562f.html
Заголовок, (Title) документа по адресу, URL1:
Fault detection and isolation - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)