CC BY
44
полняющими план операции. Для реализации такого подхода необходимо уточнять план операции через определенные временные промежутки, в соответствии с текущим положением состоянием операции, при этом каждое из времен может измениться следующим образом:
р
и=г +Т (г - г ) ■ (7)
ь ук ь у ь ук у ь реал2 ь расч2'
2=1
где ¡реал.г - реальное время прибытия в р-й от-счетный момент времени;
где ¡расч.г - расчетное время прибытия в р-й от-счетный момент времени;
Таким образом, в соответствии с предлагаемым подходом уточнение плана операции должно происходить в общем случае р раз, с откорректи-
рованными исходными данными. Как показали проведенные эксперименты, использование адаптированных значений исходных данных позволяет получить в среднем на 10-15% улучшенное решение.
Список литературы:
1. Гольштейн Е.Г., Юдин Д.Б. Задачи линейного программирования транспортного типа. -М.: "Наука", ГРФМЛ, 1969. -384 с.
2. Мартемьянов С.В., Ольшанский В.В., Богданов А.Е. Получение интервальных оценок в условиях дефицита исходных данных. Евразийский Союз Ученых. Технические науки. - 2014. -№7 . - с. 101-103.
ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В _ДИАГНОСТИКЕ_
Мельницкий Артем Александрович
Аспирант ИЭС им. Е.О. Патона НАН Украины, г. Киев;
Нетребский Михаил Александрович Канд. тех наук, ГП "ОКТБИЭС им. Е.О. Патона НАН Украины", г. Киев;
Рабкина Марьяна Даниловна
Докт. тех наук, ИЭС им. Е. О. Патона НАН Украины, г. Киев.
E-mail: marjanara@,yandex. ru
АННОТАЦИЯ
Цель - изучение возможностей использования нейросетевого метода оценки количественных характеристик применительно к диагностике различных систем. На основании положительных результатов, полученных в области медицинской диагностики, сформулирована концепция создания автоматизированной обучающей системы в сфере технической диагностики. Предложена ориентировочная дорожная карта действий для выполнения задач автоматизации в диагностике материалов и конструкций.
ABSTRACT
The aim - studying the possibilities of using the neural network method for assessment the quantitative characteristics as applied to the diagnostics of various systems. Based on the positive results obtained in the field of medical diagnostics, there is formulated the concept of creating the automatic training system in the field of technical diagnostics. There is proposed the indicative road map of actions to perform automation tasks in the diagnostics of materials and constructions.
Ключевые слова: нейронные сети, автоматизация в диагностике, машинное обучение, qr-код.
Keywords: neural networks, automation in the diagnostics, machine training, qr-code.
Актуальность задачи автоматизации в любой сфере народного хозяйства с каждым годом приобретает все большее значение, поскольку это позволяет:
• сведение к минимуму количества ошибок при проведении исследований и обработке данных;
• ускорение исследований и повышение эффективности использования оборудования;
• снижение финансовых расходов и уменьшение затрат рабочего времени персонала при подготовке текущей и отчетной документации;
• обеспечение оперативного доступа к результатам исследований и соблюдение требований информационной безопасности.
Что нового могут дать современные методы машинного обучения и нейронные сети, в частности? Известно, что решение задачи автоматизации может быть осуществлено на нескольких уровнях. Хотя это разделение условно и не имеет четких
границ, однако оно существует, и логически обоснованно.
Первый уровень автоматизации - автоматизация низкого уровня, при которой автоматизировано только оформление технологической документации.
Второй уровень автоматизации - автоматизация среднего уровня, который достигается, когда базы данных частично сформированы и начинают работать поисковые и расчетные модули.
Третий уровень автоматизации - автоматизация высокого уровня, который достигается при заполнении базы данных. В этом случае становится возможным автоматизированное решение сложных логических задач, связанных, например, с выбором структуры технологического процесса и операций, назначением технологических баз и т.п.
Существующие решения, основанные на линейных алгоритмах, позволяют решать задачи на первом и втором уровнях. Что же касается третье-
го уровня, то здесь имеют место решения, основанные на способности программы устанавливать взаимосвязь между слабо коррелирующими данными, что называется логическим мышлением.
