CC BY
18
полученную конструкцию на механические воздействия (статические нагрузки, вибрации, удары), обеспечение тепловых режимов, электромагнитную совместимость с использованием специализированных пакетов САПР. Анализ показал, что основную трудность у рядовых конструкторов вызывает процесс интерпретации результатов моделирования, а главное - выбор варианта технического решения минимизации негативных факторов. Как правило, идут по пути усиления слабых мест или замены материалов на другие с лучшими характеристиками, что не всегда является оптимальным решением. Правильный анализ возможен только узкоспециализированному эксперту, который не всегда доступен в силу невозможности охвата всех проектов. Вот в этом случае может помочь экспертная система, вбирающая в себя знания и опыт ведущих специалистов по механическому и тепловому анализу и оптимизации конструкций электронных средств с учетом электромагнитной совместимости.
В качестве системы комплексного анализа конструкций электронных средств различного уровня с использованием экспертных систем предлагаемой структура из блоков механического, теплового, электромагнитного анализа и оптимизации предназначен для элементов различной конструктивной иерархии [8-11,13]. Сначала комплексный анализ и
оптимизация характеристик проводится на уровне печатных плат и узлов, затем на уровне радиоэлектронных модулей, радиоэлектронных блоков и, наконец, на уровне шкафов, стоек, пультов [1012] .
При анализе механических характеристик многослойных печатных плат используются системы САЕ, позволяющие выявить наиболее проблемные участки. Данные о критических режимах выявляются в результате статистической обработки лабораторных испытаний тестовых печатных плат [6,13] .
В качестве базового программного продукта, предназначенного для моделирования механических характеристик, может быть предложена система позволяющая проводить как процедуры проектирования с использованием 3D моделирования, так и инженерный механический, тепловой анализы, а также технологическую подготовку производства. Предложенная методика [7-10,14] с использованием экспертной системы может значительно ускорить процесс разработки изделий, во-первых, благодаря системному применению САПР для моделирования механических воздействий, а во-вторых, наличию экспертной системы, облегчающей интерпретацию результатов моделирования и позволяющей ускорить принятие решений об оптимизации конструкций.
ЛИТЕРАТУРА
1. Гришко А.К. Системный анализ параметров и показателей качества многоуровневых конструкций радиоэлектронных средств / А.К. Гришко, Н.К. Юрков, Д.В. Артамонов, В.А. Канайкин // Прикаспийский журнал: управление и высокие технологии. - 2014. - № 2 (26). - С. 77-84.
2. Гришко А.К. Динамическая оптимизация управления структурными элементами сложных систем / А.К. Гришко, Н.К. Юрков, Т.В. Жашкова // XXI век: итоги прошлого и проблемы настоящего плюс. - 2015. -№ 4 (26). - С. 134-141.
3. Зудов А.Б. Интерфейсы на естественном языке как связь нейронных сетей с экспертными системами / А.Б. Зудов, А.К. Гришко // В мире научных открытий. - 2010. - № 5-1. - С. 119-122.
4. Гришко А.К. Экспертные информационные системы проектирования радиоэлектронных средств / А.К. Гришко, И.И. Кочегаров, Н.А. Бекниязов // Инновации на основе информационных и коммуникационных технологий. - 2015. - Т. 1. - С. 304-306
5. Гришко А.К. Алгоритм поддержки принятия решений в многокритериальных задачах оптимального выбора / А.К. Гришко // Модели, системы, сети в экономике, технике, природе и обществе. - 2016. -№ 1 (17). - С. 265-271.
6. Гришко А.К. Алгоритм пространственно-параметрического синтеза электромонтажа радиоэлектронных средств / А.К. Гришко, П.Г. Андреев, В.Я. Баннов // Труды международного симпозиума Надежность и качество. - Пенза: 2015. - Т. 1. - С. 181-182.
7. Гришко А.К. Анализ систем сжатия информации в базах данных / А.К. Гришко, Е.К. Горелова, М.В. Бойцова и др. // МАТЕРИАЛЫ И ТЕХНОЛОГИИ 21 ВЕКА: сб. ст. XIII Междунар. науч.-техн. конф. - Пенза: Приволжский Дом знаний, 2015. - С. 18-23.
