Поддержка средствами интеллектуальных систем процессов диагностирования технических объектов Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 681.518

В.С. Дрогайцев, В.А. Ушаков, М.Ю. Пименов ПОДДЕРЖКА СРЕДСТВАМИ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ ПРОЦЕССОВ ДИАГНОСТИРОВАНИЯ ТЕХНИЧЕСКИХ ОБЪЕКТОВ

Рассматривается возможный подход к построению интеллектуальных нейросетевых систем на основе интеграции баз данных и знаний методов решения проблемных задач предметной области.

Интеллектуальные системы, нейронные сети, идентификация функциональных зависимостей, диагностирование дефектов.

V.S. Drogaytsev, V.A. Ushakov, M.Yu. Pimenov

TECHNICAL OBJECTS DIAGNOSTICS PROCESSES SUPPORT BY MEANS OF INTELLECTUAL SYSTEMS

The authors study possible approaches to development of intelligent neural systems based on integration of data and knowledge which are used for decision making.

Intellectual systems, neural networks, identification of functional dependencies, defects' diagnosis.

На стадии проектирования, производства и эксплуатации сложных технических объектов решается проблема, связанная с разработкой методов и средств технического диагностирования дефектов в поведении объектов. Данная проблема является многокритериальной, многофакторной, многопараметрической, методы и алгоритмы решения которой характеризуются существенной неопределённостью, поэтому для их реализации эффективно использование интеллектуальных методов и технологий.

Данная публикация является развитием работ [1-3].

В рассматриваемой постановке предметная область (ПО) диагностирования дефектов в технических объектах включает решение двух проблемных задач: первая задача связана с агрегированием информационно-значимых вход-выходных функциональных зависимостей диагностируемых объектов в части обнаружения дефектов в их поведении; вторая задача связана с выявлением причинно-следственных связей между переменными описания состояний технических объектов, состояний внешней среды и заданным подмножеством дефектов в поведении технических объектов.

Стратегия и сценарии достижения целей в рамках ПО применительно к диагностируемым объектам обеспечиваются средствами интеллектуальной нейросетевой системы (ИНС).

Методология построения и обучения ИНС основана на интеграции баз данных и знаний заданного состава интеллектуальных систем (ИС), а также функций, реализуемых средствами нейронных сетей (НС).

Технология построения и обучения ИНС определяется решением ряда задач:

1. Разработка методов, алгоритмов и аппаратных средств диагностирования дефектов в поведении технических объектов.

2. Построение и обучение НС поддержки методов и алгоритмов решения проблемных задач ПО.

3. Построение и обучение НС, обеспечивающих реализацию методов, алгоритмов и ИС решения проблемных задач.

Методика организации процессов диагностирования дефектов в технических объектах определяется решением следующего перечня задач:

1. Построение и минимизация размерности моделей описания технических объектов.

2. Структуризация исходных данных и знаний.

3. Параметрическая идентификация вход-выходных функциональных зависимостей технических объектов.

4. Обоснование факторов внешней среды и режимов функционирования объектов, критичных к заданному подмножеству дефектов в поведении технических объектов.

5. Выявление моделированием состояний объектов, причинно-следственных связей между переменными описания состояний технических объектов, факторами внешней среды, режимами функционирования объектов и заданными дефектами.

6. Агрегирование информационно-значимых вход-выходных функциональных зависимостей, обнаруживающих заданное подмножество дефектов.

7. Синтез исходной структуры модели диагностирования дефектов и приведение её к конечному варианту путём понижения размерности по заданным критериям.

Технология построения и обучения ИНС определяется реализацией следующих положений.

1. Обоснование топологии структуры модели НС, представляемой организацией и синаптическими связями заданных слоёв.

2. Определение состава и видов нейронов в слоях нейронной сети.

3. Обоснование структуры нейронов и реализуемых ими активационных функций.

4. Синтез входных образов, распознаваемых отдельными нейронами и слоями сети.

5. Обоснование выходных образов, представленных активационными функциями, формируемых нейронами и слоями НС.

6. Синтез эталонных образов, сопоставляемых с выходными образами на уровнях заданных нейронов и слоёв сети.

7. Расчёт синаптических весов и пороговых уровней.

8. Обучение ИНС путём интеграции функций, формальных процедур и знаний заданного перечня интеллектуальных систем и нейронной сети.