На данный момент задача искусственного интеллекта пока не решена, и тест Тьюринга [1] еще не скоро будет пройден. Но современные методы машинного обучения и анализа больших массивов данных (big data), на самом деле, могут решать подобные задачи в узко специализированном диапазоне определенной проблемы. Переходя к конкретной задаче, целесообразно разобрать пример, решение которого было представлено на первом Украинском AI Hackathon, прошедшем в Киеве в апреле 2016 года, где был предложен проект для диагностирования заболеваний без прямого уча-
стия врача [2]. Суть в том, что задача диагностики заболеваний не может решаться при помощи простого линейного алгоритма. Более того, одни и те же симптомы, как известно, могут означать множество абсолютно не связанных друг с другом заболеваний. Поэтому для начала задача была сужена до диагностики заболеваний пищеварительного тракта. При этом была использована технология Design Tree (дерево решений) [3]. Для того чтобы модель начала давать прогноз, сначала ее нужно было обучить. В связи с этим решалась вторая часть задачи - агрегация обучающей базы. Готовых баз анамнезов в открытом доступе на данный момент не существует. Поэтому было решено заняться синтезом данных.
На этапе синтеза были сгенерированы данные об анамнезах двумя путями: 1) Путем добавления шума в существующую незначительную базу реальных анамнезов.
2) Путем генерации данных из медицинских источников (справочных таблиц заболеваний и симптомов).
На этапе агрегации из полученных результатов создавали пары векторов данных, первый из которых соответствовал бит-маске симптомов (0 -отсутствует, 1 - присутствует), а второй вектор -бит-маске с заболеваниями.
Этап обучения заключается в подаче полученных данных на вход модуля принятия решений, то есть - Design Tree. Реализация данной технологии использовалась на базе библиотеки sciPy, языка Python.
Для верификации использовались реальные данные анамнезов. В результате удалось решить задачу диагностики на третьем уровне автоматизации в столь, казалось бы, сложной проблеме.
Переходя к вопросу диагностики материалов и конструкций, следует отметить, что данная задача имеет интересное решение в рамках применения нейронных сетей, как механизма распознавания образов. Формализуя задачу, и вводя на вход данные о материале, или конкретной конструкции, например, толстостенного промышленного котла, необходимо понять, выходит ли его состояние за пределы допустимых значений, с учетом совокупного влияния всех факторов и параметров. С этой целью раннее была рассмотрена задача диагностики заболеваний, ибо, как и в приведенном случае,
здесь так же необходимо учесть влияние всех факторов, количество которых может быть достаточно велико. В этом случае пользоваться вектором данных не представляется возможным по той причине, что при появлении каждого нового параметра (фактора), будет меняться формат данных для обучения. Преодолеть трудности при этом удастся, если воспользоваться qr-кодом, поскольку он допускает одновременное введение порядка 7089 факторов (цифр). Теперь все наши данные с помощью простого алгоритма классификации можно перевести в qr-кoд (рис. 1).
Рисунок 1. Пример цг-еойв Из этого становится понятным, почему выше шла речь о нейросетях. Полученный qr-код можно передать в нейросеть, как материал для обучения, а на выход - для создания механизма обратной связи, предотвращающей проникновение и распространение ошибки, подать такой же qr-код, составленный специалистами, и отвечающий требованиям нормативных документов.
Суть задачи сводится к тому, чтобы система научилась распознавать и сравнивать qr-код реального состояния конструкции и qr-код требуемого состояния, определенного специалистами (рис. 2).
Рисунок 2. Схематическое изображения нейронной сети
Если мы обратимся к начальным тезисам данной статьи, то увидим, что в случае удачной реа-
лизации этой идеи, мы также получаем способы удобного компактного хранения и передачи отчетов о диагностике.
В рамках развития предложенной идеи планируется:
■ провести эксперимент на конкретных данных и абстрактных моделях для прохождения полного цикла жизни полученного решения;
■ извлечь обучающую выборку из существующих открытых архивов с помощью автоматизированных механизмов распознавания текста и дальнейшего лексического анализа полученной оцифрованной информации;
■ использовать модульную библиотеку Py-Brain, предназначенную для реализации различ-
ных алгоритмов машинного обучения на языке Python.
