Применение нейронных сетей для построения систем диагностики

На рис. 12 - постоянная времени переходного процесса, Ls’, rs – активное сопротивление и переходная индуктивность статора, иψ – падение напряжения, создаваемое в обмотках статора магнитным потоком ротора.
ИНС должна решать задачу фильтрации временных сигналов, следовательно, выполнять функцию предсказывающего фильтра, когда по некоторому количеству предыдущих отсчетов сигнала «токового коридора» (Тк), i (Тк -1),..., i (Тк-n-1) на выходе получаем значение гладкой составляющей i0 (Тк) с заданной точностью и во всем диапазоне рабочих частот и амплитуд сигналов.
Для выявления наиболее подходящих параметров ИНС, а также ее особенностей при решении поставленной задачи исследование целесообразно начать с упрощенной модели статорной обмотки АД без учета иψ и с использованием в обучающей выборке только номинальных значений частоты и амплитуды. С помощью данного упрощения, используя метод переменной структуры при оптимизации архитектуры ИНС, был сделан вывод о целесообразности использования в задаче двухслойных сетей, содержащих логические и линейные функций активации соответственно в скрытых и выходных слоях. Также была получена зависимость ошибки обучения ИНС от числа ее входов и количества нейронов в скрытом слое.
Обучающая выборка может быть представлена как равномерная сетка, где строки и столбцы являются соответственно значениями частот и амплитуд рабочего диапазона токовых сигналов системы. При таком подходе требуется огромный объем обучающих данных, что, в конечном счете, отразится на размерности ИНС. Таким образом, необходимо определять характерные частоты и амплитуды сигналов, обучившись на которых сеть смогла бы демонстрировать хорошие обобщающие свойства и работать с заданной ошибкой во всем диапазоне сигналов. Анализ работы ИНС при обучении и тестировании на различных сигналах позволил сформировать требуемую обучающую выборку.
При помощи среды Mathcad в работе [20] определн КИХ- и нейросетевой фильтры, обучение и настройка которых была произведена в среде MATLAB с помощью пакета расширения Neural Network Toolbox. Погрешность их работы определялась как геометрическая сумма двух ее составляющих: фазовой ошибки, появляющейся в результате сдвига фаз соответственно входного и выходного сигналов, а также ошибки по амплитуде, определяемой точностью обработки сигнала. Показано, что полученная ошибка работы ИНС по крайне мере не хуже погрешности традиционного КИХ-фильтра (рис. 10).














а) б)
Рисунок 10 – Внешней вид ошибки фильтрации КИХ-фильтра а) и нейросетевого фильтра б)

После того, как были выявлены основные особенности обучения и функционирования ИНС, которая применяется для фильтрации сигналов, от упрощенной схемы обмотки АД можно перейти к полной модели двигателя в системе векторного управления. Поэтому обучать ИНС необходимо на сигналах той системы, где предполагается ее функционирование.

3.5 Использованию ИНС в управлении технологическими процессами

Во многих приложениях, которые связаны с управлением технологическими производственными процессами, функционально-приближенная архитектура ИНС достаточно проста, и она хорошо справляется с моделированием производственных процессов. ИНС необходимо обучать исходя из наборов данных, которые получены при помощи самого лучшего из возможных вариантов параметрического тестирования. Чтобы смоделировать управление процессом должным образом, пользователь должен выбрать переменную процесса и сформировать набор данных для обучения. Этот набор должен покрыть весь возможный диапазон обучения и соответствовать его функциональному назначению. Набор данных содержит данные, связанные со входами, и должен коррелировать их к целевому назначению. Входы, используемые при обучении, определяют пространство управления нейронной сетевой модели [10].
Все записи набора данных выполняются с временными метками, которые определяют их целевой отсчет по времени захвата и значение параметра входа. Наборы данных должны быть привязаны к конфигурации оборудования, которая имела место в момент приобретения системы. Для повышения надежности модели, устранения помех и снижения стоимости критически важное значение имеет правильный выбор модели входов. При этом калибровка должна быть завершена для всех входов еще до получения данных. Это необходимо для того, чтобы установить их базовый опорный уровень.
После того как набор данных был получен, он должен быть разобран на три подмножества: обучение, испытание и валидацию. Обучение ИНС предполагает обратное распространение ошибки между выходом модели и целевым значением и представляет собой итеративный процесс обратного распространения. Он нуждается в том, чтобы была разработана стратегия, делающая упор на надежность и подтверждение достоверности. Значения (веса) и их смещения для каждого нейрона предоставляются в процессе обучения. Отчет о валидации должен быть рассмотрен еще до внедрения системы на платформе управления и должен показать совпадение целевой функции управления в фазе с моделью при минимальной погрешности.
Большинство программ обучения ИНС работают при помощи ПК, а основные платформы управления уже имеют весь необходимый набор команд для настройки модели ИНС.
При этом важно, чтобы HMI (Human-Machine Interface) отображал выход модели, входы, сигналы тревоги, технологические установки процесса, предоставлять возможность выбора режима (автоматический/ручной) и стратегии управления (обычная/альтернативная) (рис. 11).







