Інформаційно-екстремальний алгоритм навчання системи функціонального контролю електроприводу шахтної підйомної машини Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 681.518.:004.93.1' 1НФОРМАЦ1ЙНО-ЕКСТРЕМАЛЬНИЙ АЛГОРИТМ НАВЧАННЯ СИСТЕМИ ФУНКЦЮНАЛЬНОГО КОНТРОЛЮ ЕЛЕКТРОПРИВОДУ ШАХТНО1 ШДЙОМНО! МАШИНИ ДОВБИША.С., ЗИМОВЕЦЬ В.1., КОЗЛОВ З.С. Розглядаеться iнформацiйно-екстремальний алгоритм навчання системи керування електроприводом шахтно!' шдйомно!' машини. У процеа машинного навчання здiйснювалася оптимiзацiя системи контрольних допусков на ознаки розпiзнавання за модифiкованим iнформацiйним критерiем Кульбака. Запропонований алгоритм реалiзовано на прикладi розв'язання задачi функцiонального контролю електроприводу шахтно!' шдйомно!' машини.

Вступ

У прничодобувнш промисловосп для шдвищен-ня функцюнально! ефективност керування тех-нолопчними процесами й обладнанням широко впроваджуються штелектуальш шформацшш технологи анал1зу даних. Одшею з важливих функцш юнуючих штелектуальних автоматизо-ваних систем керування е прогнозування техшч-ного стану прничого обладнання з метою продо-вження термшу його служби. Це дозволяе орга-шзувати техшчне обслуговування обладнання по його дшсному стану, а не за усередненими результатами напрацювання на вщмову або загаль-ного часу експлуатаци [1 - 3]. Необхщною умо-вою розв'язання ц1е! важливо! науково-техшчно! задач1 е впровадження функцюнального контролю для забезпечення надшно! експлуатаци обладнання шахтно! шдйомно! машини, оскшьки його вщмови можуть призвести до важких тех-ногенних наслщюв.

Найбшьш поширеним апаратно-програмним 1нструментар1ем створення штелектуальних систем керування е штучш нейронш мережi. Але перехщ на парадигму прогностичного керування пов'язаний з необхщшстю анал1зу великих маси-в1в даних, що ускладнюе використання штучних нейронних мереж через !х чутливють до багато-вим1рност1 алфав1ту клашв розшзнавання та словника ознак. Тому на практищ шдвищення достов1рност1 розшзнавання досягаеться двома шляхами:

- збшьшення глибини машинного навчання штучно! нейронно! мереж^ яка визначаеться кшьюс-тю !! шар1в;

- редукщя простору ознак розшзнавання. Обидва щ шляхи не гарантують шдвищення функцюнально! ефективносп машинного навчання, оскшьки пов'язаш !з втратою шформаци. Одним ¡з перспективних напрямюв шдвищення функцюнально! ефективносп керування приводом шахтно! шдйомно! машини е використання

щей i метод1в так звано! шформацшно-екстремально! iнтелектуально! технологи (1Е1 -технолопя), яка грунтуеться на максимiзацi! ш-формацiйно! спроможностi системи керування шляхом введення в процес !! навчання додаткових iнформацiйних обмежень [4, 5]. Основна перевага 1Е1-технологи на вiдмiну вiд штучних нейронних мереж полягае у викорис-таннi геометричного пiдходу до побудови вир> шальних правил, що робить !! практично iнварiа-нтною до вимiрностi простору ознак розшзна-вання. В робот [6] розглядалося застосування базового шформацшно-екстремального алгоритму машинного навчання для функцюнального контролю електроприводу шахтно! шдйомно! машини. При цьому одержат результата не за-безпечили високо! функцюнально! ефективносп машинного навчання через апрюрно неоптима-льну систему контрольних допусюв на ознаки розпiзнавання.

У статп з метою пiдвищення функцiонально! ефективносп навчання системи функцiонального контролю електроприводу, яка е складовою ште-лектуально! автоматизовано! системи керування шахтно! шдйомно! машини, пропонуеться алгоритм шформацшно-екстремального машинного навчання з оптимiзацiею контрольних допусюв на ознаки розпiзнавання.

