CC BY
50
УДК 681.391
В.А. Ушаков, В.С. Дрогайцев ОБНАРУЖЕНИЕ ПРЕДОТКАЗНЫХ СОСТОЯНИЙ И ИДЕНТИФИКАЦИЯ ИСТОЧНИКОВ ИХ ГЕНЕРАЦИИ СЛОЖНЫХ ТЕХНИЧЕСКИХ ОБЪЕКТОВ. ПОСТРОЕНИЕ И ОБУЧЕНИЕ НЕЙРОСЕТЕВЫХ ПОДСТРУКТУР. II
Рассматриваются технология построения и обучения нейросетевых структур на основе использования баз данных и знаний интеллектуальных систем поддержки методов обнаружения предотказных состояний и идентификации источников их генерации в поведении сложных технических объектов.
Семантические сети, нейроны, синаптические связи, весовые
коэффициенты, функция активации
V.A. Ushakov, V.S. Drogaitsev DETECTING PRE-REDUNDANT STATES AND IDENTIFYING THE SOURCES FOR GENERATING TECHNICALLY COMPLEX OBJECTS. DESIGN AND EDUCATION OG NEURAL NETWORK SUBSTRUCTURES. II
The authors consider the technology for designing and educating neural network structures using the data base and knowledge of intellectual systems supporting the methods of detecting the pre-redundant states and identifying the sources of the generation within the technically complex objects.
Semantic networks, neurone, synaptic ties, weight rate, activation function
Данная публикация отражает развитие методов и интеллектуальных средств обнаружения предотказных состояний и идентификации источников генерации сложных технических объектов, изложенных в [1], в направлении построения и обучения нейросетевых средств, позволяющих формировать управляющие решения по оцениванию технического состояния объектов на основе параллельного анализа показателей временных рядов, образованных в результате исполнения штатных циклов испытания объектов.
Проблема обнаружения предотказных состояний и идентификации источников их генерации в поведении технических объектов в условиях жёстких нагрузок и влияния критичных факторов внешней среды характеризуется значительными массивами разнородной информации и неопределённо-стью нечётких отношений переменных описания объектов, обусловливающих целесообразность поиска параллельных способов обработки и принятия решений, реализация которых может быть обеспечена средствами нейросетевых структур.
Применительно к данной предметной области технология построения и обучения нейросете-воы структуры поддержки методов обнаружения предотказных состояний и идентификацаии источников генерации в поведении объектов рассматривается на примере анализа показателей двух видов временных рядов оценивания технического состояния объектов, формируемых в условиях реализации штатных циклов испытания объектов в режимах имитации заданных видов факторов внешней среды. При этом организация и содержание временных рядов определяются зависимостями:
- временные ряды, образуемые в режиме дискретного повышения критичности локального фактора внешней среды, отражающие динамику изменения уровней деградации выходных параметров в заданных пределах допусковых зон:
К., = {г,^-)),/,,й (ич-)),/,(ицЩкмлм)1. (1)
р! Г рК Г
где У,.,,, = 1, т — число выходных параметров соответствующего объекта; Б,, , = 1, г — число предотказных состояний объекта; Шр1(г),....^(г),... ,Шрк(г) — число дискрет локального р -го фактора
^ 1 +(—)
внешней среды; п — уровень числового значения деградации выходного параметра относительно его номинального значения в граничных пределах допусковой зоны;
- временные ряды, формируемые в результате воздействия на соответствующий объект заданной последовательности факторов внешней среды:
Уу. ='У^1„(П)),/, (и(1)Жи(1),БА>)\-.Г%„ №)),/1 (2)
здесь Ш11 (г),., (г),., (г) — заданная последовательность видов факторов внешней среды.
