ОСОБЛИВОСТІ ТЕХНІЧНОЇ РЕАЛІЗАЦІЇ ШТУЧНОГО НЕЙРОНА ДЛЯ РОЗВ’ЯЗАННЯ ЗАДАЧ КОНТРОЛЮ І ДІАГНОСТИКИ ТЕХНІЧНОГО СТАНУ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 Текст научной статьи по специальности «Компьютерные и информационные науки»

1НФОРМАЦ1ЙН1 ТЕХНОЛОГИ

УДК 629.765 https://doi.org/10.35546/kntu2078-4481.2020.3.7

С.1. ВЛАДОВ

Кременчуцький льотний коледж Харювського нацiонального унiверситету внутршшх справ, м. Кременчук

ORCID 0000-0001-8009-5254 Ю.М. ШМЕЛЬОВ

Кременчуцький льотний коледж Харювського нацiонального унiверситету внутрiшнiх справ, м. Кременчук

ORCID 0000-0002-3942-2003 АС. СЮРА

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутрiшнiх справ, м. Кременчук

ORCID 0000-0002-2934-7281 В.Л. ДЯТЛОВ СЬКА

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ORCID 0000-0001-8125-1407 А.В. ПОНОМАРЕНКО

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ORCID 0000-0002-4143-1814 Р.А. ВАКУЛЕНКО

Кременчуцький нацiональний ушверситет iменi Михайла Остроградського, м. Кременчук

ORCID 0000-0002-8845-962X

ОСОБЛИВОСТ1 ТЕХН1ЧНО1 РЕАЛ1ЗАЦП ШТУЧНОГО НЕЙРОНА ДЛЯ РОЗВ'ЯЗАННЯ ЗАДАЧ КОНТРОЛЮ I Д1АГНОСТИКИ ТЕХН1ЧНОГО СТАНУ

АВ1АЦ1ЙНОГО ДВИГУНА ТВ3-117

Розглядаються питання математичного моделювання нейрона i можливостг його техтчно! реал1заци, осюльки штучний нейрон - е базовою ланкою будь-яко! нейронно! мережi, зокрема, нейронно! мережi, що використовуеться для контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3 -117 у польотних режимах. Запропоновано шлях, що базуеться на розрядно-паралельноi обробц числових даних (синапйв) з метою отримання точностi вихiдного сигналу нейронноi мережi. Розроблена схема взаемоди операторiв паралельного тдсумовування потоюв числових даних iз загальною органiзацiею обробки багаторозрядного перенесення, на якй базуеться безпосередньо алгоритм тдсумовування чисел. Розглянуто принципи та запропоновано структуру побудови пристро!в паралельного пiдсумовування масивiв числових даних в операцшному базисi «пошук-вибiрка» з обробкою та розбивкою загального перенесення на основний i додатковий i в операцшному базисi «пошук-вибiрка-запис-читання» з конвеерним способом обробки багаторозрядного перенесення. Запропонований пристрш реалгзацИ нейрона може служити новою елементною базою побудови нейрокомп'ютерiв з бшьш високою швидюстю обробки бiологiчноi шформацп, розроблених на базi 64-розрядного мiнi-комп'ютера Raspberry Pi NanoPi Ml Plus з чотириядерним процесором Allwinner H3. Визначено, що за необхiдностi пiдвищення точностi алгоритмiв i ускладнення !х структури може призвести до збшьшення числа штучних нейротв, i, вiдповiдно, до збшьшення кiлькостi виконуваних обчислювальних операцш. У такому випадку дощльною е реалiзацiя запропонованих алгоритмiв на базi бшьш швидюсних обчислювальних пристро!в порiвняно зi штатним мжроконтролером, що можуть бути реалгзоват на основi цифрових сигнальних процесорiв, програмованих логiчних iнтегральних схем або спе^алгзованих процесорiв.

Ключовi слова: авiацiйний двигун, нейронна мережа, штучний нейрон, розрядний зрiз

СИ. ВЛАДОВ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0001-8009-5254 ЮН. ШМЕЛЕВ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0002-3942-2003 АС. СИОРА

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0002-2934-7281 В.Л. ДЯТЛОВСКАЯ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0001-8125-1407 А.В. ПОНОМАРЕНКО

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0002-4143-1814 Р.А. ВАКУЛЕНКО

Кременчугский национальный университет имени Михаила Остроградского, г. Кременчуг

