CC BY
83
Построение системы контроля и диагностирования автоматизированных систем управления специального назначения на основе нечетких искусственных нейронных сетей
Вопросы контроля и диагностирования автоматизированных систем управления специального назначения представляют собой сложную задачу, которую можно отнести к задачам распознавания образов. Перед исследователями встают проблемы классификации технического состояния на основе огромного количества исходных данных. Необходимость учитывать характеристики отдельных составляющих автоматизированных систем управления специального назначения, условия их функционирования, а также нечеткость исходной информации в результате приводит к задаче построения разделяющей поверхности выраженной сложной многокритериальной функцией. Представлена система контроля и диагностирования автоматизированных систем управления специального назначения на основе нечетких искусственных нейронных сетей. Нечеткие искусственные нейронные сети учитывают размытую информацию в последовательном принятии решений о техническом состоянии автоматизированных систем управления специального назначения, а также при реализации кусочно-линейного, нелинейного и многосвязного разделения пространства диагностических признаков. Это позволяет обеспечить высокую эффективность рассматриваемой си-к-----акха: сИсюМа ксщюля и стемы контроля и диагностирования автоматизированных систем управления специального
диагностирования, автоматизированные системы назначения, которая может быть применена при обосновании внедрения новейших дости-
управления специального назначения, нечетки жений науки и техники в практику создания, отработки и испытаний автоматизированных
нечеткие искусственные нейронные сети. систем управления специального назначения.
Пророк В.Я.,
Профессор кафедры автоматизированных систем управления (противоракетной обороны) Военно-космической академии им. А.Ф.Можайского, дт.н., доцент, уа!_prorok@mail.ru
Гусеница Я.Н.,
Преподаватель кафедры (управления войсками и организации службы штабов) Военно-космической академии им. АФ.Можайского, к.т.н., yaromii-226@mail.ru
Петрич Д.О.,
Преподаватель кафедры автоматизированных систем управления (противоракетной обороны) Военно-космической академии им. АФ.Можайского, к.т.н., р^о_ 1985@mail.ru
В настоящее время одним из ключевых направлений развития Вооруженных Сил Российской Федерации является повышения эффективности управления своими силами и средствами. Это объясняет наличие многочисленных опытно-конструкторских работ по совершенствованию существующих и созданию новых автоматизированных систем управления специального назначения.
Ключевым свойством автоматизированных систем управления специального назначения является надежность.
Низкий уровень надежности автоматизированных систем управления специального назначения стать причиной невыполнения силами и средствами поставленных перед ними боевых задач. Следовательно, обеспечение требуемого уровня надежности автоматизированных систем управления специального назначения является весьма актуальной проблемой.
Данная проблема решается на протяжении всего жизненного цикла автоматизированных систем управления специального назначения, начиная от исследования и обоснования их разработки и заканчивая полным снятием с эксплуатации и утилизацией.
Известным способом обеспечения требуемого уровня надежности автоматизированных систем управления специального назначения на стадии эксплуатации является реализация контроля и диагностирования.
Однако анализ современных методов контроля и диагностирования сложных систем показывает, что они обладают рядом существенных недостатков: низкая достоверность распознавания, большой объем вычислений для достижения приемлемой достоверности, сложность при переобучении системы, необходимость хранения большого числа обучающих последовательностей [2-5, 7, 8, 10, 11].
В то же время широкое распространение получили распознающие системы, построенные на принципах искусственных нейронных сетей. Эти искусственные нейронные сети могут иметь самую разнообразную структуру, но наиболее популярны при решении задач распознавания сети прямого распространения (персептроны). Основными достоинствами искусственных нейросетей прямого распростра-
нения являются: реализация принципа последовательного принятия решений (после каждого ряда связей принимается решение, сколько сигналов и в каких комбинациях нужно пропустить в следующий ряд); способность к кусочнолинейному, нелинейному и многосвязному разделению пространства признаков (в зависимости от числа слоев), а также наличие оригинальных алгоритмов обучения, не требующих хранения больших объемов информации. В свою очередь при контроле и диагностировании часто приходится использовать нечеткую информацию, что делает невозможным использовать искусственные нейросети в обычном виде [6].
Поэтому при построении системы контроля и диагностирования автоматизированных систем управления специального назначения предлагается использование нечетких нейронных сетей.
Нечеткая нейронная сеть формально по структуре идентична многослойной нейронной сети с обучением, например, по алгоритму обратного распространения ошибки, но скрытые слои в ней соответствуют этапам функционирования нечеткой системы [9]:
• первый слой нейронов выполняет функцию введения нечеткости на основе заданных функций принадлежности входов;
• второй слой отображает совокупность нечетких правил;
•третий слой выполняет функцию приведения к четкости
(в случае необходимости).
