CC BY
19
В1СНИК ПРИАЗОВСЬКОГО ДЕРЖАВНОГО ТЕХН1ЧНОГО УН1ВЕС1ТЕТУ 2009 р. Вип. № 19
УДК 629.113.001.18
Суглобов В.В.1, Лаврик В.П.2, Нефёдов И.А.3
ИССЛЕДОВАНИЕ МЕТОДА ПОВЫШЕНИЯ ТОЧНОСТИ ПРОГНОЗОВ ОТКАЗОВ АВТОПОГРУЗЧИКА
Исследована возможность применения метода нечеткой логики при прогнозировании отказов работы систем автопогрузчика. С целью повышения точности прогнозов отказов автопогрузчиков расчет проведен с помощью построения и обучения гибридной нейронной сети в среде МАТЬАВ.
Анализ научных публикаций и практических разработок показывает, что в настоящее время проблема прогнозирования отказов в работе перегрузочной техники решается с использованием метода статистического анализа, использующего коэффициенты корреляции, катего-ризированный вероятностный график, коэффициенты вариации и детерминации и обеспечивающего относительную ошибку прогноза порядка 10 % [1]. Эксплуатация автопогрузчиков происходит в условиях неопределённости, когда невозможно четко увязать параметры режимов эксплуатации и отказы систем автопогрузчика. Поэтому актуальной является задача использования математического аппарата, основанного на нечеткой логике, позволяющего описывать процессы работы автопогрузчика в условиях различного рода неопределенностей и случайностей, возникающих в процессе эксплуатации автопогрузчиков.
Целью данной работы является повышение точности прогноза отказов систем автопогрузчика с использованием гибридных нейронных сетей.
Гибридные нечёткие нейронные сети объединяют в себе достоинства нейронных сетей и систем нечёткого вывода. С одной стороны, они позволяют разрабатывать и представлять модели систем в форме правил нечётких продукций, которые обладают наглядностью и простотой содержательной интерпретации. С другой стороны, для построения правил нечётких продукций используются методы нейронных сетей, что является более удобным и менее трудоёмким процессом [2].
Правила преобразования сигнала в искусственном нейроне (рис. 1) описываются с помощью следующих выражений:
у=/(4 (1)
п ¿=1
где Г - выходной сигнал нейрона;
- результат суммирования;
х( - компонент вектора входного сигнала (/ е {1,2,...,«});
- вес синапса (/ е {1,2,...,«}); с - параметр смещения.
Вес синапса может иметь как положительный, так и отрицательный знак. Уравнение (1) представляет собой функцию активации нейрона, в качестве которой могут быть использованы различные нелинейные преобразования - квадратичная, экспоненциальная, синусоидальная и т.д. Получив вектор входного сигнала X, нейрон выдаёт некоторое число Г на своём выходе. Нейронная сеть представляет собой совокупность нейронов с определённой топологией.
ПГТУ. д-р техн. наук, проф.
2ПГТУ, канд. техн. наук, доц.
3ПГТУ, ст. преп.
Видя». Bit Стоитор Еявк Выишк
снгншш сккалга келндайвдго скпал
Построение и использование нейронной сети
состоит из следующих этапов:
1. Выбор типа и структуры нейронной сети.
2. Обучение нейронной сети на основе имеющейся информации.
3. Проверка нейронной сети на контрольном примере.
4. Использование полученной нейронной сети для решения поставленной задачи.
Рис. 1 - Функциональная схема нейрона
Для предсказания отказов систем автопогрузчиков на основании данных и значений плотности статистической вероятности ресурса систем автопогрузчика за 15 лет эксплуатации в условиях порта использована нечёткая модель гибридной сети, которая является многослойной нейронной сетью без обратной связи с четырьмя входами и одним выходом. При этом первая входная переменная будет соответствовать плотности статистической вероятности ресурса систем автопогрузчика на текущий момент, вторая - на предыдущее время, т.е. на время (/ -1), где через / обозначено текущее время. Тогда третья входная переменная будет соответствовать плотности статистической вероятности ресурса систем автопогрузчика на (/ - 2) время, а четвёртая - на (/ - 3) время.
Каждая входная переменная имеет три лингвистических терма, функции принадлежности входных переменных выбраны треугольными, так как они обеспечивают наименьший уровень ошибки при обучении сети (рис. 2).
Лингвистическая переменная - это переменная, значениями которой могут быть слова или словосочетания некоторого естественного или искусственного языка. Терм-множеством является множество всех возможных значений лингвистической переменной [3]. В теории нечётких множеств терм формализуется нечётким множеством с помощью функции принадлежности.