1. Постановка задачi

Нехай сформовано алфав^ класiв розпiзнавання {Xm | m = 1,M}, якi характеризують вщповщш функцiональнi стани вузлiв електроприводу шахтно! шдйомно! машини, i вщповщну вхiдну бага-товимiрну (векторну) навчальну матрицю типу «об'ект-властивють»:

llyj Ii = 1N;j = üll,

де N, n - вiдповiдно кiлькiсть ознак розшзна-

вання у векторi-реалiзацi! (далi просто реалiза-цiя) образу i кiлькiсть реалiзацiй, яка дорiвнюе кiлькостi циклiв пiдйому-спуску. Таким чином,

кожний стовпчик матрицi Hy^^ll мютить зна-

чення навчально! вибiрки вщповщно! ознаки розпiзнавання, а j -й рядок е реалiзацiею з N дiагностичними ознаками.

Крiм того, задано вектор параметрiв машинного навчання

g =< Xm,dm, s> , (!)

де xm- усереднена реалiзацiя класу {Xm}; dm -

радiус контейнера класу {Xm}, що в процесi машинного навчання вщновлюеться в радiаль-ному базис простору ознак розшзнавання; 5 -параметр симетричного поля контрольних допу-

ск1в на ознаки розтзнавання, якии дор1внюе ио-го половит.

На параметри машинного навчання задано таю обмеження: хт - вектор, вершина якого визна-

чае геометричниИ центр контеИнера класу {Хт};

ат £ [0;а(Хт © хс) -1], де а(хт © хс) - кодова вщстань центру класу {Хт} вщ центру наИближчого (сусщнього) до нього класу X 0;

5е[0; 5 н /2)], тут 5 н - нормоване (експлуатацшне) поле допусюв, яке визначае область значень параметра 5 . На етат машинного навчання необхщно: 1) оптим!зувати параметри вектора (1) за усеред-неним шформацшним критер1ем

— 1 м

E = — 2 max E^ . Mm=iGE n{k}

(2)

де E

(k) —

шформащйний критерiй оптишзаци

параметр1в машинного навчання, якиИ обчислю-еться на к -му крощ навчання; вЕ - робоча (допустима) область визначення функщ! шформа-цшного критерда; {к} - множина кроюв машинного навчання;

2) за оптимальними геометричними параметрами побудувати виршальт правила, яю гарантують при функщонувант системи д1агностування без-посередньо в робочому режим! високу повну Имов!ртсть приИняття правильних класифша-цшних ршень.

2. Опис алгоритму машинного навчанняГ

Оптишзащя системи контрольних допусюв на ознаки розтзнавання в методах 1Е1-технологп вщтрае важливу роль, осюльки вони безпосере-дньо впливають на геометричш параметри кон-теИнер1в клашв розтзнавання !, отже, на точнюш характеристики класифшацшних ршень. Кр1м того, специфша метод1в шформацшно-екстремального машинного навчання полягае в перетворенш видно! евклщово! навчально! матриц! в робочу бшарну, при якому контрольш допуски на ознаки розтзнавання розглядаються як р!вт квантування.

На рис. 1 показано симетричне (двоб1чне) поле допусюв на значення 1-1 ознаки у1, 1 = 1, N.

Рис. 1. Симетричне поле допусков На рис. 1 прийнято таю позначення: A0; - ном>

нальне значення ознаки; AH;, ABi - нижнш i

верхнiй нормованi допуски вщповщно; AHK,i,

Abk i - нижнш i верхнш контрольнi допуски

вщповщно; 5Нд, - нормоване поле допусюв;

5Кд ,- контрольне поле допусюв.

Розглянемо шформацшно-екстремальний алгоритм навчання системи функщонального контролю вузлiв електроприводу шахтно! шдйомно! машини з паралельною оптимiзацieю контрольних допусюв на ознаки розтзнавання. Як вщомо, оптимiзацiя контрольних допусюв у процес iнформацiйно-екстремального машинного навчання здшснюеться шляхом пошуку на кожному крощ навчання глобального максимуму шформацшного критерда за двоциклiчною те-рацiйною процедурою:

sKi = argmax{ max E(k), (3)

G5,i ge n{k}

де G s,i - допустима область значень параметра 5 i поля контрольних допусюв i -! ознаки розпi-знавання.