Рисунок 11 – Внешний вид окна HMI для виртуальной измерительной системы (а) и многоканального MIMO-контроллера (б)

Также реальное пространство управления может привести к созданию недопустимой точки вектора внешнего управления пространством. При этом необходимо иметь некий альтернативный контроль или стратегию измерения. На рис. 15 представлена модель базовой стратегии контроллера, которая в случае возникновения ситуации находится вне ее пространства управления и подает аварийные сигналы оператору, и система автоматически переключается на альтернативный алгоритм управления. Такое переключение также может быть оставлено на усмотрение оператора, если характеристики процесса являются, по его мнению, приемлемыми.







Рисунок 15 – Внешний вид ручного или автоматического переключения на альтернативную стратегию управления

Заключение

В заключении отметить, что даже самая лучшая НС, которая обучена по лучшим правилам, не способна заменить реальные процессы. В то же время, многие НС применяются для диагностики в различных направлениях науки и техники для повышения качества результатов. Приведенные описания применения НС в различных научных и технических направлениях показали целесообразность их применения и практическую ценность. Также при постановке задачи, пространства поиска, предметной области НС обеспечивают более высокую эффективность работы. На сегодняшний день ИНС бесспорно являются приоритетным направлением дальнейших исследований.
В данной работе достигнута основная цель – описано применение нейронных сетей в диагностике.
Также в процессе написания реферата были использованы современные и классические источники литературы и глобальной сети Internet.

Список использованной литературы

Черниговская Т.В. Чеширская улыбка кота Шрёдингера: язык и сознание. M.: Языки славянской культуры, 2013. — 448 с.
Чубукова И. А. Data Mining: учебное пособие. — М.: Интернет-университет информационных технологий: БИНОМ: Лаборатория знаний, 2006. – 326 с.
Каллан, Роберт. Основные концепции нейронных сетей: Пер. с англ. — М. : Издательский дом «Вильямс». – 2001. — 287 с.
Ясницкпй Л. Н. Интеллектуальные системы : учебник / Л. И. Ясницкий. — М. : Лаборатория знаний, 2016. —221 с.
Dagli C.H. (ed.) Artificial Neural Networks for Intelligent Manufacturing. Springer, 1994. — 474 p.
Веселов О.В., Сабуров П.С. Методы искусственного интеллекта в диагностике. Учеб. пособие. — Владимир : Изд-во ВлГУ, 2015. — 251 с.
Ахметов Б., Сейлова Н., Боскебеев К., Алимсеитова Ж. Применение искусственных нейронных сетей для распознавания биометрических образов. Вестник Национальной академии наук Республики Казахстан 2017 №06. С 75–83.
Толмачев В.А. Использование нейросетевых устройств в системах векторного управления асинхронным электроприводом.//В.А. Толмачев, А.А. Усольцев, Д.В. Лукичев / Научно-технический вестник информационных технологий, механики и оптики. Общие и комплексные проблемы естественных и точных наук. Санкт-Питербург, 2005. – С. 28 – 34.
Пятаева А.В., Раевич К.В. Интеллектуальные системы и технологии. Учебное пособие. — Красноярск: Сибирский федеральный университет, 2018. — 144 с.
Джимми У. Ки (Jimmy W. Key). Искусственные нейронные сети управления технологическими процессами. Часть 2/ У. Ки Джимми //Control Engineering России. №4 (64). 2016. – С. 106 – 110.








4