ПОСТРОЕНИЕ НЕИРОСЕТЕВОГО КЛАССИФИКАТОРА ДЛЯ СНИЖЕНИЯ РИСКА АВАРИЙ ПРИ ЭКСПЛУАТАЦИИ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ
Абу-Абед Фарес Надимович
доцент кафедры "Электронные вычислительные машины " Тверского государственного технического университета, кандидат технических наук
Допира Роман Викторович
заведующий отделением ЗАО "НИИ" Центрпро-граммсистем"доктор технических наук, профессор
Попов Павел Георгиевич
профессор кафедры математики и вычислительной техники Тверской государственной сельскохозяйственной академии, доктор технических наук, профессор
Кордюков Роман Юрьевич
начальник управления научно - исследовательской деятельности и технического сопровождения передовых технологий (инновационных исследований) Министерства обороны Российской Федерации, кандидат технических наук
УДК 004.896
Аннотация
В статье рассматриваются вопросы выбора математического аппарата для оценки и классификации текущего состояния технической системы по заданному набору признаков, для чего был выбран метод распознавания образов на основе искусственной нейронной сети.
Разработан модифицированный алгоритм обучения классификатора предава-рийных ситуаций на основе метода обратного распространения ошибки, который отличается от классического наличием процедуры поиска глобального минимума функции ошибки. Данное дополнение улучшает качества обучения, направленные на повышение эффективности функционирования классического алгоритма.
Предложена общая структура нейро-сетевого классификатора предаварий-ных ситуаций, показана возможность и целесообразность решения задачи распознавания для каждой предаварийной ситуации в отдельности, для чего выполнена декомпозиция задачи построения нейросетевого классификатора. Разработана структура нейросетевого классификатора, состоящая из одного скрытого слоя с числом нейронов, равным числу входов классификатора.
Задача, описываемая в данной статье, заключается в обеспечении безаварийности сложных технических инженерных систем, станет дальнейшим развитием подсистемы «Оперативное управление и мониторинг состояния сложной технической системы». В этом случае «Ней-росетевой анализатор аномалий» будет использоваться на каждом цикле, где возможны проблемы с высококвалифицированным обслуживающим персоналом.
Решение задачи разработки, внедрения, настройки и последующей экс-
плуатации «Нейросетевого анализатора аномалий» как составной части корпоративной информационной системы позволит также оптимизировать сетевые циклы построения, развёртывания и эксплуатации сложных структурных и функциональных технических систем, а также будет способствовать ускорению принятия решений по выявлению неисправностей, оценивая величины их остаточного ресурса и доставки комплектующих и необходимых запчастей для сведения простоя системы к минимуму.
Ключевые слова
• Распознавание образов;
• предаварийные ситуации;
• искусственные нейронные сети;
• метод распознавания;
• классификатор;
• алгоритм обучения;
• безаварийность сложных технических инженерных систем.
Введение
Одной из основных целей проведения инженерных исследований при строительстве сложных технических систем является своевременное распознавание предаварийных ситуаций, возникающих в процессе выполнения работ. Под пре-даварийными ситуациями понимаются возникающие процессы, отличающиеся от штатных и требующие адекватного реагирования. Наибольшие проблемы в своевременном автоматизированном обнаружении и определении предаварийных ситуаций возникают непосредственно в системе, в ходе работ по её строительству.
В качества сложных технических установок могут выступать буровая инженерная установка для бурения нефтяных и газовых скважин, радиолокационные станции и другие сложные технические системы. Причинами_возникновения
осложнений являются:
• необходимость практически постоянного визуального контроля технологических процессов на системе;
• необходимость принятия решения и выдача рекомендаций в реальном времени в условиях недостатка информации;
• необходимость учёта большого количества разноплановых факторов и исходных данных;
• не всегда достаточная квалификация персонала.
Поскольку при распознавании преда-варийных ситуаций, возникающих при эксплуатации систем, размерность пространства признаков достаточно велика, и границы между классами предава-рийных ситуаций являются нечеткими. Применение байесовской классификации и кластерного анализа для решения задачи распознавания предаварийных ситуаций в процессе проводки скважины представляется нецелесообразным. Поэтому в качестве математического аппарата решения задачи распознавания предаварийных ситуаций предложено использовать искусственные нейронные сети прямого распространения, обучаемые с помощью алгоритма обратного распространения ошибки1,2.
Математически процесс обучения нейросети описывается следующим образом: в процессе функционирования нейронная сеть формирует выходной сигнал Y в соответствии с входным сигналом X, реализуя некоторую функцию Y = G(X). Если архитектура сети задана, то вид функции G определяется значениями синаптических весов и смещений сети.
Пусть решением некоторой задачи является функция Y = F(X), заданная парами входных - выходных данных (Х1, Y1), (Х2, ..., (Х№ YN), для которых Yk = F(Xk) (к = 1, 2, ..., Обучение состоит в поиске (синтезе) функции G, близкой к F в смысле некоторой функции ошибки Е.
