Проанализирована возможность применения теории искусственных нейронных сетей в качества инструмента прогнозирования параметрических отказов оборудования судовой энергетики, рассмотрены возможные пути реализации такой технологии прогнозирования, указаны ее недостатки и преимущества, сделаны выводы.
Ключевые слова: объект морской техники и инфраструктуры, оборудование судовой энергетики, искусственная нейронная сеть, прогнозирование, аппроксимация, параметрический отказ оборудования.
Прогнозирование является одним из неотъемлемых методов планирования практически во всех областях жизнедеятельности человека и общества, позволяя прибегнуть к наиболее рациональному распределению ограниченного числа различных ресурсов, а также и избежать критических последствий в ситуациях, когда недостатки какой-либо из рассматриваемых в данном ключе систем (социальных, экономических, технических и т. д.) не были вовремя обозначены, а их надежность оказалась изначально завышенной.
Тем не менее, вопрос прогнозирования по части отказов судовой энергетики хоть и является одним из перспективных направлений повышения долговечности как судовой энергетики в частности, так и всей совокупности объектов морской техники и инфраструктуры (ОМТИ) в целом, занятые в вопросе поддержания жизнеспособности судовых установок эксперты полагаются в первую очередь на такие проявления диагностики, как регламентные и плановые проверки, мониторинг текущего состояния оборудования и обусловленное изначальными показателями его надежности техобслуживание. Разумеется, такой подход связан с тем, что любые дефекты в судовой энергетики, будучи не своевременно обнаруженными, в большинстве случаев приводят к ситуации, когда под угрозой оказывается как сама целостность дорогостоящего оборудования корабля в целом, так и жизнь и здоровье людей, представляющих собой экипаж, обслуживающий персонал и т. д., то есть непосредственно связанных с функционированием ОМТИ. [1]
Несмотря на вполне оправданную приоритетность более конкретных методов обеспечения бесперебойной работы над прогнозированием параметрических отказов оборудования судовой энергетики, такой подход может стать одним из пассивных способов предварительного выявления неисправностей оборудования в тех случаях, когда традиционные методы не смогли учесть всей картины. А одним из возможных путей реализации процесса прогнозирования подобных отказов является аппроксимация функций, описывающих процесс работы оборудования на судне, с использованием теории искусственных нейронных сетей (ИНС).
Под аппроксимацией в данном случае следует понимать процесс замены неизвестной изначально зависимости одного параметра от другого математическим выражением, способным повторить исходную функцию с достаточно высоким уровнем точности. Данный процесс требует не одного только лишь формального математического подхода, но также и определенной доли творческой составляющей, выражающейся в том числе и способностью специалиста избрать наиболее точное приближение за счет собственного опыта работы с подконтрольным объектом.
Параметрический же отказ оборудования подразумевает нарушение процесса его нормального функционирования в следствие выхода его основных рабочих параметров за предельно допустимые рамки значений. В связи с тем, что любой механизм даже при предельной точности производства представляет собой индивидуальный объект, точные параметры функционирования определяются в первую очередь не по справочным материалам и заводской технической документации на устройство, а путем проведения тестовых измерений непосредственно в процессе его функционирования. Достаточно тщательный подход в этом плане и позволяет проводить техническую диагностику оборудования достаточно точно.
Таким образом, произведя достаточное число измерений, позволяющих получить представление о процессе функционирования какого-либо ОМТИ, можно переходить к аппроксимации зависимости его основных рабочих параметров. Здесь и появляется возможность применения теории ИНС в качестве относительно простого и гибкого инструмента аппроксимации.
Первичные очертания теория ИНС получила еще в 50-х годах XX века, за счет появления модели обработки информации человеческим мозгом Маккалока-Питтса (теорема была сформирована в 1943 г.) и дальнейших трудов нейрофизиолога Фрэнка Розенблатта, которого в последствии окрестили отцом данного научного направления. К сожалению, в связи с трагической гибелью Розенблатта в 1971 году, опровергнуть негативное отношении к теории ИНС со стороны ведущих математиков того времени оказалось практически некому и вплоть до 1990-х годов она оставалась практически без развития. В настоящий же момент времени данная теория применяется во множестве областей, в том числе и по части аппроксимации функций. [2]
Наиболее распространенным подходом в формировании и обучении ИНС является предоставление сети заранее сформированной выборки из входящих параметров, точная реакция на которые известна заранее. Так, прогоняя через ИНС массив данных и сравнивая ее выход с эталонным значением, производится коррекция весовых коэффициентов сети, заданных изначально за счет элемента случайности.