ORCID 0000-0002-8845-962X

ОСОБЕННОСТИ ТЕХНИЧЕСКОЙ РЕАЛИЗАЦИИ ИСКУССТВЕННОГО

НЕЙРОНА ДЛЯ РЕШЕНИЯ ЗАДАЧ КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННОГО ДВИГАТЕЛЯ ТВ3-117

Рассматриваются вопросы математического моделирования нейрона и возможности его технической реализации, поскольку искусственный нейрон является базовым звеном любой нейронной сети, в частности, нейронной сети, которая используется для контроля и диагностики технического состояния авиационного двигателя ТВ3-117 в полетных режимах. Предложено путь, основанный на разрядно-параллельной обработке числовых данных (синапсов) с целью получения точности выходного сигнала нейронной сети. Разработана схема взаимодействия операторов параллельного суммирования потоков числовых данных с общей организацией обработки многоразрядного переноса, на которой базируется непосредственно алгоритм суммирования чисел. Рассмотрены принципы и предложена структура построения устройств параллельного суммирования массивов числовых данных в операционном базисе «поиск-выборка» с обработкой и разбивкой общего переноса на основной и дополнительный и, в операционном базисе «поиск-выборка-запись-чтение» с конвейерным способом обработки многоразрядного переноски. Предлагаемое устройство реализации нейрона может служить новой элементной базой построения нейрокомпьютеров с более высокой скоростью обработки биологической информации, разработанных на базе 64-разрядного мини-компьютера Raspberry Pi NanoPi M1 Plus с четырехъядерным процессором Allwinner H3. Определено, что при необходимости повышения точности алгоритмов и усложнения их структуры может привести к увеличению числа искусственных нейронов, и, соответственно, к увеличению количества выполняемых вычислительных операций. В таком случае целесообразна реализация предложенных алгоритмов на базе более скоростных вычислительных устройств по сравнению со штатным микроконтроллером, которые могут быть реализованы на основе цифровых сигнальных процессоров, программируемых логических интегральных схем или специализированных процессоров.

Ключевые слова: авиационный двигатель, нейронная сеть, искусственный нейрон, разрядный

срез

S.I. VLADOV

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-8009-5254 Y.M. SHMELOV

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0002-3942-2003 AS. SIORA

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0002-2934-7281 V.L. DIATLOVSKA

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-8125-1407 A.V. PONOMARENKO

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0002-4143-1814 R.A. VAKULENKO

Kremenchuk Mykhailo Ostrohradskyi National University, Kremenchuk

ORCID 0000-0002-8845-962X

FEATURES OF TECHNICAL IMPLEMENTATION OF AN ARTIFICIAL NEURON FOR SOLVING THE PROBLEM OF CONTROL AND DIAGNOSTICS OF TV3-117

AIRCRAFT TECHNICAL STATE

The purpose of this work is the mathematical modeling of a neuron and the possibility of its technical implementation, since an artificial neuron is the basic link of any neural network, in particular, a neural network, which is used to control and diagnose the technical state of TV3-117 aircraft engine in flight modes. A way is proposed based on bit-parallel processing of numerical data (synapses) in order to obtain the accuracy of the output signal of the neural network. Methodology. The work is based on neuroinformatics methods were applied to develop and training a neural network for implementing a linear on-board model of aircraft engine TV3-117. Results. According to the results of approbation of the developed mathematical model of the artificial neuron, it is determined that the considered approach will allow to increase the speed of the artificial neuron by two orders of magnitude in comparison with the existing models. Therefore, the proposed device for the implementation of the neuron can serve as a new elemental basis for building neurocomputers with higher speed of biological information processing and good survivability, in particular, developed on the basis of 64-bit minicomputer Raspberry Pi NanoPi M1 Plus with quad-core Allwinner H3 processor Allwinner Technology Co., Ltd. Originality. The scientific novelty of the results obtained lies in the fact that for the first time a way was proposed based on bit-parallel processing of numerical data (synapses) in order to obtain the accuracy of the output signal of the neural network. Practical value. The proposed device for implementing a neuron can serve as a new element base for building neurocomputers with a higher speed of processing biological information, developed on the basis of a 64-bit Raspberry Pi NanoPi M1 Plus mini-computer with a quad-core Allwinner H3 processor. It was determined that if it is necessary to increase the accuracy of algorithms and complicate their structure, it can lead to an increase in the number of artificial neurons, and, accordingly, to an increase in the number of computational operations performed. In this case, it is advisable to implement the proposed algorithms on the basis of faster computing devices compared to a standard microcontroller, which can be implemented on the basis of digital signal processors, programmable logic integrated circuits or specialized processors.

Keywords: aircraft engine, neural network, artificial neuron, bit cut

Постановка проблеми

Авiацiйний двигун ТВ3-117 як вщновлюваний об'ект протягом терм!ну служби вимагае безперервного контролю i дiагностики його техшчного стану, трудомютшсть якого залежить в!д рiвня автоматизацп процеав отримання, обробки, збертання, документування шформацп про поточний стан авiацiйного двигуна, послщовшсть i методи виконання яких визначають шформацшну технолопю..

Аналiз останшх дослвджень i публжацш

Основними напрямами, що визначають тдвищення якосл шформацшних технологш контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3-117, слiд вважати iнтелектуалiзацiю процесiв обробки шформацп i3 залученням методiв iнтелектуального аналiзу даних, яш здатнi забезпечити пiдвищення якосп розпiзнавання технiчного стану двигуна, а також штеграцш iнформацiйних процесiв

[1-3].