Если выбраны множество обучающих примеров - пар (Хк, Yk) (где к = 1, 2, ..., N и способ вычисления функции ошибки Е, то обучение нейронной сети превращается в задачу многомерной оптимизации, имеющую очень большую размерность. При этом, поскольку функция Е может иметь произвольный вид, обучение в общем случае - многоэкстремальная невыпуклая задача оптимизации2.
Для решения этой задачи могут быть использованы следующие алгоритмы: алгоритмы локальной оптимизации с вычислением частных производных первого порядка; алгоритмы локальной оптимизации с вычислением частных производных первого и второго порядка; стохастические алгоритмы оптимизации; алгоритмы глобальной оптимизации.
Алгоритм обратного распространения ошибки применяется для обучения многослойных нейронных сетей с последовательными связями, на основе которых построен классификатор предаварийных ситуаций. Это итеративный градиентный алгоритм, который используется с целью минимизации среднеквадратичного отклонения текущего выхода многослойного персептрона и желаемого выхода2.
Согласно методу наименьших квадратов, минимизируемой целевой функцией ошибки НС, является величина:
Е00 = 21(У™ - р)\
2 ],р
где у - реальное выходное состояние нейрона у выходного слоя N нейронной сети при
подаче на ее входы р-го образа; Ср - идеальное (желаемое) выходное состояние этого нейрона.
Суммирование ведется по всем нейронам выходного слоя и по всем обрабатываемым
сетью образам. Мисинизация ведется нетодун градиентного спуска, что урсачает подстройку
сЕ
весовых коэффициентов следующим образом: Aw<¡") = —ц ■
1 с
здесь м>Ц - весовой коэффициент
сисаптической связи, соединяющей г'-ый нейрон слоя п-1 с 1-нм нейроном слоя п; ц - коэффициент
скорости обучения, 0<ц<1.
Существующие методы улучшения качества обучения с помощью данного алгоритма связаны с использованием различных функций ошибки, процедур определения направления и величины шага, процедур составления расписания обучения и других.
В качестве основного недостатка этих методов можно отметить отсутствие в них эффективной процедуры определения глобальности минимума целевой функции. В работе предложена модификация базового алгоритма обучения, ориентированная на нахождение этого глобального минимума. Ее суть заключается в следующем1,2:
• после достижения локального минимума (завершение процесса обучения) случайным образом генерируется
новая начальная точка, и процесс обучения повторяется;
• после достижения (с заданной точностью Е) К раз из разных начальных точек одного и того же минимального значения ошибки обучения (К - параметр алгоритма) меняется параметр Я генерации начальных точек для процесса обучения (радиус поиска увеличивается), и процесс поиска глобального экстремума продолжается (заново производится обучение нейросети);
• после достижения параметром Я значения Rmax (Ятао: - параметр алгоритма) нейросеть считается обученной, и алгоритм заканчивает работу.
Блок-схема предложенного алгоритма приведена на Рисунке 1.
^Начало^ / К Е /
/ Ртах /
ум = т г = га, к = о
Егшп = »
I
к = к + 1
Егшп|
Обучение нейросети базовым алгоритмом - Да—^ 1
Етт = е УУтт = УМ к = 0 Г= (30
^ Конец ^
Рисунок 1. Блок-схема модифицированного алгоритма.
Классификатор для распознавания предаварийных ситуаций на основе искусственной нейронной сети может быть реализован двумя способами1-3:
• С формированием на выходе N различных сигналов, каждый из которых соответствует одной распознаваемой ситуации, которые формируются на основе анализа М признаков, т.е. с использованием единого словаря признаков для всех распознаваемых ситуаций.
• Как состоящий из N классификаторов, каждый из которых способен распознать одну предаварийную ситуацию и имеет один выход, и т входов, причем множества признаков, используемых для распознавания различных предаварий-ных ситуаций, могут перекрываться.
Преимуществом первого подхода является достаточность разработки и обучения одного классификатора для всего множества распознаваемых ситуаций. Однако при этом затраты времени на обучение такого классификатора могут ока-
заться больше, чем на обучение нескольких классификаторов меньшего размера.
С другой стороны, точность распознавания у классификаторов, ориентированных на конкретную предаварийную ситуацию, может оказаться лучше, чем у одного универсального классификатора.
Окончательное принятие решения по выбору структуры классификатора возможно только на основе исследований эффективности обоих вариантов.
Для обеих представленных структур классификатора были проведены исследования влияния числа слоев нейросети и количества нейронов в каждом скрытом слое на:
• количество необходимых итераций обучения нейросети;
• точность распознавания обученной нейросетью векторов обучающей выборки.
На Рисунке 2 представлены оба варианта построения классификатора.
