CC BY
58
СИНТЕЗ ОБОБЩЕННОЙ СТРУКТУРЫ ПОДСИСТЕМЫ НЕЙРОСЕТЕВОЙ ИДЕНТИФИКАЦИИ ДЛЯ СИСТЕМЫ МОНИТОРИНГА И КОНТРОЛЯ СЛОЖНЫХ СИСТЕМ ПРИРОДНОГО ИЛИ ТЕХНОГЕННОГО
ПРОИСХОЖДЕНИЯ
SYNTHESIS OF THE GENERALIZED STRUCTURE SUBSYSTEM NEURONETIDENTIFICATION FOR MONITORING AND CONTROL OF COMPLEX SYSTEMS NATURAL OR MAN-ORIGIN
Михеев Михаил Юрьевич / Mikhail Y. Mikheev
Заведующий кафедрой «Информационные технологии и системы» Пензенской
государственной технологической академии
Head of the Department "Information Technologies andSystems " Penza State Technological Academy
mix1959@gmail.com
Жашкова Татьяна Валерьевна / Tatiana V. Zhashkova
Старший преподаватель «Информационные технологии и системы» Пензенской государственной технологической академии Senior Lecturer Department of Information Technology and Systems
Аннотация
Рассмотрены теоретические аспекты синтеза обобщенной структуры подсистемы нейросетевой идентификации и согласования ее структуры со структурой системы мониторинга и контроля в целом, а также алгоритмов идентификации - с алгоритмами цифровой обработки информации в системах мониторинга и контроля.
Abstract
The theoretical aspects of the synthesis of a generalized neural network structure of the subsystem identification and alignment of its structure with the structure of monitoring and control system as a whole, as well as identification algorithms with the algorithms ofdigital information processing systems, monitoring and control.
Эффективная безопасная эксплуатация технически сложных объектов предполагает непрерывный мониторинг их состояния. Современный уровень развития информационно-
коммуникационных технологий создает условия для разработки распределенных информационных систем, интегрированных в современную информационно-
коммуникационную среду. С точки зрения преобразования информации в структуре системы мониторинга и контроля (СМиК) выделим две основные функциональные подсистемы: подсистему сбора и хранения измерительной информации о параметрах физических объектов (ФО), образующих сложную систему природного или техногенного происхождения (ПТП), и подсистему идентификации состояний сложной системы ПТП по результатам измерений. Очевидно, что две эти основные функциональные подсистемы должны быть согласованы с точки зрения целей и задач функционирования СМиК в целом. Сформулируем требования к подсистеме сбора измерительной информации о параметрах ФО, образующих сложную систему ПТП, с учетом возможностей обеспечения решения задач идентификации.
Выходной сигнал подсистемы сбора и хранения измерительной информации (выходной вектор) должен содержать достаточно информации об идентифицируемом состоянии сложной системы ПТП.
Должно быть обеспечено хранение измерительной информации обо всех возможных состояниях сложной системы ПТП в рамках топологически распределенной СМиК.
Интеллектуальные датчики должны обеспечивать достаточное количество некоррелированной информации о контролируемых параметрах ФО.
Заметим, что часто большие объемы информации, получаемые посредством ИД, используются для идентификации относительно небольшого числа состояний сложных систем ПТП. Так, для систем технических средств охраны число таких состояний определяется множеством моделей нарушителей, для систем управления
технологическими процессами - множеством режимов работы и множеством нештатных ситуаций. Таким образом, процедура идентификации состояний сложных систем ПТП сводится к обработке существенно больших объемов входной информации, чем число возможных ответов, т.е. можно говорить о сжатии информации или ее фильтрации с целью выделения информативной составляющей на фоне неинформативной.
Соответственно ИД как элемент подсистемы сбора и хранения измерительной информации с точки зрения решения задачи идентификации должен не только иметь минимальную погрешность при измерении одного отдельного параметра ФО, но и обеспечивать максимальный объем некоррелированной информации, необходимой для идентификации состояний сложных систем ПТП. Таким образом, ИД должен строиться с
учетом не только обеспечения некоррелированной информации, но и с учетом алгоритмов идентификации и правил принятия решений и визуализации результатов.
