CC BY
39
_______МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №8/2015 ISSN 2410-700Х________
2. Тошин Д.С. Нелинейный расчет деформаций изгибаемых железобетонных элементов при разгрузке с применением деформационной модели : дис. ... канд. техн. наук: 05.23.01. Самара, 2009.
3. Мурашкин Г.В., Макеев А.В., Эсмонт С.В., Ибатуллин Р.Р. Натурные испытания несущих конструкций покрытия трибун спортивно-зрелищного комплекса ТГОО «МЕГА-ЛАДА» г. Тольятти // Градостроительство, реконструкция и инженерное обеспечение устойчивого развития городов Поволжья: II Всероссийская научно-практическая конференция. - ТГУ, Тольятти, 2009. С. 90-94.
©С.С. Коренченко, Д.А. Комаров, 2015
УДК 004.8
Лавренков Юрий Николаевич
канд. техн. наук, ассистент КФ МГТУ им. Н.Э. Баумана,
г. Калуга, РФ, e-mail: georglawr@yandex.ru Комарцова Людмила Георгиевна доктор техн. наук, профессор КФ МГТУ им. Н.Э. Баумана,
г. Калуга, РФ, e-mail: lkomartsova@yandex.ru
ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОНОВ С ВЫРАЖЕННЫМИ НЕЛИНЕЙНЫМИ ХАРАКТЕРИСТИКАМИ ДЛЯ ВЫЯВЛЕНИЯ ЛАТЕНТНЫХ ФАКТОРОВ ИССЛЕДУЕМОГО
ПРОЦЕССА
Аннотация
В статье рассматривается способ построения нейронной сети, структурной единицей которой является нейронный элемент, выполненный на интеграторе с переключающимся конденсатором, для выполнения процедуры сжатия данных. Процесс компрессии производится таким образом, чтобы выходной вектор содержал количественные характеристики латентных факторов, действие которых на исследуемую систему скрыто от пользователя. Приводится анализ алгоритма обучения и настройки спроектированной нейронной сети.
Ключевые слова
Нейроны с нелинейными характеристиками, интегратор с потерями, операционный усилитель, нейронная
сеть, управление сложными системами.
Управление объектами и системами в условиях параметрической неопределённости является важным приложением нейронных сетей. Любое усложнение нейросетевой системы принятия решений может привести к общему понижению быстродействия системы, для устранения которого потребуется снижение размерности исходных данных. Для оперативного контроля ситуации требуется применять алгоритмы, способные преобразовывать большое количество информации о составных элементах контролируемой системы в последовательности векторов низкой размерности. В процессе реорганизации данных особое внимание требуется уделять выделению латентных факторов, действие которых на систему скрыто от наблюдателя, в противном случае поведение объекта будет описано не верно, что может привести к ошибкам в управляющих воздействиях нейросетевой системы.
Основной структурной единицей искусственной нейронной сети, являются нейроны с нелинейными характеристиками. Выходной сигнал системы будет определяться реакцией на большое число входных сигналов. Таким образом, станет возможным накопление информации об элементах управляемой системы и обучение нейросетевого регулятора на векторах, содержащих меньший объем данных. Базовой единицей разрабатываемой системы является нейрон, выполненный на суммирующем интеграторе [1, с. 230] с потерями по схеме с переключающимися конденсаторами (рис. 1).
52
Рисунок 1 - Структура искусственного нейрона
Основу конструкции нейрона составляет инвертирующий интегратор-сумматор, выполненный на операционном усилителе (OA) (LM358). Каждый нейронный элемент обладает тремя входами (Uex\ - Цй), конструкция входов предполагает, что входной сигнал будет представлен в виде последовательности прямоугольных импульсов. Параметры входного сигнала, а именно частота следования импульсов, скважность, амплитуда являются основными носителями информации о состоянии исследуемого объекта управления. Входные резисторы, отвечающие за коэффициенты передачи по соответствующим входам, заменены на схемы переключаемых конденсаторов (С - C3), которые имитируют резисторы. Эквивалентное сопротивление такой структуры зависит от частоты переключения ключей (К - К3) и определяется по формуле:
R = 1/fC, (1)
где R - эквивалентное сопротивление, f - частота переключения ключей, С - ёмкость соответствующих конденсаторов (C1 - Сз). Коэффициенты передачи по входам аналогичны весовым коэффициентам синаптических связей в нейронах [2, с. 219]. Настройка функционирования нейрона, а также вся процедура обучения нейронной сети заключается в изменении частоты переключения ключей (входы D\ - D3), что приводит к изменению эквивалентного сопротивления и соответствующего входного сигнала. На рис. 2 показан сигнал, полученный после прохождения последовательности периодических прямоугольных импульсов частотой 145 Гц., амплитудой, изменяющейся от -1,5 до 4,5 вольт, через систему эквивалентного сопротивления.