Список литературы:
1. Тьюринг А. Вычислительные машины и разум [Электронный ресурс] - Режим доступа:
https://ru.wikipedia.org/wiki/%D0%A2%D0%B5 %D1%81%D1%82 %D0%A2%D1%8C%D1%8E% D1%80%D0%B8%D0%BD%D0%B3%D0%B0
2. [Электронный ресурс] - Режим доступа: http://www.slideshare.net/DigiFuture/docassist
3. [Электронный ресурс] - Режим доступа: http://scikit.learn.org/stable/modules/generated/s
klearn.tree.DecisionTreeRegressor.html
ОПТОВОЛОКОННЫЙ АКУСТИКО-ЭМИССИОННЫЙ СПОСОБ ОПРЕДЕЛЕНИЯ ПЛАСТИЧЕСКИХ ДЕФОРМАЦИЙ БОЛЬШИХ _ИНЖЕНЕРНЫХ СООРУЖЕНИЙ_
Горбачев Олег Викторович
Канд. техн. наук, Президент Ассоциации «Еврокабель», Москва
Самохвалов Сергей Яковлевич Канд. техн. наук, доцент МПУ, Ген.дир. НПП «Свет», Москва
Артюхов Денис Иванович
Инженер программист Инновационного центра «Оптика», Москва
АННОТАЦИЯ
Работа направлена на увеличение чувствительности акустико-эмиссионного способа контроля пластических деформаций и снижение затрат. Сигнал акустической эмиссии (АЭ) регистрируется волоконно-оптическим распределенным датчиком, что значительно расширяет частотный спектр регистрируемых сигналов, снижает аппаратурные и монтажные затраты. Способ позволяет обнаружить на ранней стадии наиболее опасные участки, в которых может произойти разрушение контролируемой инженерной конструкции. Имеется возможность проводить постоянный дистанционный мониторинг за механизмом образования и развития дефектов в рабочих условиях, оценивать вероятность возникновения аварий и техногенных катастроф.
ANNOTATION
Work is directed to on an increase the sensitiveness of acoustic-emissive method of control of flowages. The signal of acoustic emission (АЭ) registers oneself the fiber-optic up-diffused sensor, that extends the frequency spectrum of the registered signals considerably, reduces apparatus and assembling expenses. A method allows to find out on the early stage the most dangerous areas destruction of the controlled engineering construction can happen in that. There is possibility to conduct permanent RMON after the mechanism of education and development of defects in working terms, to estimate probability of origin of accidents and technogenic catastrophes.
Ключевые слова: пластическая деформация, зонный контроль, пьезоэлектрические преобразователи, акустическая эмиссия, оптоволоконные датчики.
Keywords: flowage, zone control, piezoelectric transformers, acoustic emission, оптоволоконные sensors.
Технический прогресс несет для общества не только улучшение жизни, но и увеличение рисков возникновения аварий и техногенных катастроф. Со временем стареют мосты, платины ГЭС, ядерные реакторы, жилые и промышленные строения, транспортные магистрали, газопроводы, нефтепроводы, и другие сложные и протяженные технические конструкции и сооружения. Разрушение инженерных конструкций начинается с пластической деформации основных ее элементов. Поэтому, для прогнозирования техногенных катастроф необходим постоянный контроль пластической деформации основных элементов инженерных конструкций.
Для измерения величины пластической деформации наиболее часто используется акустико-
эмиссионный способ зонного контроля [1], принцип которого заключается в регистрации вибрации возникающей при растрескивании хрупкого вещества, нанесенного на контролируемый объект. В качестве хрупкого вещества обычно используют эпоксидную смолу без добавления пластификатора. После затвердевания смолы, на нее устанавливают локальные пьезоэлектрические преобразователи акустической эмиссии (ПАЭ), на предварительно зачищенные контактные поверхности. Способы крепления локальных датчиков (ПАЭ), должны обеспечивать надежный акустический контакт с поверхностью. Соединительные кабели крепят с помощью магнитов, бандажей, прижимов таким образом, чтобы не было их натяжения в процессе испытания. Данный способ
