Применение систем искусственного интеллекта для прогнозирования параметров качества машин Текст научной статьи по специальности «Компьютерные и информационные науки»

ется время изготовления и трудоёмкость процесса. Использование сверхпластичности оказалось дороже, но, как говорится, за качество нужно платить. Если мы хотим, чтобы наше современное производство было на высоком уровне и могло конкурировать с западными авиационными гигантами, то необходимо перехо-

дить на современные технологии. В данный момент, если не найдётся потенциальных инвесторов для продвижения сверхпластичности в авиации, то стоит переквалифицировать современное направление в частные предприятия или в более востребованное производство.

Библиографический список

1. Кондаков А.И., Васильев А.С. Выбор заготовок в машиностроении: справочник. М.: Машиностроение, 2007. 560 с.

2. Чернилевский Д.В. Детали машин и основы конструирования: учебник для вузов. М.: Машиностроение, 2009. 65б с.

3. Чернышенко М.С. Управление инновациями: учеб. пособие. Иркутск: Изд-во ИрГТУ, 2011.

4. Böge А. Vieweg Handbuch Maschinenbau. Grundlagen und Anwendungen der Maschinen. 2010.

5. Suceska M. Test Methods for Explosives. 2013.

6. Васина А. Расчет себестоимости продукции [Электронный ресурс]. Режим доступа: http://www.klubok.net/reviews226.html (дата обращения 28.10.2013).

7. Новости ИрГТУ [Электронный ресурс]. Режим доступа: http://www.istu.edu/news/9864/ (заголовок с экрана) (дата обращения 1.11.2013).

УДК 621.9.06-752

ПРИМЕНЕНИЕ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ДЛЯ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ КАЧЕСТВА МАШИН

© А.Н. Шулешко1, П.А. Лонцих2

Иркутский государственный технический университет, 664074, Россия, г. Иркутск, ул. Лермонтова, 83.

Рассматривается возможность применения систем искусственного интеллекта для прогнозирования параметров качества машин. Показано, что задача прогнозирования с использованием нейронных сетей (НС) сводится к задаче аппроксимации многомерных функций, то есть к задаче построения многомерного отображения. В результате изучения предметной области разработана модель прогнозирования, ключевыми составляющими которой являются: набор входных переменных; метод формирования входных признаков x; метод формирования обучающего правила y; архитектура нейросети(ей); метод обучения нейросети(ей). Обосновано, что типичная последовательность действий определяется при решении задачи прогнозирования вибросигнала с помощью нейронных сетей. Сделан вывод о преимуществе прогнозов, сделанных с использованием нейросетей, перед прогнозами, сделанными с использованием трендовых моделей, даже на базе робастных алгоритмов. Ил. 4.

Ключевые слова: прогнозирование; нейронные сети; нейросетевое моделирование; архитектура нейросети; формирование входного множества; вибродиагностика; анализ амплитудно-частотных характеристик.

ARTIFICIAL INTELLIGENCE SYSTEM APPLICATION FOR MACHINERY QUALITY PARAMETER PREDICTION A.N. Shuleshko, P.A. Lontsikh

Irkutsk State Technical University, 83 Lermontov St., Irkutsk, 664074, Russia.

The article considers the possibility to apply artificial intelligence systems to predict the parameters of machinery quality. The forecasting problem using neural networks (NN) is shown to be reduced to the approximation problem of multivariate functions, i.e. to the problem of constructing a multi-dimensional imagery. Having studied the subject area the authors develop a prediction model with the following key components: the set of input variables, the method of forming input features x, the method of forming the training rule y, the architecture of neural network(s), the training method of neural network(s). It is proved that a typical sequence of actions is determined under the solution of the prediction problem of the vibration signal by means of neural networks. It is concluded that the forecasts made with the use of neural networks outperform the forecasts made with the use of trend models, and even the ones based on robust algorithms. 4 figures.

Key words: forecasting; neural networks; neural network modeling; neural network architecture; input set formation; vibration-based diagnostics; analysis of amplitude-frequency characteristics.

