RU146839U1 - Устройство адаптации распределительной системы контроля многопараметрического объекта - Google Patents

Abstract

Устройство адаптации распределительной системы контроля многопараметрического объекта, содержащее нейросетевой блок, отличающееся тем, что дополнительно введено буферное запоминающее устройство, блок векторного вычитания, блок денормирования, причем выход нейросетевого блока соединен с буферным запоминающим устройством, выход которого соединен с первым входом блока векторного вычитания, второй вход которого соединен со вторым выходом нейросетевого блока, а выход блока векторного вычитания соединен с блоком денормирования.

Description

Техническое решение относится к средствам управления оборудованием технической диагностики, телемеханики и может быть использовано при построении систем дистанционного контроля состоянием многофакторных и многопараметрических технических систем, например, больших электромеханических комплексов.

Известна система управления и анализа объекта при изменении его внутренней структуры (патент РФ 118448, MПК⁷ G05B 13, опубл. 20.07.2012. Система управления и анализа объекта при изменении его внутренней структуры), включающая объект управления, вход которого соединен с входом нейросетевого регулятора, вход нейронной сети (НС) Хопфилда соединен с выходом объекта управления, выход ИС Хопфилда соединен с входом блоком вычисления энергии системы, выход блока вычисления энергии системы соединен с входом нейросетевого регулятора, вход нейросетевого регулятора соединен с выходом объекта управления и с сигналом задания, введены нейронная сеть Хопфилда и блок вычисления энергии системы, которые позволяют улучшить управление, реализуемое нейросетевым регулятором, в силу того, что определяют какие изменения, происходят в объекте управления на основании анализа и расчета энергии системы.

Недостатком данной модели является ненадежность сети и доверия к его решениям.

Также, известна близкая по технической сущности система управления, предназначенная для построения моделей объектов регулирования на основании показателей качества (патент на полезную модель RU 119475 MПК⁷ G06N 3/02, опубл. 20.08.2012. Нейросетевая модель сравнения по показателю качества), которая содержит объект управления, на вход которого подается входной сигнал, выход объекта управления соединен с входом блока расчета показателя качества, вход сумматора соединен с выходом блока расчета показателя качества и с выходом нейросетевой модели, выход сумматора соединен с входом блока алгоритма обучения, вход нейросетевой модели соединен с выходом блока алгоритма обучения и с входным сигналом. Технический результат заключается в получении нейросетевой модели объекта управления с показателем качества не хуже чем у объекта управления, на основании которого она строится.

Недостатком наиболее близкого технического решения является недостаточная достоверность полученных данных относительно функционирования устройства для распознавания новых входных сигналов.

Задачей, на решение которой направлено заявляемое техническое решение, является обеспечение достоверности полученных данных функционирования существующей системы контроля многопараметрического объекта, с возможностью распознавания новых входных сигналов.

Поставленная задача заключается в том, что устройство адаптации распределительной системы контроля многопараметрического объекта содержит нейросетевой блок, в него дополнительно введено буферное запоминающее устройство, блок векторного вычитания, блок денормирования, причем первый выход нейросетевого блока соединен с буферным запоминающим устройством, выход которого соединен с первым входом блока векторного вычитания, второй вход которого соединен со вторым выходом нейросетевого блока, а выход блока векторного вычитания соединен с блоком денормирования.

На Фиг. изображена функциональная схема устройства адаптации распределительной системы контроля многопараметрического объекта.

Устройство адаптации распределительной системы контроля многопараметрического объекта содержит нейросетевой блок 1, первый выход которого соединен с буферным запоминающим устройством 2, выход которого соединен с первым входом блока векторного вычитания 3, второй вход которого соединен со вторым выходом нейросетевого блока 1, а выход блока векторного вычитания 3 соединен с блоком денормирования 4.

Устройство адаптации системы контроля многопараметрического объекта работает следующим образом. На Фиг. изображены векторы, отражающие следующие значения.