Рисунок 2 - Пример результирующего «взвешенного» сигнала Суммирующий интегратор преобразуется в интегратор с потерями: эквивалентное сопротивление реализуется с помощью переключаемого конденсатора С5, ключа К и входа для управления частотой
53
_______МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №8/2015 ISSN 2410-700Х_____________
переключения D4. Функция активации нейрона представлена в виде блока четырёхступенчатого кусочнолинейного аппроксиматора [3, c. 68], выполненного на операционном усилителе и биполярных транзисторах (BC327) (рис.1, блок APPR). Аппроксиматор обеспечивает преобразование выходного сигнала нейронного элемента по заданному закону: функция активации аппроксимируется в виде степенной функции. В результате, получен нейронный элемент с тремя входами, способный к адаптивной настройке для решения поставленной задачи, путем изменения частот управляющих сигналов для коррекции эквивалентных сопротивлений. Выходной сигнал полученного нейрона изменяется в зависимости от активности на входах. Если на всех входах отсутствуют входные сигналы, то выход нейронного элемента представляется в виде напряжения, фиксированной величины. В качестве примера рассмотрим, как спроектированный нейронный элемент реагирует на входные сигналы с различными параметрами. На вход Uexi подаётся последовательность прямоугольных импульсов с частотой 18 Гц., амплитуда сигнала изменяется от -5 до +5 вольт, на входе Uoa частота 50 Гц., амплитуда изменяется в таком же диапазоне, что и на входе U^i, на входе Uex3 частота 150 Гц, а изменение амплитуды сигнала происходит в пределах от -2,5 до 2,5 вольт. Параметры нейронного элемента заданы следующим образом: C1 = C2 = 4,7 нФ., C3 = 100 нФ., C4 = 1 мкФ., C5 = 220 нФ., частота сигнала на входе D1 = 28,8 кГц., D2 = 27,9 кГц, D3 = 2,1 кГц., D4 = 19,9 кГц. Результирующий сигнал нейрона показан на рис. 3. В случае изменения параметров сигнала на одном или нескольких входах происходит изменение выходного сигнала нейронного элемента (рис. 4). Реакция нейрона свидетельствует о способности адаптивно реагировать на изменение входных сигналов. Наличие переменных параметров позволяет настроить реакцию нейронного элемента таким образом, чтобы увеличить чувствительность для тех параметров исследуемой системы, которые являются наиболее значимыми. На основе спроектированного нейронного элемента выполняется построение нейронной сети, применяемой для компрессии данных.
54
_______МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №8/2015 ISSN 2410-700Х_______
Нейронная сеть конструируется из 10 разработанных нейронов, что обеспечивает анализ 30 входных сигналов. Итоговым результатом работы сети, является непрерывный сигнал характеризующий состояние системы. Для финальной обработки сигнала от нейронных элементов применяется микроконтроллер STM32F407VGT, аналогово-цифровой преобразователь (АЦП) которого имеет 16 внешних каналов. Выходной сигнал каждого нейрона подаётся на соответствующий канал АЦП. Последовательность, в которой происходит опрос каналов и считывание параметров аналогового сигнала нейронов, определяется в зависимости от частоты срабатывания ключей переключаемых конденсаторов, которая оказывает влияние на передаточную функцию интегратора-сумматора. Каждое сканирование завершается после получения 32 значений отсчётов анализируемых каналов АЦП. Результирующий сигнал формируется следующим образом:
F = (cos(Xj • exp(x2 • sin(x3 • 2•n/4000))) • (ADC_Out■) • 1000), i = 1..32,(2)
где Fi - отсчёт результирующего сигнала, X1..X3 - настраиваемые параметры, ADC Outi - значения аналогово-цифрового преобразования. Полученные значения применяются для получения результирующего аналогового сигнала с помощью цифро-аналогового преобразователя микроконтроллера (рис. 5). Изменяя параметры X1..X3 можно изменять форму «опорного» сигнала для выделения латентных параметров исследуемого процесса.
Разработанная нейронная сеть позволяет осуществить компрессию данных с учётом наиболее значимых признаков анализируемой комбинации сигналов.