Теоретический аппарат анализа и синтеза обобщенной структуры подсистемы нейросетевой идентификации разработан достаточно полно [1, 2], однако необходимо обеспечить согласованность структуры подсистемы нейросетевой идентификации со структурой системы мониторинга и контроля в целом, а алгоритмов идентификации - с алгоритмами цифровой обработки информации в СМиК [3, 4, 5, 6]. В СМиК с подсистемой нейросетевой идентификации состояний сложных систем ПТП для цифровой обработки сигналов наибольшее распространение получили рекурсивные цифровые фильтры, которые реализуют рекуррентные уравнения и являются дискретными аналогами динамических систем с обратными связями. В рекурсивных цифровых фильтрах для формирования n-го выходного отсчета используются предыдущие значения не только входных, но и выходных отсчетов:
m d
y[n]= Ёakx[n-к]- ЁькУ\п-к], (1)
к=0 к=1
где x [n] и y [n] - входные и выходные отсчеты сигналов; ak, bk - весовые
коэффициенты.
С помощью z-преобразования по уравнению (1) определяется импульсная передаточная функция:
H ( z ) =
Y(z) a0 + a1 z 1 + a2z 2 +... + amz 1
X (z) 1 + b1 z _1 + b2 z _2 +... + bdz ~d
(2)
Требование к импульсной передаточной функции ЦФ H (z) состоит в том, что она
должна быть физически реализуема. Условие физической реализуемости заключается в том, что импульсная характеристика ЦФ должна удовлетворять условию сходимости на бесконечном интервале времени. Этому условию удовлетворяют ЦФ, полюсы передаточной функции которых имеют координаты на комплексной плоскости внутри единичной окружности. В том случае, когда они расположены близко к единичной окружности, смещение полюсов может привести к неустойчивости фильтра. Известно, что повысить устойчивость фильтра можно путем реализации структуры ЦФ в параллельной или каскадной форме.
При цифровой фильтрации используются два вида квантования: по уровню и по времени. Операция квантования по времени линейна, а по уровню - нелинейна. Однако при проектировании нелинейными операциями пренебрегают, что позволяет считать ЦФ линейными дискретными устройствами с передаточной функцией H (z).
При создании высокоэффективных ЦФ для подсистемы нейросетевой идентификации цифровой фильтрации применяются различные методы их синтеза. Процедура синтеза ЦФ состоит из двух этапов:
1) аппроксимация требуемой формы АЧХ в рамках структурных возможностей
СМиК;
2) реализация структур ЦФ на базе типовых аппаратно-программных средств. Первый этап предполагает нахождение в комплексной плоскости передаточной
функции H (z), удовлетворяющей заданным требованиям. Данная функция может
определяться двумя способами: прямым и косвенным. В первом случае она определяется непосредственно по заданным параметрам ЦФ, во втором первоначально находится передаточная функция аналогового прототипа H(p), а затем его дискретная модель H (z)
в z-плоскости. Косвенные методы анализа позволяют эффективно использовать опыт проектирования ЦФ, и поэтому широко применяются на практике.
Цифровая обработка сигналов реализуется аппаратно в виде ЦФ или программно в виде алгоритма для специализированного или универсального вычислительного устройства.
Рисунок 1 - Каноническая структура рекурсивного ЦФ Наибольшее распространение на практике получили ЦФ с конечной импульсной характеристикой (КИХ), которые являются частным случаем рекурсивных ЦФ. Каноническая структура рекурсивного ЦФ приведена на рисунке 1; рекурсивный ЦФ имеет передаточную функцию (см. выражение (2)), знаменатель которой равен 1, т.е. все коэффициенты b равны нулю. Достоинством КИХ-фильтров является их абсолютная
устойчивость вследствие финитности импульсной характеристики, а недостатком -большое количество коэффициентов и операций умножения. Фильтры с бесконечной импульсной характеристикой (БИХ-фильтры) требуют для реализации меньшего количества коэффициентов и операций умножения.