8. Гришко А.К. Анализ и оптимизация траектории поведения системы на основе прогнозирующего управления / А.К. Гришко // Труды международного симпозиума Надежность и качество. - 2008. - Т. 1.
- С. 291-292.
9. Гришко А.К. Оптимизация размещения элементов РЭС на основе многоуровневой геоинформационной модели / А.К. Гришко // Вестник Самарского государственного технического университета. Серия: Технические науки. - 2015. - № 3 (47). - С. 85-90.
10. Гришко А.К. Динамический анализ и синтез оптимальной системы управления радиоэлектронными средствами / А.К. Гришко // XXI век: итоги прошлого и проблемы настоящего плюс. - 2015. № 4 (26).
- С. 141-147.
11. Гришко А.К. Анизотропная модель системы измерения и анализа температурных полей радиоэлектронных модулей / А.К. Гришко, Н.В. Горячев, И.И. Кочегаров // Измерение. Мониторинг. Управление. Контроль. - 2016. - № 1. - С. 82-88.
12. Гришко А.К. Математическое моделирование системы обеспечения тепловых режимов конструктивно-функциональных модулей радиоэлектронных комплексов / А.К. Гришко, Н.В. Горячев, Н.К. Юрков // Проектирование и технология электронных средств. - 2015. - № 3. - С. 27-31.
13. Grishko A. Management of Structural Components Complex Electronic Systems on the Basis of Adaptive Model / A. Grishko, N. Goryachev, I. Kochegarov, S. Brostilov, N. Yurkov // MODERN PROBLEMS OF RADIO ENGINEERING, TELECOMMUNICATIONS, AND COMPUTER SCIENCE Proceedings of the XIIIth International Conference TCSET'2016 February 23 - 26, 2016 Lviv-Slavsko, Ukraine.
14. Grishko A., Goryachev N., Yurkov N. Adaptive Control of Functional Elements of Complex Radio Electronic Systems. International Journal of Applied Engineering Research. Volume 10, Number 23 (2015), pp. 43842-43845.
УДК 621.3.082
Доросинский1 А.Ю., Винчаков2 А.Н.
1ФГБОУ ВО «Пензенский государственный технологический университет», Пенза, Россия 2ОАО «Электромеханика», Пенза, Россия
МЕТОДЫ ОПИСАНИЯ СИГНАЛОВ МАГНИТСТРИЦИОННЫХ ДАТЧИКОВ УРОВНЯ
Рассмотрены особенности идентификации элементов полезного сигнала. Проведен сравнительный анализ различных методов идентификации.
Обозначены перспективы метода основанного на сравнении пороговых значений. Ключевые слова:
датчик уровня, поплавок, сигнал, идентификация, пороговое значение.
Сигнал отклика, содержащий информацию о текущем уровне топлива (определяется местоположением поплавка) в датчиках, основанных на магни-тострикционном принципе функционирования, представляет собой последовательность квазипериодических сигналов с непрерывным спектром распределенных по оси времени (рисунок 1).
Для удобства описания все сигналы пронумерованы от 1 до 8.
При этом данные сигналы можно условно разделить на две группы, а именно: сигналы, порождаемые магнитным полем поплавка и сигналы, отраженные от противоположного конца стержня, для усиления которых в существующей конструкции используется постоянный магнит, установленный на конце рабочего магнитострикционного стержня.
0.952
Рисунок 1
Причем первые два сигнала (обозначенные на рисунке 1 как первичные) являются первичным откликом, в то время как физическая природа остальных является следствием переотражения данных сигналов.
Проведенные исследования показали, что в переотраженных сигналах наблюдается эффект затухания наряду с увеличением амплитуды сигналов взаимного переотражения, проявляющегося в виде шума, наложенного на полезный сигнал, поэтому для обеспечения наибольшего отношения сигнал/шум целесообразно использовать лишь первые четыре сигнала, так как последующие не обладают дополнительной информативностью.