При построении ИНС одной из центральных задач является обоснование топологии модели НС под предметную область. В рассматриваемой постановке, как возможный вариант, используется конструктивный подход к построению структуры модели НС, регламентируемый заданным перечнем проблемных задач, решаемых в рамках ПО.

На рис. 1 приведена топология структуры сложной НС, в которой нейроны входного слоя получают входные сигналы, преобразуют их и транслируют нейронам последующего слоя. Процесс навигации информации продолжается до выходного слоя сети.

Рис. 1. Структурная организация модели нейронной сети

Структура нейронов первого и второго скрытых слоёв НС имеет состав элементов, приведённых на рис. 2.

Приведённая многослойная топология модели НС по архитектуре обратных связей на уровнях нейронов и слоёв относится к виду рекуррентных (соответственно, к сети обратного распространения), является динамической, в которой за счёт обратных связей входы нейронов могут преобразовываться во времени и изменять состояние сети под сложившуюся ситуационную обстановку.

Рис. 2. Структура нейрона

Обратные связи в структуре модели НС в данном случае обусловливаются методами и алгоритмами решения проблемных задач ПО, связанных с агрегированием информативных параметров состояний выхода объектов, обнаруживающих заданный перечень дефектов и с диагностированием дефектов в поведении технических объектов.

Обратные связи в структурах нейронов первого скрытого слоя определяются необходимостью повторного определения активационных функций соответствующего нейрона при сложившихся ситуациях:

• выходные функции всех нейронов слоя имеют нулевое значение, то есть дефекты в техническом объекте не обнаружены;

• функция активации по заданным критериям на границе перехода в единичное состояние характеризуется повышенным уровнем неопределённости.

Обратные связи между нейронами второго скрытого слоя и нейронами первого внутреннего слоя обусловлены необходимостью:

- изменения факторов внешней среды или режимов функционирования диагностируемого объекта;

- устранения неопределённости в правилах сопоставления выходных образов с эталонными;

- формализации процессов построения и анализа обучающих выборок на стадии обучения НС.

В соответствии с целями, достигаемыми в объёме заданных проблемных задач ПО, средствами первого внутреннего слоя нейросети формируются векторы активационных функций, обеспечивающих обнаружение заданного перечня дефектов в поведении диагностируемых объектов и оценивание уровня соответствия состояний объектов заданным требованиям. Средствами второго внутреннего слоя сети реализуются векторы активационных функций, обеспечивающие диагностирование дефектов в поведении диагностируемых объектов.

При построении и обучении ИНС центральным звеном является процесс обучения. В рассматриваемой постановке алгоритм обучения нейросетевой системы основан на формировании обучающих выборок (ОВ), содержательная и процедурная сущность которых определяется информационно-логическим формализмом баз данных и знаний заданного перечня интеллектуальных систем поддержки методов и алгоритмов решения проблемных задач ПО, включающих механизмы и правила принятия решений.

В работе принят контролируемый алгоритм обучения, где для каждого выходного вектора существует целевой (эталонный) вектор. При этом осуществляется сравнение эталонного и выходного векторов и при наличии ошибки, превышающей пороговый уровень, с помощью обратной связи производятся повтор набора обучающей выборки и коррекция синаптических весов.

На стадии построения и обучения ИНС в структуру модели НС интегрируются локальные элементы - данные и знания заданного состава интеллектуальных систем поддержки методов решения проблемных задач ПО, обеспечивающие процессы построения и обучения НС.

Используются результаты анализа концептуальной модели ПО, отражающие в структуре НС семантику нечётких отношений переменных описания диагностируемых объектов к областям значений переменных [4]. На рис. 3 приведён фрагмент структуры концептуальной модели, где Ц/, №/, Я/- - элементы матриц, представляющих

управляющие сигналы, параметры внешней среды, режимы функционирования объектов; Мтц ,М? - элементы моделей диагностирования дефектов; 7/, 81/ - области знаний

переменных состояний выхода объекта, состояний, отражающих дефекты; Qц - заданный перечень дефектов в поведении объекта.

Рис. 3. Концептуальная модель предметной области

Семантика нечётких отношений переменных в структуре НС определяется синаптическими связями между нейронами и слоями сети.

Структура концептуальной модели отражает нечёткие отношения переменных на уровне входного вектора и первого внутреннего слоя; на уровне первого и второго внутренних слоёв НС.

