Применение искусственных нейронных сетей для диагностирования изделий

Размещено на http://www.allbest.ru/

ПРИМЕНЕНИЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ДИАГНОСТИРОВАНИЯ ИЗДЕЛИЙ

Кацуба Ю. Н., Власова И.В.

Аннотация

В статье рассмотрены подходы применения метода искусственных нейронных сетей к решению задач диагностирования изделий.

Ключевые слова: изделия, диагностирование, искусственные нейронные сети.

Annotation

APPLICATION OF ARTIFICIAL NEURAL NETWORKS TO DIAGNOSTIC PRODUCTS

The article considers the approaches of application of the method of artificial neural networks to solve problems diagnostic products.

Keywords: products, diagnostics, artificial neural networks.

Основная часть

искусственный нейронный сеть диагностирование

Анализ современных диагностических систем свидетельствует о том, что существует объективная научно-техническая проблема создания комплексных систем диагностирования, построенных на универсальных принципах, обеспечивающих высокий уровень достоверности постановки диагноза и прогнозирования технического состояния изделий.

Перспективным направлением является создание инфраструктуры диагностирования неисправностей изделий, основанной на использовании искусственных нейронных сетей.

Искусственные нейронные сети (ИНС) в задачах диагностирования и прогнозирования технического состояния изделий могут быть использованы в качестве подсистемы выборки и принятия решений, передающей диагностическую информацию другим подсистемам управления.

Задачи прогнозирования отказов изделий сложны из-за невозможности четкой постановки соответствия изменений входных и выходных параметров состояния, в котором находится или к которому стремится объект диагностирования.

Для решения задач диагностирования и прогнозирования необходимо сформировать базу с множеством состояний и произвести оценку степени влияния каждого информационного параметра на вероятность перехода изделия в какое-либо из возможных состояний.

Применение ИНС позволит проводить корректировку значений выходных сигналов объекта диагностирования, что позволит своевременно проводить при необходимости техническое обслуживание (ТО) и текущий ремонт (ТР) для обеспечения его работоспособного состояния. Уточнение диагноза состояния изделия с использованием ИНС позволит выявить некорректные диагнозы при последовательном диагностировании и повысит его достоверность.

Задача диагностирования для ИНС формируется, как необходимость отнести входной вектор, который содержит значения тестовых векторов и выходных реакций объекта на эти вектора, к одному или нескольким возможным техническим состояниям изделия.

Задача диагностирования одновременного появления нескольких неисправностей, и решается отнесением входного вектора к нескольким техническим состояниям, которые представляют совокупность неисправностей формирующих ошибку в работе изделия.

Поэтому для диагностирования целесообразно использовать метод подбора коэффициентов влияния - межнейронных связей на основе обучения и нечетких нейронных сетей, функционирование которых основано на принципах нечеткой логики, применяющих для адаптации параметров методы обучения, как с «учителем», так и на основе самоорганизации. [2]

В диагностике технических систем нередко проявляются дефекты, при которых связь между признаками и причинами неисправностей носит неоднозначный характер. Простые двузначные утверждения типа “исправный - 1” / “неисправный - 0” недостаточны, поскольку четкие правила поиска неисправностей в системе основываются на взаимном и однозначном соответствии между причиной и признаками неисправностей, то есть они жестко детерминированы в правилах. Современные диагностические системы должны распознавать опасные условия функционирования, причины и тип возникшей неисправности. Помимо этого ожидается также информация об оценке оставшегося срока службы изделия или его составной части.

Таким образом, выходные параметры диагностической системы должны определять с одной стороны причину и тип дефекта (неисправности), с другой стороны - состояние объекта диагностирования, его соответствие оперативно-функциональному назначению.

Аналитические модели диагностики отказов определяют, выделяют и классифицируют отказы в компонентах системы. Основной проблемой разработки аналитических моделей диагностики отказов является определение разности. Большинство определителей разности основаны на моделях линейных систем. Для нелинейных систем основным подходом является их линеаризация. Однако, для систем с высокой степенью нелинейности и большим количеством нелинейных операций, такая линеаризация не дает удовлетворительных результатов.