У цих умовах застосування апарату нейронних мереж виявляеться вельми перспективним. За результатами вимiрювань вхiдних i вихiдних параметрiв технiчного стану авiацiйного двигуна ТВ3-117 встановлюються !х причинш взаемозв'язки, а потiм вибираються або розраховуються за певними аналiтичними залежностями ознаки для контролю i дiагностики стану об'екта [4, 5].

Формулювання мети дослiджень

Оск1льки основною нейронно! мереж! будь-яко! арх1тектури е безпосередньо нейрон, то актуальною науково-практичною задачею е розробка його математично! моделi i методiв техшчно! реал!зацп [6]. У зв'язку з цим, метою роботи е побудова математично! моделi нейрона, оптимально! для виршення завдань контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3-117 у польотних режимах, а також розробка методiв його техшчно! реалiзацi! на базi сучасних електронно-обчислювальних систем.

Викладення основного матерiалу дослiдження

Штучний нейрон iмiтуе в першому наближеннi властивостi бюлопчного нейрона. На вхвд штучного нейрона надходить деяка множина сигналiв, кожен з яких е виходом шшого нейрона. Незважаючи на значну рiзноманiтнiсть варiантiв нейронних мереж, ус! вони мають загальнi риси. Так само, як i мозок людини, ва вони складаються з! значного числа пов'язаних м!ж собою однотипних елеменпв - нейрошв, як1 !мггують нейрони головного мозку. На рис. 1 показана модель штучного нейрона.

Входи Синапси Осередок Аксон Вихщ

X

нейрона

X,

оу

Рис. 1. Модель штучного нейрона

З рис. 1 видно, що штучний нейрон, так само, як i живий, складаеться iз синапав, що пов'язують входи нейрона з ядром; ядро нейрона, яке здшснюе обробку вхiдних сигналiв, i аксона, який пов'язуе нейрон з нейронами наступного шару. Кожен синапс мае вагу, який визначае, насшльки вщповщний вхiд нейрона впливае на його стан. Стан нейрона описуеться виразом:

5 = 1 х

(1)

де п - число входiв нейрона, хг - значения г-го входу нейрона, - вага /-го синапсу. Потiм визначаеться значення аксона нейрона

у = А®, (2)

де А - деяка функцiя, яка мае назву активацшно!. Для розв'язання задач контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3-117 згiдно з [7] в якосп активацшно! функцп обрано види, наведенi в табл. 1, де використовуеться так званий сигмо1д, що вимагае малого обсягу обчислень порiвняно з експоненщальною функщею або функцiею гiперболiчного тангенса такого вигляду:

А (х) = :

1

1 + еа

Основнi види активацшиих функцiй штучних нейрошв

(3) Таблиця 1

Найменування Функщя Область значень

Лшшна 3 1 1 § (-да; +да)

Натвлшшна Ах) = кх, х > 0; Дх) = 0, х < 0 (0; +да)

Лопстична (сигмо1дальна) А (х )= 1 V > 1 + е-«х (0; 1)

Ппербол1чний тангенс (сигмо1дальна) ах -ах А (х) = е - е V / ах , -ах е + е (-1; 1)

Експоненщальна Ах) = е-«1 (0; +да)

Синусоидальна Дх) = 8шх (-1; 1)

Сигмо1дальна (ращональна) А (х ) = — а+ х (-1; 1)

Покрокова (лшшна з насиченням) Ах) = -1, х < -1; Ах) = 0, -1 < х < 0; Ах) = 1, х > 1 (-1; 1)

Порогова Дх) = 0, х < 0; Дх) = 1, х > 0 (0; 1)

Модульна А (х)= х (0; +да)

Знакова (сигнатурна) Ах) = sgnx, х! = 0; Дх) = -1, х = 0 (-1; 1)

Квадратична (N1 1 1 (-1; 1)

Основна перевага ще! функцп в тому, що вона диференцшована на всш осi абсцис i мае дуже просту похiдну:

А'(х) = аА (х)(1 - А (х)). (4)

Розглянута проста модель штучного нейрона ^норуе багато властивостей свого бюлопчного

X

/=1

двшника. Наприклад, вона не бере до уваги затримки в чай, як! впливають на динам!ку системи. Вхiднi сигнали вiдразу ж породжують вихiдний сигнал, i, що бiльш важливо, вона не враховуе вплив функцп частотно! модуляцii або синхрошзовано! функцii бiологiчного нейрона, яш низка дослiдникiв вважають вирiшальними.

Незважаючи на цi обмеження, мереж!, побудоваш з цих нейронiв, виявляють властивосп, що сильно нагадують властивосп бюлопчно! системи. Тшьки час ! дослщження зможуть вщповюти на питання, чи е под!бш зб!ги випадковими або наслщком того, що в модел! в!рно схоплеш найважлив!ш риси бюлопчного нейрона.

Хоча один нейрон ! здатний виконувати найпроспш! процедури розтзнавання, сила нейронних обчислень виникае вщ з'еднань нейрошв у мережах.