1Шулешко Александр Николаевич, кандидат технических наук, доцент кафедры управления качеством и механики, старший специалист Ангарского электролизно-химического комбината, e-mail: alexshul@bk.ru

Shuleshko Alexander, Candidate of technical sciences, Associate Professor of the Department of Quality Management and Mechanics, Senior Specialist of Angarsk Electrolysis Chemical Combine, e-mail: alexshul@bk.ru

2Лонцих Павел Абрамович, доктор технических наук, профессор, зав. кафедрой управления качеством и механики, директор Иркутского филиала Ассоциации по сертификации «Русский Регистр», тел.: (3952) 405179, e-mail: palon@list.ru Lontsikh Pavel, Doctor of technical sciences, Professor, Head of the Department of Quality Management and Mechanics, Director of the Irkutsk branch of Certification Association "Russian Register", tel.: (S952) 405179, e-mail: palon@list.ru

Прогнозирование поведения системы (машины) в части сохранения предписанных выходных параметров (показателей качества) является одной из ключевых задач. Рассмотрим прогнозирование уровня вибрации узлов машин, поскольку зачастую этот параметр (регламентируемый техническими условиями на данный агрегат), как один из ключевых параметров качества, является индикатором технического состояния машины.

Задача прогнозирования с использованием нейронных сетей (НС) сводится к задаче аппроксимации многомерных функций, то есть к задаче построения многомерного отображения. В зависимости от типа выходных переменных, аппроксимация функций может принимать вид классификации или регрессии. В задаче прогнозирования вибросигнала (среднеквадра-тического значения виброскорости или виброускорения) можно выделить две крупные подзадачи: построение модели, обучение нейронных сетей, реализующих решение задачи (то есть фактически построение аппарата отображения).

В результате изучения предметной области исследователем должна быть разработана модель прогнозирования, ключевыми составляющими которой являются: набор входных переменных; метод формирования входных признаков х; метод формирования обучающего правила у; архитектура нейросети(ей); метод обучения нейросети(ей).

Для решения задачи прогнозирования необходимо найти такую нейронную сеть или комитет нейроэкпер-тов, который бы наилучшим образом строил отображение Р: х^у, обобщающее сформированный на основе динамики вибросигнала набор примеров {х(, у} Поиск такой нейронной сети или комитета нейроэкс-пертов осуществляется при помощи одного или нескольких алгоритмов «обучения».

Здесь можно заметить, что нейросетевое моделирование в чистом виде базируется лишь на исходных данных (временном ряде).

Нейронные сети можно применять для одномерного и многомерного анализа, должным образом сформировав множество независимых входов и зависящих от них выходов. Как правило, модель строится для того, чтобы предсказывать значения временного ряда для одной целевой переменной, однако, в принципе, модель может предсказывать значения и нескольких переменных (например, доходы по акциям на различное время вперед), если в сеть добавить дополнительные выходные элементы.

При этом, однако, исследования в области прогнозирования временных рядов при помощи сетей продолжаются и в настоящее время, и никаких стандартных методов здесь пока не выработано. В нейронной сети многочисленные факторы взаимодействуют весьма сложным образом, и успех пока приносит только эвристический подход. Типичная последовательность действий при решении задачи прогнозирования вибросигнала с помощью нейронных сетей следующая:

1. Определение временного интервала. Формирование базы данных.

2. Определение входных величин. Определение прогнозируемых величин. Предварительная обработка данных.

3. Формирование входных множеств (обучающего, тестового).

4. Выбор архитектуры нейросетей.

5. Обучение нейросетей.

6. Адаптивное предсказание и принятие решений.

На первом этапе исследователем определяются

базовые характеристики данных. Формируется база данных.

На втором этапе определяется набор входных (текущий вибросигнал, температура агрегата, загрузка агрегата и др.) и прогнозируемых величин, производятся анализ и очистка базы данных. Для этих целей используются оптимизационные, статистические и другие методы.

