ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ИЗДЕЛИЙ

Кацуба Ю. Н.¹, Григорьева Л.В.²

¹Кандидат технических наук, доцент, Национальный Минерально-сырьевой университет «Горный», ²Кандидат химических наук, доцент, Национальный Минерально-сырьевой университет «Горный»

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ИЗДЕЛИЙ

Аннотация

В статье рассмотрены подходы применения метода искусственных нейронных сетей к решению задач прогнозирования технического состояния изделий. Ключевые слова: изделия, диагностирование, прогнозирование, искусственные нейронные сети.  

Katsuba Y. N.¹, Grigorieva L. V.²

¹PhD in Engineering, associate professor, National Mineral resources University "Mining", ²PhD in Chemistring, associate professor, National Mineral resources University "Mining"

APPLICATION OF ARTIFICIAL NEURAL NETWORKS FOR PREDICTING STATE OF ENGINEERING

Abstract

The article describes the approaches of the method of artificial neural networks to address the state of engineering problems of forecasting. Keywords: products, diagnostics, forecasting, artificial neural networks.  

В технической диагностике обычно говорят о прогнозировании состояния объекта диагностирования (ОД), которое основывается на данных об изменениях, происходящих в объекте с течением времени под влиянием внешних воздействий и внутренних необратимых процессов изнашивания и физико-химических превращений.

Физическая картина изменения состояния объектов диагностирования является научной основой, объясняющей происхождение количественных изменений в объекте и возможный переход в другое качественное состояние, неисправное или неработоспособное.

В основе прогнозирования времени безотказной работы ОД лежит модель выработки ресурса при различных режимах эксплуатации, вид которой в основном определяется характером интенсивности эксплуатации.

С момента изготовления изделия степень его работоспособности постепенно ухудшается, причем скорость изменения работоспособности у электронных и механических объектов разная. Причинами возникновения отказов изделий в большинстве случаев являются: изнашивание поверхностей, деформация и механические разрушения материалов, нарушение электрической прочности (пробой), тепловое разрушение элементов (перегорание, расплавление).

В процессе диагностирования объекта, решается и задача прогнозирования технического состояния изделия.

Выполнить достоверное прогнозирование возможно только в том случае, когда известны условия, в которых ОД будет применяться. При этом под условиями понимаются: режимы использования, характер нагрузки, внешние факторы, действующие на объект диагностирования.

Таким образом, чем больше протекающих физико-химических процессов, являющихся причинами появления отказов изделия, тем сложнее характер изменения работоспособности, и тем труднее осуществить точное прогнозирование состояния объекта диагностирования.

При решении задачи прогнозирования технического состояния изделия во времени, имеем дело со случайными процессами, представляющие изменения случайной величины при изменении неслучайного параметра. Случайными величинами являются значения диагностических признаков, а неслучайным параметром будет время или пробег с начала эксплуатации изделия.

При этом изменение параметров, случайных для одного изделия, имеют устойчивый статистический характер для группы объектов.

Причем явно выражена тенденция к монотонности и плавности, что является одной из решающих предпосылок для прогнозирования.

Прогнозирование возможно, если в случайном процессе, характеризующем изменение параметра, возможно установить определенную закономерность, определяющую износ или старение.

При прогнозировании в большинстве случаев измерить время безотказной работы нельзя, поэтому важно определить диагностический параметр, т.е. такую величину, которая адекватно отражает выработку ресурса ОД или появление дефекта, приводящего к потере работоспособности изделия.

Предлагается экспертная система прогнозирования технического состояния изделия на основе математического аппарата искусственных нейронных сетей (ИНС).

Гибридные искусственные нейронные сети представляют собой объединение различного рода нейронных сетей и концепций их обучения. Они предназначены для решения различного рода задач, таких как распознавание образов, прогнозирование, аппроксимация функций и т. д.

Задача прогнозирования технического состояния изделия на основе математического аппарата искусственных нейронных сетей формализуется через задачу распознавания образов. Данных о прогнозируемой переменной за некоторый промежуток времени, которые образуют образ, класс которого определяется значением прогнозируемой переменной в некоторый момент времени за пределами данного промежутка, т.е. значением переменной через интервал прогнозирования.

Метод предполагает использование двух временных интервалов (окон) Wi и Wo, с фиксированными размерами Х и Y соответственно. Эти окна, способны перемещаться с некоторым шагом, начиная с первого элемента, и предназначены для доступа к базе данных значений параметров полученных при диагностировании изделия, причем первое окно Wi, получив такие данные, передает их на вход ИНС, а второе - Wo - на выход. Получающаяся на каждом шаге пара

Wi → Wo                                                                          (1)

используется как элемент обучающей выборки (распознаваемый образ, или наблюдение).

