CC BY
49
УДК 519.1: 621 Д.М. Шпрехер
ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ДИАГНОСТИРОВАНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ ГОРНЫХ МАШИН В НЕЙРОСЕТЕВОМ БАЗИСЕ
Приведены экспериментальные результаты диагностирования работы электрооборудования погрузочной машины непрерывного действия 2ПНБ2. Показано преимущество применения нейросетевого распознающего устройства по сравнению с классическими.
Ключевые слова: электромеханическая система, нейронная сеть, диагностика.
^адача контроля и прогнозирования электромеханических систем (ЭМС) горных машин трактуется как задача распознавания текущего или прогнозного технического состояния (ТС) ЭМС. Для решения данной задачи система распознавания сначала проходит стадию обучение. Обучение распознающей нейронной сети (НС) производится посредством показа ей образов, принадлежность которых к тому или иному классу известна. Геометрически, в базисе многослойных НС, обучающихся по правилу обратного распространения ошибки, результат обучения состоит в построении такой поверхности, которая в каком-либо смысле лучше всего разделяла бы многомерное пространство образов на различимые классы состояний ЭМС.
Возможности диагностирования ЭМС на основе многослойных НС рассмотрим на примере данных эксплуатации электрооборудования погрузочной машины непрерывного действия 2ПНБ2.
При проведении экспериментов регистрировались различные количественные характеристики (параметры) электромеханического оборудования. Измеряемые характеристики сформированы в единый вектор, размером [32x1] - 32 параметра. Зарегистрированные через равные промежутки времени - 200 часов наработки, векторы параметров в количестве 800 измерений позволили сформировать обучающую выборку размерностью [32x800]. В экспериментах использовались абсолютные значения и разностное представление данных, когда представление отсчетов обнаруживает ве-
личину отклонения текущего i -го значения от его предыдущего (i -1)-го измерения (отсчета) по каждому из параметров выборки: А _
Xi Xi Xi—1 .
Можно считать, что решается задача выделения одного сигнала - конфигурации параметров ТС ЭМС на фоне "шумов" измеряемых параметров в системе управления и диагностики. Соответственно, требуется совмещение модели распознающей последовательности г параметров на основе многослойной НС с методом синхронного накопления и мажоритарной обработки. Решение о ТС по измеренным признакам принимается по окончании цикла нескольких измерений. При диагностике погрузочной машины проводились серии из 10^100 съемов измерительной информации в различных режимах работы электрооборудования, при одном и том же ТС машины. Устойчивость распознавания достигается за счет того, что поскольку обучающие образцы выделяемой последовательности параметров ТС вещественны и однополярные, то складываются они арифметически, а помехи, имеющие различные значения и полярность складываются алгебраически. Процесс накопления значений помех измерений происходит медленнее, чем идет накопление значений вектора технического состояния, что увеличивает превышение уровня сигнала над помехой на входе НС классификатора состояний. Анализируя работу модели в терминах обработки сигналов, можно утверждать, что накопленный сигнал на входе НС классификатора состояний за г тактов приема измерительной информации в момент времени k равен:
г=Еу(к) = rS + Т,п{к ),
к=1 k=1
где -полезный сигнал, полагаемый неизменным от измерения к измерению; п(к) - некоррелированные в различные моменты времени к значения шума.
В задача распознавания одного из множества технических состояний в НС базисе эквивалентна задаче множественного распознавания по массиву измерительной информации.
Мажоритарность при использовании распознающих моделей заключается в конструировании набора векторов, которые образуют множество равновероятных представителей из некоторой фик-
сированной функции плотности распределения входных векторов. Каждый обрабатывающий элемент распознающей модели подсчитывает свою входную интенсивность в соответствии некоторой метрикой (евклидово расстояние). Решение принимается аналогично принятию решений в оптимальном классификаторе, производящим измерение параметра и образующем коэффициент правдоподобия: наиболее вероятное значение 5 5 - вид распознаваемого
технического состояния, или номер технического состояния) - есть такое значение 5, при котором плотность вероятности и коэффициент правдоподобия максимальны, и определяется как результат классификации.
Условием эффективного применения алгоритмов распознавания или прогнозирования технического состояния ЭМС состоит в симметричной бинарной или биполярной кодировке целевых векторов, когда все попарные расстояния между входными эталонами равны: { 5,0Д...,0} - 1-й целевой вектор, {0, 5,0,0,..,0} - 2-й целевой вектор, ...{0,...Д0, 5 } - П -й целевой вектор, где 5 - величина определяемая архитектурой классификатора и структурой обучающих данных.
Специфичность архитектуры нейросетевой модели, распознающей по вектору измеряемых признаков ЭМС заключается в структуре целевых и выходных векторов обучающей выборки. В ходе экспериментов выходные векторы выглядели так, как показано на рис. 1. По оси X вектор значений параметров ЭМС. По оси У - значение вектора целевого отклика НС в безразмерных единицах.
Для прогнозирования и распознавания текущего технического состояния использовались многослойные НС прямого распространения сигналов, числом скрытых слоев не более 2, сигмоидной функцией активации нейронов промежуточных слоев, линейной функцией активации нейронов выходного слоя, настраиваемые различными методами обучения.
Использования классификатора по целевому назначению заключается в многократной подаче на вход неполного фрагмента вектора, содержащего измеряемые признаки (в случае контроля технического состояний) или полного вектора измеряемых
!1__________________I_________________I__________________I_________________I__________________I_________________
О 50 100 150 200 250 300
Рис. 1. Целевой вектор обучающей выборки электрооборудования погрузочной машины размерностью [1x256]
признаков на протяжении окна наблюдения (в случае прогнозирования технического состояния ЭМС) и вычисление отклика на выходе нейронов выходного слоя. На выходе фиксируется номер Г вычислительного элемента (нейрона), с максимальным значением
выхода у. - г = argmax {у.). Номер Г максимально активного эле./
мента характеризует вид вектора параметров технического состояния электрооборудования погрузочной машины.
На рис. 2 представлены зависимости достоверности G распознавания вида текущего технического состояния электрооборудования погрузочной машины от эквивалентного соотношения S / N сигнал/шум по признакам, в зависимости от числа N измеряемых параметров, по которым решалась задача классификации.
Номер максимального пика отклика в выходном слое НС модели показывает, вид текущего технического состояния электрооборудования погрузочной машины и степень "уверенности" классификатора, аналогично высоте пика коррелятора при обнаружении известного сигнала в шуме (Из статистической теории обнаружений известно, что оптимальным фильтром
для обнаружения сигнала заданной формы на фоне белого шума является коррелятор, образующий взаимную корреляционную функцию ожидаемого сигнала и смеси сигнала и шума, поступающего на вход фильтра).
(разы)
Рис. 2. Зависимость вероятности G правильного распознавания текущего технического состояния электрооборудования погрузочной машины
Рис. 3. Отклик на выходе распознающих устройств при подаче вектора изме-ряеемых признаков электрооборудования погрузочной машины: а) корреляционного и Ь) нейросетевого типов
На рис. 3 показан отклик на выходе распознающих устройств корреляционного и НС- типов, из которого явно следует преимущество в контрастировании (формируем такой выход в выходном слое НС, чтобы был пик как у коррелятора - контрастный на фоне других откликов НС) результатов НС моделей перед классическими корреляционными. ІДЇШ
КОРОТКО ОБ АВТОРЕ -----------------------------------------
Шпрехер Дмитрий Маркович - Новомосковский институт ГОУ ВПО «РХТУ им. Д.И. Менделеева», доцент кафедры «Электротехника», кандидат технических наук, доцент, shpreher-d@vandex.ru.