Переход от замкнутой структуры к эквивалентной разомкнутой структуре ЦФ (рисунок 2) осуществляется путем стандартных преобразований, поэтому для решения задач идентификации будет рассматриваться разомкнутая структура, включающая в себя k элементов задержки на такт дискретизации h. При этом в модели одноканальной системы идентификации используется буфер обмена (БО), состоящий из k элементов задержки z—1, где z - оператор дискретного преобразования Лапласа. БО хранит последовательность k отсчетов x[n ],...,x[n — k] исследуемого сигнала x(t), полученные в моменты времени
t = ih, при i = n...n—k x[n],...,x[n — k], причем отсчет x[n-k] получен на k тактов раньше.
Рисунок 2 - Подсистема нейросетевой идентификации с эквивалентной разомкнутой структурой ЦФ
Централизованная обработка информации излишне нагружает каналы связи, поэтому целесообразно перейти к иерархической структуре идентификации, разместив первичные слои ИНС в интеллектуальных датчиках (ИНС ИД). Такие ИД ИНС целесообразно объединить в блок интеллектуальных датчиков (БИД), а сами интеллектуальные датчики объединить в БИД, в которых реализуются следующие слои ИНС.
Рисунок 3 - Обобщенная структура подсистемы нейросетевой идентификации с децентрализованной обработкой информации
Структура однопараметрового ИД, входящего в обобщенную структуру СМиК подсистемы нейросетевой идентификации с децентрализованной обработкой информации отличается тем, что включен блок определения координат нулей (БОКН), что позволяет перейти от идентификации по амплитудным значениям к идентификации по координатам нулей. Соответствующий алгоритм работы должен обеспечивать формирование вектора t [n], где n - порядковый номер нуля, t [i] = tj, при X [t ] = 0 для i = 1,..., n.
Таким образом, разработаны варианты обобщенных структур подсистемы нейросетевой идентификации СМиК сложных систем ПТП реализующих как централизованную, так и децентрализованную обработку информации. Предложенные варианты структур обеспечивают идентификацию как по мгновенным значениям исследуемых сигналов, так и по координатам нулей. Рассмотрена процедура согласования структуры подсистемы нейросетевой идентификации со структурой СМиК в целом, а алгоритмов идентификации - с алгоритмами цифровой обработки информации СМиК.
Список литературы
1. Patterson D.A. Computer Architecture. A Quantitative Approatch. - San Francisco California, 1996. - 760 p.
2. Колмогоров А.Н. Теория информации и теория алгоритмов. - М.: Наука, 1987.
3. Жашкова Т.В. Модель /S'-анализа сложных физических систем/ Т.В. Жашкова, А.Б. Щербань, К.Е. Братцев // Обозрение прикладной и промышленной математики: Шестой всероссийский симпозиум. - Вып.3. Т.16. Москва: Редакция журнала «ОПиПМ», 2009. - С.572-573.
4. Жашкова Т.В. Нейросетевая идентификация оценки качества электрической энергии / Т.В. Жашкова, М.Ю. Михеев, А.Г. Дмитриенко // Надежность и качество: труды Международного симпозиума: в 2х-т./под ред. Н.К. Юркова - Пенза: Информационно издательский центр ПензГУ, 2009. - 1т. -C. 439-442.
5. Жашкова Т.В. Нейросетевая идентификация состояний сложных систем природного или техногенного происхождения // Современные информационные технологии: тр. междунар. научн.-технич. конф. - Пенза, ПГТА, 2010. - С. 64-66.
6. Жашкова Т.В. Нейросетевая идентификация ультразвуковых сигналов в системах измерения уровня жидкости/ Т.В. Жашкова, М.Ю. Михеев, Н.В. Адаев// Современные информационные технологии: тр. междунар. научн.-технич. конф. Вып. 9. -Пенза: ПГТА, 2009. - С. 23-26.