Согласно магнитострикционному принципу функционирования время между подачей импульса воз-
буждения (стартового импульса) и появлением сигнала отклика пропорционально положению поплавка. Поэтому информативной составляющей можно считать временные интервалы между импульсами 1, 3 и 4.
Для точного определения временных интервалов, функционально зависимых от положения поплавка необходимо идентифицировать сигнал отклика и его параметры в данном случае местоположение на оси времени.
Причем при наличии незначительных искажений данная форма остается неизменной. Для описания сигналов, с точки зрения формирования признакового пространства по которым тот или иной сигнал может быть выделен и идентифицирован, существует множество подходов. Обобщенная классификация представлена на рисунке 2.
Методы выделения признаков характеризующих сигнал
Рисунок 2
Рассмотрим каждый из представленных методов в отдельности.
Спектральные методы основываются на разложении сигнала на составляющие, в качестве которых могут выступать как классические гармонические функции (Фурье-преобразование) так и вейвлеты. Причем для данного случая Фурье-преобразование непригодно, так как не позволяет однозначно определить местоположение сигнала на оси времени. Схожим недостатком обладают и различные аналоги данного преобразования (например, разложение по дискретным базисам Уолша, Хаара, Ра-демахера и др.). Это объясняется тем, что данные
виды преобразований нечувствительны в виду композиции сигналов, которая может быть как аддитивной, так и мультипликативной [2].
Вейвлет-преобразование в данном случае удовлетворяет предъявляемым требованиям, так как исходный сигнал представляет сумму дискретных функций ориентированных во времени. Более того, формы многих вейвлет-функций (например, вейвлет Морле или вейвлеты построенные по производным от функции Гаусса) повторяют сигнал отклика, представленный на рисунке 1 с точностью до формы.
Таким образом, при данном подходе, признаковое пространство будут формировать две составляющие, а именно форма сигнала и его положение на оси времени.
Существенными недостатками данного подхода являются необходимость аналого-цифрового преобразования сигнала отклика, что для данной задачи требует высокого быстродействия АЦП. Кроме того, для осуществления вейвлет-преобразования с выделением требуемых признаков необходима высокая производительность микроконтроллера используемого в датчике.
Высокая цена микроконтроллера удовлетворяющего совокупности данных требований существенно ограничивает его применение, так как неизменно приводит к удорожанию самого датчика.
Более того, идентификация сигналов для случаев, когда поплавок находится в крайних положениях относительно направляющей датчика будет сильно затруднена. Все это делает использование вейвлет-преобразования неоправданным для решения данной задачи.
Математические методы обработки сигналов на предмет выделения признаков характеризующих полезный сигнал можно условно разделить на две категории, а именно методы, основанные на аппроксимации сигнала и методы, основанные на выделении признаков сигнала за счет сравнения с заданными пороговыми значениями.
Аппроксимация сигнала может быть как кусочно-линейной, так и полиномиальной (могут использоваться степенные полиномы и полиномы Лежандра, Лаггера, Эрмита и др.). Несмотря на то, что кусочно-линейная аппроксимация требует несравнимо меньших аппаратурных затрат, чем полиномиальная, тем не менее ее использование также связано с необходимостью высокого быстродействия исполнительного микроконтроллера и необходимостью оцифровки сигнала с помощью быстродействующего АЦП.
В данном случае признаковое пространство также будет состоять из формы сигнала и его ориентации на оси времени, с той лишь разницей, что для выделения полезных составляющих (в данном случае отклик от магнита расположенного на поплавке) будет необходимо наличие алгоритма поиска заданной формы сигнала путем сравнения ее с заданным шаблоном. Сложность такого алгоритма заключается в необходимости аффинных трансформаций заданного шаблона с целью приведения его масштаба в соответствие с масштабом полученного сигнала.
Кроме того, степень аппроксимирующего полинома прямо пропорциональна точности определения интервалов времени функционально зависимых от местоположения поплавка.
Наиболее привлекательным с точки зрения выделения пространства признаков полезного сигнала является метод, основанный на сравнении сигнала с заданными пороговыми значениями.
Данный подход заключается в обнаружении полезных сигналов путем превышения ими некоторого заданного порога. Помимо этого данный подход выгоден тем, что в силу квазигармонической природы сигналов превышение порога возможно как одной, так и несколькими полуволнами. Исходя из этого, появляется возможность определения длительности превышения порога полуволной.