Процедуру (3) реалiзуeмо за схемою паралельно! ошташзащ! контрольних допускiв, основною перевагою яко! е висока оперативнiсть алгоритму машинного навчання у порiвняннi з послщовною оптимiзацiею. Це пов'язано з тим, що контрольнi допуски на кожному крощ навчання змшюються одночасно для вшх ознак розпiзнавання. Вхщними даними для алгоритму паралельно! ошташзащ! е масив реалiзацiй навчально! матри-

цi {у<^ |m = 1, M, i = 1, N, j = 1, n}, сформовано! для

заданого алфав^у класiв розтзнавання {Xm}, i нормованi допуски {5н i}, якi визначають обласп значень контрольних допускiв вiдповiдних ознак розтзнавання. При цьому задано базовий клас розтзнавання X0, вщносно якого обчислюються контрольнi допуски на ознаки розтзнавання. На практищ в задачах функщонального контролю за базовий приймаеться клас розтзнавання, який характеризуе нормальний режим технологiчного процесу.

Розглянемо основш етапи ре^заци алгоритму навчання СППР з паралельною оптимiзацieю контрольних допусюв на ознаки розпiзнавання:

1) iнiцiалiзацiя лiчильника класiв розпiзнавання;

2) iнiцiалiзацiя лiчильника крокiв змiни параметра 5 поля контрольних допусюв;

3) формування бшарно! навчально! матриц || ||, елементи яко! визначаються за правилом

А

х0) _

1, Я у® ■ е 5 ■'г- ■

у0)

К,1;

0, Я у^ -г 5К :; 4) обчислення усереднено! двшково! реaлiзaцп {хш 1 11 _ 1,К} класiв розпiзнавання за правилом

1 п г-\

^ - Е х ■ > р ш

'ш,1

0, 1f е^е,

де Рт

т - рiвень селекцil координат двiйковоl усереднено! реaлiзaци хш е ХШ , який за замовчу-ванням дорiвнюe 0,5;

5) якщо ш < М , то виконуеться пункт 6, шакше - пункт 1;

6) розбиття множини {хш,1} на пари усередне-них реалiзацiй сусщшх класiв розпiзнавання

тоИ _< х х >

(4)

де х с - усереднена реалiзацiя сусiднього класу

Х° ;

7) обнулiння лiчильника крокiв навчання: к :_ 0;

8) iнiцiалiзацiя лiчильника крокiв навчання: к :_ к + 1;

9) оптишзащя радiуса гiперсферичного контейнера класу розшзнавання - кодово! вщсташ dш вiдбуваеться за навчальними матрицями клашв розпiзнавання, якi визначаються вщповщними елементами розбиття (4), за терацшною процедурою пошуку глобального максимуму шформа-цiйного КФЕ (2) в робочш областi визначення його функцп:

dш _ arg шах Е

~(к)

(5)

1 _у-з ; Авк1 _У1 +8 ;

ик:

13) ЗУПИН.

Як iнформацiйний критерiй оптишзаци парамет-рiв навчання в методах 1Е1-технологи може ви-користовуватися будь-яка шформацшна мiра. Але найбiльш поширеними е модифшоваш шфо-рмацiйнi мiри Кульбака та Шеннона. Далi буде-мо розглядати модифшащю шформацшно! мiри Кульбака, яка мае вигляд [5]

ЕКкШ _ 1^2

2 - (аШк)№ + Ршк)№)

а Шк)(ф + Р Шk)(d)

(к) (

1 - (аШк)№ + ршк)№)

(к) (

ОЕ п{к}

10) якщо к < d(xш © хс), то виконуеться пункт 8, iнaкше - пункт 11;

11) знаходиться в робочш (допустимш) обласп Ое максимальне значення критерiю (2)

^(к)

Е _ шах Е ;

ое ^{к}

12) визначаються екстремальний крок навчання к*, параметр поля контрольних допусюв 8*; _ к* та обчислюються для вшх ознак розпiзнaвaння оптимальш нижнi i верхнi контрольнi допуски на ознаки розшзнавання:

, (6)

де ат"*^) - помилка першого роду прийняття рiшення на к-му кроцi навчання; р Щк^) - помилка другого роду; Б^^) - перша достовiр-

шсть; О 2к,ш (d) - друга достовiрнiсть; d- дистан-

цiйнa мiрa, яка визначае рaдiуси гiперсферичних контейнерiв, побудованих в рaдiaльному бaзисi простору Хеммшга.

