Контроль технического состояния электромеханических систем при помощи нейросетевых схем распознавания Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

ЭНЕРГЕТИКА, ЭЛЕКТРОСНАБЖЕНИЕ, ЭЛЕКТРОПРИВОД

УДК 519.1:621

Г.И. Бабокин, д-р техн. наук, проф., зам. директора, (848762) 6-13-83, ргогес1ог.паика@п1гЬ1и .ги, Д.М. Шпрехер, канд. техн. наук, доц., (848762) 6-13-83, shpreher-d@yandex.ru (Россия, Новомосковск, НИ РХТУ им. Д.И. Менделеева)

КОНТРОЛЬ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

ПРИ ПОМОЩИ НЕЙРОСЕТЕВЫХ СХЕМ РАСПОЗНАВАНИЯ

Представлены основные положения и этапы нейросетевого контроля электромеханических систем. В основе диагностической модели лежит многослойная нейронная сеть прямого распространения, обучаемая по методу обратного распространения ошибки.

Ключевые слова: электромеханическая система, диагностика состояния, алгоритм обучения, нейросетевой контроль.

Для нейросетевого контроля технического состояния любой электромеханической системы (ЭМС) требуется создание эффективной системы распознавания. Для этого необходимо решить последовательность задач, основными из которых являются следующие.

1. Определение полного перечня признаков, характеризующих систему. Исходная совокупность признаков должна формироваться без каких-либо ограничений.

2. Проведение первоначальной классификации распознаваемых технических состояний электромеханической системы или явлений в диагностическом фоне и составление априорного (первоначального) алфавита классов.

3. Выбор рабочего словаря признаков. Из полного перечня признаков, получаемых после решения предыдущей задачи, берутся только те признаки, которые являются «наблюдаемыми».

4. Описание всех первоначальных технических состояний или явлений электромеханической системы - априорного алфавита классов на языке признаков, включенных в рабочий словарь "наблюдаемых" признаков.

ботки прототипа наблюдаемых ситуаций, обобщений по подобию и преобладанию.

Архитектура НС для алгоритма обратного распространения показана на рис. 3.

Левый слой элементов - это входной слой, на который в векторной форме подаются управляющие воздействия и внешние факторы, воздействующие на управляемый электромеханический объект. За ним следует скрытый слой, в котором обрабатывающие элементы связаны с предшествующим и последующим слоями. Предположим, что состояние идеализированной ЭМС в данный момент времени t может быть с достаточной точностью описано N2 параметрами, объединенными в вектор X = [x1,..., xN2\. Пусть имеются результаты измерений этих параметров в моменты времени t1,...,tN1. Объединим полученные результаты измерений в матрицу X размерности Nix N 2. Строка данной матрицы c номером i - xt = X(i, :) - результат i-го измерения, i = 1, ..., N1, столбец с номером jX(:, j) - значения измерений j-го параметра в каждом из измерений, j = 1,.,N2.

f (S)

f (S)

x

f (S)

Рис. 3. Архитектура диагностической модели, распознающей НС

Основой синтеза параметров распознающей модели является доступная для формирования алгоритма обучения текущая информация о со

Энергетика, электроснабжение, электропривод

стоянии системы. Алгоритм настройки распознающей модели (см. рис.3) состоит из восьми шагов [1, 2].

1. Начальная инициализация всех весовых коэффициентов и пороговых величин случайными числами г в диапазоне [-0.5, 0.5]:

V;,и(0) = г, 0й(0) = г, ) = 1Ж И = ъР, (0) = г, п (0) = г, И = 1, р, / = 1, д,

где V и w - коэффициенты соответственно 1-го и 2-го настраиваемых слоев НС; 0 и п - пороговые величины соответственно скрытого и выходного слоев НС; N2 - количество параметров вектора описаний ситуации «параметры технического состояния электромеханической системы - внешние факторы среды»; р - число нейронов скрытого слоя; д - число нейронов выходного слоя (количество диагностируемых параметров).

2. Для каждого из N1 - примеров протокола наблюдений параметров установки выполняется следующая последовательность действий. Поочередная активация входного слоя НС одним из N1 векторов

а] = а), / = Ш, 3 = ^N2.

3. Вычисление сигналов на выходе нейронов скрытого слоя для каждого примера согласно выражению

(N 2 Л _ _ _

ЬИ = I X а^ы-0/ , 3 = 1, N2, И = 1, р, / = 1, N1,

0=1 )

1(х) - сигмоидная функция активации в диапазоне [0,1].

4. Вычисление сигналов на выходе нейронов выходного слоя для каждого примера согласно выражению:

Гр \ - - -

о/ = I Xь^ы-п/ , / = 1,д, и = 1,р, / = 1,N1 ,

V и=1 )

1(х) - сигмоидная функция активации в диапазоне [0,1].

5. Для каждого входного вектора определение ошибок между вычисленными выходными величинами о/, / = 1, д нейронов и компонентами желаемого выходного образа протокола наблюдений параметров ситуации

с1\, / = \Гд :

в\ = о/(1 - о\)(- о\), / = 1, д, / = 1, N1.

6. Для каждого входного вектора пересчет величин ошибок для всех

нейронов ЬИ, И = 1, р скрытого слоя:

д

X

/=1

стИ = ЬИ (1 - ЬИ)х wlиei, И = 1, р, / = 1, N1.

7. Корректировка весовых коэффициентов осуществляется после показа сети всех обучающих ситуаций протокола наблюдений (т.е. шаги 2-6 вычисляются для всех N1 примеров) согласно соотношениям

Whl (* +1 ) = Whl (* )-Е аЬ\в\, п (* +1) = П (* )-£ ав1, / = 1, N1, I = 1, q,

p ■ ■ / Ч / Ч Р

V¡ь(* +1 ) = v^(*)-ЕааI е1(* +1 ) = е,(*)-ЕааI ] = 1,N2, h = 1,р,

h=1 h=1

где параметр а определяет скорость последовательного обучения распознающей НС модели.

8. Сравнение полученной выходных ошибок с требуемыми параметрами точности обучения, в случае, если ошибка не в допуске, повторение шагов 2-8. Условие прекращения обучения формулируется как

V \di

ci

<s, I = 1, q, i = 1, N1,

где s - абсолютная погрешность представления нормированного параметра.

Анализ этапов нейросетевого контроля электромеханических систем показывает, что для того чтобы диагностические алгоритмы могли реально применяться на практике, они должны быть надежными в вычислениях и устойчивы к шуму. Кроме того, в нестационарных условиях они должны обладать способностью к обучению, гибкостью, устойчивостью и нелинейностью. Представленный подход к нейросетевому контролю электромеханических системам обладает указанными свойствами.

Список литературы

1. Хайкин С. Нейронные сети: полный курс. 2-е изд.; пер. с англ. М.: «Вильямс», 2006. 1104 с.

2. Лисс А.А., Степанов М.В. Нейронные сети и нейрокомпьютеры: учеб. пособие. СПб.: ГЭТУ, 1997. 64 с.

G. Babokin, D. Shprekher

Checking technical condition of the electromechanic systems with the help of neyrosetevyh schemes of the recognition

The main positions and stages neyrosetevye checking electromechanic systems are presented. In the base of the diagnostic model the laminated neuronnaya network of the direct spreading, trained on method of the inverse spreading the mistake is lain.

Keywords: electromechanical system, diagnosis of the state, learning algorithm, neural network control.

Получено 12.01.10