Отличительная особенность рассматриваемой технологии построения и обучения нейросете-вых структур под предметную область состоит в использовании в процессах построения и обучения формальных процедур методов решения проблемных задач предметной области и информационнологического формализма баз данных и знаний интеллектуальных систем формирования механизмов вывода и правил принятия решений по обнаружению предотказных состояний и идентификации источников их генерации в поведении объектов, что разрешает совокупность базовых задач на стадии построения и обучения нейросетевой структуры, связанных с обоснованием структуры модели сети и состава нейронов в слоях; синтезом эталонных образов, распознаваемых нейронами и слоями сети, а также с определением числовых значений весовых коэффициентов синаптических связей.
Таким образом, применительно к решению проблемных задач предметной области, связанных с обнаружением предотказных состояний и идентификацией источников их генерации в поведении объектов, структура модели нейросети определяется входным, выходным и двумя скрытыми слоями согласно рис. 1.
Состав нейронов входного слоя сети определяется числом выходных параметров соответствующего объекта, на входы которых поступают регистрируемые показатели временных рядов принятых видов, характеризующие техническое состояние объекта, формируемых в режимах дискретного повышения критичности локальных факторов (1) и реализации заданных последовательностей факторов внешней среды (2).
Информационное и логическое содержание эталонных образов, распознаваемых нейронами первого скрытого слоя и вторым скрытым слоем сети, регламентируется информационно-логическим формализмом баз данных и знаний заданного перечня интеллектуальных систем [1], соответственно, на уровне первого скрытого слоя, обеспечивающего обнаружение заданного перечня предотказных состояний в поведении объектов, структура и содержание логического формализма определяются зависимостями:
- применительно к показателям временных рядов вида (1):
Ш V к
иии €„.к. (Ы
(3)
(Ду, !.{К,} ІП.}
ш и к
пх®=] иии и^и
_ р=1ё =1 ]=1 J _ р=1ё =1 ]=1
= < S0УS >,
где ПS( — подструктура координат числовых значений деградации выходных параметров объектов на базовых шкалах многомерного параметрического пространства, обладающих свойствами обнаружения предотказных состояний объектов; S0, S — работоспособное состояние, перечень предотказ-
ных состояний объекта; УтЦГ ,т = 1,т — число выходных параметров объекта; Шр1>...,Шрк — число
дискрет р — го фактора внешней среды; ё = 1, и — число предотказных состояний; р = 1, (О — число локальных факторов внешней среды; Ду — допусковая зона I -го выходного параметра; {К1} — перечень критериев количественной оценки уровня деградации выходных параметров; {п } — подмножество элементарных экспериментов последовательности испытания объекта;
- применительно к показателям временных рядов вида (2):
...и
и и
і і=і
V п
и и )
и.и
V п
и и Са)
й =1 і=і
и.
й =і і=і
(4)
< Д0,Д >,
(Ду. }{К1 },{Же }
где Wqj, j = 1, п — число видов факторов внешней среды.
Обнаруживающие свойства выходных параметров объектов относительно задан-ного перечня предотказных состояний в их поведении определяются условиями вида:
- применительно к содержанию показателей временных рядов вида (1):
0 пРи С .^ё') ^ тахХ~^ ,^ё)
КуттФ)-
- применительно к содержанию показателей временных рядов вида (2):
0 пРи $у„ Рй) ^ тах%„ (Дй)
1 при ^Рй) > тах(Дй)
(5)
(6)
здесь тах НУуг (Д),тах (Д) — предельные пороговые уровни деградации выходных параметров
объектов, ограниченные допусковыми зонами.
Состав нейронов первого скрытого слоя сети определяется числом выходных параметров объектов. На базе исходных данных и знаний, определяемых формальными процедурами метода обнаружения предотказных состояний и структурной организацией информационно-логического формализма интеллектуальных систем поддержки метода (3, 4) синтезируются эталонные образы, распознаваемые нейронами первого скрытого слоя сети, отражающие характерные траектории динамики изменения числовых значений деградации выходных параметров, содержание которых определяется зависимостями:
- эталонные образы, сформированные на основе результатов анализа временных рядов вида (1):
Ш V к
ПДЭ = и и иУі^:;,і(й+'—)) , (7)
^ Р=1й=1 }=і - (Ду.ЦК.ЦП,}
где I = 1, т — число выходных параметров объекта;
- на основе результатов анализа временных рядов вида (2):
Ш'* =
и иу^'—г)
Р=1 і=1
(8)
(Ду. },(К, },(П }
где Wgj, і = 1, п — число видов факторов внешней среды.