X - вектор задания входных сигналов измерительного контроля, поступающих на вход нейросетевого блока 1. Компоненты вектора - измеряемые параметры, регистрируемые параметры внешней среды, управляющие воздействия на систему контроля и т.д.

Y - вектор выходных сигналов, заведенный на второй вход нейросетевого блока 1. Компоненты вектора - показатели качества системы контроля многопараметрического объекта.

C - сигнал, содержащий информацию о текущих выходных вероятностных характеристиках элементов существующей реальной системы контроля.

A - сигнал, передающий значения коэффициентов матриц межнейронных связей нейросетевой модели функционирования объекта контроля.

B - сигнал, передающий значения коэффициентов матриц межнейронных связей исправно функционирующей распределенной системы контроля, предназначенный для сравнения с текущим массивом межнейронных связей.

Q - сигнал, содержащий информацию о величинах и направлениях изменений взвешенных выходов НС, соответствующих управляемым элементам распределенной системы контроля.

Z - выходной сигнал, в параметризованно-кодированной форме содержащий информацию об управляющих воздействиях на объект контроля.

Устройство адаптации распределительной системы контроля многопараметрического объекта предназначено для процесса подстройки коэффициентов системы, так, что бы на выходе системы достигают какой-либо оптимальный результат. В качестве такой системы используют распределенную систему контроля многопараметрического объекта. Т.е. адаптируемый объект - распределенная система контроля.

Входом X являются компоненты вектора, содержащие рабочие воздействия на распределенную систему контроля (например, величины напряжений датчиков, величины регистрируемых факторов внешней среды, управляющие воздействия операторов или автоматики), например в момент времени T_i вектор X=[1,23 В, 6,33 В, 4,25 А, 1,02 атм., 0, 1, 0], где первые три компоненты напряжения и ток, контролируемого объекта, четвертая - давление как фактор внешней среды, с 5-й по 7-ю компоненты - параметризация управляющих воздействий в момент времени Т_i. Всего таких векторов K.

Выходом Y являются компоненты вектора качества решения задач контроля, например, в момент времени T_i вектор Y=[0,94, 2, 22, 2500], где 0,94 - достоверность контроля (как вероятность правильного распознавания вида технического состояния контролируемой ЭМС), 2 - погрешность измерений физических величин в %, 22 - время решения задачи в минутах, 2500 - текущая стоимость контроля в относительных единицах. Всего таких векторов, тоже, K.

Данными сигнала C являются компоненты вектора, содержащие текущие вероятностные характеристики внутренних составных элементов контролируемого объекта, например, вектор C=[0,99, 0,84, 0,95, …], где 0,99 - вероятность того, что аппаратура формирования группового диагностического сигнала в момент времени Т_i работоспособна и исправна, 0,84 - вероятность того, что в момент времени Т_i аналого-цифровой преобразователь функционирует правильно… и т.д. по аналогии. Вектор C один для всех K векторов входов-выходов.

В нейросетевой блок 1 эмулируют многослойную НС, где каждый нейрон соответствует какому-либо элементу реальной системы контроля. В качестве значений взвешенных выходов НС используют нормированные значения вектора C. Так как часть элементов реальной системы контроля управляемы, то в силу теоремы о представимости нейронной сетью любого нелинейного многомерного отображения, всегда можно обучить НС при фиксированных выходах ее нейронов (соответствующих компонентам вектора C) отображать множество входов X во множество выходов Y. Все сигналы с выхода контролируемого объекта поступают на вход нейросетевого блока 1 где нормируют их в единый диапазон [0, 1], для того чтобы моделировать процесс адаптации в нейросетевом базисе.

