Библиографическое описание:

Скворцов М. Г. Оценка состояния плазмы с помощью нейросетевых измерительных систем // Молодой ученый. — 2014. — №4. — С. 262-264.

Большое число реальных объектов контроля являются сложными системами и характеризуются структурной (иерархичностью, многосвязностью) и функциональной (недетерминированностью и самоорганизацией структуры и связей) сложностью.

Плазма как объект диагностики, является сложной эволюционирующей системой, состоящей из большого количества разнородных элементов (электронов, ионов и нейтралов), объединенных в сложные пространственно-временные (по форме и по закону изменения во времени) структуры (статические и динамические), сопровождающиеся электрическими и магнитными полями, а также физическими процессами, определяющими ее динамику и структуру (генерации ударных волн, излучениями в различных диапазонах).

Плазма применяется в промышленности для упрочнения деталей, для создания порошков с контролируемым размером зерна. Плазменные состояния вещества принято классифицировать по температуре (высокотемпературная Т>10000 оК и низкотемпературная плазма), по степени ионизации (слабоионизованная и полностью ионизованная), по времени жизни (короткоживущая и долгоживущая), по способам создания (плазма лазерного факела, сильноточных излучающих разрядов, электрического взрыва проволочек, тлеющего разряда). Примеры плазменных объектов и их некоторые параметры [1,2]: слойные разряды (Тя=104 ºК, N=1020 см-3); тороидальная плазменная конфигурация в воздухе (Тя=7*103 ºК, плотность тяжелых частиц ~ 1018 см-3, начальная скорость истечения ~ 105 см/с, Ne=1016 см-3).

Для определения основных параметров плазмы применяются методы макроскопических и спектральных измерений. Макроскопические методы позволяют проводить измерения крупномасштабных (высокоскоростная теневая фотография), либо средних по времени или по объему характеристик плазмы. Спектральные методы применяются для определения плотности и температуры плазмы.

Особенностями оценки состояния сложных плазменных объектов является большой объем текущих данных, поступающих в режиме реального времени (время жизни плазменного состояния сотни миллисекунд) и требующих предварительной обработки. Существующие трудности реализации методов диагностики возникают из-за сложной связи измеряемых величин с параметрами плазмы (изменения магнитного поля в пространстве и во времени для оценки конфигурации плазмы, токопроводящих слоев, диффузии магнитного поля). Установление адекватности вида связи проводится, чаще всего, после интерпретации экспериментальных результатов, полученных по сформулированной априорно плазменной модели.

В технической диагностике и научных физических экспериментах широко применяются сложные измерительные комплексы. Актуальной задачей является внедрение в диагностике состояния сложных физических объектов измерительных систем на нейронных сетях (ИС/НС) [3,4,5].

При этом используются следующие преимущества нейросетевых технологий: возможность аппроксимации по ограниченному набору данных; работа с зашумленными данными; естественное распараллеливание при обработке результатов плазменно-физического эксперимента (спектров, изображений светящихся областей плазмы и временных разверток вольтамперных характеристик разряда, сигналов пьезодатчиков давления), обеспечивающее работу в режиме реального времени; способность моделей к адаптации.

Функциями нейросетевой технологии оценки результатов плазменного эксперимента являются (см. рис. 1): анализ результатов (извлечение скрытых зависимостей между параметрами); моделирование физических объектов, пространственно-временных характеристик сигналов и исследуемых явлений; проверка гипотез в вычислительном эксперименте; построение учебного тренажера для создания и исследования плазмы в учебном процессе.

Оценка состояния плазмы на разных уровнях иерархии проводится по результатам текущих измерений. Оценка состояния плазмы на элементном уровне (электроны, ионы, нейтралы) осуществляется по температуре и концентрации соответствующих компонент. На информационно-энергетическом уровне оценка состояния плазменного образования представлено следующими вариантами: оценкой скоростей плазменного поршня и ударной волны (для получения заданных силовых характеристик); оценкой яркостной температуры (с целью получения плазмы заданных оптических свойств для накачки лазеров); оценками размеров и времени жизни (эволюцией облака) плазменного образования (для упрочнения деталей в машиностроении).

На системном уровне (плазма в целом) состояние сложного объекта контролируется в зависимости от прикладной задачи (создание интенсивного излучения для накачки лазеров, создание мощных ударных волн для воздействия на объекты, моделирование сложных объектов) по классам состояния плазмы.

Рис. 1. Структурная схема управления физическим экспериментом

Классы состояния плазмы формируются по интегральному параметру (на базе температур и концентраций всех компонент плазмы, давления, степени ионизации, по вкладке) энергетической размерности.

Известны такие физические модели плазмы, как модель локальноготермодинамического равновесия (температура частиц определяет практически все характеристики частиц); корональная модель (с низкой концентрацией электронов) и столкновительно-излучательная модель (являющаяся переходной).