Каждый следующий вектор получается в результате сдвига окон Wi и Wo на установленный интервал (времени работы или пробега изделия).

Предполагается наличие скрытых зависимостей полученных при диагностировании значений параметров, составляющих базу данных, как множестве наблюдений.

Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь закономерности и сформировать в результате требуемую функцию прогноза.

Для конструирования процесса обучения, прежде всего, необходимо иметь модель внешней среды, в которой функционирует нейронная сеть, т.е. знать доступную для сети информацию. Эта модель определяет парадигму обучения. Во-вторых, необходимо понять, как (по какому алгоритму) модифицировать весовые параметры сети, т.е. какие правила обучения управляют процессом настройки. Алгоритм обучения означает процедуру, в которой используются правила обучения для настройки весов. Эффективность обучения многослойных нейронных сетей зависит от числа слоев, числа элементов в скрытых слоях нейронной сети и начальной инициализации весовых коэффициентов. Разная инициализация весовых коэффициентов нейронной сети может приводить к различным решениям задачи. Важную роль здесь играет размер случайно инициализируемых синаптических связей. Рекомендуется [7] случайно выбирать значения весовых коэффициентов, которые имеют следующий порядок:

                                                                                (2)

где n (i) - число нейронных элементов в слое i.

Большую роль для эффективности обучения играет архитектура нейронной сети. Размерность входного и выходного слоев нейронной сети определяется из условия решаемой задачи или обучающей выборки.

Как было доказано в работе [8], при помощи трехслойной нейронной сети можно аппроксимировать любую функцию со сколь угодно заданной точностью. При этом точность аппроксимации зависит от числа нейронов в скрытом слое. Чем больше число нейронных элементов в скрытом слое, тем больше точность.

Контроль технического состояния изделия в процессе диагностирования производится с помощью нейронных предикторов. Нейронный предиктор (рис. 1) это математическая модель на базе искусственной нейронной сети, которая осуществляет предсказание выходного вектора состояния изделия по его предыстории на один шаг вперед. Для использования нейронного предиктора его необходимо обучить на данных, полученных при диагностировании исправного изделия при его работе в различных динамических режимах. При обучении нейронная сеть аппроксимирует функциональную зависимость между входными сигналами X и выходными Y.

В качестве примера [6], для входных сигналов выступают напряжения на обмотках, угловая скорость и момент сопротивления, полученные в ИНС от датчиков, и дополнительно те же сигналы, задержанные на некоторое время. Выходным сигналом является предсказанный на один шаг электрический ток в обмотке.

Рис. 1 - Блок-схема нейронного предиктора

После обучения нейронный предиктор подключается к объекту диагностирования. Точность предсказания предиктора зависит от времени обучения, объема и качества обучающей выборки.

При исправном объекте диагностирования (электродвигателе) выходной сигнал предиктора практически совпадает с реально измеренным током, а в случае возникновения неисправности возникает рассогласование Δ. По величине и знаку рассогласования, а также скорости изменения величины рассогласования можно производить диагностику технического состояния изделия.

Прогнозирование состояния ОД осуществляется по тому же принципу, что и формирование обучающей выборки. При этом выделяется две возможности: одношаговое и многошаговое прогнозирование. Одношаговое прогнозирование используется для краткосрочных прогнозов. Данный прогноз осуществляется только на требуемый временной интервал (пробег), для этого используется (учитывается) реальное техническое состояние ОД, а не прогнозируемое значение, для осуществления прогноза на следующем шаге.

Многошаговое прогнозирование используется для осуществления долгосрочного прогноза и предназначено для определения основной закономерности изменения технического состояния изделия, для некоторого промежутка времени в будущем.

При этом прогнозирующая система использует полученные (выходные) данные для установленных временных интервалов (пробегов).

Предположим, система обучилась распознавать техническое состояние изделия на определенном временном интервале (пробеге). Затем система спрогнозировала техническое состояние изделия (ОД) на следующем интересующем исследователя временном интервале, когда на ее вход был подан последний из известных ей образов. После этого система осуществляет дальнейшее прогнозирование и на вход подается следующий полученный системой образ. Последний элемент этого образа на заданном временном интервале работы (пробеге) изделия является прогнозом системы.