Список использованной литературы:
1. Крекрафт Д., Джерджи С. Аналоговая электроника. Схемы, системы, обработка сигнала. - М.: Техносфера, 2005 - 360 с.
2. Хайкин С. Нейронные сети: полный курс, 2-е издание.: Пер. с англ. - М.: Издательский дом «Вильямс», 2008. - 1104 с.
3. Шустов М.А. Схемотехника. 500 устройств на аналоговых микросхемах. - СПб.: Наука и Техника, 2013. -352 с.
© Ю.Н. Лавренков, Л.Г. Комарцова, 2015
55
МЕЖДУНАРОДНЫЙ НАУЧНЫЙ ЖУРНАЛ «СИМВОЛ НАУКИ» №8/2015 ISSN 2410-700Х____
УДК 621.731.1
Леонов Олег Альбертович
д.т.н., профессор РГАУ - МСХА имени К.А. Тимирязева
г. Москва, РФ E-mail: oaleonov@nm.ru
КАЧЕСТВО ОТЕЧЕСТВЕННЫХ МАШИН ДЛЯ АПК
Аннотация
В статье рассмотрены причины низкого качества отечественной сельскохозяйственной техники, сделан вывод о необходимости менять принципы проектирования, изготовления и ремонта сельскохозяйственной техники.
Ключевые слова
Качество, технологическое оборудование, точность, надежность
В настоящее время невозможно обеспечить качество изготовления и ремонта отечественной техники по целому ряду объективных причин. Во-первых, цикл создания новой техники в 80-х годах прошлого века — от поисковых исследований до серийного производства — составлял в среднем 19 лет [1]. Сейчас - не намного меньше. Во-вторых, идеология экономии не позволяла проектировать в высококачественную технику для сельского хозяйства. Такой показатель, как килограммовые цены на технику (цена по весу — р./кг) в России отличаются от техники США, Германии и Японии от 2 до 10 раз. Например, комбайны, экскаваторы — в 1,5...5 раз, тракторы — в 2...3 раза [2]. А в этом показателе отражены и наукоемкость, и технический уровень, и качество, и надежность, и другие важные показатели. В-третьих, в сельскохозяйственном машиностроении и ремонтном производстве станочный парк обновлялся плохо, показатели точности этого оборудования очень низкие [3]. В-четвертых, кадровый потенциал в области проектирования, производства и ремонта сельскохозтехники в настоящее время не обновляется, прилив молодых сотрудников, а, следовательно, и идей, очень мал. Оснащенность приборами отечественных исследователей (в размерности — р./чел.) в 1990 г. была в 4. 5 раз ниже, а сейчас — в 10.20 раз ниже, чем в США. Информационное обеспечение наших ученых находится на таком же уровне. Сейчас удельный вес приборов с возрастным цензом от 10 до 40 лет в вузах страны выше чем в отраслях промышленности и составляет св. 50 %, а в колледжах Японии срок смены оборудования и технологий составляет 3.4 года и существенно обгоняет промышленные предприятия.
За рубежом уже применяется такое технологическое оборудование, которое позволяет обрабатывать поверхности с допуском 1.3 мкм, что значительно повышает ресурс как подвижных соединений (они начинают эксплуатацию с наименьших зазоров и наибольшим запасом материала на износ), так и неподвижных соединений (повышается стабильность посадки, гарантируется запас прочности при перегрузках и запас сцепления по наименьшему натягу). Именно технологическая минимизация геометрических норм точности приводит к значительному увеличению ресурса соединении, сборочных единиц и агрегатов.
Лабораторно-стендовые испытания по оценке прирабатываемости различных соединений, проведенные в НПО «Ремдеталь» [4], показали, что при замене только одной детали скорость изнашивания соединения увеличивается в среднем в 1,3...1,9 раза, установка в сборочную единицу новой детали (в соединение с бывшей в эксплуатации) снижает ресурс соединения от 10 до 60 %.
Исследование массово применяемых в с.-х. машиностроении соединений «вал - втулка» со шпонкой, проведенное в работах [5] и [6] показало, что посадки были с зазором, износ соединений происходил быстро из-за несоответствия норм точности. Расчет новых посадок - с натягом, позволил повысить ресурс в несколько раз [7]. Но этот случай - единичный. Посадки большинства соединений не рассчитываются, а назначаются по аналогии. Отдельно стоит вопрос о метрологическом обеспечении ремонтного производства [8], где в технических условиях средства измерений имеют погрешность больше допустимой [9], что влечет за собой большие потери [10].
56