У загальному випадку залежно вщ потужностi aлфaвiту клaсiв розшзнавання може бути декшь-ка робочих областей визначення функцп шфор-мацшного критерiю. При цьому екстремальний крок навчання визначаеться в робочiй обласп, де глобальне значення iнформaцiйного критерда оптимiзaцп е максимальним. Таким чином, параметрами шформацшно-

екстремального навчання СППР е оптимальш

*

рaдiуси контейнерiв клaсiв розпiзнaвaння,

*

оптимальш еталонш вектори-реaлiзaци {хш}

клaсiв розшзнавання i оптимальний параметр

*

8 поля контрольних допусюв, якi дозволяють побудувати в просторi ознак розшзнавання ви-рiшaльнi правила для прийняття ршень при фу-нкцiонувaннi системи в робочому режима 3. Приклад реалiзащT алгоритму машинного навчання

Реaлiзaцiя запропонованого алгоритму здшсню-валася на приклaдi машинного навчання системи функцюнального контролю електроприводу, яка е складовою автоматизовано! системи керування шахтною шдйомною машиною. Структурну схему шахтно! шдйомно! машини показано на рис. 2 [3].

*

чання допуски для вс1х ознак розшзнавання зм1-нювалися одночасно.

Е, 1,4

1,2 1,0 0,8

Л

к.

Ез 1,4

а б

Рис. 2. Структурна схема шахтно!' шдйомно! машини: а - загальна схема: I - двигун тдйому; II - редуктор; III - барабан; IV - копров! блоки; V - тдземний бункер для корисних копалин; VI - ваговий дозатор т-дземного бункера; VII - розвантажувальш крив!; VIII -процес розвантаження скша; IX - поверхневий бункер для корисно! копалини; б - електропривщ: 1 - датчики температури тдшипника двигуна; 2 - датчики температури тдшипника двигуна; 3 - датчик температури подшипника барабана Формування навчально! матриц здшснювалося на технолопчному цикл! спуск-тдйом функцю-нування ШПМ шляхом зчитування шформацп з 30 датчиюв з штервалом 200 Ш8. В результат! кожна реал!защя складалася !з 60 структурова-них ознак розшзнавання. Алфав!т складався з трьох клас!в розп!знавання: клас Х° характери-зував нормальний режим функц!онування елект-роприводу; клас Х2 - стан тдвищено! температури п!дшипник!в; Х° - стан тдвищено! температури обмоток двигуна. Оскшьки ознаки розшзнавання мали р!зш шкали вим!ру, було викона-но !х нормал!зац!ю за методом зведених шкал. З метою оцшки впливу системи контрольних допусюв на ознаки розп!знавання на функцюна-льну ефектившеть машинного навчання спочатку було реал!зовано базовий алгоритм. На рис. 3 показано графши залежност! !нформац!йного критер!ю (6) в!д рад!ус!в контейнер!в клас!в роз-п!знавання, отримаш при реал!зац!! базового алгоритму машинного навчання при неоптимальному параметр! 5 = ±25 .

Анал!з рис. 3 показуе, що отримаш значення ненормованого критерда (6) е недостатньо висо-кими, що обумовлено високим ступенем перетину клаав розшзнавання. При цьому середне зна-

—*

чення критерда ошташзаци дор!внюе Е = 1,17 . Для тдвищення функц!онально! ефективност! машинного навчання системи функцюнального контролю було застосовано алгоритм паралель-но! оптим!заци контрольних допуск!в на ознаки розшзнавання, при якому на кожному крощ нав-

К, 1,4 1,2

10 20

Рис. 3. Граф1ки змши критерш (6) при ошгашзацп рад1ус1в контейнер1в клаав розшзнавання: а - клас

Х0; б - клас Х2; в - клас х0

На рис. 4 показано графш залежност! усередне-ного за алфав!том клашв розп!знавання КФЕ в!д параметра 5 поля контрольних допусюв на ознаки розшзнавання, одержаний у процес! оптим!-заци системи д!агностування вузл!в електропри-воду ШПМ за алгоритмом паралельно! оптим!за-

ци.