Предложенный метод прогнозирования технического состояния изделия на основе математического аппарата искусственных нейронных сетей позволяет получить быстродействие за счет распараллеливания потоков обработки диагностической информации и повышение достоверности прогноза.

 

Литература

1. Anil K., Jain, Jianchang Mao, K.M. Mohiuddin. Artificial Neural Networks: A Tutorial, IEEE Computer, Vol.29, No.3, March/1996, pp. 31-44.
2. Беляков, В.В., Бушуева, М.Е., Сагунов, В.И. Многокритериальная оптимизация в задачах оценки подвижности, конкурентоспособности автотракторной техники и диагностики сложных технических систем / В.В. Беляков, М.Е. Бушуева, В.И. Сагунов. Н. Новгород: НГТУ, 2001, 271 с.
3. Викторова, Е.В. Применение нечетких нейронных сетей для технической диагностики дорожных машин / Е.В. Викторова // Вестник ХНАДУ, - 2012, - вып. 56. – С. 98-102.
4. Семыкина, И.Ю. Испытательный комплекс для оценки режимов работы электроприводов горных машин / И.Ю. Семыкина, А.В. Киселев, Р.А. Кольцов // Журнал научных публикаций аспирантов и докторантов. – 2012. – № 9(75). – С. 82-87.
5. Хаханов, В.И., Щерба, О.В. Применение искусственных нейронных сетей для диагностирования цифровых сетей / В.И. Хаханов, О.В. Щерба // Радиоэлектронные и компьютерные системы. – 2010. - № 5 (46), - С. 15-20.
6. Кацуба, Ю.Н., Власова, И.В. Применение искусственных нейронных сетей для диагностирования изделий /Ю.Н. Кацуба, И.В. Власова // Международный научно-исследовательский журнал. – 2015. - № 3 (34), часть 1. – С. 68-70.

7. Галушкин, А.И. «Формирование начальных условий для ускорения     настройки коэффициентов нейронных сетей в задачах оптимизации».       Научная сессия МИФИ – 2006. VIII Всероссийская научно-техническая       конференция «Нейроинформатика-2006» Сборник научных трудов. В 3-х     частях. Ч.2. М.: МИФИ, 2006. с. 87-94.8. Ludermir, T.B., Yamazaki, A., Zanchettin, C. «An Optimization Methodology     for Neural Network Weights and Architectures». IEEE Transactions on Neural    Networks, vol. 17, no. 6, November 2006, pp. 1452-1459.  

References

1. Anil, K., Jain, Jianchang, Mao, Mohiuddin, K. M. Artificial Neural Networks: A Tutorial, IEEE Computer, Vol.29, No.3, March/1996, pp. 31-44.
2. Belyakov centuries, Bushuyeva M. E., Sapunov Century. And. multi-objective optimization tasks assess the mobility and competitiveness of automotive engineering and diagnostics of complex technical systems / in. A. Belyakov, M. E. Bushuev, V. I. Sapunov. N. Novgorod: Nizhny Novgorod state technical

University, 2001, p. 271.

3. Viktorova, E. C. Application of fuzzy neural networks for technical diagnostics of road machinery / E. C. Viktorova // Vestnik hndu, - 2012, - vol. 56. - pp. 98-102. 4. Semykina, I. Y. and Test facility for the evaluation of modes of electric mining machines / I. Y. Semykina, A. C. Kiselev, R. A. Koltsov // Journal of scientific publications of graduate students and doctoral candidates. - 2012. - № 9(75).

- pp. 82-87.

5. Hahanov, C. I., szczerba, O. C. Application of artificial neural networks for diagnosis of digital networks / C. I. Hahanov, O. C. szczerba // Radioelectronic and computer systems. - 2010. - № 5 (46), - pp. 15-20.
6. Katsuba, Y. N., Vlasova, I. V. Application of artificial neural networks for diagnostic products /J. N. Katsuba, I.V. Vlasova // International research journal. – 2015. - № 3 (34), part 1. – pp. 68-70.
7. Galushkin, A. I. «The Formation of initial conditions for acceleration of setting of the coefficients of neural networks in optimization problems». Scientific session MEPhI – 2006. VIII all-Russian scientific-technical conference Neuroinformatics-2006» Collection of scientific works. In 3 parts. Part 2. Moscow, MEPhI, 2006. pp. 87-94.

8. Ludermir, T.B., Yamazaki, A., Zanchettin, C. «An Optimization Methodology     for Neural Network Weights and Architectures». IEEE Transactions on Neural     Networks, vol. 17, no. 6, November 2006, pp. 1452-1459.