Структурная организация и состав нечётких отношений переменных схемы базы данных и знаний ПО предопределяют топологию модели НС, включающей состав нейронов в слоях сети, а также структуру синаптических связей.

На рис. 4 приведён фрагмент структуры схемы базы данных и знаний ПО применительно к ИС поддержки методов решения проблемных задач ПО, связанных с агрегированием информативных вход-выходных функциональных зависимостей диагностируемых объектов и выявлением причинных связей между функциональными зависимостями и заданным подмножеством дефектов в условиях влияния факторов внешней среды (уровень А,і) и с диагностированием дефектов в поведении диагностируемых объектов (уровень Я,2).

На уровнях ^1, ^2 нечёткие отношения переменных в каждый момент времени і определяются зависимостями

где ^и, Ж, Я, 0), 7(Ц, Ж, Я, 0) - атрибуты; 7/, 8/ - области значений атрибутов; К -критерии оценки переменных; Д- числовые значения допусковых зон.

В структуре НС на уровнях первого и второго скрытых слоёв зависимости (1), (2) регламентируют механизмы формирования суммирующих функций.

В процессе обучения на уровне первого скрытого слоя нейронной сети используются: алгоритм моделирования причинных связей между переменными описания состояний технических объектов, внешней среды и дефектами; алгоритм моделирования процессов параметрической идентификации вход-выходных функциональных зависимостей технических объектов, обеспечивающий формирование обучающих выборок (примеров), позволяющих обнаруживать дефекты и оценивать степень соответствия состояний технических объектов заданным требованиям. Алгоритм моделирования реализуется согласно зависимости вида

(1)

(2)

Рис. 4. Схема состояний базы данных и знаний предметной области

где Н - конечное подмножество наборов в обучающей выборке.

На вход первого скрытого слоя сети подаётся входной образ, представленный вектором параметров состояний выхода диагностируемого объекта ( У1(( (),Т (), Я(|), 0(|)) ,..., 7.(и(|)т(|)Я(),0(|)). При этом на вход каждого нейрона этого слоя поступает входной образ, представленный зависимостью > = £ (и(|),Т(|), Я() 0()).

Синаптические веса компонентов входного образа определяются в результате реализации формального подхода к представлению по заданным критериям аналоговых параметров состояния выхода объекта бинарными сигналами.

При этом элементы обучающей выборки (в/) определяются согласно правилу

. |1, если {(*){(и(1),Ш(1 ),Я(г),0(1))>/>} }

, (4)

{К у}

где Я® - область распределения числовых значений у-го параметра, отражающая факт

наличия дефекта в поведении технического объекта; Р - пороговый уровень допусковой зоны у-го параметра.

Сумматором каждого нейрона (рис. 2) формируется суммирующая функция, определяемая критерием вида

0 при У ■ < У < У

г г шіп г г ша?

К

11 при У . > У, Р<У

I г г шіп г^ г г ш

, (5)

Ут} 0} Ун, }

где У{ - регистрируемое значение /-го параметра диагностируемого объекта; 7тт, 7тах -значения /-го параметра, отражающие границы его допусковой зоны.

На уровне данного скрытого слоя функциональным преобразованием каждого нейрона (рис. 1) формируется функция активации 7/(и(|)т(|), Я(), 0()), числовое

значение которой определяется 0 или 1.

Выходные образы первого скрытого слоя, представленные функциями активации, сопоставляются с эталонными образами, определяемыми информационно-логическим формализмом базы данных и знаний интеллектуальной системы агрегирования причинных связей между переменными и информативных параметров состояния выхода объекта, согласно зависимости:

VI, 5: зи,(|)....,и „(г),Т(г),...,т(|) Я,(|),...,Я,(г),

>1 ().-•■(|), 0,(|),...,0р(|), К,,...,К; Д,,..., Д. ^ (6)

{ (и(I) У(I),Я(|) 0(1 ))и... и ¥„(и(I( Т(I) Я(|)0(1))} = } ,

где 80, - работоспособное состояние, перечень неработоспособных состояний объекта

соответственно; 0 - заданный перечень дефектов в поведении диагностируемого объекта.

Выходные образы первого скрытого слоя, представленные функциями активации, образованными нейронами этого слоя, поступают на вход второго скрытого слоя, соответственно составляют входные образы нейронов этого слоя.

