CC BY
396
УДК 621
Мурашкина Е.Н., Михеев М.Ю.
ФГБОУ ВПО «Пензенский государственный технологический университет», Пенза, Россия
ПРИМЕНЕНИЕ UML-МОДЕЛИРОВАНИЯ ДЛЯ УПРАВЛЕНИЯ СТРУКТУРНОЙ ДИНАМИКОЙ СЛОЖНЫХ ТЕХНИЧЕСКИХ СИСТЕМ НЕЙРОСЕТЕВОЙ
ИДЕНТИФИКАЦИИ СИГНАЛОВ СЛОЖНОЙ ФОРМЫ
В результате анализа развития сложных технических систем, было выявлено, что данные системы имеют целый ряд особенностей, среди которых можно выделить: иерархичность, неопределенность поведения, избыточность элементов, многовариантность функций системы и территориальную распределенность элементов, функциональных узлов и подсистем. В связи с выделенными особенностями, появляются временные задержки в управлении, вызванные неверным решением задачи оценивания и мониторинга состояний сложной технической системы, а так же внешними и внутренними факторами, которые могут привести необратимым негативным последствиям. В большинстве случаев процедуры мониторинга состояния сложной технической системой в таких ситуациях не автоматизированы. Решение этой задачи возлагается на инженеров-операторов, которые, как показывает практика, не всегда способны справиться со сложной ситуацией, что приводит к серьезным, негативным последствиям.
На практике мы часто сталкиваемся со структурной динамикой сложных технических систем - параметры и структуры систем на различных этапах жизненного цикла изменяются под действием объективных и субъективных причин. Следовательно, для повышения работоспособности сложной технической системы необходимо обеспечить управление и контроль ее структуры. В настоящее время существуют различные варианты управления структурной динамикой сложной технической системы, одним из которых является UML-моделирование.
На практике для реализации передачи информации, кодирования, описания состояния сложных территориально распределенных объектов используются сигналы сложной формы. Для анализа состояний сигналов сложной формы необходимо проводить идентификацию, но в условиях недостаточности информации это весьма сложно. Поэтому для идентификации сигналов сложной формы используются искусственные нейронные сети. Следовательно, одним из важных направлений развития науки на сегодняшний день является нейросетевая идентификация сложных сигналов.
Применение UML-моделирования для управления структурной динамикой сложных технических систем нейросетевой идентификации сигналов сложной формы является целью данного исследования.
Решение проблемы управления структурной динамикой сложных технических систем нейросетевой идентификации сигналов сложной формы предполагает решение следующих задач:
- разработка диаграммы вариантов использования сложных технических систем нейросетевой идентификации сигналов сложной формы;
- разработка диаграммы последовательности нейросетевой идентификации сигналов сложной формы;
- разработка диаграммы состояний.
UML (англ. Unified Modeling Language - унифицированный язык моделирования) - язык графического
описания для объектного моделирования в области разработки программного обеспечения. UML - это открытый стандарт, использующий графические обозначения для создания абстрактной модели системы, называемой UML-моделью. UML был создан для определения, визуализации, проектирования и документирования, в основном, программных систем [1-3]. Всего в UML 2.0 определено 13 типов диаграмм. Однако, в рамках исследования не представляется возможным построениях все 13-ти диаграмм, поэтому мы будем строить 3 вида диаграмм: диаграмму вариантов использования, диаграмму последовательности и диаграмму состояний.
Моделирование динамики сложной технической системы начинается с разработки диаграммы вариантов использования. Диаграмма вариантов использования (use case diagram) - это наиболее общее пред-
ставление функционального назначения системы. Каждый вариант использования определяет последовательность действий, которые должны быть выполнены проектируемой системой при взаимодействии ее с соответствующим актером [1]. На рисунке 1 представлена диаграмма вариантов использования сложной технической системы нейросетевой идентификации сигналов сложной формы.
Рисунок 1 - диаграмма вариантов использования сложной технической системы нейросетевой идентификации сигналов сложной формы
На данной диаграмме актерами являются:
1) Датчик - аппаратура, которая производит сбор информации.
2) Система идентификации - информационная система, производит накопление информации, создание ИНС и идентификацию сигналов сложной формы.
3) БД - база данных, содержит результаты идентификации всех сигналов, производит обработку информации .
