CC BY
88
УДК 621.436- 047.43.621.384.3 Канд. техн. наук В.Е. КОЛПАКОВ
(СПбГАУ, val-kolpakov(a!mail.ru)
НЕЙРОННЫЕ СЕТИ КАК ИНСТРУМЕНТ ОПРЕДЕЛЕНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВТОТРАКТОРНЫХ ДВИГАТЕЛЕЙ
Диагностика двигателя, нейронные сети, нейроны скрытого слоя, многослойный перцептрон, радиально базисная функция, функция ошибок, генерализация, классификация, распознавание образов, искусственный интеллект
Современный научно-технический прогресс приводит к постоянному усложнению технических систем и как следствие к увеличению трудовых и материальных ресурсов, связанных с ремонтом и эксплуатацией. В этих условиях широкое внедрение систем диагностирования становится одним из важнейших факторов повышения эффективности использования сельскохозяйственной техники [1]. Кроме того, совершенствование и внедрение систем диагностики позволяет осуществить решение сложных народнохозяйственных задач, таких как переход от планово- предупредительной системы ремонта к ремонту по техническому состоянию, обеспечение возможности контроля загрузки трактора при выполнении сельскохозяйственных операций [2].
Разработка системы технического диагностирования является непростой задачей включающей в себя как применение современных диагностических средств, так и совершенствование математического аппарата определения состояния диагностируемого объекта. Современные системы технической диагностики непосредственно связаны с распознаванием образа состояния объекта. Первые работы в области теории распознавания и классификации по прецедентам появились в 30-е годы прошлого столетия и были связаны с байесовской теорией принятия решений (работы Неймана, Пирсона), применением разделяющих функций к задаче классификации (Фишер, 1936г.), решением вопросов проверки гипотез (Вальд, 1939г.). В 50-е годы появились первые нейросетевые модели распознавания (перцептрон Розенблата 1965 г.), связанные с успехами в моделировании головного мозга. К концу 60-х годов уже были разработаны и детально исследованы различные подходы для решения задач распознавания в рамках статистических, перцептронных моделей и моделей с разделяющими функциями [3]. В настоящее время нейронные сети получили широкое развитие и имеют исключительные возможности для получения и значений, правил и тенденций из данных, затруднительных для понимания с использованием параметрических методов и данных имеющих значительные погрешности и шум. Нейронные сети, управляемые посредством сложных математических функций, могут использоваться для получения образов и распознавания тенденций и решать задачи такой сложности, которые не под силу для математических моделей, использующих аналитические или параметрические методики. Одним из достоинств нейронных сетей является способность точного предсказания значений, которые не являются частью экспериментальных данных, т.е. используют процесс, называемый генерализация.
Нейрон получает сигналы от многих источников. Источники, обычно формирующиеся посредством экспериментальных данных, рассматриваются как входящие переменные х, или просто входы. Входы характеризуются силой источника, называемой весом. Весу придается численное значение. Чем больше вес w, тем сильнее полученный сигнал, и следовательно, большая значимость для соответствующего входа. При получении сигнала весовая сумма входов формирует условия для создания активационной функции/( просто активации) нейронов. Так:
ВЫХОД(о1ф1й) =/fw1x1 + ... +wcixcij
Значения выхода прогнозируются простейшей нейронной моделью для переменных данных, которые приводят к цели I. Т.о., процесс сводится к определению связи между входом и целью посредством использования математической функции.
Типовая сеть с механизмом прогнозирования создается в соответствии с четкой послойной топологией. Как правило, входной слой используется для введения массива данных. Промежуточные (скрытые) слои и выходной слой нейронов связаны друг с другом в предшествующих слоях.
Нейронные сети по своей архитектуре могут быть как на основе многослойных перцептронов (MLP), так и с использованием радиально- базисной функции (RBF). Как MLP, так и (RBF) содержат в своей структуре биас. Биас- это нейрон, в котором активационная функция
постоянно имеет единичное значение. Сеть (RBF), в отличие от MLP сети, содержит биас только в выходном слое. В большинстве случаев RBF сеть проще, чем MLP. BRF также имеет однонаправленные полные связи между нейронами различных слоев, обеспечивающие работу механизма прогнозирования событий.
Каждый нейрон во входном слое создает весовую сумму донного входного сигнала и передает ее через трансферную функцию для получения значений выхода. Это означает, что в отличии от MPL, RBF сети имеют два типа параметров: 1- размещение и распространение базисной функции; и 2- определение веса (значимости) и соединение базисной функции с выходными нейронами.