Сумматорами нейронов второго скрытого слоя сети формируются суммирующие функции на основе анализа активационных функций первого скрытого слоя и числовых значений синаптических весов, определяемых по условию

ы

1, если У і (і ) / ((і), Ж (і), я(і), Q(t)) —» Н у - не выполняется 0, если У і (і) / ((і), Ж (і), Я(і), Q(t)) —» Н у - не выполняется Д если У (і), /і (С/ (і), Ж (і), я(і), Q(t)) —» Н у - не известно

, (7)

{К } {Ді } {Н }

где Ц -у-й набор (пример) обучающей выборки.

Функциональные преобразователи нейронов второго скрытого слоя рассчитываются в процессе сопоставления выходных образов второго скрытого слоя с эталонными образами. Эталонные образы синтезируются на основе анализа информационно-логического формализма данных и знаний ИС поддержки метода диагностирования дефектов в поведении диагностируемых объектов, включающего положения:

V*,О : Эи,(),...,и,(), IV,(),...,V(); Я,(*),...,К„()

У,(<),. .,У,(>). О,(), ..,О,(<) К,,...,К,; Д,,...,Дт ^ , (8)

{г,, Г, (и (), V (), Я(1), О())п... п У,, /т (и (), V (), К(), о№ - ($,, 0 ),

где (Ог) - заданное подмножество дефектов в поведении диагностируемого объекта.

Зависимости (6), (8) отражают в структуре ИНС формальные правила принятия решений средствами первого и второго внутренних слоёв сети.

Состав нейронов второго скрытого слоя НС определяется числом диагностируемых дефектов в поведении соответствующего технического объекта.

Эталонные образы второго скрытого слоя соответствуют кодовым комбинациям параметра состояния выхода диагностируемого объекта, представленного структурой модели диагностирования (Ог = (Ю,.. .0,)).

На рис. 5 приведён общий вид структуры модели диагностирования дефектов в технических объектах.

IV,

и и,

и и

и и

і

У

А

и«,. і и и і - и и, 1 1 и 11 к к

У, Уі у, уш

Зі я а «11 «12 «1, «1ш

<Зі *г

Оп Я

Рис. 5. Структура модели диагностирования дефектов технических объектов

Структурная организация переменных модели определяет причинно-следственные связи между управляющими сигналами (и), показателями внешней среды (V), режимами функционирования объектов (Я/), параметрами состояний выхода объекта и заданным подмножеством дефектов в техническом объекте.

Формальные процедуры и результаты метода построения и понижения размерности исходного варианта модели на стадии приведения её к конечному варианту [3] в процессах построения и обучения ИНС на уровне второго скрытого слоя сети определяют механизмы расчёта числовых значений синаптических весов, формирования решающих функций и синтеза эталонных образов, а также представляют вектор функций активации, отождествлённый с входным образом выходного слоя НС.

В рассматриваемой постановке средствами выходного слоя нейронной сети принимаются решения по идентификации состояний диагностируемого объекта. Входной образ слоя образуется функциями активации, формируемыми нейронами второго

скрытого слоя. Состав нейронов выходного слоя определяется числом диагностируемых дефектов в поведении объекта и нейроном, распознающим работоспособное состояние объекта.

Совершенство обучающих алгоритмов характеризуется, главным образом, критериями ошибок (погрешностей) в принятии решений. Погрешности определяются в значительной степени трудностями (неопределённостью) расчёта синаптических весов. В этой связи основным способом понижения уровня погрешности является экспериментальный способ.

Приведённая организация обратных связей в структуре модели НС (рис. ,) согласуется с принципом навигации информации в структуре от входа к выходу, следовательно, представляется возможным применение на стадии обучения НС алгоритмов обратного распространения ошибки. При этом распространённое в обратном направлении значение погрешности к предыдущему слою учитывается в следующем цикле обучения.

В качестве меры погрешности может быть принята средняя квадратичная ошибка:

выходное состояние; п - число наборов (примеров) обучающей выборки.

При интеграции методов баз данных, знаний и формальных процедур, реализуемых средствами ИС и НС применительно к решению проблемных задач ПО, при обратном распространении ошибки в структуре ИНС понижение уровня ошибок обеспечивается за счёт совершенствования методов и алгоритмов решения проблемных задач ПО, а также за счёт повышения достоверности баз данных, знаний и правил принятия решений средствами ИС.