При моделировании поведения проектируемой или анализируемой системы возникает необходимость не только представить процесс изменения ее состояний, но и детализировать особенности алгоритмической и логической реализации выполняемых системой операций. Диаграмма деятельности (activity diagram) - еще один способ описания поведения, который визуально напоминает блок-схему алгоритма.
Используется для моделирования процесса выполнения операций [1-3] . Диаграмма деятельности идентификации сигнала сложной формы представлена на рисунке 2.
Рисунок 2 - диаграмма деятельности идентификации сигнала сложной формы
Для описания поведения сложной технической системы нейросетевой идентификации сигналов сложной формы разработаем диаграмму последовательности процедуры нейросетевой идентификации.
Для разработки процедуры идентификации сигнала сложной формы необходимо разработать процедуру накопления информации в базе данных рисунок [3].
Рисунок 3 - диаграмма последовательности накопление информации в базе данных
Для идентификации сигнала сложной формы необходима информация от эталонного сигнала, с помощью которого и будет происходить обучение. Полученный сигнал сравнивается с результатами, которые хранятся в базе данных. На основании полученных данных происходит создание ИНС, затем искусственная нейронная сеть обучается. С помощью обученной ИНС происходит процесс идентификации состояний параметров сигнала сложной формы.
Рассмотрим более подробно последовательность процедуры идентификации параметров сигнала сложной формы (Рисунок 4) . Искусственные нейронные сети выступают в роли структурно-параметрически подстраиваемых моделей, структура ИНС меняется администратором, а параметры определяются автоматически в процессе обучения. Соответственно аппаратно-программная платформа реализации системы должна обеспечивать дистанционное обновление информационного и программного обеспечения, поэтому параметры обученной искусственной нейронной сети передаются по каналам связи к реализующему ее устройству.
Рисунок 4 - диаграмма последовательности процедуры идентификации сигнала сложной формы
Таким образом, в результате исследования с помощью UML-моделирования были разработаны алгоритмы нейросетевой идентификации. Диаграмма вариантов использования описывает общее назначение разрабатываемой сложной технической системы нейросетевой идентификации сигналов сложной формы, диаграмма деятельности моделирует процесс выполнения операций «идентификация сигнала сложной формы», диаграммы последовательности описывают поведения сложной технической системы нейросетевой идентификации сигналов сложной формы Построенные диаграммы позволяют управлять структурной динамикой сложных технических систем нейросетевой идентификации сигналов сложной формы, а так же позволяют уменьшить ошибки при проектировании системы.
ЛИТЕРАТУРА
1. Гради Буч, Джеймс Рамбо, Ивар Якобсон Введение в UML от создателей языка. Пер: Н. Мухин -М: ДМК Пресс, 2011г, - 496с.
2. Крэг Ларман. Применение UML 2.0 и шаблонов проектирования — 3-е изд. — М.: Вильямс, 2006. — 736 с.
3. Джозеф Шмуллер. Освой самостоятельно UML 2 за 24 часа. Практическое руководство — М.: Вильямс, 2005. — 416 с.
4. Иванов Д. Ю., Новиков Ф. А. Основы моделирования на UML: Учеб. пособие. - СПб.: Изд-во По-литехн. ун-та, 2010. - 249с.
5. Профессиональная разработка программных систем. Режим доступа: http://uml3.ru/, свободный.
6. Михеев М.Ю., Мурашкина Е.Н. Графическое представление структурных взаимосвязей логических и физических моделей информационной системы сейсмомониторинга. Современные информационные технологии: Сборник статей международной научно-технической конференции. Вып. 18. - Пенза: ПензГТУ,
2013.-С. 78-84.
7. Михеев М.Ю., Мурашкина Е.Н. Методика сквозного проектирования системы идентификации сигналов сложной формы. Будущие проблемы мира науки: 9-ая международная научно-практическая конферен-
ция.- ООД, Република България, гр.София: Бял ГРАД-БГ, 2013.- Том. 34.- С. 34-41.
8. Тюрин М.В., Щербань А.Б., Соловьев В.В., Мурашкина Е.Н. Структурный подход к анализу состояний сложных систем. Современные информационные технологии: Сборник статей международной научно-технической конференции. Вып. 14. - Пенза: ПензГТУ, 2011.-С. 72-76.