В данной работе рассматриваются нейросетевые информационные модели плазмы, применяемые для определения температуры разряда из проводимости плазмы по данным об активном сопротивлении и радиусе разряда; определения яркостной температуры разряда по непрерывному спектру; определения баланса энергии в разряде.

На базе ИС/НС возможна организация реконструктивной нейросетевой томографии [2,7] по ограниченному набору экспериментальных данных (восстановление яркостной температуры по интегральным данным, поступающим от измерительных каналов, см. рис. 2). Наиболее перспективным для нелинейной реконструктивной томографии является использование нейронных сетей типа многослойный персептрон с активационной функцией гиперболического тангенса в скрытом слое. Для обучения нейронной сети применяется метод обратного распространения ошибки и порядка тысячи обучающих образов с шумовым сигналом.

Рис.2. Реконструкция пространственно-временного распределения яркостной температуры вдоль плазменной струи в различные моменты времени [2] (1–30-я мкс, 2–75-я мкс, 3–150-я мкс)

Применение ИС/НС в диагностике плазмы позволяет автоматизировать обработку хроматографической информации: выделение и идентификацию пиков, представленных в виде их суперпозиции на общем спектре [6,8]. Задача выделения пиков возникает при расчёте площади каждого из них с целью получения по вычисленной площади количественных результатов по компонентам смеси. При этом два или более пиков сливаются, давая один общий пик с несколькими вершинами. Нейронная сеть, решающая задачу прогнозирования фронта пика, состоит из входного и выходного слоев с одним нейроном и 4-х слоёв по 50 нейронов в каждом.

Идентификация пиков (качественная обработка хроматограмм) представляется как задача распознавания образов [6,8]. Для разных классов компонент формируются обобщенные прототипы хроматограмм, идентификация при этом осуществляется выбором прототипа и конкретизацией его состава (определением по возможности максимального количества составляющих). Задача распознавания образов решается с помощью многослойных нейронных сетей.

В данной работе описано решение задач обработки, анализа и моделирования с помощью нейросетевых информационных моделей ИС/НС, функционирующих на основе информации, непрерывно поступающей с датчиков. Нейросетевые измерительные системы позволяют сократить количество дорогостоящих экспериментов и ускорить получение конечных результатов за счет параллельной обработки данных.

Литература:

1.    Александров А. Ф. Исследование состава плотной плазмы в атмосфере./ А. Ф. Александров, Ю. Бахгат, М. Г. Скворцов и др. //Теплофизика высоких температур, 1985, вып. 6.- С. 1219–1221.

2.    Александров А. Ф. Получение и исследование тороидальных плаз-менных структур в воздухе./ А. Ф. Александров, Ю. Бахгат, М. Г. Скворцов и др. //Журнал технической физики, 1986, т. 56, вып. 12.- С. 2392–2396.

3.    Муха Ю. П. Нейросетевые измерительные системы. Диагностика состояния сложных объектов. Кн.24. Монография/Ю. П. Муха, М. Г. Скворцов;-М.: Радиотехника, 2007.- 336 с.

4.    Скворцов М. Г. Адаптивное управление и метрология измерений в диагностической системе на базе нейронных сетей./ М. Г. Скворцов, Д. Г. Дружинин, Д. В. Жмурин// Биомедицинские технологии и радиоэлектроника. — 2004. — № 4. — С. 57- 62.

5.    Скворцов М. Г. Применение измерительных систем с элементами нейронных сетей для выявления пограничных состояний сердечно-сосудистой системы./М. Г. Скворцов, Д. Г. Дружинин.//Зарубежная радиоэлектроника. Успехи современной радиоэлектроники.-2002. — № 8, с.56–58.

6.    Карякин А. В. Влияние n-электронов гетероатома на оптические свойства пиридина, хинолина, акридина./ А. В. Карякин, Т. С. Сорокина, М. Г. Скворцов //Оптика и спектроскопия, 1982, № 1.- С. 47–50.

7.    Кульчин Ю. Н. Применение персептронов для нелинейной реконструктивной томографии./ Ю. Н. Кульчин, И. В. Денисов, А. В. Панов, Н. А. Рыбальченко //Проблемы управления, 2006, № 4.- С.59–63.

8.    Медянцев Д. В. Анализ хроматографической информации с использованием нейронных сетей и генетического алгоритма./ Д. В. Медянцев, Д. С. Пустовалов, Н. В. Замятин //Труды научной сессии МИФИ-2005. Ч.1. VII Всероссийская научно-техническая конференция «Нейроинформатика-2005".-Москва, 2005. — С. 147–151.

Обсуждение

Социальные комментарии Cackle