CC BY
44
Крупейников Д. Е. , Дрогайцев В.С.
Саратовский государственный технический университет
ТЕХНОЛОГИЯ ПОСТРОЕНИЯ НЕЙРОННЫХ СЕТЕЙ В ПРОЦЕССАХ ДИАГНОСТИРОВАНИЯ ОТКАЗОВ ФУНКЦИОНАЛЬНЫХ УСТРОЙСТВ СИСТЕМ УПРАВЛЕНИЯ
Предпосылки использования нейронных сетей (НС) в процессах оценивания работоспособности, обнаружения и диагностирования отказов функциональных устройств (ФУ) определяются таким свойствами, как распараллеливание алгоритмов в процедурах достижения целей, обучение на ограниченных объемах выборок, принятие решений в условиях неопределенности и неполноты исходных данных и знаний, возможность минимизации алгоритмов анализа технических состояний ФУ и принятие решений.
Технология построения и обучения НС под предметную область требует решение трех задач. Одна из которых связана со структурно-функциональным синтезом сети, определяющим обоснование внутренней структуры модели сети, алгоритма ее функционирования и способа обучения. Вторая задача предполагает параметрический синтез, процедурная и информационная сущность которого определяется принципом формирования эталонных образов, распознаваемых нейронами и слоями сети, определения числовых значений, весовых коэффициентов и алгоритмами построения функций активации. Третья задача связанна с обоснованием логических механизмов вывода и правил принятия решений средствами нейронов и скрытых слоев сети применительно к частным и конечным целям, достигаемых в рамках заданных проблемных задач предметной области [1].
Применительно к решениям проблемных задач оценивания работоспособности, обнаружения и диагностирования отказов ФУ на рисунке 1 приведена структурная организация модели НС отражающая навигацию от входного к выходному слоям сети формальных процедур распознавания эталонных образов, формирования функций активации и реализации механизмов и правил принятия решений.
В принятой концепции процессы построения и обучения НС базируются на основе адаптации формальных процедур методов решения проблемных задач, баз данных и знаний интеллектуальной системы (ИС) поддержки методов, включающих механизмы вывода и правила принятия решений, что способствует сокращению временных циклов построения и обучения сетей и повышению достоверности принимаемых ими решений.
Предполагается, что во времени НС функционирует в темпе регистрации протоколов наблюдения, представленных числовыми значениями показателей нечетких дискретных временных рядов (НДВР) заданных видов, показателями внешней среды и результатами штатных циклов испытания системы управления (СУ) с учетом динамики изменения характерных показателей НДВР в предыстории, обнаруживаемых и хранимых в процессе исполнения заданной последовательности штатных циклов испытания СУ.
Входной слой НС (рисунок 1) определяется локальными векторами переменных, представленных конечными подмножествами НДВР, перечнем факторов внешней среды{И^}и последовательностью штатных циклов испытания {Gj} применительно к допустимому подмножеству отказов ФУ {Qr}.
В рассматриваемой постановке перечень внутренних слоев модели сети определен числом проблемных задач предметной области. Состав нейронов первого скрытого слоя сети регламентируется перечнями выходных параметров ФУ и СУ, представляемых последовательностями временных рядов.
В структуре модели НС каждый нейрон первого и второго скрытых слоев представляет собой простейший процессор распознавающий эталонный образ и формирующий соответствующую функцию активации согласно заданной программы.
На входы нейронов первого скрытого слоя сети (рисунок 1) отождествляемых с выходными параметрами ФУ H^M|q = 1,n и СУ Hflj = 1,m, поступают эталонные образы, определяемые последовательностями НДВР заданных видов:
|W(t),G(t),Q(t) I,
регламентируемых в процессе исполнения штатных циклов испытания СУ в условиях имитации факторов внешней среды(Wj,Gi), здесь q = 1,n - число выходных параметров ФУ, j —1,т - число выходных параметров системы управления, i - число видов НДВР. Весовые коэффициенты синоптических связей определяются условием:
# =$1, если Uf BjYM | W(t), G(t), Q(t) Є R® м $0, если Uf В; Y" I W(t),G(t),Q(t) І RQ (
если^вуї W(t),G(t),Q(t) Є+'3 если Uf BtYjS I W(t),G(t),Q(t) tRQ
(2)
R® - область многомерного параметрического пространства распределения числовых значений показателя НДВР за пределами допусковых ограничений.