На третьем этапе производится формирование образов, подаваемых непосредственно на выходы нейросетей, с последующим созданием обучающих и тестовых множеств.

Архитектура нейросети зависит от поставленной задачи, в большинстве случаев используются сети типа многослойный перцептрон.

На пятом этапе с использованием выбранных алгоритмов обучения производится обучение нейронной сети, или, если это предполагается постановкой задачи, нескольких нейронных сетей (от двух до нескольких тысяч), которые после участвуют в «конкурсе» на попадание в комитет нейроэкспертов.

Прогнозирование (шестой этап) осуществляется по тому же принципу, что и формирование обучающей выборки. При этом на этапе адаптивного предсказания и принятия решений выделяются две возможности: одношаговое и многошаговое прогнозирование.

Подзадача получения входных образов для формирования входного множества в задачах прогнозирования временных рядов часто предполагает использование «метода окон». Метод окон подразумевает использование двух окон М и с фиксированными размерами п и т соответственно. Эти окна способны перемещаться с некоторым шагом по временной последовательности исторических данных, начиная с первого элемента, и предназначены для доступа к данным временного ряда, причем первое окно М/, получив такие данные, передает их на вход нейронной сети, а второе - Мо - на выход. Получающаяся на каждом шаге пара М -> используется как элемент обучающей выборки (распознаваемый образ, или наблюдение). Каждый следующий вектор получается в результате сдвига окон М и вправо на один шаг. Предполагается наличие скрытых зависимостей во временной последовательности как множестве наблюдений. Нейронная сеть, обучаясь на этих наблюдениях и соответственно настраивая свои коэффициенты, пытается извлечь эти закономерности и сформировать требуемую функцию прогноза Р.

Ставится задача прогнозирования среднеквадра-тических значений (СКЗ) вибросигнала, таким образом, в качестве входной информации будет использоваться динамика среднеквадратических замеров

виброскорости.

В первую очередь необходимо отметить, что перед тем, как начать тренировать искусственную нейронную сеть (ИНС), входную информацию необходимо должным образом подготовить, то есть в качестве входов и выходов нейросети не следует выбирать сами значения СКЗ. Каждый набор входных переменных обучающего, тестового и рабочего множеств, составляющих «образ», должен обладать свойством инвариантности. Выходные сигналы, формирующиеся на выходах скрытых и выходных нейронов и подающиеся на выходы нейронов следующих слоев, лежат в интервале их активационных функций. Таким образом, логично полагать, что и входные сигналы должны также лежать в интервале активационных функций нейронов 1-го скрытого слоя.

Суть метода формирования входных образов заключается в следующем. Предположим, что данные каждого из образов лежат в диапазоне min-max, тогда наиболее простым способом нормирования будет:

~ х - min

х =-—

max- min

После такого преобразования каждый «образ», состоящий из n последовательных СКЗ, нормируется так, что все значения «образа» лежат в интервале от 0 до 1. При этом истинные значения утрачиваются, и все входные записи укладываются в гиперкуб [0, 1]n. Таким образом, при любом уровне СКЗ гарантируется инвариантность преобразования входной записи.

Сегодня известно множество способов преобразования входной информации, применимых к задачам прогнозирования, например, можно воспользоваться следующей схемой: AC1t = ACt*1000. На первом шаге домножаем изменения СКЗ на константу, а на втором шаге используем самый естественный способ «перекодировать» непрерывные данные в интервал активационных функций ИНС, то есть применяем к данным преобразование функцией-сигмоидом, используемой в первом скрытом слое ИНС: AC2t = 1/(1+EXP(-1.5*AC1))-0,5.

Измененный по такой схеме первоначальный «образ» представлен на рис. 1.

Сформированные по описанной схеме «образы» составляют обучающее множество. Таким образом, обучающее множество, построенное на дневной динамике СКЗ, почти равномерно распределено, хотя его значения больше тяготеют к среднему и экстремальным значениям.

