CC BY
72
УДК 629.735.03
ОБРАБОТКА БОЛЬШИХ ОБЪЕМОВ ПАРАМЕТРИЧЕСКОЙ ИНФОРМАЦИИ С ПОМОЩЬЮ НЕЙРОННОЙ СЕТИ КОХОНЕНА
М.П. СОКОЛОВ
Статья представлена доктором технических наук, профессором Чичковым Б.А.
В статье показана эффективность использования нейросетевых структур Кохонена для обработки больших массивов данных, на примере обнаружения момента возникновения опасных вибраций наземной газотурбинной установки ГТУ55СТ-20.
Для диагностирования технического состояния авиадвигателя необходимо проводить анализ временного ряда значений контролируемых параметров. В ряде случаев графическое представление временных рядов (включая и трехмерное отображение) позволяет достоверно оценить отклонения, вызванные дефектами или повреждениями конструкции двигателя. Однако такой анализ достаточно трудоемок вследствие необходимости обработки больших массивов информации и требует высокой квалификации и опыта эксперта. Полезным, с точки зрения снижения размерности больших массивов многомерных данных, может быть применение методов нейросетевого преобразования информации.
Эффективность такого рода преобразований показана в работе на примере обнаружения момента зарождения «аномальных» вибраций, развитие которых привело к отказу наземной газотурбинной установки ГТУ55СТ-20.
При проведении стендовых испытаний наземной газотурбинной установки ГТУ55СТ-20 произошло резкое ухудшение вибрационных характеристик двигателя и его разрушение.
По результатам просмотра временной реализации значений параметров вибрации, замеряемых датчиками, установленными в зоне передней и задней подвески, в процессе испытаний двигателя, был выявлен момент времени резкого роста амплитуды сигнала (рис. 1). Выявленный момент соответствует отказу двигателя.
Дальнейшие исследования были направлены на выявление момента «зарождения» аномальных вибраций (до начала резкого роста их уровня), а также определения характеристик вибросигнала, характеризующих проявление дефекта.
Исследуемое (входное) множество данных формировалось из значений параметров вибрации, измеренных датчиками вибрации в зоне передней и задней опор, а также частоты вращения ротора двигателя.
Для обнаружения момента возникновения аномальных вибраций была применена методика преобразования сигнала с помощью нейронной сети Кохонена. Само преобразование осуществляется в рамках направленного итерационного процесса обучения, в результате которого происходит подгонка весовых векторов нейронов к целевым векторам множества обучающих наблюдений. При этом задача эксперта состоит главным образом в том, чтобы правильно сформировать входное множество данных, выбрать конфигурацию нейронной сети и настроечные характеристики процесса обучения.
Для удобства проведения нейросетевого преобразования информации все множество данных разбивалось на некоторые сегменты (окна), по 50.000 значений контролируемых параметров в каждом. Нумерация окон относительно временного ряда значений контролируемых параметров шла в рекурсивном порядке, т. е, если условно принять 0-м то измерение значения параметра, которое соответствует моменту времени непосредственно перед отказом двигателя, то в первое окно попали значения с 50.000-го до 0-го, во второе окно значения - от 100.000 - го до 50.000-го, и т.д. (см. рис. 1).
Рис. 1. Временная реализация вибраций в зоне передней подвески до и после момента
скачкообразного роста уровня амплитуд
Процесс преобразования данных с помощью сети Кохонена требователен к вычислительной мощности персонального компьютера. Поэтому для повышения скорости течения процесса следует сокращать набор данных, поступающий на входы нейронной сети.
В соответствии с вычислительной мощностью персонального компьютера, на котором проводилось исследование, из всего множества значений попавших в окно, анализу подвергалась 1.000 значений, отсчитываемых в рекурсивном, относительно времени их измерения, порядке от правой границы окна (рис. 1).
Данные были представлены в виде набора векторов X:
X = [VI, V2, п], (1)
где: v1 - значение вибрации в зоне передней подвески, мм/с; V2 - значение вибрации в зоне задней подвески, мм/с; п - частота вращения ротора двигателя, об\мин;
Входными данными, таким образом, являлся 3-х компонентный сигнал длиной 1.000 значений, который подавался на вход сети Кохонена.
Алгоритм нейросетевого преобразования состоит в следующем [2]:
А. Обучение нейронной сети
1. Нормализация входных данных. Нормализация положительным образом сказывается на скорости обучения нейронной сети. Осуществляется по формуле (2):
х
(2)
к
2=1
где: к = 3 - размерность пространства входных данных; х, - значение i-й компоненты вектора входных данных; xHopMj - нормализованное значение i-й компоненты вектора входных данных.
Таким образом, каждый компонент вектора делится на его евклидову длину.
2. Выбор начальных значений весовых векторов нейронов. Обычно компонентам весовых векторов присваивают малые случайные значения.
Wj = [Wvb WV2, Wn] , (3)
где: j - номер нейрона в карте Кохонена; wvi, wv2, wn - весовые коэффициенты, соответственно vi, v2, n - входов j - го нейрона карты Кохонена.
3. Из исходного набора данных случайным образом выбирается один из векторов и подается на вход нейронной сети.
4. Вычисление выходов нейронов. Выход образовывается в результате скалярного перемножения вектора входных значений на вектор весов соответствующего нейрона в карте.
Yj = XWj = vi • Wvi + v2 • Wv2 + n • Wn . (4)
5. Выбор нейрона «победителя». Нейроном победителем считается тот нейрон, выход кото-
рого максимален.
6. Настройка весовых векторов нейрона «победителя» и нейронов из его окрестности.