Распознавание эталонных образов нейронами первого скрытого слоя сети заключается в отображении пространства признаков, представленного показателями НДВР, показателями состояний внешней среды и результатами исполнения штатных циклов испытания, в пространство решений в виде функций активации, характеризующих класс неработоспособных состояний обладающих свойствами обнаружения отказов ФУ. При этом каждым нейроном этого слоя выполняется нечеткое правило вида, если хотя бы один показатель заданного перечня НДВР в заданных условиях превысил допусковые условия и весовые коэффициенты синоптических связей согласно условий (1, 2) принимают числовые значения «1», то нейрон
формирует функцию активации, отражающую неработоспособное состояние соответствующего ФУ. Если данное условие не соблюдается, то весовые коэффициенты принимают числовые значения равные «0», что соответствует работоспособным состоянием ФУ.
Согласно содержания базы данных и знаний ИС числовые значения функции активации, формируемых нейронами первого скрытого слоя сети на основе регистрации и анализа эталонных образов, представленных показателями НДВР, регистрируемых на выходах ФУ и СУ определяются зависимостями, соответственно :
U5UfBiY4M(zr)| W(h),G(p),Q, (3)
U7UfBiYs(11)I W(h),G(p),Q, (4)
где z,h,p - вектора признаков, показателей выходных параметров ФУ и СУ, внешней среды и штатных циклов испытания СУ; q — 1,nn, j — 1,m - число выходных параметров ФУ СУ; символ «А» - отражает измеренное числовое значение показателя НДВР (выходного параметра).
По результатам анализа функций активации (3, 4) сетью принимаются решения или ФУ СУ являются работоспособными{5;}, или в их поведении имеют место один или несколько отказов {QjM}. Здесь : — 1,p - число ФУ в составе соответствующей СУ, j— 1, fc - число отказов в поведении ФУ.
Функции активации, формируемые нейронами первого скрытого слоя составляют информационную основу эталонных образов, распознаваемых нейронами второго скрытого слоя сети, образуемых на основе распознавания эталонных образов (3, 4) и правил принятия решений, определяемых базой данных и знаний ИС, согласно состава НДВР заданных видов, характеризуются зависимостями вида, на примере р-го ФУ (рис.1):
n?(U?UfBiYM(zr))| W(h),G(P-),QM, (5) n@(U7 Uf_BLYs(z-1))j_^(h),G(p-),QM, (6)
где q — 1,nn, j — 1,m - соответственно, число выходных параметров ФУ и СУ.
В процессе функционирования НС каждым нейроном второго скрытого слоя реализуется нечеткое правило, если функции активации, формируемые нейронами первого скрытого слоя идентифицируются в соответствующей кодовой комбинации показателей НДВР, определяемых моделью диагностирования отказов ФУ, то функция активации, формируемая нейроном констатирует факт диагностирования отказа соответствующего ФУ, в остальных случаях нейрон оказывается пассивным.
Таким образом, каждый нейрон первого скрытого слоя в процессе функционирования сети всегда является активным (возбужденным), а каждый нейрон второго скрытого слоя является активным только в ситуации диагностирования соответствующего отказа.
Выходной слой НС представлен двумя слоями, соответственно выходной слой I, определяемый функциями активации первого скрытого слоя, характеризует работоспособные состояния ФУ (S), а выходной слой II отражает результаты диагностирования в их поведении^}.
В работе способы и алгоритмы обучения НС на стадии их построения реализованы, главным образом, в направлении приведения нечетких описаний средствами НДВР ФУ, состояний внешней среды и результатов исполнения штатных циклов испытаний ФУ в составе СУ к частично нечетким, а также в направлении понижения уровня неопределенности переменных в механизмах вывода и правилах принятия решений по достижению частных и конечных целей вобъеме проблемных задач предметной области. При этом методы, способы и алгоритмы обучения условно характеризуются тремя этапами. На первом из них в результате моделирования физических образцов ФУ в условиях имитации заданного перечня отказов в их поведении и имитации факторов внешней среды критичных к отказам на основе анализа обучающих выборок выявляются причинно-следственные связи между переменными применительно к отказам и агрегируются информационно-значимые НДВР, обладающие обнаруживающими и разделительными свойствами относительно заданного перечня отказов ФУ. На втором этапе синтезируются базы данных и знаний ИС, организуется и минимизируется исходная структура модели диагностирования отказов ФУ, составляющие логический формализм правил принятия решений. Третий этап связан с синтезом эталонных образов, с определением числовых значений весовых коэффициентов, с формированием функций активации механизмов вывода и правил принятия решений средствами НС.
ЛИТЕРАТУРА
1. Ушаков В.А., Дрогайцев В.С., Крупейников Д.Е. Методические и интеллектуальные средства обнаружения и диагностирования отказов функциональных устройств бортовых систем управления летательных аппаратов. I // Информационные технологии. 2012. № . С.