Далее предстоит решить задачу кодирования обучающего правила таким образом, что бы максимально упростить процесс обучения (правильное кодирование ожидаемых значений - один из залогов успешного обучения). Из всех статистических функций распределения, определенных на конечном интервале, максимальной энтропией - оценкой информационной насыщенности - обладает равномерное распределение. Применительно к данному случаю это подразумевает, что кодирование переменных числовыми зна-

чениями должно приводить, по возможности, к равномерному заполнению единичного интервала закодированными примерами (захватывая и этап нормировки). При таком способе кодирования все примеры будут нести примерно одинаковую информационную нагрузку.

■

I

1 I I

ЧПШ

1 1

■г- 5 т 8 9 10 11 12 13 !■ 15 16 17 18 19 20 21 1 Я 1

111

Рис. 1. Пример готового к подаче на входы нейросети «образа» из обучающего множества

Исходя из этих соображений, можно предложить следующий практический метод кодирования ординальных переменных (рис. 2). Единичный отрезок разбивается на п отрезков - по числу классов - с длинами пропорциональными числу примеров каждого класса в обучающей выборке: Ах = Рк/Р, где Рк - число примеров класса к, а Р - общее число примеров. Центр каждого такого отрезка будет являться численным значением для соответствующего ординального класса.

Ах, = — 1 Р Р2

хх | х2 1 1

Рис. 2. Иллюстрация способа кодирования ординальных переменных с учетом количества примеров каждой категории

Для анализа «качества» прогноза построим точечную диаграмму результатов теста комитета нейросетей на замерах СКЗ, выполненных на одном из подшипниковых узлов насоса WASA Б-4. По оси абсцисс будем откладывать ожидаемые значения, а по оси ординат - соответствующие значения, рассчитанные нейросетью. Точками на рис. 3 показаны результаты прогнозирования, точечной линией отмечена

ситуация, возникающая в случае 100% совпадения ожидаемых и фактических выходных значений.

0.8

О.Б

0.4

0.2

+ -*- + * * 1

и ♦ /1 &

* ♦ ♦ * ' -Г Г > ♦*

*1 + * * * Ч"

у ** + ! *

0.2

0.4

О.Б

0.8

Рис. 3. Диаграмма, отражающая качество прогнозирования

По показаниям диаграммы можно сделать следующие выводы. В том случае, когда значения, полу-

ченные в результате прогнозирования, совпадут с ожидаемыми, на диаграмме это будет изображено в виде точечной линии (линия на рис. 3). Как видно из диаграммы (точки на рис. 3), значения индикатора «размазались» в результате преобразований (прогноз нейросетей, усреднение, растягивание), однако главные крайние значения собраны в «облака» в тех углах, в которых они и должны находиться для хороших прогнозов - правый верхний и левый нижний.

Можно сделать вывод о преимуществе прогнозов, сделанных с использованием нейросетей, над прогнозами, сделанными с использованием трендовых моделей, даже на базе робастных алгоритмов.

Современная вибродиагностика позволяет распознавать скрытые дефекты роторного оборудования на базе анализа амплитудно-частотных характеристик. Таким образом, если «обучить» нейросеть на базе данных амплитудно-частотных характеристик (АЧХ) с известными дефектами, то можно ожидать, что нейросеть сможет самостоятельно распознать дефект неизвестных АЧХ без участия человека-эксперта.

На рис. 4 приведена схема обучения нейронной сети с использованием АЧХ.

Н Е Й Р О Н ы

Рис. 4. Схема нейросети для определения дефектов узла роторного оборудования

на базе гармоник А ЧХ

Технологию использования нейросетей для целей диагностики дефектов можно определить следующим образом.

1. На входы нейросети, соответствующие кратным частотам вращения вала, подается предобработанная амплитуда для данной частоты.

2. На выходы, в которых закодированы известные дефекты подается либо «1» - есть соответствующий

дефект, либо «0» - дефекта нет.