На рис. 2 наведена узагальнена нейронна мережа архггектури персептрон, модифжацп яко! використовуються для розв'язання прикладних задач контролю ! д!агностики техшчного стану ав!ацшного двигуна ТВ3-117. Виходячи з того, що параметри техшчного стану ав!ацшного двигуна ТВ3-117 наступш: тиск повиря на вход! в двигун (хД температура повиря на вход! в двигун (х2), частота обертання вентилятора (х3), тиск повиря за компресором (х4), частота обертання компресора (х5), температура газу за турбшою (хб), тиск газу за турбшою (Х7), р!вень масла в маслянш систем! (хв), наявшсть стружки в масл! (х9), займання палива в камер! згоряння (х1о), температура палива на вход! в двигун (х11), тиск палива на вход! в двигун (х12), температура масла на вход! в двигун (х13), тиск масла на вход! в двигун (х14), д!аметр критичного перер!зу вихщного пристрою (х15), в!бращя корпусу двигуна (х1б), помпаж двигуна (х17), вважаеться, що дан! параметри утворюють багатошарову нейронну мережу з п = 17 входами й одним виходом (рис. 2). Кожен 1-й нейрон першого шару (' = 1, 2, ... т = 17) мае п = 17 вход!в, як! прописан! вагами w1i, w2i, ... wni [8, 9].

X

х17

Рис. 2. Структура узагальненоТ нейронноТ мережi

На зображеннях нейронних мереж (рис. 2) вершини-кола слугують лише для розпод!лу вхщних сигнал!в. Вони не виконують будь-яких обчислень, ! тому не вважаються шаром. З ц!е! причини вони позначен! колами, щоб в!др!зняти !х в!д обчислень нейрошв, позначених квадратами. Кожен елемент з множини вход!в Х окремою вагою сполучений з кожним штучним нейроном. А кожен нейрон видае зважену суму вход!в в мережу. У штучних ! бюлопчних мережах багато з'еднань можуть бути вщсутшми, ва з'еднання показуються з метою встановлення спшьносп. Можуть мати мюце також з'еднання м!ж виходами ! входами елеменив у шар!.

Подаючи на входи будь-як! числа х1, х2, ... х17, отримаемо на виход! значения деяко! функцп У = Р(х1, х2, ... х17), яке е вщповщдю (реакщею) мереж!. Вщомо, що ввдповщь мереж! залежить як в!д вхщного сигналу, так ! в!д значень 1! внутршшх параметр!в - ваг нейрошв, тобто:

т=17 (п=17 А

Р (

0=Е V,-

1=1

Е

V ]=о

(5)

де Р(х1, х2, ... х17) - будь-яка безперервна функщя, певна на обмеженш множинц ст(х) = сигмо!дальна функц!я.

Застосувавши теорему Колмогорова Р (х, х,.

1 + е"

2п + 1 / п \

) = Е 8,I Е й (Хj ) I, де 8' ! - безперервн!

функцп, причому И- не залежить вщ функцп Р, для т = 1.17 змшних, з'ясовано, що для реал!зацп функц!! т = 1.17 зм!нних досить операц!й п!дсумовування ! композиц!! функц!! одн!е! зм!нно!.

Як вщомо стан нейрона визначаеться за (1), що зв'язуе число вход!в нейрона п, значення '-го входу нейрона х, й вагу '-го синапсу W'■. Розглянемо реал!зацш виразу (1), якщо ва синапси мають одну

У

х

2

1

вагу. Рiзнi ваги синапав, безумовно, призведуть до шшо! реaлiзaцil процесорного елемента, в як1й необхщна нaявнiсть блоку управл1ння, що задае ваги синaпсiв, а також наявшсть вихiдного порогового пристрою.

Нехай Е = {/1,А2, ...,А, ...,АП} - множина доданшв, представлених в двiйковiй системi кодування, за способом з фiксовaною комою, де А = (т/,Г1,—,Г,т1 ), г!Е{0, 1} - /-й двшковий розряд1-го доданка,

/ = 1, .. п, п - розрядшсть вихщних пiдсумовaних чисел. Позначимо 2 = ,52,—,5„,5л+[1об2Лг]+1} -

множина часткових сум за модулем два з вщповщних розрядних зрiзiв (РЗ) всiх чисел з урахуванням мiжрозрядних переносiв з попередшх РЗ, [Х] - цша частина виразу X. Очевидно, що результат 5 операцп паралельного тдсумовування дорiвнюе:

5 = £ А. (6)

1=1

Сума елементiв одного РЗ без урахування переноав з попереднiх РЗ визначаеться за формулою:

N

С =Е 0, / = 1-П, J = (7)

1=1

Вираз (7) вказуе к1льк1сть одиниць, що мютяться в /-му РЗ. Тодi (6) з урахуванням (7) можна представити як:

5 = £ 2г-1 N.

1=1

(8)

Суму елементiв с одного РЗ без урахування переноав з попередшх РЗ можна записати у виглядг

N

= 2[1<^ £¡^2 ... + 2g¡.