Так, на уровне второго скрытого слоя в качестве мер понижения уровня ошибок являются:

• модернизация, развитие и повышение достоверности кодовых комбинаций эталонных образов, представленных моделями диагностирования дефектов в поведении технических объектов;

• повышение достоверности входных образов, представленных функциями активации, сформированных нейронами первого скрытого слоя НС;

• совершенствование методов и алгоритмов понижения неопределённости переменных описания и моделей диагностирования дефектов, представляющих в алгоритмах обучения эталонные образы;

• оптимизация состава и повышение достоверности наборов (примеров) обучающих выборок.

Основными путями снижения ошибок на уровне первого скрытого слоя являются:

- понижение уровня неопределённости переменных при формировании входных образов (векторов переменных), распознаваемых нейронами слоя;

- ограничение целостности (размерности) и повышение достоверности причинноследственных связей между параметрами описания состояний диагностируемых объектов, состояний внешней среды, режимов функционирования объектов и заданным подмножеством дефектов;

- повышение точности результатов параметрической идентификации по заданным критериям вход-выходных функциональных зависимостей диагностируемых объектов в условиях влияния факторов внешней среды;

- повышение достоверности результатов расчёта синаптических весов.

Приведённые пути понижения уровня ошибок являются управляемыми

пользователем в плане достижения конечных результатов.

(9)

где У - реальное выходное состояние нейрона г-го слоя; УЭ - эталонное (желаемое)

Технология построения и обучения ИНС на основе интеграции функций, баз данных и знаний ИС и НС характеризуется повышенной эффективностью достижения целей за счёт совершенствования показателей и формальных процедур:

• оптимизации процессов обоснования топологии структуры НС;

• минимизации размерности входных и эталонных образов;

• сокращения числа наборов обучающих выборок и длительности временных циклов их реализации;

• повышения достоверности принимаемых решений;

• формализации процессов расчёта синаптических весов и пороговых уровней;

• использования формализованных методов решения проблемных задач в качестве источников извлечения знаний и процедур их преобразования.

Реализация ИНС приведённой категории возможна автоматизированными информационно-измерительными комплексами, логическими аппаратными средствами и средствами нейрокомпьютеров.

ЛИТЕРАТУРА

1. Ушаков В. А. Интегрированная нейросетевая система ситуационного управления процессами обеспечения технических характеристик динамических объектов. I / В.А. Ушаков, Г.С. Говоренко, В.С. Дрогайцев // Мехатроника, автоматизация, управление. 2006. № 7. С. 14-19.

2. Ушаков В.А. Интегрированная нейросетевая система ситуационного управления процессами обеспечения технических характеристик динамических объектов. II / В.А. Ушаков, Г.С. Говоренко, В.С. Дрогайцев // Мехатроника, автоматизация, управление. 2006. № 8. С. 21-28.

3. Системный подход к ситуационному управлению отказоустойчивостью

технических объектов в условиях нештатных ситуаций. Построение интеллектуальных систем. II / В.А. Ушаков, В.С. Дрогайцев, Г.С. Говоренко, С.В. Козлов // Вестник

компьютерных и информационных технологий. 2008. № 4. С.39-46.

4. Цаленко М.Ш. Моделирование семантики в базах данных / М.Ш. Цаленко. М.: Наука, 1989. 287 с.

Дрогайцев Валентин Серафимович - Drogaytsev Valentin Serafimovich -

доктор технических наук, профессор Doctor of Technical Sciences,

кафедры «Автоматизация и управление Professor of the Department

технологическими процессами» of «Automation and Management

Саратовского государственного of Technological Processes»

технического университета of Saratov State Technical University

Ушаков Виталий Алексеевич - Ushakov Vitaliy Alekseyevich -

кандидат технических наук, генеральный Candidate of Techncial Sciences,

директор ОАО «КБ Электроприбор» General Manager of JSC «CB Elektropribor»

Пименов Михаил Юрьевич - Pimenov Mikhail Yuryevich -

аспирант кафедры «Автоматизация Post-graduate Student of the Department

и управление технологическими процессами» of «Automation and Management

Саратовского государственного of Technological Processes»

технического университета of Saratov State Technical University

Статья поступила в редакцию 18.01.10, принята к опубликованию 08.04.10