НЕЙРОСЕТЕВАЯ  СТРУКТУРА  ПОДДЕРЖКИ  ПРОЦЕССОВ  ОБНАРУЖЕНИЯ  ОТКАЗОВ  ЭЛЕКТРОТЕХНИЧЕСКИХ  КОМПЛЕКСОВ

Куликов  Роман  Евгеньевич

аспирант  Саратовского  государственного  технического  университета

имени  Гагарина  Ю.А.,

инженер  АСУ  ТП  АО  «Апатит»  (Группа  компаний  «ФосАгро»),  РФ,  г.  Саратов

E-mail: 

NEURAL  NETWORK  STRUCTURE  OF  SUPPORT  OF  PROCESSES  OF  DETECTION  OF  REFUSALS  OF  ELECTROTECHNICAL  COMPLEXES

Roman  Kulikov

postgraduate  Student  of  Gagarin  Saratov  State  Technical  University,

PCS  Engineer  of  JSC  «Аpatit»  («PhosAgro»  Group),  Russia,  Saratov

АННОТАЦИЯ

Рассмотрена  концепция  построения  нейросетевых  структур  поддержки  процессов  обнаружения  отказов  в  структурах  электротехнических  комплексов.  Основой  организации  логических  выводов  и  правил  принятия  решений  является  база  данных  и  знаний  интеллектуальной  системы  поддержки  методов  оценивания  работоспособных  состояний  и  обнаружения  отказов.  Данный  подход  к  построению  нейронной  сети  позволяет  понизить  уровень  субъективизма  в  правилах  принятия  решений,  а  также  сократить  временные  интервалы  обучения  сетей.

ABSTRACT

The  concept  of  creation  of  neural  network  structures  of  support  of  processes  of  detection  of  refusals  in  structures  of  electrotechnical  complexes  is  considered.  A  basis  of  the  organization  of  logical  conclusions  and  decision-making  rules  is  the  data  and  knowledge  bases  of  intellectual  system  of  support  of  methods  of  estimation  of  efficient  conditions  and  detection  of  refusals.  This  approach  to  creation  of  a  neural  network  allows  to  lower  subjectivity  level  in  decision-making  rules,  and  also  to  reduce  time  intervals  of  training  of  networks.

Ключевые  слова:  нейронная  сеть;  база  знаний;  обнаружение  отказов;  функция  активации;  интеллектуальная  система.

Keywords:  neural  network;  knowledge  base;  detection  of  refusals;  activation  function;  intellectual  system.

Процессы  обнаружения  отказов  являются  важной  частью  технического  диагностирования  устройств  электротехнических  комплексов.  При  этом  разработка  и  усовершенствование  методов,  алгоритмов  и  средств  обнаружения  отказов  в  структурах  комплексов  осуществляется  на  стадиях  проектирования,  производства  и  эксплуатации  объектов.  Поддержку  методов  оценивания  работоспособных  состояний  и  обнаружения  отказов  перспективно  осуществлять  средствами  интеллектуальных  систем  и  нейросетевых  структур.

Отличительной  особенностью  построения  нейронной  сети  обнаружения  отказов  электротехнических  комплексов  является  применение  в  процессах  обучения  сети  логического  формализма  механизмов  логического  вывода  и  правил  принятия  решений  интеллектуальной  системы  поддержки  методов  решения  проблемных  задач.  При  этом  в  качестве  информационного  обеспечения  используются  базы  данных  и  знаний  интеллектуальной  системы  поддержки  методов  реализации  процессов  оценивания  работоспособных  состояний  и  обнаружения  отказов  устройств  комплексов.

Структура  модели  нейронной  сети  определяется  входным,  выходным  и  скрытым  слоями  по  числу  проблемных  задач  [1;  2],  где  число  нейронов  скрытого  слоя  определяется  числом  выходных  параметров.    —  нейроны  скрытого  слоя  сети,  отражающие  состав  выходных  параметров  комплекса. 