1=1

(9)

Позначимо 5* = £ - Г , р = ^ Г - 5* . Значення 5* е сумою за модулем два, а Р/ -

1=1 1=1

багаторозрядним двiйковим перенесенням, який формуеться в /-му РЗ. Головною особливютю процедури реaлiзaцil парно! операцп тдсумовування доданшв е формування, урахування i обробка багаторозрядного перенесення Р. Для визначення розрядностi результату 5 i багаторозрядного перенесення Р запишемо вираз для суми 5 i з урахуванням поширення мiжрозрядних переносiв Рс

5* = г © г2 ©... © т/ ©... © т?,р = 0

Р =

Т1, Т12,..., Г,..., т? + р,

= т © т2 ©... © г1 ©... © тN+шоа2 р

р =

Г,т2,...,т/,...,т? + р

52 = т„ © Тп2 ©... © тп ©... © тN + шоа2 Р-1

5п+1 = ш0^2 рп

р = -1 п+1

2

15п+к = ш0^2 рп+к-1

(10)

де к - число розр.вдв, необхщних для подання максимального значения переносу, ® - сума за модулем два. Величина Р \ змiнюeться вiд 0 до деякого максимального значення, яке визначае необхiдне число двiйкових розрядiв, i знаходиться на пiдставi наступного правила. Максимальне значення двшкового перенесення може бути отримано в тому випадку, якщо значення всiх пiдсумованих чисел в дешлькох послiдовних РЗ рiвнi одиницi. При цьому

= г + г2 +... + гГ — N

Р =

55,.+ Р—

(11)

Припустимо, що значення перенесення досягло величини N - 2, тобто Р,-1 = N - 2. Припущення буде вiрним, якщо в ходi обчислень виходить ще бiльшого значення перенесення. Вщповщно до (11)

отримаемо, що р =

Р+1 =

N + N - 2

" N + р " [ N + N — 1" = N — 1 + [ 1"

_— = —

2 _ _ 2 _ _ 2 _

- N — 1. Введене припущення буде вiрним, оск1льки > Р,-1, тодi

= N — 1 й подальше збiльшения перенесення неможливо. Для

уявлення багаторозрядного перенесення потрiбно К бiтiв:

К = (N —1)] + 1. (12)

Осшльки перенесення величиною N - 1 може виникнути в самому старшому з п числових розрядiв, то для подання концевого результату паралельного тдсумовування доданк1в необхiдно К бтв:

К = п + [ (N — 1)] +1. (13)

Схема взаемодп операторiв паралельного пiдсумовувания потоков числових даних iз загальною органiзацiею обробки багаторозрядного перенесення приведена на рис. 3.

обробки

У загальному випадку алгоритм тдсумовування чисел (рис. 4) можна представити в наступному

виглад:

1. Вхадт дат: Е = {А}, А = (т/,т/,...,т/,т'п),1 = 1...М

N

2. Вихiднi дaнi: сума 5 = ^ А , де 5 представлена у двшковш системi числення у виглядi 5 = (51,

1=1

Розглянемо принципи побудови пристро!в паралельного тдсумовування мaсивiв числових даних в операцшному бaзисi «пошук-вибiркa» з обробкою загального перенесення, з розбивкою загального перенесення на основний i додатковий i в оперaцiйному бaзисi «пошук-вибiркa-зaпис-читання» з конвеерним способом обробки багаторозрядного перенесення. Структура пристро!в паралельного тдсумовування чисел у базиа «пошук-вибiркa» iз загальним перенесенням приведена на рис. 5. Вона мютить: блок пам'яп (БП), пiдроздiл на асощативну (АЧ) i iнформaцiйну частини (1Ч); вхiдний регiстр aсоцiaтивного ознаки (ВРАО); блок лопчних елементiв (БЛЕ АЧ i БЛЕ 1Ч); блок лопчних елементiв затримки (БЗ); шину синхрошзацп (ШС); входи i виходи пристрою. АЧ блоку пам'яп роздiленa на поле переноав i поле оперaндiв, а 1Ч - на поле переноав i поле результату.

пч

НО!

I

Рис. 5. Структура пристрою паралельного тдсумовування чисел iз загальною оргашзащею обробки перенесення: 1 - блок пам'ятц 2 - блок лопчних елементiв; 3 - блок лопчних елементiв

затримки

Пiдсумовувания чисел здiйснюеться послщовно за розрядами i паралельно по словах. На вхщ АЧ блоку пам'яп через ВРАО по керуючому сигналу, що подаеться на ШС, надходять 1 розряди всiх тдсумованих чисел i розряди перенесень, утворет на ,-му першому тактi складання 1-х перших розрядiв доданк1в. Розрядш зрiзи (РЗ) пiдсумованих слiв i розряди перенесень сукупностi становлять асощативний ознака (АП) блоку пам'ятi. Кшьшсть розрядiв, що вiдводяться пiд ВРАО, визначаеться виразом: К = N + [ 1о^ (N — 1)] , де N - кшьшсть одночасно тдсумованих чисел.