Аппаратная реализация подобного подхода достаточно проста и требует наличия одного или нескольких компараторов в зависимости от выбранного количества пороговых значений.
1. Датчики: сфера, 2012. -
2. Баскаков 1988 - 448 с.
ЛИТЕРАТУРА
Справочное пособие / Под общ. ред. В.М. Шарапова, Е.С.
624 с., ISBN 978-5-94836-316-5
С.И. Радиотехнические цепи и сигналы. Учеб. для вузов.
Полищука. - Москва: Техно-2-е изд, - М.: Высш. шк.,
УДК 004.89
Лялин В.Е. , Чернышев К. С., Мухин Ю.С.
ФГБОУ ВО «Ижевский Государственный Технический Университет», Ижевск, Россия
АЛГОРИТМЫ ПРИМЕНЕНИЯ НЕЙРОСЕТЕВЫХ МЕТОДОВ ДЛЯ ОПРЕДЕЛЕНИЯ ЛИТОЛОГИЧЕСКОГО СОСТАВА РАЗРЕЗА СКВАЖИНЫ ПО ДАННЫМ КАРОТАЖА
Представлены системы, в которых целесообразно использование технологий экспертных систем и нейроинформационных структур. Разработаны алгоритмы применения нейросетевых методов для определения литологического состава разреза скважины по данным каротажа путем обучения на основе анализа соответствия КД имеющемуся экспертному заключению. Разработаны специализированные алгоритмы обработки результатов работы сети для увеличения информативности сигнала, выдаваемого НС, и повышения надежности распознавания.
Представлены результаты разработки интерпретирующих систем с использованием нейросетевых методов. В статье проведено исследование применимости трех типов НС для решения задач интерпретации ГИС: многослойная однонаправленная сеть; радиальная сеть (RBF), нечеткая сеть (TSK).
Ключевые слова:
нейросеть, многослойная однонаправленная сеть, радиальная сеть (RBF), нечёткая сеть (TSK).
Объединение принципов нечеткого логического вывода и нейросетевой структуры привело к созданию нечетких НС. В работе использован один из вариантов НС - нечеткая НС Такаги-Сугено-Канга (TSK). Для обучения использовалась система данных, представляющая собой набор наблюдаемых точек. Система данных делится на две выборки: обучающую и проверочную. Неизвестные коэффициенты нужно подобрать таким образом, чтобы они обеспечили минимальное отклонение рассчитываемых в сети значений от имеющихся, т.е. давали бы минимум целевой функции оптимизации. Рассмотренные НС применялись для прогнозирования коэффициента пористости выделенного пласта-коллектора [4]. На входы сети подавались КД выделенных пластов-коллекторов, выходной сигнал соответствовал значению пористости для всего пласта. В эксперименте участвовало 8 разведочных скважин Вятской площади, к которым прилагались расшифровки геофизиков-интерпретаторов с указанием глубин скважин, соответствующих коллекторам, коэффициента
общей пористости
K„
(м3/м3,
ния. Для нефтенасыщенных коллекторов дополнительно указывался коэффициент нефтенасыщения К . На вход сети подавались показания 7 методов: ВК, SP (собственные потенциалы), PZ (потенциал-зонд), GR, ^Я, DT, 1К (индукционный каротаж).
Общее количество обучающих примеров составило 200, половина из которых использовалась для обучения, остальные - для тестирования НС. Для синтеза архитектуры и обучения многослойной НС применялся генетический алгоритм БОЛ. Модель многослойного персептрона удовлетворительно справляется с прогнозированием пористости по данным комплекса геофизических методов. Определено, что задача определения коэффициента пористости лучше решалась сетью ТБК. Среднеквадратичная ошибка прогнозирования на тестовом множестве данных для многослойного персептрона (У = 1,9%, для сети ТБК
- (У = 1,6% • На рис. 1 изображены графики зависимостей коэффициента К , выданного НС, от эта-
РР
и типа насыще-
лонного коэффициента пористости K
Pf