Каждый из этих слоев характеризуется набором параметров (функциями принадлежности, нечеткими решающими правилами, активационными функциями, весами связей), настройка которых производится, по сути, так же, как и для обычных нейронных сетей.
Вообще говоря, теоретически, системы с нечеткой логикой и искусственные нейронные сети подобны друг другу, однако, на практике у них имеются свои собственные достоинства и недостатки. Данное соображение легло в основу создания аппарата нечетких нейронных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма обратного распространения ошибки. Такие системы не только используют априорную информацию, но могут приобретать новые знания, являясь логически прозрачными.
Ниже рассматривается пример построения нечеткой искусственной нейронной сети.
Предположим, что степень работоспособности некоторой системы определяется двумя основными характеристиками х/, х2. Каждая из этих характеристик имеет терм-множество {«высокая», «низкая»}. Под этими значениями понимается высокий и низкий уровень проявления рассматриваемых характеристик. Областью определения каждой из характеристик является интервал [6]. При определении степени работоспособности ограничимся двумя классами: «пригоден», «непригоден».
Для определения вида функции принадлежности лингвистических переменных составляется две обучающих выборки, данные в которые заносятся экспертами. Для формирования порядковой шкалы с двумя классами («высокий», «низкий») сформирована обучающая выборка из 6 объектов, характеристики которых равномерно распределены на оси и измеряются нечетко. Исходные данные представлены в табл. 1.
Таблица 1
Исходные данные для формирования порядковой шкалы
Значения характе- ристик Функция Ц((х0 принадлежности объектов обучающей выборки классам \ = 1,к. Значения характе- ристик Функция щ(х2) принадлежности объектов обучающей выборки классам 1 = 1,к.
Низ- кий Высо- кий Низ- кий Высокий
2 1,00 0,00 1 1,00 0,00
3 0,70 0,30 3 0,90 0,10
4 0,40 0,60 5 0,70 0,30
5 0,20 0,80 7 0,50 0,50
7 0,10 0,90 8 0,30 0,70
9 0,00 1,00 9 0,00 1,00
Результаты расчета центров классов классификационной шкалы, с использование методики одномерной размытой классификации [1], для каждой из характеристик представлены в табл. 2.
Таблица 2
Результаты расчета центров классов классификационной шкалы
X, Х-.
Низкий Высокий Низкий Высокий
2,57 6,75 3,16 8,23
Структура предлагаемой нечеткой нейронной сети представлена на рис. 1.
Слой 1. Выходы нейронов этого слоя представляют собой значения функций принадлежности (рассчитанные по методу размытой классификации) при конкретных (заданных) значениях входов. Так как каждая из лингвистических переменных может принимать только два четких значения, то число возможных правил базы знаний не превышает четырех:
П|: если Х| есть А| и х2 есть В|, то Ті.
П2: если X] есть А2 и х2 есть В|, то Т>.
Пз: если Х| есть А| и х2 есть В2, то Тз.
Пресли X) есть А2 И Х2 есть В2, то Т4
где А|, А2, В|, В2 — нечеткие множества с функциями принадлежности колоколообразного вида, рассчитанные с помощью метода размытой классификации.
Слой 1 Слой 2 Слой 3
Рис. 1. Структура нейронной сети
Слой 2. Выходами нейронов этого слоя являются степени истинности предпосылок каждого правила базы знаний, вычисляемые по формулам:
Т, = А,(хі) А В,(х2),
Т2= А2(х,)А В,(х2),
Т3= А,(х,)Л В2(х2),
Т4 = А2(Х|)Л В:(х2).
Все нейроны этого слоя обозначены буквой Т, что означает, что они могут реализовывать произвольную 1-норму для моделирования операции «И».
Слой 3. Нейроны данного слоя являются обычными нейронами, осуществляющим взвешенное суммирование значений выходов нейронов предыдущего слоя, а их выходы формируются с использованием активационных функций сигмоидного типа.
Пусть имеется набор эталонных образов и значения функции принадлежности их к каждому из двух имеющихся классов работоспособности (табл. 3).
Таблица 3
Набор эталонных образов и значения функции принадлежности
Таблица 4
Значения характеристик Функция Ц|(х) принадлежности объектов обучающей выборки классам работоспособности
х, х2 Непригоден Пригоден
2 1 1,00 0,00
3 3 0,90 0,10
4 5 0,70 0,30
5 6 0,50 0,50
6 8 0,30 0,70
8 9 0,00 1,00
Значения выходов первого слоя, для каждого из эталонных образов
Значения характе- ристик Функция |Д;(х 1) принадлежности объектов обучающей выборки классам 1=1,к. Значения характе- ристик Функция ц,(х2) принадлежности объектов обучающей выборки классам 1=1,к.