Единственным решением данной проблемы является использование большого количества линейных систем, что не очень практично при создании моделей, работающих в реальном времени. Процесс создания моделей очень сложен и точность получаемых результатов, проверить затруднительно. Зная возможности нейронных сетей моделировать сложные системы обладая небольшим количеством информации, позволяет использовать их в аналитических моделях.

В задачах диагностирования и прогнозирования нечеткая нейронная сеть играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию

(1)

где - векторы входной информации (текущие измеренные значения диагностических параметров);

Y - реализация векторной функции нескольких переменных. [3]

Постановка многих задач диагностирования и прогнозирования технического состояния объекта может быть сведена именно к аппроксимационному представлению.

Главной задачей здесь является правильное отделение нормальных разностей от разностей, содержащих данные об отказе. Для выделения отказа разность должна быть обработана таким образом, чтобы стало понятно, какой компонент системы вышел из строя.

Обработка одного сигнала разности не представляет особой трудности, однако, вектор разностей усложняет процесс определения отказа. Основным подходом определения отказа является создание набора структурированных разностных сигналов.

Для установления диагностической информации могут служить статистические модели, увязывающие критерии, оценивающие состояние объекта диагностирования, с отклонениями измеряемых параметров в виде регрессионной модели дефектов. Для оценки влияния факторных коэффициентов на возможное состояние объекта диагностирования целесообразно применение диагностических матриц, с оптимальным количеством измеряемых параметров.

В целом локализация дефектов с помощью диагностической матрицы подобна работе системы нейронов, которая получила название «перцетрон».

Уникальной особенностью для контроля технического состояния изделия является возможность диагностирования электрических машин с помощью нейронных предикторов. Нейронный предиктор (рис. 1) это математическая модель на базе искусственной нейронной сети, которая осуществляет предсказание выходного вектора состояния изделия по его предыстории на один шаг вперед. Для использования нейронного предиктора его необходимо обучить на данных, полученных от исправной электрической машины при ее работе в различных динамических режимах. При обучении нейронная сеть аппроксимирует функциональную зависимость между входными сигналами X и выходными Y. В качестве входных сигналов выступают напряжения на обмотках, угловая скорость и момент сопротивления, полученные в ИНС от датчиков, и дополнительно те же сигналы, задержанные на некоторое время. Выходным сигналом является предсказанный на один шаг электрический ток в обмотке.

После обучения нейронный предиктор подключается к диагностируемой электрической машине. Точность предсказания предиктора зависит от времени обучения, объема и качества обучающей выборки. При исправном электродвигателе выходной сигнал предиктора практически совпадает с реально измеренным током, а в случае возникновения неисправности возникает рассогласование Д. По величине и знаку рассогласования, а также скорости изменения величины рассогласования можно производить диагностику технического состояния электрической машины. [4]

Рис. 1 Блок-схема нейронного предиктора

Все это приводит к решению использовать нейронные сети для выделения отказов, так как нейронные сети могут быть натренированы определенным образом с целью получения соответствующей связи между входами и выходами изделия.

Каждый нейрон в простейшем случае модифицирует вычислительную сумму с помощью активационной функции в виде сигнала наличия (1) или отсутствия (0) какого-либо отказа или предотказного состояния, а в случае применения более структурированных нечетких нейронных сетей выходным сигналом может служить коэффициент влияния фактора нейронной сети более высокого уровня - вероятность нахождения объекта диагностирования в возможных рабочих, граничных, критических, нерабочих состояниях.