Wj(t+l) = Wj(t) + a[X- Wj(t)] . (5)
где: а- коэффициент скорости обучения; W(t) - значение вектора весов нейрона j на текущей
эпохе обучения; W(t+l) - значение вектора весов нейрона j на следующей эпохе обучения;
Таким образом, процесс обучения состоит в выборе нейрона с вектором, наиболее близким к вектору входных значений, и дальнейшем приближении весового вектора к входному со скоростью а
7. Возвращение к шагу 3 (конец цикла обучения).
8. Одной эпохой обучения считается предъявление сети всех наблюдений из обучающей выборки (шаги с 3 по 7 повторенные 1000 раз, поскольку 1000 - количество комплексных векторов в обучающей выборке, в соответствии с алгоритмом проводимого исследования).
Алгоритм повторяется определенное количество эпох.
Б. Последовательное предъявление обученной нейронной сети набора векторов входных данных. Формирование карты частот выигрышей
После завершения обучения каждый входной вектор из исходного набора попадет в «свой» нейрон. При этом в некоторые нейроны не попадет ни одного вектора, а в некоторые попадет несколько векторов. Распределение исходного набора векторов по нейронам очень показательно и отображается на карте частот. В общем случае, входные примеры равномерно распределяются по карте. Но если в данных есть ярко выраженные группы, то примеры распределяются неравномерно, образуя кластеры. Кластером может быть или обособленная группа из нескольких нейронов, в которую попало некоторое число входных примеров, или отдельный нейрон, в который попало большое число входных примеров.
Расчеты проводились с использованием пакета ST Neural Networks системы STATISTICA v.5.5 [1].
Первым этапом исследования стал этап конфигурирования сети и выбора характеристик процесса обучения.
Выбор количества элементов в выходном слое носил эмпирический характер и базировался на следующих соображениях. Малое количество элементов в выходном слое не позволит качественно провести визуализацию множества входных данных. Чрезмерная же величина элементов приведет к значительным затратам времени на обучение нейронной сети. Для решения за-
дачи была выбрана структура сети Кохонена с 49 элементами в выходном слое (квадрат со стороной 7 элементов).
Таблица
Характеристики настройки сети Кохонена
Характеристики 1 этап обучения 2 этап обучения
Коэффициент скорости обучения 0,1 0,01
Коэффициент соседства 1 0
Количество эпох 10000 10000
Обучение сети Кохонена проводилось в два этапа. Настройки нейронной сети на этапах обучения (таблица) были рассчитаны на то, чтобы сначала получить грубую картину визуализации комплексных сигналов на плоскости, а затем на оставшихся эпохах детализировать ее. Длительность этапов составляла по 10000 эпох. Количество эпох обучения выбиралось таким образом, чтобы на последних эпохах обучения карта частот выигрышей перестала заметно меняться (приобрела стационарность).
На первом этапе на каждой итерации модифицировались веса нейрона «победителя» и 8 нейронов, которые являются его соседями из единичной окрестности, по формуле (5).
Для второго этапа были выбраны точные настройки обучения нейронной сети. Модифицировались веса только нейрона «победителя» (формула (5) применялась только для нейрона «победителя»). Так как обучающее множество содержит сходные между собой входные векторы, то сеть должна научиться активировать один и тот же нейрон для каждого из них. В этом случае веса нейрона должны получаться усреднением входных векторов, которые должны его активировать. Малое значение коэффициента скорости обучения приводит к тому, что уменьшается воздействие каждого обучающего шага. Таким образом, окончательное значение веса входа нейрона будет средней величиной от входных векторов, на которых происходит обучение.
Результаты преобразования с помощью нейронной сети девяти временных интервалов комплексных сигналов для моментов времени, предшествующих скачкообразному росту уровня вибраций, представлены на рис. 2 в виде карт частот выигрышей (карты ранжированы по времени протекания процесса).
Анализ показывает, что карты реализаций после 4-го диапазона имеют качественные отличия от исходных карт с 1 по 3. Карты с 4 по 9 характеризуются плотностью частот выигрышей, сосредоточенной в одной области. Эта область существенно не меняет свою форму и ее место локализации существенно не изменяется. На картах с 1 по 3 плотность распределения размывается и локализуется в других областях карты. Данный факт свидетельствует о том, что до реализации, соответствующей 4 карте произошло качественное изменение связей между параметрами, характеризующими вибрационные процессы, что может являться следствием возникновения (развития) неисправности в двигателе.
Важной особенностью нейросетевого преобразования информации по предложенному алгоритму является отсутствие ограничений на размерность пространства входных данных. Эта возможность была использована для получения двумерного образа распределения значений контролируемых параметров в многомерном пространстве. Результаты, полученные в ходе анализа распределения частот выигрышей по картам Кохонена, позволили предположить, что на участке между 3 и 4 отрезками временной реализации возможно наличие предпосылки возникновения (развития) неисправности.
Рис 2. Карты частот выигрышей для комплексных сигналов по временным интервалам (окнам) с 1 по 9
ЛИТЕРАТУРА
1. Нейронные cemSTATISTICA Neural Networks.- М.: Горячая линия. Телеком, 2001.
2. Горбань А.Н. Обучение нейронных сетей. М.: изд. СССР-США СП «ParaGraph», 1990.
PROCESSING THE LARGE VOLUMES OF PARAMETRIC INFORMATION BY MEANS
KOHONENS NEURAL NETWORK
Sokolov M.P.
In article is shown the efficiency of the use Kohonens neural structures for processing greater array data, on example of the finding the moment of the origin dangerous vibrations GTU55ST-20.
Сведения об авторе
Соколов Максим Павлович, 1981 г.р., окончил МГТУ ГА (2005), аспирант кафедры двигателей летательных аппаратов МГУТ ГА, область научных интересов - диагностика авиационных двигателей по регистрируемым параметрам.