Функция принадлежности выходной переменной выбрана линейной. Используется структура системы нечёткого вывода типа Сугено первого порядка с четырьмя входами и одним выходом из правил вида [2]:
11 : if X is Д. and Y is Bj and Z is Ci and О is /).
(3)
then щ =SjX + i v + ptz + h.q + r., где X,Y,Z,0 - нечёткие переменные, определённые на множествах вещественных чисел /), . 1)у. ¡)7 и D0, а А.. В..('. у/.), - значения нечётких переменных X. Y. Z.0 в правиле Rt . Значения нечётких переменных определяются как нечёткие множества, определённые на Dx,Dy ,Dz и д.,. Нечёткая модель представляет собой совокупность правил указанного вида.
Для заданных вещественных значений входных сигналов х* ,v* ,z* ,q в каждом правиле вычисляется значение правой части:
Z,. = sp + t,y + p:z + lit/ + rt, (4)
и сила его срабатывания W) AN])(/t (.v1)[ В. (г1)(' (г1)[ /), (с/*)). где AND - вещественная функция от двух переменных, формализующая операцию конъюнкции. Значения правых частей правил агрегируются с учётом силы срабатывания правил:
Г = -, (5)
Рис. 2 - Ошибка обучения гибридной сети
В результате на выходе нечёткой модели получается вещественное значение переменной Г . Таким образом, нечёткая система определяет некоторую вещественную функцию, зависящую от способа задания нечётких множеств и определения операции конъюнкции (рис. 3).
Рис. 3 - Структура построенной нечёткой модели
После окончания обучения данной гибридной сети может быть выполнен анализ графика ошибки обучения [5]. Из графика видно, что обучение закончилось после 10 цикла. Ошибка
обучения при этом составила ®= 6,0182-10 4.
Для проверки адекватности построенной нечёткой модели гибридной сети сравним прогнозируемое и известное значение отказов автопогрузчика за один временной отрезок.
Результаты (табл. 1) показывают, что относительная погрешность прогноза на 5 периодов составляет менее 6 %, в среднем - 2,044 %, что позволяет говорить о достаточно высокой степени адекватности построенной нечёткой модели гибридной сети.
Таблица 1 - Погрешность прогноза плотности статистической вероятности ресурса систем
автопогрузчика
Время, Плотность вероят- Прогноз плотности Абсолютная Относительная
мес. ности ресурса сис- вероятности ресурса ошибка ошибка прогноза, %
тем автопогрузчика систем автопогрузчика прогноза
181 1,6601 1,6743 0,0142 0,85
182 1,6110 1,6010 -0,0100 0,62
183 1,5995 1,6185 0,0190 1,18
184 1,6430 1,5520 -0,0910 5,53
185 1,6652 1,6312 - 0,0340 2,04
Предложенный подход предсказания отказов автопогрузчиков с использованием нечётких нейронных сетей обеспечивает достаточно низкую погрешность прогноза (менее 6 %), что позволяет с большей точностью предсказывать информацию об отказах систем погрузчика.
Перспектива дальнейших исследований заключается в моделировании работы систем автопогрузчиков при различных режимах эксплуатации с использованием аппарата нейро-нечётких технологий
Выводы
1. Для повышения точности предсказаний отказов систем автопогрузчика, работающих в условиях различного рода неопределенностей внешней среды, предложено использование метода нечеткой логики.
2. Прогноз отказов систем автопогрузчиков выполнен с помощью построения и обучения гибридной нейронной сети, с использованием правил нечеткого логического вывода.
3. Применение данного метода позволило повысить точность прогноза по сравнению с существующими классическими методами теории вероятностей и математической статистики до 2,044 % в среднем.
Перечень ссылок
1. Суглобов В.В. Исследование причин отказов автопогрузчиков при эксплуатации в морских портах / В.В. Суглобов, В.П. Лаврик. И.А. Нефёдов II Щдйомно-транспортна техшка: 36. наук. пр. - Дншропетровськ, 2009. - Вип. № 3. - С. 42 - 47.
2. Рутковская Д. Нейронные сети, генетические алгоритмы и нечёткие системы / Д.. Рутков-ская, М. Пилинъский, Л. Рутковский. - М.: Горячая линия - Телеком, 2004. - 183 с.
3. Заде Л. Понятие лингвистической переменной и её применение к принятию приближенных решений /Л. Заде. - М.: Мир, 1976. - 167 с.
4. Леоненков A.B. Нечёткое моделирование в среде MATLAB и fuzzyTECH / A.B. Леоненков. -СПб.: БХВ-Петербург, 2003. - 736 с.
Рецензент: М.В. Маргулис д-р техн. наук, проф.
Статья поступила 20.03.2009