Для того, чтобы лучше понять сам принцип работы подобных сетей, следует рассмотреть один из возможных вариантов их представления:
Рис. 1. ИНС с топологией 2x4x4x2
А также сам искусственный нейрон в общем виде:
Рис. 2. Искусственный нейрон в общем виде
Информация, поступающая на входные нейроны сети, преобразуется за счет весовых коэффициентов синаптических связей между нейронами, по которым она и продвигается далее. Поступившие в каждый нейрон входные значения обычно суммируются, после чего полученный результат проходит через так называемую функцию активации, от которой зависит дальнейший выход нейрона. При этом изначальные входные значения подвергаются определенному алгоритму нормализации, в связи с чем для выходных значений сети может быть настроен также и специальный интерпретатор, выполняющий обратный процесс и облегчающий рабочий процесс наблюдателя. [3]
Различают следующие основные способы обучения ИНС:
- Метод обратного распространения ошибки (BProp);
- Метод упругого распространения ошибки (RProp);
- Генетический алгоритм (GA);
- Генеративно-состязательный алгоритм (GAN).
Стоит отметить, что GAN-метод хоть и нуждается в применении какого-либо другого метода обучения ИНС в качестве базиса, но именно он позволяет добиться наиболее эффективных результатов работы подобных сетей в настоящее время. Его суть заключается в том, чтобы одна сеть, играющая роль генератора, научилась «обманывать» другую, представляющую дискриминатор. В данном случае дискриминатор изначально обучен отличать реальную информацию от сгенерированной искусственным образом, а генератор обучается формировать информацию до тех пор, пока его «оппонент» не допустит достаточного числа ошибок, то есть ложные результаты будут приниматься за достоверные. Данный метод обширно применяется при необходимости восстановления поврежденной графической информации, но он также подойдет в том числе и в целях аппроксимации функции. [4]
Конечная топология сети как правило определяется эмпирическим методом.
Следовательно, проведя достаточное число измерений параметров объекта судовой энергетики, исследователь получает возможность обучить ИНС предсказывать результат выходного параметра в зависимости от входного значения. Некоторым недостатком такого подхода может считаться необходимость применения сведений, полученных также и в результате работы других аналогичных приборов и элементов судовой энергетики, подверженных параметрическим отказам ранее, поскольку снять подобные показания с нового оборудования возможным не представляется. Как уже было отмечено, любой механизм не является прямой копией подобных ему агрегатов, но и отличия в функционировании каждого отдельного из объектов может быть нивелировано за счет формирования достаточной базы зависимостей между параметрами у оборудования, проработавшего достаточно долго.
В качестве входных и выходных параметров оборудования могут применяться также и пары изначально не связанных друг с другом параметров. Выбор подходящей пары параметров должен осуществляться ответственным лицом, имеющим профильное образование в данной области, а также достаточный опыт работы с устройствами судовой энергетики. Примеры подходящих параметров приведены далее в таблице 1.
Таблица 1
Параметры, допустимые кприменению впрогнозировании параметрических отказов оборудования судовой энергетики
|
Входные параметры |
Выходные параметры |
|
Время перемены хода (реверс), с |
Наибольшая мощность одного агрегата, л.с. |
|
Время приготовления установки к действию, мин |
Наибольшая частота вращения, об/мин |
|
Мощность заднего хода, % от мощности переднего хода |
Наибольший эффективный КПД установки, % |
Приведем пример применения аппроксимации функции условной зависимости одного параметра от другого Y(X) с помощью фиктивного графика, представленного на рисунке 3 далее. Пунктирной линией в данном случае обозначен предельно допустимый уровень, выход за пределы котором будет обозначать параметрический отказ оборудования. Гладкая же линия выполняет роль графического представления аппроксимации функции, полученной за счет применения ИНС. Таким образом за счет применения нейронных сетей мы получаем возможность определить при каком значении входного параметра выходной достигнет критической точки. Данная информация позволяет как избежать установки недопустимых значений входного параметра, так и определить в какой момент времени наиболее вероятен выход оборудования из строя, если изменение входного параметра зависит не только от оператора, но также и от времени эксплуатации оборудования.
Рис. 3. Пример применения аппроксимации функции
Можно выделить несколько вариантов формирования ИНС:
- Применение платформы Deductor Studio;
- Написание собственной ИНС на одном из языков программирования:
2.1. С нуля;
2.2. За счет применения готовых библиотек.
- Физическая реализация с применением микропроцессоров.
Применение теории ИНС в целях прогнозирования параметрических отказов оборудования является одним из примеров той синергии, когда применение сравнительно доступных средств и методик позволяет избежать разрушительных последствий в тех случаях, когда стандартизированные средства контроля в совокупности с традиционным подходом не могут обеспечить полноценного контроля и мониторинга состояния оборудования судовой энергетики, что в свою очередь может привести к экономическому и иному ущербу, значительно превосходящему затраты на внедрение рассмотренной технологии.
Литература:
- Горбов В. М. Энциклопедия судовой энергетики. — Николаев: НУК, 2013. — 607 с.;
- Дорогов А. Ю. Теория и проектирование быстрых перестраиваемых преобразований и слабосвязанных нейронных сетей. — СПб.: Политехника, 2014. — 344 с.;
- Ручкин В. Н. Системы искусственного интеллекта. Нейросети и нейрокомпьютеры. — М.: Курс, 2018. — 288 с.;
- GANSynth: создание музыки с помощью GAN // Neurohive. URL: https://neurohive.io/ru/novosti/gan-for-music-synthesis/ (дата обращения: 20.11.2019).