Процесс выбора параметров нейронных сетей, позволяющий приблизительно установить функциональную зависимость между входом х и целью t называют обучением. В этом процессе нейронные сети обучают модель работать, используя примеры. Имеется также арсенал различных методов обучения нейронных сетей, реализация большинства которых требует использование большого количества алгоритмов, что существенно усложняет задание даже при ограниченном количестве циклов. Необходимость в таких итеративных алгоритмах обусловливает высоко нелинейную природу моделей нейронных сетей, что существенно усложняет, а зачастую делает невозможным решение задачи.
Итеративный обучающий алгоритм шаг за шагом регулирует вес сигнала в нейронных сетях так, что любое входное значение х в нейронной сети может произвести выходные данные, максимально приближенные к цели t.
Поскольку обучающие нейронные сети требуют инициализации итеративного алгоритма при каждой регулировке веса, должны быть заданы начальные условия для приемлемых стартовых величин. Это иногда может потребовать не только качества решений, но и времени для подготовки обучения. Для получения точных данных важно, чтобы инициализация весов начиналась с небольших значений в линейном режиме , которые затем постепенно увеличивались.
Нейронные сети сами по себе не могут предсказывать событие до тех пор, пока не пройдут процедуру обучения на примерах. Примеры обычно состоят из пар информации "вход-предсказание", которые используют одну за другой по мере процесса обучения. Можно представить входные данные в виде "вопроса", а предсказание в виде "ответа". Таким образом обучение идет в постоянном режиме вопрос- ответ. Тем не менее в каждом шаге обучения нейронная сеть требует установку значений весов, используемых данных и оценивает их корректность с помощью критерия, называемого функцией ошибок. Если вес выбран не достаточно правильно, производится его корректировка, отвечающая более правильному предсказанию.
Функция ошибок, используемая для обучения нейронной сети, снабжена неким мерилом
дистанции точности достижения цели при использовании конкретных входных данных. Для этого
наиболее общим подходом является использование квадратичной суммы. В данном случае это может
быть дискриминантная функция. Функция квадрата суммы необходима для определения различия
между расчетным и фактическим значением предсказания определенного внутри цикла обучения:
N
Esos = - ti)2, (=i
где N- количество случаев, используемых в обучении, y¿- расчетное предсказание состояния, t¡- действительное состояние объекта.
Естественно, чем больше различие между расчетным и действительным тем, больше значение функции ошибок, что в свою очередь означает необходимость более точной коррекции веса для работы обучающего алгороитма. Функция ошибок на основе квадрата суммы может использоваться как для регрессионного анализа, так и для решения задач классификации. Однако достоверные нейронные сети при решении задач классификации могут использовать и другую функцию ошибок, называемую функцией ошибок крестовой энтропии:
Есе =-Y.hu lng).
При этом предполагается, что действительное состояние описывается полиномиальным распределением. Это является отличием от функции ошибок квадрата сумм, использующую распределение значений действительного состояния как функцию нормального вероятностного
распределения. С другой стороны, для классификационных задач Statistica 10 SANN [4] использует крест- энтропическую функцию ошибок для обучения, но выбор критерия преобразований для получения лучшей нейронной сети в действительности базируется на классификационном ряду, который может быть упрощенно интерпретирован как сравнение с функцией ошибок, базирующейся на энтропии [4].
Существуют различные технические приемы для решения проблемы правильного выбора и подстановки выходных данных процесса генерализации. Наиболее распространенным является возведение в степень использования данных тестирования.
Использование нейронных сетей для определения технического состояния двигателей внутреннего сгорания (ДВС), в том числе автотракторных, в настоящее время является перспективным направлением, так как нейронные сети обладают несомненными преимуществами по сравнению с другими методами распознавания образов, такими как метод Байеса, дискриминантный анализ, метод ближайших соседей и пр. К основным преимуществам математических моделей, основанных на нейронных сетях, в задачах классификации можно отнести высокую гибкость и точность предсказаний, приобретающие важное значение при диагностике технических стохастических систем, к которым можно отнести ДВС. Несомненно, что нейронные сети в состоянии решать сложнейшие задачи, такие как непосредственное определение неисправности конкретной системы двигателя, узла или детали, однако, при использовании диагностики в качестве первого этапа определения фактической загрузки машино- тракторного агрегата (МТА), достаточно решить задачу принадлежности к одному из классов технического состояния.