На АЧХ, приведенной выше, можно распознать дефект внутреннего кольца подшипника. Таким образом, если, к примеру, необходимо обучить нейросеть распознавать три вида дефектов и в первом нейроне выходного слоя кодируется «дефект внутреннего кольца», то выходной обучающий вектор для данной АЧХ примет вид {1 0 0}т

УДК69:658

ВЛИЯНИЕ КЛАССИФИКАЦИИ ИНВЕСТИЦИОННЫХ ПРОЕКТОВ НА АНАЛИЗ КОММЕРЧЕСКОЙ ВЫПОЛНИМОСТИ ПРОЕКТА

1 9 Я

© И.В. Ямщикова1, И.В. Ильичев2, Н.И. Бутина3

Иркутский государственный технический университет, Институт архитектуры и строительства, 664074, Россия, г. Иркутск, ул. Лермонтова, 83.

Произведен анализ существующих в экономической литературе классификаций инвестиционных проектов, определено их влияние на применяемые методы анализа коммерческой выполнимости проекта. Предложены оптимальные методы анализа, основанные преимущественно на дисконтировании образующихся в ходе реализации проекта денежных потоков. Библиогр. 4 назв.

Ключевые слова: инвестиционные проекты; классификация проектов; признаки классификации; критерии классификации.

INVESTMENT PROJECT CLASSIFICATION EFFECT ON PROJECT COMMERCIAL FEASIBILITY ANALYSIS I.V. Yamshchikova, I.V. Ilyichev, N.I. Butina

Irkutsk State Technical University, 83 Lermontov St., Irkutsk, 664074, Russia.

The paper analyzes the classifications of investment projects given by the economic literature and estimates their influence on the applied methods of project commercial feasibility analysis. It proposes optimal analysis methods primarily based on the discounting of cash flows generated under the implementation of the project. 4 sources.

Key words: investment projects; project classification; classification features; classification criteria.

Инвестиционная деятельность в той или иной степени присуща любому предприятию. Она представляет собой один из наиболее важных аспектов функционирования любой коммерческой организации. Инвестициями называется совокупность долговременных затрат финансовых, трудовых и материальных ресурсов с целью увеличения накоплений и получения прибыли. Причинами, обуславливающими необходимость инвестиций, являются обновление имеющейся материально-технической базы, наращивание объемов производства, освоение новых видов деятельности. Для того чтобы из всего многообразия возможных направлений вложения средств выбрать те, которые являются наиболее эффективными с точки зрения инвестиционных целей, необходимо обстоятельно их проанализировать.

Анализ инвестиционных проектов должен основываться на их классификации. Классифицировать инвестиционные проекты можно в зависимости от выбранного критерия. С точки зрения управления инвестиционными проектами классификация может быть представлена по различным основаниям. В зависимости от признаков, положенных в основу классификации, можно выделить следующие их виды:

• по сроку реализации:

- краткосрочные (до 3-х лет);

- среднесрочные (от 3-х до 5-ти лет);

- долгосрочные (свыше 5 лет);

• по величине инвестиций:

- мелкие - это в основном проекты, направленные на расширение производства и увеличение ассорти-

1Ямщикова Ирина Валентиновна, кандидат экономических наук, профессор кафедры экспертизы и управления недвижимостью, тел.: (3952) 405412, 89027625920, e-mail: yamsirina@yandex.ru

Yamshchikova Irina, Candidate of Economics, Professor of the Department of Real Estate Expertise and Management, tel.: (3952)

405412, 89027625920, e-mail: yamsirina@yandex.ru.

2Ильичев Иван Викторович, аспирант тел.: (3952) 405412, 89027625920.

Ilyichev Ivan, Postgraduate, tel.: (3952) 405412, 89027625920.

3Бутина Наталья Ивановна, программист кафедры экспертизы и управления недвижимостью, тел.: (3952) 405412, 89148780138.

Butina Natalya, Programmer of the Department of Real Estate Expertise and Management, tel.: (3952) 405412, 89148780138.