Синтез  эталонных  образов,  представленных  векторами  переменных,  распознаваемых  нейронами  первого  скрытого  слоя  сети,  осуществляется  на  основе  результатов  регистрации  и  анализа  по  заданным  критериям  [6;  7]  исходных  данных  и  знаний,  показателей  внешней  среды  и  выходных  параметров  электротехнических  комплексов.

Эталонные  образы,  распознаваемые  нейронами  скрытого  слоя,  формируются  в  результате  объединения  локальных  векторов  переменных,  регистрируемых  в  процессе  испытания  комплексов  в  условиях:

·     применительно  к  номинальным  условиям  внешней  среды

где:    —  число  выходных  параметров  комплекса;

  —  число  управляющих  сигналов,  подаваемых  на  объект; 

W_H (t)  —  номинальные  значения  внешней  среды;

  —  заданный  перечень  отказов  комплекса;

·     применительно  к  реализации  заданной  последовательности  критичных  факторов  внешней  среды

где:    —  перечень  критичных  факторов  внешней  среды  заданной  последовательности.

В  результате  распознавания  эталонных  образов  нейронами  скрытого  слоя  формируются  функции  активации  вида:

·     в  номинальных  условиях  внешней  среды

  (1)

где:    —  векторы  свойств,  параметров  и  признаков,  отражающие  характерные  особенности,  соответственно,  управляющих  сигналов  ,  номинальных  условий  внешней  среды  ,  показателей  состояния  выхода    электротехнического  комплекса;

·     в  условиях  влияния  заданной  последовательности  критичных  факторов  внешней  среды

  (2)

где:    —  векторы  свойств,  параметров  и  признаков;  при  этом    отражает  характерные  параметры  и  показатели  перечня  критичных  факторов  внешней  среды    к  состояниям  электротехнического  комплекса.

Функции  активации  (1),  (2)  составляют  структуру  логического  формализма  базы  данных  и  знаний  интеллектуальной  системы,  обеспечивающего  средствами  нейронов  скрытого  слоя  сети  принятие  решений  по  оцениванию  работоспособных  состояний  и  обнаружению  отказов  электротехнических  комплексов,  согласно  зависимости  вида  [1;  2]:

  (3)

где:  «Å»  —  условие  сложения  по  mod  2  числовых  значений  выходных  параметров  комплекса; 

{K_i},  i  =  1,  2,  …  —  перечень  критериев  оценивания  числовых  значений  выходных  параметров  комплекса  [6]; 

  —  перечень  допусковых  ограничений  выходных  параметров  комплекса; 

  —  означает  работоспособные  состояния  (Q₀),  обнаруживающий  перечень  состояний  отказов  электротехнического  комплекса  (Q).

Функции  активации,  формируемые  нейронами  скрытого  слоя  сети  (1),  (2),  с  учетом  результатов  реализации  логического  формализма  интеллектуальной  системы  поддержки  метода  обнаружения  отказов  имеют  вид:

·     в  номинальных  условиях  внешней  среды

  (5)

·     в  условиях  влияния  последовательности  факторов  внешней  среды

  (6)

Все  функции  активации,  формируемые  нейронами  скрытого  слоя  сети  (5),  (6),  отражают  факты  обнаружения  соответствующих  отказов  электротехнического  комплекса.  Функции  активации  (5),  (6)  представляют  собой  бинарные  коды  (101...1)  разрядностью,  определяемой  числом  выходных  параметров  соответствующего  комплекса.

Список  литературы:

1.Дрогайцев  В.С.,  Куликов  Р.Е.,  Ушаков  В.А.  Интеллектуальные  средства  в  процессах  диагностирования  отказов  бортовых  систем  управления  летательных  аппаратов  в  условиях  влияния  внешней  среды.  Часть  I  //  Авиакосмическое  приборостроение.  —  2014.  —  №  7.  —  С.  3—11.

2.Дрогайцев  В.С.,  Куликов  Р.Е.,  Ушаков  В.А.  Интеллектуальные  средства  в  процессах  диагностирования  отказов  бортовых  систем  управления  летательных  аппаратов  в  условиях  влияния  внешней  среды.  Часть  II  //  Авиакосмическое  приборостроение.  —  2014.  —  №  9.  —  С.  3—9.