В процессе эксплуатации при переходе границы технического состояния двигатель попадает в класс непригодности, называемый параметрическим повреждением вследствие износа или нарушения эксплуатационных регулировок. Изменение технического состояния двигателя в области состояний пригодности детерминировано физическими и химическими процессами. Однако непосредственное установление границ классов состояний (диагнозов) носит условный характер. В рамках поставленной диагностической задачи наибольший интерес представляет комплексный технический критерий- критерий потери мощности, который может быть косвенно определен по температуре выпускных газов и динамике разгона ДВС.
От момента начала эксплуатации и до момента достижения предельного состояния двигатель будет находиться в различных состояниях (классах ). При этом состояние объекта можно условно поделить на три класса.
1 класс - работоспособное состояние- состояние объекта при котором значения всех параметров, характеризующих выполнять заданные функции соответствуют требованиям нормативно- технической и конструкторской документации..
2 класс - параметрическое повреждение пригодности , вызывающее снижение мощности до 10 %.
3 класс - предельное состояние, потеря мощности свыше 10%
Каждому классу соответствуют априорные диагностические признаки, полученные в результате эксперимента.
Для реализации способа диагностики проведен анализ и создана математическая модель на основе теории распознавания образов.
Исходными данными такой модели являются выборки данных, представляющие собой массив значений температур выпускных газов двигателя в зависимости от эксплуатационных характеристик и регулировок. При этом в качестве диагностических параметров используются средние значения температур каждого цилиндра t, С при максимальной и минимальной частоте вращения коленчатого вала и время разгона т от минимальной до максимальной частоты вращения. С целью получения такого массива создана экспериментальная установка, включающая в себя атмосферный дизель Д-144 с воздушным охлаждением, электрический тормозного стенд и комплекс измерительной аппаратуры.
При определении технического состояния двигателя Д-144, в результате проведения нескольких сотен циклов расчета смоделированы две нейронных сети, архитектура которых позволила получить точность определения принадлежности к класу от 93.3 до 99,8% в зависимости от рендомизации данных. Неплохие результаты получились при использовании сети с десятью нейронами ( 9-10-3) при использовании алгоритма BFGS (Broyden-Fletcher-Goldfarb-Shanno)[], функции ошибок, основанной на применении суммы площадей (SOS), при использовании
Гауссовской изотропной функции распределения и линейной активации нейронов в направлении выхода. Однако наилучшие результаты получены при использовании сети с тринадцатью нейронами внутреннего слоя (рис.) при использовании алгоритма ВРС8. функции ошибок крестовой энтропии (СЕ), активации внутренних слоев с использованием функции Гаусса, активации выхоного слоя 8ойтах
Несмотря на то, что представленная математическая модель в виде нейронной сети предназначена для определения технического состояния конкретной марки дизеля, построение аналогичных математических моделей, используя данную методику расчета и имея достаточное количество входных данных, не представляет затруднений.
Рассмотренный метод определения технического состояния двигателя рассчитан на определение принадлежности к одному из трех классов состояния объекта, однако, в перспективе аналогичный подход может быть использован для решения более сложных задач, например, таких как определение неисправности и конкретного адреса источника ее возникновения, что особенно актуально при разработке принципиально новых бортовых систем диагностики двигателей мобильных агрегатов.
ФУНКЦ11Я ОШИБОК-
1 КЛАСС 2КЛАСС ЗКЛАСС
АКТИВАЦИЯ-SOFMAX
B.XOJ
О О О О OOOCJC
tx min t2mint3min t4min t1 max t2 max t3 max t4 max г
Рис. Радиальнобазисиая сеть определения технического состояния автотракторного дизеля Д-144
Литература
1. Агапов Д.С., Белинская И.В. Определение термоэкономических показателей энергопреобразующих систем // Известия Санкт-Петербургского государственного аграрного университета. - 2013. - Вып. 34.-С 127-131.
2. Колпаков В.Е. Тепловая экспресс диагностика автотракторных двигателей //Известия Международной академии аграрного образования. - 2013. - Вып №16. С.150-154.
3. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практическое применение: Монография. - М.: Фазис, 2005.
4. Statistica 10, Statsoft, inc. 2011, URL:http://statsoft.com