После предъявления входных сигналов совместно с известным входом и баз данных нейронные сети могут самонастраиваться (обучаться) под конкретный объект диагностирования для получения требуемой реакции. Множество контрольных точек изделия, в которых снимаются его характеристики в различных режимах работы, может считаться вектором (каждый вектор соответствует определенному динамическому режиму работы), подаваемым на вход системы. В зависимости от условий работы изделия, вида неисправного элемента и степени повреждения получают различные характеристики одной и той же технической системы. Как правило, неисправность каждого вида связана со специфическим изменением характеристик изделия, свойственным только этой неисправности. Нейрон, побеждающий в конкуренции при определенной комбинации характеристик изделия, представляет впоследствии либо нормальный режим работы, либо определенную неисправность, позволяя тем самым локализовать ее. На основании статистического материала создается база данных. База данных состоит из множества характеристик, отвечающих различным нормальным и предельным состояниям в определенных режимах работы, в которых, как правило, изделие подвергается диагностированию. Главное условие корректного функционирования системы - дифференциация характеристик при различных предельных состояниях. При этом следует выделить те фрагменты характеристик, которые отличаются друг от друга.

Одной из наиболее важных преимуществ нейронных сетей является их способность представлять нелинейные преобразования, таким образом, нейронные сети способны формировать очень точную аппроксимацию для нелинейных функций любой продолжительности. Нейронные сети являются альтернативным вариантом проектирования оценочных устройств.

Важным свойством нейронных сетей является то, что они изучают динамику системы в процессе тренировки, состоящей из нескольких тренировочных циклов, с тренировочными данными, поступающими либо из предыдущего цикла, либо состоящей из реальных сигналов. После каждого цикла нейронная сеть узнает все больше и больше о динамике работы изделия. Одним из наиболее важных качеств нейронных сетей является их возможность изучать динамику поведения нелинейных систем автоматически, в случае, если архитектура нейронной сети содержит как минимум три слоя. [2]

Обученная нейронная сеть, на основе мониторинга окружающих условий по исходной (входной) информации, может с высокой степенью точности предсказать появление дефектов в изделии и оценить степень его технического состояния, то есть своевременно вывести технический объект из зоны опасного режима эксплуатации для его ремонта.

Перспективными направлениями развития методов и средств диагностики являются методы, основанные на нечеткой логике или нечетких множествах, экспертные системы и нейронные сети. Методы нечеткой логики позволяют значительно упростить описание модели объектов контроля и диагностирования, а также являются более простыми для аппаратной реализации. Экспертные системы позволяют принимать решения о состоянии объекта контроля, если оценка состояния или поиска неисправности объекта контроля является трудно формализуемой задачей. Искусственные нейронные сети используют для идентификации объектов контроля, распознавания образов и прогнозирования состояния технической системы. Применение ИНС позволит получить повышение быстродействия средств диагностирования за счет распараллеливания потоков обработка диагностической информации.

Литература

1. Anil K., Jain, Jianchang Mao, K.M. Mohiuddin. Artificial Neural Networks: A Tutorial, IEEE Computer, Vol.29, No.3, March/1996, pp. 31-44.

2. Беляков В.В., Бушуева М.Е., Сагунов В.И. Многокритериальная оптимизация в задачах оценки подвижности, конкурентоспособности автотракторной техники и диагностики сложных технических систем / В.В. Беляков, М.Е. Бушуева, В.И. Сагунов. Н. Новгород: НГТУ, 2001, 271 с.

3. Викторова Е.В. Применение нечетких нейронных сетей для технической диагностики дорожных машин / Е.В. Викторова // Вестник ХНАДУ, 2012, вып. 56. С. 98-102.

4. Семыкина И.Ю. Испытательный комплекс для оценки режимов работы электроприводов горных машин / И.Ю. Семыкина, А.В. Киселев, Р.А. Кольцов // Журнал научных публикаций аспирантов и докторантов. 2012. № 9(75). С. 82-87.

5. Хаханов, В.И., Щерба, О.В. Применение искусственных нейронных сетей для диагностирования цифровых сетей / В.И. Хаханов, О.В. Щерба // Радиоэлектронные и компьютерные системы. 2010. № 5 (46), С. 15-20.

Размещено на Allbest.ru