Низкий Высо- кий Низкий Высо- кий
2 1,00 0,00 1 1,00 0,00
3 0,98 0,02 3 1,00 0,00
4 0,79 0,21 5 0,75 0,25
5 0,34 0,66 6 0,38 0,62
6 0,05 0,95 8 0,02 0,98
8 0,00 1,00 9 0,00 1,00
В рассмотренном примере использовался только один обучаемый слой нейронной сети, что допустимо при построении элементарных разделяющих поверхностей между классами. При более сложном виде разделяющей поверхности необходимо использование двух и более слоев.
Таблица 5
Значения выходов второго слоя, для каждого из эталонных образов
Определим значения выходов первого слоя, для каждого из эталонных образов (см. табл. 4). Значения выходов нейронов второго слоя представлены в табл. 5.
Обучение нейронной сети будем осуществлять по правилу «обратного распространения ошибки». На вход нейронной сети поочередно подаются эталонные образы (см. табл. 3). В таблице 6 представлена динамика изменения весов синаптических связей второго и третьего слоев, соответствие значений выходов нейронной сети эталонным образам.
Значения характеристик Степень истинности предпосылок каждого правила базы знаний
X, X, т, Т2 Т3 т4
2 ■і і 1,00 0,00 0,00 0,00
4 3 0,98 0,02 0,00 0,00
5 0,75 0,21 0,25 0,21
А 6 0,34 0,38 0,34 0,62
я 8 0,02 0,02 0,05 0,95
9 0,00 0,00 0,00 1,00
Таблица 6
Динамика изменения весов синаптических связей второго и третьего слоев
№ итерации
14
Веса синаптических связей
Б,
И
0,1
0.2
0.1
0,15
0,09
-0.008
0,08
-0,16
0.08
-0.14
0,09
-0,12
0,098
-0,117
0,2
0,1
0,19
0,09
0,18
0,07
0,16
0,04
0,06
-0,01
0.03
-0,02
0.009
-0,023
Тз
0,15
0,2
0.14
0.19
0.12
0,17
0,1
0.14
0,02
0,13
-0,01
0,1
-0.017
0.084
Т4
0,1
0,15
0.03
0.13
-0,05
0.09
-0.06
0.04
-0.08
0.04
-0,05
0,04
-0.05
0.04
Функция Ці(х) принадлежности объектов обучающей выборки классам і = 1,2
№ объекта
Эталон
Выход
Выход
Выход
Выход
Выход
Выход
Выход
1
0,88
0,88
0,86
0,83
0,83
0,86
0,88
0,98
0,95
0,46
0.04
0,05
0,08
0,09
0,9
~0/Г
0,9
0,9
0,9
0,9
0,9
0,9
0,1
0,97
0,81
0,09
0,04
0,06
0,08
0,08
0,7
0,97
0,96
0,94
0,92
0,83
0,82
0,8
0,3
0,99
0,91
0,43
0,20
0,20
0,22
0,2
0,5
0,98
0,96
0,89
0,84
0,53
0,53
0.49
0,5
0,99
0,96
0,83
0,70
0,63
0,58
0,56
0,3
0,88
0,65
0,22
0,17
0.17
0,25
0,3
0,7
0,95
0,90
0,76
0,60
0,63
0,65
0,67
0,67
0,24
0,22
0,18
0,19
0,26
0,28
0,94
0,86
0,71
0,70
0,70
0,70
0,70
Таким образом, нечеткие искусственные нейронные сети учитывают размытую информацию в последовательном принятии решений о техническом состоянии автоматизированных систем управления специального назначения, а также при реализации кусочно-линейного, нелинейного и многосвязного разделения пространства диагностических признаков. Это позволяет обеспечить высокую эффективность рассматриваемой системы контроля и диагностирования автоматизированных систем управления специального назначения, которая может быть применена при обосновании внедрения новейших достижений науки и техники в практику создания, отработки и испытаний автоматизированных систем управления специального назначения.
Литература
1. Багрецов С.А. Оценка меры близости ответа обучаемого и эталона в контролирующих процедурах АОС / С.А. Багрецов, Г.В. Любивая, Г.М. Попов. - Л.: ПВУРЭ, 1989.
2. Барановский А. М. Система контроля и диагностирования бортового оборудования малого космического аппарата /
А.М. Барановский А.Е. Привалов // Известия вузов. Приборостроение, Т. 52, №4. - СПб.: Приборостроение, 2009.