V
п
Рис. 1. Нейросетевая структура формирования выводов и правил принятия решений
В процедурах распознавания эталонных образов средствами первого скрытого слоя весовые коэффициенты синаптических связей регламентируются условием (6).
Подмножества функций активации, формируемых по условию (6) нейронами первого скрытого слоя в результате распознавания перечней эталонных образов (7), (8), характеризуются зависимостями:
- применительно к временным рядам вида (1):
П8\ф) =
ю Ф
иии %,.&)
р=і d=1 }=1
(9)
- подмножество функций активации, формируемых нейроном И5 (рис. 1); (5ё) - чис-
ловое значение уровня деградации I -го выходного параметра объекта в условиях наличия в его поведении ё -го предотказного состояния;
- применительно к показателям временных рядов вида (2)
ПБ'/ф) =
Ф п
и и С№)
d=1 ]=1
(10)
где Wqj, j = 1, п — число видов факторов внешней среды.
Сформированный нейронами первого скрытого слоя сети состав функций активации обеспечивает оценивание работоспособных (50) состояний объектов и обнаружение заданного перечня предотказных состояний в их поведении (5 ).
В процессах построения и обучения нейросетевой структуры на уровне второго скрытого слоя сети (рис. 1) в качестве исходных данных и знаний используется информационно-логический формализм интеллектуальных систем поддержки метода идентификации источников генерации предотказ-ных состояний в поведении объектов [1], отражающий механизмы вывода и правила принятия решений, соответственно:
- в процессах анализа показателей временных рядов вида (1) формальный механизм интеллектуальной системы обоснования выводов и формирования правил принятия решений в процедурах идентификации заданного перечня источников генерации предотказных состояний, определяющий разделительные свойства числовых значений уровней деградации выходных параметров объектов, характеризуется выражением вида
ПИ(€)
...П
ю Я
иии С/И г)
р=1 Г=1 ]=1
Я к
П.П
ю Я к
иии €„<И ,)
р=1 г=1 }=1
П.
иии ^,<И г)
р=1 г=1 }=1
(11)
{Ду1},{К1},{Ж?}
где ПИ(&) — подструктура координат числовых значений уровней деградации выходных параметров объектов на базовых шкалах многомерного параметрического пространства, обладающих разделительными свойствами относительно источников генерации предотказных состояний; Иг, г = 1,Я —
число идентифицируемых источников генерации предотказных состояний; ^р-, j = 1,К — число дискрет р -го фактора внешней среды;
- применительно к показателям временных рядов вида (2) логический формализм определяет-
ся зависимостью
ПИ(Е*) =
Я п
и и Я.<И')
Г=1 ]=1
П...П
Я п
.П
я п
и и $<И г)
Г=1 }=1
и и %.,(И г)
Г=1 }=1
= < иг >,
П.
(12)
(ДГі !.{К, !,(П}
где Wgj, _/ = 1, п — число видов факторов внешней среды.
ю
Эталонные образы, распознаваемые нейронами второго скрытого слоя сети, синтезируются на основе структурной организации переменных информационно-логического формализма, интеллектуальных систем (11), (12) и заданного состава функций активации, формируемые нейронами первого скрытого слоя, соответственно:
- эталонные образы, формируемые на основе анализа переменных временных рядов вида (1), характеризуются зависимостями:
го скрытого слоя сети (Иг), сформированных на основе функций активации ] -го нейрона первого скрытого слоя (И1,1 = 1, т), составляющих исходную информационную основу функций активации Z -го нейрона, ориентированных на идентификацию источников генерации предотказных состояний заданного перечня (Иг, г = 1,Я );
- структурная организация и логическое содержание эталонных образов, формируемых на основе анализа переменных временных рядов вида (2) определяются зависимостью
|_ I =1 г =1 } =1 J
В структурах эталонных образов (13), (14) числовые значения весовых коэффициентов синаптических связей определяются согласно условиям:
- применительно к уровням деградации, образованным временными рядами вида (1):
объекта, чувствительные к заданному перечню предотказных состояний в его поведении; ку^ (Б0), к¥^ (50) — числовые значения уровней деградации ] -го, I -го выходных параметров,
означающие, что объект не находится в предотказном состоянии.