Рис. 4. Граф1к залежност! !нформац!йного критер!ю отишзаци в!д параметра поля контрольних допусшв

а

б

Аналiз рис. 4 показуе, що оптимальне значення

параметра поля контрольних допусюв дорiвнюe

*

5 = ±33 вщносних одиниць при максимальному значеннi усередненого за алфав^ом класiв розш-знавання iнформацiйного критерiю (6) Emax = 1,44 , яке обчислювалося в робочш областi визначення його функци. Одержане максимальне значення iнформацiйного критерда перевершуе його значення, отримане при реалiзацil базового iнформацiйно-екстремального алгоритму машинного навчання. Цей факт свщчить про сутте-вий вплив системи контрольних допусюв на ознаки розшзнавання на функцiональну ефекти-внiсть машинного навчання. Для побудови виршальних правил необхщно було визначити оптимальнi геометричш параме-три контейнерiв класiв розшзнавання. На рис. 5 показано графши залежносп критерiю оптишза-ци (6) вщ радiусiв контейнерiв класiв розшзнавання, одержат при оптимальному значенш параметра поля контрольних допусюв на ознаки розшзнавання.

Е, 2.0 1.« 1.6 1,4 1,2 1,0 0,8 0,6 0,4 0,2

Ез 2,0 1,8 1,6 1,4 1,2 1,0 0,8 0,6 0,4 0,2

Е; У 1.8 1,6 1,4 1.2 1,0 0,8 0,6 0,4 0,2 0

А.,

10 20 30 40 50 60

а

Ж

10 20 30 40 50 60

б

1

«

■ к

-

10 20 30 40 50 60

Рис. 5. Графши залежносп шформацшного критерш ввд рад1уав контейнер1в клас1в розшзнавання:

а - клас Х°; б - клас Х2; в - клас Х°

Аналiз рис. 5 показуе, що оптимальш значення радiусiв контейнерiв класiв розпiзнавання дорiвнюють вiдповiдно: для класу Х° -а* = 28 (тут i далi в кодових одиницях); для класу

х2 - а2 = 41 i для класу х3 - = 33 . За отриманими в процес iнформацiйно-екстремального машинного навчання оптималь-ними геометричними параметрами контейнерiв класiв розпiзнавання було побудовано виршаль-нi правила, за якими знакододатня функцiя на-лежност вiдносить реалiзацiю, що розпiзнаеться, до того класу розшзнавання iз заданого алфав^у, для якого вона максимальна. При цьому функщя належностi реалiзацil до гiперсферичного контейнера, наприклад , класу хт мае такий прос-тий вигляд:

а(хт © хе)

Цт = 1 --

а:

де а(хт © хе) - кодова вiдстань мiж усередненим вектором хт , вершина якого визначае геометри-чний центр оптимального контейнера класу хт , i реалiзацiею хе, що розтзнаегься. Таким чином, оптимiзацiя системи контрольних допусюв на ознаки розпiзнавання дозволила шд-вищити функцiональну ефективнiсть машинного навчання системи функцюнального контролю електроприводу ШПИ у порiвняннi з результатами реалiзацil базового iнформацiйно-екстремального алгоритму при неоптимальних контрольних допусках. Але в процес машинного навчання не вдалося побудувати безпомилковi за навчальною матрицею вирiшальнi правила через суттевий перетин класiв розшзнавання в просто-рi ознак розшзнавання. Тому для шдвищення функцюнально! ефективност доцiльно збшьши-ти глибину машинного навчання шляхом оптим> заци шших параметрiв навчання. Висновки

Запропонований шформацшно-екстремальний метод машинного навчання системи функцюнального контролю електроприводу шахтно! шд-йомно! машини з паралельною ошташзащею контрольних допускiв на ознаки розшзнавання дозволяе будувати високодостовiрнi вирiшальнi правила. Але через суттевий перетин клашв розшзнавання в просторi ознак, що мае мюце в практичних задачах функцiонального контролю, не вдалося побудувати безпомилковi за навчальною матрицею виршальш правила. Тому в пода-льшому необхiдно дослiдити вплив на функцю-нальну ефективнiсть машинного навчання шших параметрiв i розробити шформацшно-екстремальнi алгоритми !х оптимiзацil.

