CC BY
216
УПРАВЛЕНИЕ КА ЧЕСТВОМ, СТАНДАРТИЗАЦИЯ И СЕРТИФИКАЦИЯ
УДК 658.562
ПРОЦЕДУРА ПОСТРОЕНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ ДЛЯ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА
ИЗДЕЛИЙ АВТОМАТИЗИРОВАННЫХ ПРОИЗВОДСТВ
О.В. Пантюхин
Рассмотрены этапы построения искусственных нейронных сетей и возможность их применения для прогнозирования параметров качества изделий автоматизированных производств.
Ключевые слова: искусственная нейронная сеть, выборка.
Как отмечено в [1], в условиях автоматизированного производства с целью недопущения появления брака и для оперативного устранения его причин необходимо не только контролировать качество изделий в процессе производства на данной операции, но и иметь возможность предсказать значения параметров качества изделия на последующих операциях технологического процесса в зависимости от влияющих на них факторов.
Наиболее эффективным методом решения задачи прогнозирования в настоящее время является метод искусственных нейронных сетей (ИНС). Нейронные сети - исключительно мощный метод моделирования, позволяющий воспроизводить чрезвычайно сложные зависимости. Они могут решать задачи, в которых линейная аппроксимация неудовлетворительна [2].
Перед осуществлением прогнозирования параметров качества изделий необходимо осуществить построение ИНС.
Процедура построения нейронной сети состоит из трех этапов: об-
работка и подготовка имеющихся данных, проектирование структуры нейронной сети, настройка параметров нейронной сети [2-5].
Для ускорения процесса обучения нейронной сети рекомендуется провести исключение нулевых значений и грубых погрешностей.
Подготовка данных осуществляется с помощью стандартизации данных и кластерного анализа. Наиболее оперативное выполнение этих процедур возможно в пакетах статистических программ.
В результате стандартизации все переменные приводятся к единой шкале: данные изменяются в диапазоне ±3, причем большая часть всех значений будет принадлежать интервалу (-1, 1). Процедура стандартизации не изменяет структуру взаимодействий между переменными и не влияет на структуру кластеров.
Далее проводится кластерный анализ, необходимый для разбиения всего массива данных на отдельные группы (кластеры), внутри которых данные однородны, а функция зависимости выходных параметров от входных является непрерывной. Только в этом случае для каждой полученной группы данных можно построить ИНС, позволяющую с высокой степенью точности прогнозировать значения выходных параметров.
На следующем этапе осуществляется выбор используемых функций активации, количества слоев сети и количества нейронов в каждом слое.
В однородной сети функции активации у всех формальных нейронов являются одинаковыми. В зависимости от решаемых задач выбирают соответствующую функцию активации. Для большинства задач наиболее применимой является логистическая функция или гиперболический тангенс.
Перед тем, как определить количество нейронов и слоев, необходимо учесть сложность решаемой задачи, объем исходных данных, количество входов и выходов сети.
При большом количестве нейронов и слоев сеть имеет более широкие возможности для отображения сложных зависимостей нелинейного типа между входом и выходом. Однако в этом случае могут снижаться интенсивность ее обучения и темп работы.
Если в сети слишком мало нейронов или слоев, то сеть не обучится в достаточной мере, модель будет неадекватна, прогноз значений выхода с её помощью будет содержать существенную ошибку.
Если нейронов или слоев слишком много, то сеть переобучится. Переобучение сети приведет к тому, что выходной вектор будет передавать шум или ошибочные данные, зависимость выхода от входа окажется резко нелинейной (выходной вектор будет существенно и непредсказуемо меняться при малом изменении входного вектора), сеть будет неспособна к обобщению (в области, где нет или мало известных точек аппроксимируемой функции, выходной вектор будет случаен и непредсказуем).
Прямой перебор различного количества слоев и определение лучшего по показателям точности прогноза и скорости обучения являются основными способами, используемыми для выбора таких параметров сети.
На следующем этапе осуществляют обучение сети. Сеть обучается, чтобы для некоторого множества входов давать желаемое множество выходов. Каждое такое входное (или выходное) множество рассматривается как вектор. Обучение осуществляется путем последовательного предъявления входных векторов с одновременной подстройкой весов в соответствии с определенной процедурой. В процессе обучения веса сети постепенно становятся такими, чтобы каждый входной вектор вырабатывал выходной вектор.
Существуют алгоритмы обучения с учителем и без учителя. Обучение с учителем предполагает, что для каждого входного вектора существует целевой вектор, представляющий собой требуемый выход. Вместе они называются обучающей парой. Обычно сеть обучается на некотором числе таких обучающих пар. Сети предъявляется выходной вектор, вычисляется выход сети и сравнивается с соответствующим целевым вектором, разность (ошибка) с помощью обратной связи подается в сеть, и веса изменяются в соответствии с алгоритмом, стремящимся минимизировать ошибку. Векторы обучающего множества предъявляются последовательно, вычисляются ошибки, и веса подстраиваются для каждого вектора до тех пор, пока ошибка по всему обучающему массиву не достигнет приемлемо низкого уровня [2,4,5].