Для определения структуры нейросе-тевого классификатора предаварийных
2. а) Универсальный классификатор для всех ПАС
2. б) Специализированные классификаторы для каждой ПАС
Рисунок 2. Варианты построения нейросетевого классификатора
'Однослойной "ой пая —(^-Трёхслойная ■ ■■■ Четыре« леи нал
Рисунок 3. Зависимость числа итераций обучения от числа слоев и количества нейронов в каждом слое
Рисунок 4. Зависимость точности распознавания от числа слоев и количества нейронов в каждом слое
ситуаций проведены экспериментальные исследования влияния параметров нейросети на эффективность обучения распознаванию искусственно сгенерированных ситуаций. На Рисунках 3-4 приведены полученные графики для этих зависимостей 1-3, где под сокращением «ПАС» понимается предаварийная ситуация:
Для проведения исследования, в качестве сложной технической системы рассматривается буровая инженерная установка для бурения нефтяных и газовых скважин.
Для использования на практике выбрана структура специализированного нейросете-вого классификатора, состоящая из одного скрытого слоя с числом нейронов, равным числу входов классификатора.
Результаты проведённых исследований позволяют сформулировать метод распознавания предаварийных ситуаций в процессе бурения нефтяных и газовых скважин с помощью нейросетевого классификатора как систематизированную последовательность действий2:
1. Определение набора признаков, доступных для измерения существующими средствами обработки ГТИ, и формирование априорного словаря признаков.
2. Классификация состояний объекта с целью определения совокупности пре-даварийных ситуаций, подлежащих распознаванию.
3. Формирование рабочих словарей признаков для каждой распознаваемой предаварийной ситуации с помощью разработанного алгоритма на основе метода ветвей и границ.
4. Определение структуры классификатора предаварийных ситуаций, построенного на основе нейросети прямого распространения, обучаемой модифицированным методом обратного распространения ошибки.
5. Обучение разработанного классификатора предаварийных ситуаций на
реальных данных исследуемой предметной области.
Заключение
В статье в качестве математического аппарата для решения задачи определения текущего состояния сложных технических систем по заданному набору признаков выбран метод распознавания образов на основе искусственной нейронной сети. Разработан модифицированный алгоритм обучения классификатора предаварийных ситуаций на основе метода обратного распространения ошибки, который отличается от классического наличием процедуры поиска глобального минимума функции ошибки. Данное дополнение улучшает качества обучения, направленные на повышение эффективности функционирования алгоритма1, 2.
Предложена общая структура нейро-сетевого классификатора предаварий-ных ситуаций, показана возможность и целесообразность решения задачи распознавания для каждой предаварийной ситуации в отдельности, для чего выполнена декомпозиция задачи построения нейросетевого классификатора. Разработана структура нейросетевого классификатора, состоящая из одного скрытого слоя с числом нейронов, равным числу входов классификатора.
Полученные результаты сведены в обобщенный метод распознавания пре-даварийных ситуаций в процессе промышленного бурения нефтяных и газовых скважин, снижающий риски при строительстве скважин.
Задача, описываемая в данной статье, назовём её «Нейросетевой анализатор аномалий бурения», станет дальнейшим развитием подсистемы «Оперативное управление строительством скважин» или «Системы мониторинга состояния буровых». В этом случае «Нейросете-вой анализатор аномалий бурения» бу-
дет использоваться на каждой буровой площадке, где возможны проблемы с высококвалифицированным обслуживающим персоналом. Доставка в реальном времени необходимой технологической и геологической информации в офис нефтегазодобывающего предприятия и управленческих решений на объекты мониторинга даст следующие преимущества:
• Возможность обслуживания высококвалифицированными кадрами как прикладных, так и 1Т - направлений.
• Возможность аккумулирования в одном месте всей необходимой информации: оперативной, плановой, данных по аналогичным скважинам.
Решение задачи разработки, внедрения, настройки и последующей эксплуатации «Нейросетевого анализатора аномалий бурения» как составной части корпоративной информационной си-
стемы потребует объединения усилий крупных нефтегазовых компаний, математиков и системотехников специализирующихся в данном направлении.
Литература
1. Абу-Абед Ф.Н. «Построение нейросетевого классификатора для обнаружения нештатных ситуаций в процессе промышленного бурения нефтяных скважин». ТЕРРИТОРИЯ НЕФТЕГАЗ \\ Бурение \\выпуск № 6 \\ июнь -2012. - Москва, 2012. - С. 16-19.
2. Абу-Абед Ф.Н. «обнаружение предаварий-ных ситуаций в процессе промышленного бурения нефтяных скважин». Диссертация на соискание учёной степени кандидата технических наук по специальности: 05.13.01 - Тверь 2011. ТвГТУ Зональная научная библиотека (ХТ-101).
3. Абу-Абед Ф.Н., Допира Р.В. Применение средств моделирования нейросетей для анализа предаварийных ситуаций на буровых. УДК 004.896.// Программные продукты и системы. Научно-практическое издание № 3 (91), 2010. ISSN 0236-235X. - Тверь, 2010. - С. 136-139.