Лггература: 1. Кащич А., Марищенко А. Система управления и комплексной защиты шахтной подъёмной установки / Журнал «Современные технологии автоматизации», 2005. № 2. С. 26 - 28. 2. Трубецкой К. Н. Современные системы управления горно-транспортными комплексами / К.Н. Трубецкой,

A.А. Кулешов, А.Ф. Клебанов, Д.Я. Владимиров // Под ред. акад. К.Н. Трубецкого. СПб.: Наука, 2007. 306 с. 4. Довбиш А.С. Основи проектування штелекту-альних систем / А.С. Довбиш. Суми: СумДУ, 2009. 171 с. 5. Довбиш А.С. 1нтелектуальш технологи в еле-ктронному навчанш / А. С. Довбиш, А. В. Васильев,

B. О. Любчак. Суми: Сумський державний ушверси-тет, 2013. 178 с. 6. Зимовець В. I. Система функцюнального контролю приводу шахтно! шдйомно! машини, яка здатна навчатися / В. I. Зимовець, А. С. Чирва, О. I Марищенко // Журнал iнженерних наук. 2016. № 2. С. 15 - 19.

Transliterated bibliography:

1. Kashhich A., Marishhenko A. Sistema upravlenija i kompleksnoj zashhity shahtnoj pod#jomnoj ustanovki / Zhurnal «Sovremennye tehnologii avtomatizacii», 2005. № 2. S. 26 - 28.

2. Trubeckoj K. N. Sovremennye sistemy upravlenija gorno-transportnymi kompleksami / K.N. Trubeckoj, A.A. Kuleshov, A.F. Klebanov, D.Ja. Vladimirov // Pod red. akad. K.N. Trubeckogo. SPb.: Nauka, 2007. 306 s.

4. Dovbish A.S. Osnovi proektuvannja intelektual'nih sistem / A.S. Dovbish. Sumi: SumDU, 2009. 171 c.

5. Dovbish A.S. Intelektual'ni tehnologii' i elektronnomu navchanni / A. S. Dovbish, A. V. Vasil'ev, V. O. Ljub-chak. Sumi: Sums'kij derzhavnij universitet, 2013. 178 s.

6. Zimovec' V. I. Sistema funkcional'nogo kontrolju privodu shahtnoi pidjomnoi mashini, zdatna navchatisja / V. I. Zimovec', A. S. Chirva, O. I Marishhenko // Zhurnal inzhenernih nauk, 2016. № 2. S. 15 - 19.

Надшшла до редколегй' 11.11.2017 Рецензент: д-р техн. наук, проф. Кривуля Г.Ф. Довбиш Анатолш Степанович, д-р техн. наук, про-фесор; завщувач кафедри комп'ютерних наук Сумсь-кого державного ушверситету. Науковi iнтереси: ш-телектуальний аналiз даних. Адреса: Украша, 40007, Суми, вул. Римського-Корсакова, 2. Зимовець Викторы IropiBHa, аспiрантка кафедри комп'ютерних наук СумДУ. Науковi штереси: штуч-ний iнтелект. Адреса: Украша, 40007, Суми, вул. Римського-Корсакова, 2, e-mail: [email protected].

Козлов Захар Сергшович, астрант кафедри комп'ютерних наук СумДУ. Науковi iнтереси: ма-шинне навчання та розпiзнавання образiв. Адреса: Украша, 40007, Суми, вул. Римського-Корсакова, 2.

Dovbish Anatoly Stepanovich, Dr. Tech. Sciences, profesor; Head of Computer Science Department, Sumy State University. Scientific interests: intellectual analysis of data. Address: Ukraine, 40007, Sumy, Rimsky-Korsakov st., 2.

Zimovets Victoria I., PhD student, Computer Science Department, Sumy State University.. Scientific interests: artificial intelligence. Address: Ukraine, 40007, Sumy, Rimsky-Korsakov st., 2, e-mail: [email protected]. Kozlov Zakhar Sergeevich, PhD student, Computer Science Department, Sumy State University. Scientific interests: machin learning and pattern recognition. Address: Ukraine, 40007, Sumy, Rimsky-Korsakov st., 2.