НЕЙРОСЕТЕВАЯ ДИАГНОСТИЧЕСКАЯ МОДЕЛЬ Текст научной статьи по специальности «Компьютерные и информационные науки»

Прием

V

Передача Передача

Рисунок 5 - Структурная схема ретранслятора сигнала на базе станции спутниковой связи.

Вывод

Проведя анализ возможных вариантов построения ретранслятора, основываясь на технических характеристиках приборов, их финансовой составляющей и требований необходимых для реализации этого устройства, наилучший способом практической реализации будет использование компонентов станций спутниковой связи. Такое исполнение является самым дешевым при наличии незанятых станций при организации связи. Создание ретранслятора на основе готовых смесителей будет являться наиболее подходящим, если нет возможности использовать техническую базу спутниковых станций. В этом случае финансовые затраты будут увеличены по сравнению с реализацией на технике. Самым экономически затратным вариантом будет использование твердотельных устройств. Список использованной литературы:

1. Системы и сети спутниковой связи: учебное пособие / [А.А. Илюхин, В.Г. Шестаков] - Орел: Академия ФСО Росии, 2009. - 309с.

2. Lib.tssonline [электронный ресурс] // LIB.TSSONLINE [сайт]. URL: https: // www.Lib.tssonline.ru/ articles2/sputnik. - Дата обращения: 28.02.2023.

3. Analog devices [электронный ресурс] // ANALOG DEVICES Products [сайт]. URL: https: // www.analog.com/products. - Дата обращения: 28.02.2023

© Бутин С.Ю., Шоколов А.А., Плахов А.В., 2023

УДК 681.518.5

Егорова Е.Г.

канд.тех.наук, доцент ФГБОУ ВО ПГУПС,

г.СПб, РФ

НЕЙРОСЕТЕВАЯ ДИАГНОСТИЧЕСКАЯ МОДЕЛЬ Аннотация

В статье рассмотрены вопросы формирования двухуровневой нейросетевой диагностической модели в рамках системы диагностики технологического процесса на примере производства железорудного агломерата.

Ключевые слова

Диагностическая модель, нейронные сети, нарушения, агломерация

В последнее десятилетие возрос интерес к нейронным сетям, они используются в самых разных областях, где необходимо решать задачи классификации, прогнозирования либо распознавания, так как они применимы в большинстве ситуаций, если существует связь между переменными, но точный вид

связей между входными и выходными переменными не определен.

В настоящей статье представлена нейронная диагностическая модель для определения нарушений на технологическом процессе. В качестве технологического процесса рассмотрен процесс подготовки железорудного агломерата.

Производство железорудного агломерата является довольно сложным технологическим процессом в связи с большим количеством влияющих возмущений в ходе его протекания, таких как нестабильность минералогического и гранулометрического состава исходной шихты, условия зажигания аглошихты, влияние характеристик топлива, различия в укладке и дозировании аглошихты, условия спекания шихты [1, 124]. Данные возмущения способны привести к получению выходного продукта несоответствующего качества. Традиционные системы регулирования способны только стабилизировать указанные параметры, но не способны учитывать все отклонения параметров от номинальных значений.

Процедура диагностики включает два этапа. Первый этап выполняет функцию определения факта наличия нарушения на процессе (мониторинг состояния). Второй этап необходим для выполнения непосредственно диагностики процесса, результатом которого является определение причины данного нарушения.

В связи с большим количеством нарушений [2, с.267] на объекте принято решение о построения иерархической структуры диагностической модели, поэтому необходимо провести декомпозицию технологического процесса с целю получения как можно большего числа автономных блоков. В конечном итоге декомпозиция технологического процесса агломерации произведена на множестве нарушений процесса с выделением ситуаций по определенному признаку, так как затруднительно произвести однозначную локализацию места ситуации, поскольку блоки, выделенные изначально при декомпозиции по стадиям процесса, оказались не автономны.

Сеть верхнего уровня определяет место возникновения нарушения, то есть определяет ситуацию. А сети нижнего уровня (количество которых соответствует количеству нарушений) определяют конкретное нарушение, т.е. причину возникновения ситуации.

Достоинством двухуровневой нейросетевой модели является снижение размерности сетей, что в свою очередь сокращает время обучения и переобучения. Данное обстоятельство является важным преимуществом, так как сокращение времени переобучения существенно для адаптации модели к изменяющимся условиям на контролируемом объекте.

Также несомненным плюсом данной модели является тот факт, что при появлении нового нарушения, неучтенного в обучающей выборке, оно будет обнаружено на этапе мониторинга, хотя и не идентифицировано. При включении нового нарушения в диагностическую модель нет необходимости переучивать всю модель, может быть переучена соответствующая сеть нижнего уровня, размерность которой является небольшой.

В качестве сети верхнего уровня использована сеть прямого распространения, которая имеет столько выходных нейронов, сколько выделено ситуаций, и обучена на их обнаружение. Число входов сети верхнего уровня должно соответствовать числу переменных, ответственных за возникновение данных ситуаций. Но поскольку количество таких переменных может быть достаточно велико и размерность сети верхнего уровня может оказаться достаточно большой, что повлечёт большое время переобучения, для снижения размерности сети верхнего уровня используется преобразование метода главных компонент. Метод главных компонент позволил достаточно просто реализовать непрерывный мониторинг состояния процесса агломерации. В этом случае на входы сеть верхнего уровня подаются проекции входных векторов переменных процесса на главные компоненты (счета), а их количество определяется числом главных компонент, которые учитываются в модели.

Дополнительно для обнаружения факта нарушения на этапе мониторинга используются статистики Т2 и Ц. Для каждой статистики определены пороговые значения. В случае возникновения нарушения на процессе, корреляционные связи между переменными процесса изменяются, что влечёт за собой превышение порогового значения одной из статистик.

issn 2410-6070

международный научный журнал «инновационная наука»

№ 3-2 / 2023

Рисунок 1 - Структура диагностической модели

Каждая сеть нижнего уровня должна определять конкретное нарушение, которое вызвало ситуаций. Количество сетей нижнего уровня соответствует числу нарушений, которые учтены в обучающей выборке.

Полученная структура диагностической модели процесса агломерации приведена на рисунке 1. Список использованной литературы:

1. Ершов, Е.В. Система прогнозирования качества продукции металлургического производства / Е.В.Ершов, Л.Н.Виноградова, Д.В.Богачев, О.С.Петрухина // Известия вузов. Приборостроение. - 2015. Т58. - №2.- С.123-127.

2. Ендияров, С.В. Диагностика процессов подготовки и производства агломерата. Методы и модели искусственного интеллекта/ С.В.Ендияров, С.Ю. Петрушенко. - Германия: LAP LAMBERT Academic Publishing, 2013.323 с.- ISBN 978-3-659-31778-1.

© Егорова Е.Г., 2023

УДК 624.21

Имамбердыев О.

Студент 1 курса дорожно-строительного факультета

Недиров С.

Студент 1 курса дорожно-строительного факультета Научный руководитель: Атаев К.

преподаватель дорожно-строительного факультета Туркменского государственного архитектурно-строительного

института, г. Ашхабад, Туркменистан

СОВРЕМЕННОЕ СОСТОЯНИЕ И ПЕРСПЕКТИВЫ СТРОИТЕЛЬСТВА АВТОМОБИЛЬНЫХ МОСТОВ НА ЗАПАДЕ ТУРКМЕНИСТАНА

Аннотация

В статье дается техническая характеристика строящегося современного автомобильного моста на