Розглянемо роботу пристрою на приклада складання трьох чисел з розрядшстю п - 5 (рис. 6). Припустимо, необхщно знайти суму доданшв: 01010, 11011, 01000, представлених в двшковш системi зчислення. Вiдповiдно !х РЗ будуть мати такий вигляд: 010, 110, 000, 111, 010.

БЛЕ ШК

0 0 0 0 0

0 0 0 0 1

0 0 0 1 1

0 0 1 1 0

0 0 1 0 1

0 0 1 0 1

0 1 0 1 0

0 1 0 1 1

0 1 0 0 1

0 1 1 0 0

0 1 1 1 1

0 1 1 1 1

1 0 0 0 0

1 0 0 0 1

1 0 0 1 1

1 0 1 1 0

1 0 1 0 1

1 0 1 0 1

1 1 0 1 0

1 1 0 1 1

1 1 0 0 1

1 1 1 0 0

1 1 1 1 1

1 1 1 1 1

0 0 0

0 0 1

0 1 0

0 0 1

0 1 0

0 1 1

0 0 1

0 1 0

0 1 1

0 1 0

0 1 1

1 1 0

0 0 1

0 1 0

0 1 1

0 1 0

0 1 1

1 1 0

0 1 0

0 1 1

1 1 0

0 1 1

1 1 0

1 1 1

- БЗ результат

г-розряднии зрiз трьох чисел

Рис. 6. Приклад реалiзащl■ структури паралельного суматора iз загальною органiзацieю обробки

перенесення

При подачi на ШС першого керуючого iмпульсу на вхш АЧ блоку пам'ята (БП) надходить комбiнацiя 01000. OcTaHHi два розряду 00 зазначено! кодово! комбшацп вказують на вiдсутнiсть перенесення на молодший оброблений РЗ, тобто почaтковi умови дорiвнюють нулю. За вказаною адресою (aсоцiaтивною ознакою) з 1Ч БП зчитуеться слово 001, в якому молодший розряд -1 е результатом тдсумовування першого (молодшого) РЗ, а розряди 00 вказують на кшьшсть переносiв, утворених при обробцi першого РЗ i враховуються при обробщ наступного РЗ. При подaчi на ШС другого керуючого iмпульсу на входi АЧ БП сформуеться комбшащя 11000, по як1й з 1Ч БП зчитуеться слово 010, молодший розряд якого 0 е результатом обробки другого РЗ, а розряди 01 показують кшьшсть переносiв, що враховуються при обробцi третього РЗ.

При подaчi на ШС першого керуючого iмпульсу на вхiд АЧ блоку пам'ята (БП) надходить комбшащя 01000. Останш два розряду 00 зазначено! кодово! комбшацп вказують на вадсутшсть перенесення на молодший оброблений РЗ, тобто почaтковi умови дорiвнюють нулю. За вказаним адресом (асощативною ознакою) з 1Ч БП зчитуеться слово 001, в якому молодший розряд -1 е результатом тдсумовування першого (молодшого) РЗ, а розряди 00 вказують на кшьшсть переноав, утворених при обробщ першого РЗ i враховуються при обробщ наступного РЗ. При подaчi на ШС другого керуючого iмпульсу на входi АЧ БП сформуеться комбшащя 11000, по яшй з 1Ч БП зчитуеться слово 010, молодший розряд якого 0 е результатом обробки другого РЗ, а розряди 01 показують шльшсть переноав, що враховуються при обробщ третього РЗ.

Введемо позначення: Si - результат обробки i-го РЗ, Pi - шльшсть переноав, утворених при обробщ i-го РЗ i передаються в (i + 1)-й РЗ.

При переходi третього керуючого iмпульсу по ШС на входi АЧ БП сформуеться комбшащя 00001, а на виходi 1Ч БП - 011, в результата чого отримаемо S3 = 1, P3 = 00. При переходi четвертого iмпульсу по ШС на входi АЧ БП сформуеться комбшащя 11100, а на виходi 1Ч БП - 011, в результата чого отримаемо S4 =1, P4 = 01. При переходi п'ятого керуючого iмпульсу по ШС на входi АЧ БП сформуеться комбшащя 01001, а на виходi 1Ч БП 0 010, в результата чого отримаемо S5 = 0, P5 = 01.

Таким чином, ва РЗ вже оброблеш i на поле оперaндiв АЧ БП подаються нулi. При переходi шостого iмпульсу по ШС на входi АЧ БП сформуеться комбшащя 00001, а на виходi 1Ч БП - 001, в результата чого отримаемо Se = 1, Pe = 00. Сума вах чисел дорiвнюе S = 101101.

Кшьшсть тактав, необхiдних для отримання повного результату, визначаеться як T = n + [log N]. Витрати пaм'ятi в словах можна оцiнити таким чином:

- в рaзi використання в якоста БП постiйно! пaм'ятi (ПЗП): VСПЗП = 22 N 1;

- в рaзi використання в якоста пам'ята БП програмовано! логiчно! мaтрицi (ПЛМ): VcnjIM = 2N N .

Витрати БП тдсумовуе пристро! в бiтaх становлять для ПЗУ i ПЛМ [10, 11]: У"зу = 2N -1N;

vnw = 2n N (3N -1).