3. Богомолов А.М. Диагностика сложных систем / А.М. Богомолов, В.А. Твердохлебов. - Киев: Наукова думка, 1974.
4.ДавыдовП.С. Техническая диагностика радиоэлектронных устройств и систем / П.С. Давыдов. - М.: Радио и связь, 1988.
5. Дмитриев А.К. Идентификация и техническая диагностика /
A.К. Дмитриев, P.M. Юсупов. - М.: Издательство МО СССР, 1987.
6. Ивахненко, А.Г. Перцептрон-система распознавания образов / А.Г. Ивахненко. - Киев.: Наукова Думка, 1975.
7. Иоффе М.И. Диагностирование логических схем / М.И. Иоффе. - М.: Наука, 1989.
8. Кондратьев В.В. Автоматизация контроля цифровых функциональных модулей / В.В. Кондратьев. - М.: Радио и связь, 1990.
9. Круглов В.В. Искусственные нейронные сети / В.В. Круглов,
B.В. Борисов.-М.: Горячая линия-Телеком, 2001.
10. Полянский В.И. Принципы построения распределенной интеллектуальной системы контроля, диагностики и управления техническим состоянием летательных аппаратов / В.И. Полянский, А.Б. Кузнецов // Известия вузов. Приборостроение, Т. 37, № 5-6. -СПб.: Приборостроение, 1994.
11. Сулаберидзе Д.В. Контроль технического состояния зубчатых передач сложных механических объектов / Д.В. Сулаберидзе, Б.К. Гранкин, В.В. Козлов // Научно-технический журнал «Контроль. Диагностика», №4(142). - М.: Контроль. Диагностика, 2010.
Building a system of monitoring and diagnosing the automated control systems for special purposes based on fuzzy artificial neural networks
Prophet V.Y. val_prorok@mail.ru, Gusenitsa Y.N., yaromir226@mail.ru, Petrich D.O., pdo_ 1985@mail.ru6 St. Petersburg, Russia
Abstract
Issues of control and diagnosis of automated control systems for special purposes is a complex task that can be attributed to problems of pattern recognition . Before researchers face problems of classification on the basis of the technical state of the huge amounts of raw data. The need to consider characteristics of individual components of the automated control systems for special purposes, modalities and blurred background information resulting in the problem of constructing a separating surface expression of complex multicriteria function. A system of monitoring and diagnosing automated control systems for special purposes based on fuzzy artificial neural networks. Fuzzy artificial neural networks allow for fuzzy information in a sequential decision-making on the technical condition of automated control systems for special purposes, as well as the implementation of piecewise linear, nonlinear and multivariable space division of diagnostic features. This ensures high efficiency of the system of monitoring and diagnosing the automated control systems for special purposes, which may be used in justifying the introduction of the latest achievements of science and technology in the practice of creating, processing and testing of automated control systems for special purposes.
Keywords system monitoring and diagnostics, automated control systems for special purposes.
References
1. Bagretcov S.A, Ljubivaya G.V., Popov G.M. Rating proximity measure student's answer and standard control procedures in EPA L., 1989.
2. Baranovsky AM., Privalov A.E. Systems for monitoring and diagnosing avionics small spacecraft / Proceedings of the universities. Priborostroenie, Vol. 52, No 4. St. Petersburg, 2009.
3. Bogomolov AM, Tverdohlebov VA Diagnosis of complex systems. Kiev: Naukova Dumka, 1974.
4. Davydov PS. Technical diagnostics of electronic devices and systems. Moscow, Radio and Communications, 1988.
5. DmitrievAK, Yusupov R.M. Identification and technical diagnostics. Moscow: Publishing House of the USSR Ministry of Defense, 1987.
6. Ivakhnenko AG. Perceptron-recognition system. Kiev. Naukova Dumka, 1975.
7. Joffe M.I. Diagnosis of logic. - Moscow, Nauka, 1989.
8. Kondratiev V.V. Automation of digital functional modules. M.: Radio and communication, 1990.
9. Kruglov V.V, Borisov V.V. Artificial neural networks. Moscow, 2001.
10. Polanski VI, KuznetsovAB. Principles of the distributed intelligent control systems, diagnostics and control of the technical condition of aircraft / Proceedings of the universities. Instrument, Vol. 37, No 5-6. St. Petersburg, 1994.
11. Sulaberidze D.V, Grankin B.K., KozlovV.V.Technical inspection of gears complex mechanical objects / Scientific and technical journal “Control. Diagnosis" No 4 (142). Moscow, 2010.