Состав нейронов второго скрытого слоя определяется числом идентифицируемых источников генерации предотказных состояний в поведении соответствующего объекта.
Каждым нейроном второго скрытого слоя распознаётся эталонный образ, представленный вектором функций, сформированных нейронами первого скрытого слоя сети.
Средствами каждого нейрона второго скрытого слоя формируется функция активации, отражающая результат идентификации соответствующего источника генерации предотказного состояния объекта, при этом функции активации характеризуются зависимостями:
- применительно к результатам описания технического состояния объектов средствами временных рядов вида (1):
здесь z = 1,N — число нейронов первого скрытого слоя сети; {1100...1} - кодовые комбинации числовых значений уровней деградации выходных параметров, идентифицирующие источники генерации предотказных состояний.
(1З)
здесь ИГН‘(ИИ— конечное подмножество эталонных образов, распознаваемых z -м нейроном второ-
(14)
(15)
применительно к уровням деградации, сформированных временными рядами вида (2):
(16)
*
здесь hY (Sd), hY (Sd) — числовые значения уровней деградации l -го, i -го выходных параметров
tWnj iWaj
ИГН*(ИИ=[ ^ {10...1} = < Иг > (17)
Z=l 1=1 r =1 у p=l d =1 J=l J
применительно к средствам временных рядов вида (2):
(18)
Базирование технологии построения и обучения нейросетевых подструктур на основе формализованных методов решения проблемных задач предметной области и баз данных и знаний интеллектуальных систем их поддержки позволяет существенно сокращать временные циклы построения и обучения нейросетей, понижать уровень неопределённости нечётких отношений описания состояний баз данных и знаний, сокращать уровень субъективизма в процедурах формирования механизмов вывода и правил принятия решений, а также повышать достоверность конечных результатов достижения частных и конечных целей, сформулированных в объёме предметной области.
Применение в технологии обнаружения предотказных состояний и идентификации источников их генерации нейросетевых структур в качестве решателей обеспечивает достижение двух положительных качеств: многокритериальное формирование механизмов вывода и правил принятия решений за счёт адаптации методов, алгоритмов в пространственно-временном представлении причинно-следственных связей между показателями внешней среды, переменными описания технического состояния объектов и предотказными состояниями в их поведении; повышение эффективности и глубины анализа оценивания предотказных состояний и идентификации источников их генерации и достижение требуемого уровня достоверности конечных результатов за счёт параллельного анализа в реальном времени больших массивов разнородной информации и принятие в процедурах анализа информационно-логического формализма интеллектуальных систем поддержки методов решения проблемных задач предметной области.
ЛИТЕРАТУРА
1. Ушаков В. А. Обнаружение предотказных состояний и идентификация источников их генерации сложных технических объектов. I / В.А. Ушаков, В.С. Дрогайцев // Вестник СГТУ. 2011. Вып. 2. С. 185-193.
Ушаков Виталий Алексеевич — Vitaly A. Ushakov -
кандидат технических наук, PhD,
генеральный директор ОАО «КБ Электроприбор», Director General, Design Office
г. Саратов “Elecric Appliances”, Saratov
Дрогайцев Валентин Серафимович — Valentin S. Drogaitsev -
доктор технических наук, профессор кафедры Dr. Sc., Professor
«Автоматизация и управление технологическими Department of Automatic Control of Technological процессами» Саратовского государственного Processes
технического университета имени Гагарина Ю.А. Gagarin Saratov State Technical University
Статья поступила в редакцию 15.11.11, принята к опубликованию 01.12.11