Выход нейросетевого блока 1 - сигнал А - содержит массивы межнейронных связей {W} НС. Сигнал А, содержащий массивы межнейронных связей, характеризующий функционирования распределенной системы контроля в нормальном режиме записывают в блок буферного запоминающего устройства 2. Назначение блока буферного запоминающего устройства 2 - запоминать массив межнейронных связей, соответствующих такой настройке весов НС, когда моделируемая ею распределенная система контроля функционирует правильно. Выход блока буферного запоминающего устройства 2 - В - это тот же массив межнейронных связей исправно функционирующей распределенной системы контроля, предназначенный для сравнения с текущим массивом межнейронных связей. Фактически в блоке буферного запоминающего устройства 2 осуществляют задержку на такт адаптации сигнала, содержащего массивы межнейронных связей.

Блок векторного вычитания 3, в котором текущий выход А нейросетевого блока 1 и задержанный выход В блока буферного запоминающего устройства 2 вычитают поэлементно друг из друга, и на выходе блока векторного вычитания 3 оставляют ненулевыми только те значения весов, которые соответствуют элементам распределенной системы контроля, значения вероятностных характеристик которых необходимо изменить. Сигнал Q содержит информацию о величинах и направлениях изменений взвешенных выходов НС, соответствующих управляемым элементам распределенной системы контроля.

В блоке денормирования 4 компоненты вектора Q - денормируют в конкретные значения необходимых изменений вероятностных характеристик внутренних составных элементов реальной системы контроля (тех элементов, веса, нейронов которых изменились). Выход блока денормирования 4 - сигнал Z - содержит конкретные управляющие воздействия на элементы реальной распределенной системы контроля многопараметрического объекта.

Рассмотрим распределенную, многоуровневую систему контроля - датчики, провода, узлы промежуточного контроля и на верхнем уровне в виде графа - узел, где окончательно оценивают значение - некоторого признака - достоверность решения, причем на верхнем уровне может быть несколько признаков - оперативность решения, стоимость диагностического решения и т.д. Сигнал C с контролируемого объекта поступает в нейронный блок 1, где где каждый нейрон соответствует какому-либо локальному элементу или подзадаче в данной распределительной системе, а взвешенные выходы нейронов соответствуют значению вероятности правильного выполнения локальным элементом своей функции. Т.е. если вероятность выполнения элементом распределительной системы диагностики - лежит в интервале [0, 1], и выход нейрона, также лежит в этом интервале.

Если распределительная система диагностики правильно функционирует, тогда на сигналах X и Y возможно обучить НС отображать вход (сигналу X соответствуют входы датчиков, лежащие в пределах номиналов измеряемых физических величин) в выход, а сигналу Y - значения показателей качества решения задачи контроля: достоверность, оперативность, стоимость и т.д. Таким образом, получается модель распределенной системы диагностики, нормально функционирующей. Соответствующий массив {W} в виде сигнала Л записывается в блок запоминающего устройства 2.

Пусть в ходе эксплуатации системы контроля, в результате естественных или преднамеренных воздействий на систему контроля обнаружено ограничение на выходной вероятностный функционал одного или нескольких функциональных звеньев системы контроля, или иными словами, у некоторых элементов системы многопараметрического контроля изменилась вероятность их исправности и/или работоспособности, т.е. изменились компоненты вектора C на заявляемой схеме и соответственно возникает необходимость в адаптации. Тогда взвешенные выходы соответствующих нейронов меняют свои значения (если вероятности уменьшились, то стали меньше и нормированные значения взвешенных выходов соответствующих нейронов - это ограничения в виде неравенств, если вообще некоторые элементы распределенной системы контроля вышли из строя, то вероятности стали равными нулю - ограничения в виде равенств).

- ограничение элемента системы контроля типа равенства;

- ограничение элемента системы контроля типа неравенств; (1)

- элемент системы контроля неработоспособен.

