Диагностирование технического состояния объектов, выполняющих преобразования сигналов с использованием искусственных нейронных сетей | Статья в журнале «Молодой ученый»

Отправьте статью сегодня! Журнал выйдет 28 декабря, печатный экземпляр отправим 1 января.

Опубликовать статью в журнале

Авторы: ,

Рубрика: Технические науки

Опубликовано в Молодой учёный №38 (276) сентябрь 2019 г.

Дата публикации: 17.09.2019

Статья просмотрена: 275 раз

Библиографическое описание:

Букирёв, А. С. Диагностирование технического состояния объектов, выполняющих преобразования сигналов с использованием искусственных нейронных сетей / А. С. Букирёв, А. Ю. Савченко. — Текст : непосредственный // Молодой ученый. — 2019. — № 38 (276). — С. 67-69. — URL: https://moluch.ru/archive/276/62451/ (дата обращения: 16.12.2024).



Основной целью диагностирования технического состояния (ТС) является оптимальная организация процессов оценки ТС объектов и систем различной сложности. В настоящее время уменьшение экономических и трудовых затрат, сокращение времени поиска и установления причины отказа того или иного элемента системы, увеличение сложности алгоритмов и систем диагностики вызывает интерес к разработке методов и средств технической диагностики (ТД), требующих минимальных затрат на их проектирование и реализацию, а также простоту функционирования [1].

Наибольшей популярностью при решении задач ТД все чаще начинают пользоваться интеллектуальные системы, построенные на базе алгоритмов функционирования искусственных нейронных сетей (ИНС) различной архитектуры построения и специфики выполняемых задач. В данной работе рассмотрен принцип диагностирования объектов, выполняющие различные преобразования сигналов с использованием ИНС, суть функционирования которых заключается в построении неявно-выделенной функциональной зависимости данных выходных сигналов объекта контроля (ОК) от входных сигналов, тем самым решая неформализуемую задачу без априорного определения алгоритма функционирования. Рассмотрим модель выпрямительного устройства, реализованного в пакете «Simulink» среды объектно-ориентированного программирования Matlab, представленного на рисунке 1.

Рис. 1. Модель выпрямительного устройства: 1 — выпрямительные диоды; 2 — источник переменного тока; 3 — резистор; 4 — конденсатор; 5 — измерительные вольтметры; 6 — блок сбора обучающих входных данных; 7 — блок сбора обучающих выходных данных; 8 — осциллограф

В исправном состоянии модели выпрямительного устройства с помощью блоков «Inp» и «Out» осуществляется генерация массива эталонных обучающих данных в рабочую область Matlab при инициализации одного цикла функционирования, заданного временным рядом. После чего осуществляется обучение нейронной сети на основе обучающей выборки.

Далее производится создание двухслойной сети Элмана с массивом входов и диапазоном значений [minmax(p)], которая имеет 100 нейронов в скрытом слое и функцией активации tansig (гиперболический тангенс) и одним нейроном в выходном слое с линейной функцией активации purelin. При обучении был выбран обучающий алгоритм «Levenberg-Marquardt». Указанная сеть формируется с помощью команды:

net=newff([minmax(p)], [100 1]), затем выполняется обработка массивов обучающей выборки:

  1. Создание сети: Y=sim(net,Inp);
  2. Задание количества циклов обучения, после которых будет завершено обучение сети: net.trainParam.epoch=500;
  3. Задание интервала вывода информации: net.trainParam.show=100;
  4. Команда для выполнения процедуры обучения:
  5. net=train(net,Inp,Out);
  6. Моделирование спроектированной сети: Y=sim(net,Inp).

Завершив алгоритм обучения, структурный блок ИНС включается параллельно ОК для оценки расхождения преобразованного сигнала (рис. 2, 3).

схема

Рис. 2. Включение ИНС на параллельную работу ОК

134141а

Рис. 3. График эталонного сигнала, преобразованного ИНС

Анализ графика, представленного на рисунке 3, позволяет сделать вывод о том, что такая ИНС в полной мере воспроизводит и справляется с решением задач аппроксимации функциональных зависимостей.

При возникновении неисправности в модели выпрямительного устройства, наложение сигнала от выпрямительного устройства на сигнал от ИНС позволит зафиксировать и вычислить величину отклонения напряжения выпрямительного устройства от допустимой величины, в соответствии с формулой (1) и рисунком 4.

, (1)

где — верхняя (нижняя) граница сигнала от выпрямительного устройства; — установившееся значение сигнала, преобразованного ИНС.

СнимокЫВпывар

Рис. 4. Вычисление отклонения сигнала от эталонного значения

Таким образом, применение ИНС в задачах технической диагностики позволяет решать группы неформализуемых задач без априорного определения алгоритма решения с незначительной затратой трудовых и экономических ресурсов. В ближайшей перспективе интеллектуальные системы позволят осуществлять диагностику ТС объектов различной сложности и архитектуры, являясь унифицированными интеллектуальными диагностическими системами, инвариантными к любым классам и видам используемой информации.

Литература:

  1. Веселов О. В., Методы искусственного интеллекта в диагностике: учебное пособие / О. В. Веселов, П. С. Сабуров; Владимирский гос. ун-т им. А.Г. и Н. Г. Столетовых. ‒ Владимир: Изд-во ВлГУ, 2015. ‒ 251 с.
Основные термины (генерируются автоматически): выпрямительное устройство, блок сбора, обучающая выборка, ОКА, различная сложность, техническая диагностика.


Похожие статьи

Распознавание речи на основе искусственных нейронных сетей

Моделирование алгоритмов обработки данных в специализированных адаптивных вычислительных устройствах

Коррекция динамических погрешностей измерительных преобразователей с помощью цифровых фильтров

Использование мнемотехнических методов запоминания информации при изучении иностранного языка

Когерентный и дифференциальный методы пространственного кодирования сигнала

Оценка параметров полигармонических сигналов методом машинного обучения

Комплексирование данных на основе мультиспектральных представлений

Идентификация осложнений и неисправностей погружного оборудования штанговых насосных установок с помощью нейронных сетей

Применение технологий нейронных сетей для обработки данных в системе управления содержимым

Технология использования коммуникативных таблиц и схем в обучении иностранным языкам

Похожие статьи

Распознавание речи на основе искусственных нейронных сетей

Моделирование алгоритмов обработки данных в специализированных адаптивных вычислительных устройствах

Коррекция динамических погрешностей измерительных преобразователей с помощью цифровых фильтров

Использование мнемотехнических методов запоминания информации при изучении иностранного языка

Когерентный и дифференциальный методы пространственного кодирования сигнала

Оценка параметров полигармонических сигналов методом машинного обучения

Комплексирование данных на основе мультиспектральных представлений

Идентификация осложнений и неисправностей погружного оборудования штанговых насосных установок с помощью нейронных сетей

Применение технологий нейронных сетей для обработки данных в системе управления содержимым

Технология использования коммуникативных таблиц и схем в обучении иностранным языкам

Задать вопрос