При обучении без учителя сеть путем самоорганизации делает требуемые изменения.
Качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Считается, что для полноценной тренировки нейронной сети требуется хотя бы несколько десятков (а лучше сотен) примеров.
Алгоритмы обучения нейронных сетей имеют различные параметры и настройки, для управления которыми необходимо понимание их влияния.
После того, как нейронная сеть обучена, можно применять ее для решения требуемых задач.
Одной из таких задач является задача прогнозирования параметров качества изделий автоматизированных производств. Данную задачу можно решить, получив производственные данные с помощью современных средств контроля и измерений в режиме реального времени и используя современные статистические программные продукты, содержащие расчетные модули для построения нейронных сетей, а также разработанные для существующих технологических процессов алгоритмы определения про-
гнозных значений параметров качества для последующих операций технологического процесса [6].
Использование нейронных сетей, полученных в результате вышеописанной процедуры построения, позволит адекватно отразить зависимости между параметрами, определяющими качество изделий автоматизированного производства, влияние основных факторов на показатели качества, спрогнозировать показатели качества на каждой операции в ходе технологического процесса, что, в свою очередь, даст дополнительные возможности для управления процессом.
Список литературы
1. Лялин В.М., Пантюхин О.В. К вопросу о проблеме расчетнотеоретического прогнозирования качества изделий комплексноавтоматизированного производства// Известия ТулГУ. Сер. Машиноведение, системы приводов и детали машин: спец. вып. Тула: Изд-во ТулГУ, 2006. С.178-180.
2. Галушкин А.И. Теория нейронных сетей: в 2 кн. Кн. 1. Нейро-комьютеры и их применение: учеб. пособие для вузов / под общ. ред. А.И. Галушкина. М.: ИПРЖР, 2000. 416 с.
3. Заенцев И.В. Нейронные сети. Основные модели. Воронеж: ВГУ, 1999. 76 с.
4. Головко В. А. Нейрокомпьютеры и их применение: учеб. пособие для вузов. Кн. 4. Нейронные сети: обучение, организация и применение / под общ. ред. А.И. Галушкина. М.: ИПРЖР, 2001. 256 с.
5. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. 176 с.
6. Пантюхин О.В., Тарасова Н.А., Аникеев П. А. Алгоритм прогнозирования параметров качества патрона спортивно-охотничьего калибра 7,62х39 мм// Известия ТулГУ. Технические науки. Тула: Изд-во ТулГУ, 2011. Вып. 2. С.388-393.
Пантюхин Олег Викторович, канд. техн. наук, доц., директор издательства, ntomach@tsu.tula.ru, Россия, Тула, Тульский государственный университет
PROCEDURE OF CREATION OF THE ARTIFICIAL NEURAL NETWORK FOR FORECASTING THE QUALITY OF PRODUCTS AUTOMATED PRODUCTION
O.V. Pantyukhin
The stages of the construction of artificial neural networks and possibilities of their use for forecasting the parameters of quality of automatic production products are considered.
Key words: artificial neural network, sampling.
Pantyukhin Oleg Viktorovich, candidate of technical sciences, docent, The Head of Publishing House, ntomach@tsu.tula.ru, Russia, Tula, Tula State University
УДК 658.562
КЛАСТЕРИЗАЦИЯ ДАННЫХ ДЛЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ
О. В. Пантюхин
Рассмотрена процедура кластеризации данных для построения искусственных нейронных сетей.
Ключевые слова: искусственная нейронная сеть, кластеризация, дендрограмма.
Процедуре решения задачи регрессии и построения искусственной нейронной сети (ИНС) предшествует подготовка данных, которая осуществляется с помощью кластерного анализа [1,2]. Он необходим для разбиения всего массива данных на отдельные группы (кластеры), внутри которых функция зависимости выходных параметров от входных является непрерывной. Только в этом случае для каждой полученной группы данных мож построить искусственную нейронную сеть, позволяющую с высокой степенью точности прогнозировать значения выходных параметров. Сравнение между группами осуществляется с помощью количественной меры -евклидова расстояния, которое вычисляется как корень из суммы квадратов покоординатных разностей. Необходимо учесть также, что различные независимые переменные измеряются в разных шкалах с различными диапазонами. Это может привести к тому, что вклад одних переменных в евклидово расстояние будет пренебрежительно малым, а других - излишне большим. Чтобы избежать этого, проводят процедуру стандартизации переменных. Результатом стандартизации является приведение всех переменных к единой шкале: данные изменяются в диапазоне ±3, причем большая часть всех значений будет принадлежать интервалу (-1, 1). Процедура стандартизации не изменяет структуру взаимодействий между переменными и не влияет на структуру кластеров. Стандартизацию можно провести в одной из статистических программ, например, в программе 81аЙ81;1са. На рис.1 показаны стандартизованные данные. В качестве исходных данных в расчете использовались измеренные значения параметров качества гильзы патрона спортивно-охотничьего калибра 7,62х39 мм на