где: P(u_j) - вероятность правильного функционированияу j-го звена системы контроля; w_ij - величина регулируемой функциональной связи между i и j-м функциональными элементами, находящихся, на s-м уровне иерархии системы контроля, f(*) - стохастический функционал, осуществляющий однозначное отображение множества значений вероятностной характеристики P(u) функционального звена и в единый для всех элементов системы контроля диапазон [0, 1], s - количество уровней иерархии системы контроля.

В то же время сигналы X и Y остались прежние, т.к. свою задачу система контроля должна, по-прежнему, выполнять. Тогда, в нейросетевом блоке 1 НС переобучают, но с фиксированными взвешенными выходами нейронов соответствующих неисправным элементам распределенной системы контроля. После переобучения получаем массив матриц весов {W} и в составе сигнала A подают на блок векторного вычитания 3. В блоке векторного вычитания 3 осуществляют селекцию тех весов и, соответственно взвешенных выходов нейронов, которые отличаются от матрицы весов при нормальной, исправной системе распределенного контроля многопараметрического объекта. Информация о направлении и величинах изменений взвешенных выходов нейронов, изменения которых обнаружены, содержится в выходном сигнале Q блока векторного вычитания 3. В блоке денормирования 4 данные значения денормируют в конкретные физические величины, например сигнал Z с выхода блока денормирования 4 управляющих воздействий на реальную распределенную систему многопараметрического контролируемого объекта.

Таким образом, определив множество w_ij многослойной модели системы контроля, аппроксимирующую зависимость “вход/выход” для множества режимов штатного функционирования и, аналогично, определив множество

структурно и/или параметрически видоизмененной модели “неисправной” системы контроля для множества тех же режимов штатного функционирования, путем анализа изменений в пространстве

, появляется возможность локализовать управляемые элементы системы контроля, позволяющие обеспечить заданный функционал качества системы контроля на высшем уровне ее иерархии.

С помощью устройства адаптации распределительной системы контроля многопараметрического объекта n-мерного вектора X=(х₁,x₂,…x_n)^т функционалов вероятностных характеристик измеряемых физических процессов в m-мерный вектор Y=(y₁,y₂,…,y_m)^т показателей качества системы контроля многократно вычисляют искомые приращения Δy_i=Δw_ij·f(P(u_i)), где Р(u_i)^k-1 - вероятность правильного функционирования i-го звена на (k-1)-м уровне иерархии системы контроля; w_ij - величина регулируемой функциональной связи между i и j-м функциональными элементами, находящихся, соответственно на k-1 и k-м уровнях иерархии системы. Зная вид и параметры функционалов структурных элементов системы контроля, реализовать параметрический синтез системы контроля известной структуры можно с использованием парадигмы “обучения с учителем”. Парадигма основана на предъявлении, смоделированных по методу Монте-Карло множества обучающих образов, каждый из которых описывается своим входным вектором X, и множества желаемых реакций - целевых значений выходного функционала качества системы контроля - Y. Вводя для каждого k-то уровня иерархии системы контроля матрицу настраиваемых весов поэлементных межиерархических связей, модель должна быть, настроена так, чтобы минимизировать некоторую функцию невязки Е отклонения фактического значения Yⁱ от желаемого Dⁱ, причем этот процесс синтеза продолжают до тех пор, пока выход не станет для каждого i удовлетворять критерию Еⁱ<Δ.

Заявляемое техническое решение, т.е. устройство адаптации распределительной системы контроля многопараметрического объекта позволило обеспечить достоверность полученных данных функционирования с возможностью четкости распознавания новых входных сигналов.

Claims (1)

1. Устройство адаптации распределительной системы контроля многопараметрического объекта, содержащее нейросетевой блок, отличающееся тем, что дополнительно введено буферное запоминающее устройство, блок векторного вычитания, блок денормирования, причем выход нейросетевого блока соединен с буферным запоминающим устройством, выход которого соединен с первым входом блока векторного вычитания, второй вход которого соединен со вторым выходом нейросетевого блока, а выход блока векторного вычитания соединен с блоком денормирования.

   

Images