На даний час розглядаеться реaлiзaцiя нейромережевого алгоритму на бaзi 64-розрядного мшь комп'ютера Raspberry Pi NanoPi M1 Plus з чотириядерним процесором Allwinner H3 компaнi! Allwinner Technology Co., Ltd. Процесори цiе! серп набули широкого поширення в сучасних цифрових системах автоматичного упрaвлiння, а наявшсть у склaдi !х ядер модуля помножувача накопичувача (MAC) дозволяе збшьшити швидк1сть обчислення алгоритму за рахунок сумiщення оперaцiй множення i додавання при зваженому пiдсумовувaннi в сумaторi нейрона [12, 13].

За необхадноста пiдвищення точностi aлгоритмiв i ускладнення !х структури, що призведе до збiльшення числа штучних нейрошв, i, вiдповiдно, збiльшення кiлькостi виконуваних обчислювальних оперaцiй, може бути доцшьною реaлiзaцiя даних aлгоритмiв на бaзi бiльш швидк1сних обчислювальних пристро!в порiвняно зi штатним мiкроконтролером. Так1 пристро! можуть бути реaлiзовaнi на основi цифрових сигнальних процесорiв, програмованих лопчних iнтегрaльних схем (ПЛ1С) або спецiaлiзовaних процесорiв. Так як нейронна мережа е паралельно! обчислювально! структурою, ютотним чинником при виборi елементно! бази для вищевказаного пристро! е можливють реaлiзaцi! паралельних обчислень. У даному випадку застосування ПЛ1С нaйбiльш виправдано з таких причин: aрхiтектурa обчислювального пристрою на ПЛ1С може бути оптимiзовaнa пiд будь-яку структуру алгоритму; кшьшсть паралельних процеав обмежуеться тальки шльшстю логiчних осередк1в у мжросхемц е вибiр термостiйких i рaдiaцiйно-стiйких мiкросхем ПЛ1С, придатних для застосування в бортових умовах. Розпаралелювання обчислень дозволяе реaлiзувaти нейромережевий алгоритм за одинищ тaктiв, що при тактовш чaстотi 1,2 ГГц складе наносекунди. Для прискорення розробки штучний нейрон реaлiзовaний у виглядi блоку конф^урацп (рис. 7), на основi якого може бути створена нейронна мережа будь-яко! складноста [12, 13].

Рис. 7. Структурна схема штучного нейрону [12, 13] Висновки

За результатами апробацп розроблено! математично! моделi штучного нейрона визначено, що розглянутий пвдхвд дозволить на два порядки тдвищити швидкодiю штучного нейрона у порiвняннi з iснуючими моделями. Тому запропонований пристрiй реалiзацil нейрона може служити новою елементною базою побудови нейрокомп'ютерiв з бiльш високою швидшстю обробки бюлопчно! шформацп i хорошою живучiстю, зокрема, розроблених на базi 64-розрядного мiнi-комп'ютера Raspberry Pi NanoPi Ml Plus з чотириядерним процесором Allwinner H3 компанп Allwinner Technology Co., Ltd.

Список л^ератури

1. Ntantis E. L., Li Y. G. The impact of measurement noise in GPA diagnostics analysis of a gas turbine

engine. International Journal ofTurbo & Jet Engine. 2013. Vol. 30 (4). P. 401-408.

2. Liu X., Shi J., Qi Y., Yuan Y. Design for aircraft engine multi-objective controllers with switching

characteristics. Chinese Journal of Aeronautics. 2014. Vol. 27. Issue 5. P. 1097-1110.

3. Васильев В. И., Жернаков С. В. Контроль и диагностика технического состояния авиационных

двигателей на основе интеллектуального анализа данных. Вестник УГАТУ. 2006. Т. 7, № 2 (12). С. 71-81.

4. Жернаков С. В., Васильев В. И., Муслухов И. И. Бортовые алгоритмы контроля параметров ГТД на

основе технологии нейронных сетей. Вестник УГАТУ. 2009. Т. 12, № 1 (30). С. 61-74.

5. Жернаков С. В. Применение технологии нейронных сетей для диагностики технического состояния

авиационных двигателей. Интеллектуальные системы в производстве. 2006. № 2. С. 70-83.

6. Исмаилов Ш.-М. А., Поздняков Н. В. Математическая модель нейрона и возможности его

технической реализации. Мониторинг. Наука и технологии. 2011. № 2. С. 63-72.

7. Колесниченко К. В., Колесниченко И. П. Математическая модель нейрона. Лесной вестник. 2005.

№ 4/2005. С. 107-116.

8. Диагностика состояния двигателя вертолета Ми-8МТВ с применением нейронных сетей /

Ю. Н. Шмелев, С. И. Владов, С. Н. Бойко, Я. Р. Климова, С. Я. Вишневский. Вiсник Хмельницького нацюнальногоунiверситету : науковий журнал. 2018. № 3.2018. С. 165-170.

9. Метод тдвищення робасносп нейромережево! моделi контролю i дiагностики техшчного стану

авiацiйного двигуна ТВ3-117 в польотних режимах / С. I. Владов, Ю. М. Шмельов, С. А. Грибанова, О. В. Гусарова, Н. В. Подгорних. Вiсник Кременчуцького нацiонального утверситету iменi Михайла Остроградського. 2020. Вип. 1/2020 (120). С. 113-119.

10. Исмаилов Ш.-М. А. Вопросы организации вычислительных процессов в ЭВМ, функционирующих в комплексе систем счисления. Мониторинг. Наука и технологии. 2010. № 1. С. 49-55.

11. Исмаилов Ш.-М. А. Алгоритмы и устройства разрядно-параллельной обработки потоков числовых данных в недвоичных системах счисления. Мониторинг. Наука и технологии. 2010. № 3. С. 59-66.

12. Implementation of neural network algorithms for monitoring and diagnosing the technical condition of the aircraft engine TV3-117 using modern onboard computing devices / Y. Shmelov, S. Vladov, O. Kryshan, A. Tsarenko, A. Lashko, L. Chyzhova, L. Ivanchenko. 2019 IEEE 2nd Ukraine Conference on

Electrical and Computer Engineering (UKRCON-2019), Lviv, Ukraine, 02-06 July 2019. 2019. Pp. 876-882.

13. Владов С. I. Розробка штучного нейрону для розв'язку зaдaчi контролю i дiaгностики техшчного стану aвiaцiйного двигуна ТВ3-117. Hoeimni технологи сучасного суспшьства (НТСС-2019) : мaтерiaли Всеукра!нсько! науково-практично! конференцi!, 12 грудня 2019 р., Чершпв. 2019. С. 148-149.

References

1. Ntantis, E. L., Li, Y. G. (2013), "The impact of measurement noise in GPA diagnostics analysis of a gas

turbine engine", International Journal of Turbo & Jet Engine, vol. 30 (4), pp. 401-408.

2. Liu, X., Shi, J., Qi, Y., Yuan, Y. (2014), "Design for aircraft engine multi-objective controllers with

switching characteristics. Chinese Journal of Aeronautics", vol. 27, issue 5, pp. 1097-1110.

3. Vasiliev, V., Gernakov, S. (2006), "Monitoring and diagnostics of the technical condition of aircraft

engines based on data mining", Bulletin of USATU, vol. 7, no. 2 (12), pp. 71-81.

4. Gernakov, S., Vasiliev, V. (2009), "Onboard algorithms for controlling GTE parameters based on neural

network technology", Bulletin of USATU, vol. 12, no. 1 (30), pp. 61-74.

5. Gernakov, S. (2006), "The use of neural network technology to diagnose the technical condition of

aircraft engines", Intelligent Systems in Manufacturing, no. 2, pp. 70-83.

6. Ismailov, Sh.-M. A., Pozdnyakov, N. V. (2011), "Mathematical model of neuron and possibilities of its

technical implementation", Monitoring. Science and Technologies, no. 2, pp. 63-72.

7. Kolesnichenko, K. V., Kolesnichenko, I. P. (2005), "Mathematical model of neuron", Forestry Bulletin,

no. 4/2005, pp. 107-116.

8. Shmelev, Yu., Vladov, S., Boyko, S., Klimova, Y. Vishnevsky, S. (2018), "Diagnostics of the state of the Mi-8MTV helicopter with the use of neural networks", Herald of Khmelnytskyi national university, no. 3, pp. 165-170.

9. Vladov, S., Shmetov, Y., Hrybanova, S., Husarova, O., Podhornykh, N. (2020), "Method of increasing

the robustness of control and diagnostics neural network model of TV3-117 aircraft engine technical state in flight modes", Transactions of Kremenchuk Mykhailo Ostrohradskyi National University, iss. 1/2020 (120), pp. 113-119.

10. Ismailov, Sh.-M. A. (2010), "Questions to organizations of the computing processes in electronic computing device, functionning in complex of the systems of the numeration", Monitoring. Science and Technologies, no. 2, pp. 49-55.

11. Ismailov, Sh.-M. A. (2010), "Algorithms and facilities of digit-parallel processing of numerical data flows in non-binary notations", Monitoring. Science and Technologies, no. 3, pp. 59-66.

12. Shmelov, Y., Vladov, S., Kryshan, O., Tsarenko, A., Lashko, A., Chyzhova, L., Ivanchenko, L. (2019), "Implementation of neural network algorithms for monitoring and diagnosing the technical condition of the aircraft engine TV3-117 using modern onboard computing devices", 2019 IEEE 2nd Ukraine Conference on Electrical and Computer Engineering (UKRCON-2019), Lviv, Ukraine, 02-06 July 2019, pp. 876-882.

13. Vladov, S., (2019), "Development of anartificial neuron for solving the problem of control and diagnostics of TV3-117 aircraft engine technical state", Novel technologies of smart society (NTSS-2019) : materials of All-Ukrainian scientific-practical conference 12 December 2019, pp. 148-149.