МАТЕМАТИЧЕСКИЕ МОДЕЛИ ОЦЕНКИ РАБОТЫ

ЭЛЕКТРООБОРУДОВАНИЯ

Марков Николай Владимирович

курсант Керченского государственного морского технологического

университета,

Россия, г. Керчь

Воложбенский Александр Николаевич

курсант Керченского государственного морского технологического

университета,

Россия, г. Керчь

ИСППР

в

диагностике

оборудования

–

это

человеко-машинные

интерактивные

системы.

Эти

системы

позволяют

ЛПР

поддерживать

все

этапы процесса принятия решений (распознать и определить проблему, цели

действия,

спланировать

и

сгенерировать

методы

его

реализации

для

выполнения

поставленных

целей,

сформировать

варианты

решения

с

использованием

всех

доступных

видов

знаний

и

методов

моделирования,

оценить

возможные

варианты

и

выбрать

наилучший),

а

также

выявить

способные к приобретению новых знаний, к обучению в результате анализа

накопленных знаний и опыта, адаптации их к динамически изменяющимся

внешним

условиям

и

текущему

состоянию

всех

составляющих

элементов

производственной системы [1].

ИСППР,

ориентированные

на

динамические

проблемные

области,

в

настоящем исследовании определяем как интегрированные интеллектуальные

системы, в которых объединяются точные модели и методы поиска решений с

логико-лингвистическими моделями и методами, базирующими на знаниях

специалистов-экспертов, моделях человеческих рассуждений, неклассических

логиках и накопленном опыте. Решение этих задач очень трудно реализовать

без использования методов интеллектуального анализа данных или хотя бы

таких интеллектуальных технологий, как нейронные сети. Отсюда следует

необходимость

интеграции

методов

искусственного

интеллекта

и

традиционных

информационных

технологий,

ком б и н и р о ва н н о е

использование различных методов представления и вывода знаний. Поэтому в

основе построения ИСППРФД должна лежать методология, которая позволяет

решить

выше

представленную

проблему,

объединяет

существующие

информационные подсистемы и использует предметные нормативные базы

данных

инжиниринга

и

производства

с

интеллектуальными

методами

и

технологиями,

создавая,

таким

образом,

интегрированную

среду

для

поддержки решений диагностики.

Так

как

нечеткие

системы

работают

со

слабо

структурированной

качественной

информацией,

а

нейронные

сети

используют

только

количественную

информацию,

объединение

этих

двух

методов

позволит

использовать

всю

доступную

информацию

об

объекте.

Технология,

разработанная на основе интеграции этих двух интеллектуальных технологий,

объединяет

соответствующим

образом

способность

нейронных

сетей

к

самообучению и способность нечетких систем обрабатывать качественную

информацию [2].

Несомненное

достоинство

гибридной

нейронно-нечёткой

технологии

моделирования

и

обработки

информации

заключается

в

возможности

просмотра

сформированных

правил

и

придания

им

содержательной,

лингвистической

интерпретации,

что

позволяет

рассматривать

аппарат

нейронно-нечётких

систем

как

средство

извлечения

знаний

из

экспериментальных баз данных. Извлечение знаний из обученных нейронных

сетей

имеет

фундаментальное

значение

для

создания

гибридных

интеллектуальных

систем,

более

устойчивых,

способных

самостоятельно

объяснить

своё

действие

[2Ошибка:

источник

перекрёстной

ссылки

не

найден].

Рассмотрим методы идентификации и классификации нечётких знаний.

Одной из важнейших проблем при создании гибридных интеллектуальных

систем является моделирование структуры этой системы.

Рассмотрим

основные

методы

использования

нейронных

сетей

для

идентификации параметров системы нечёткого вывода и моделирования её

структуры.

Под

моделированием

структуры

системы

нечёткого

вывода

понимаем

идентификацию

вида

зависимости

между

входом

и

выходом

системы.

Существует

два

возможных

подхода

к

решению

этой

задачи.

Рассмотрим подход к идентификации параметров системы нечёткого вывода,

основанный на использовании многослойных прямонаправленных нейронных

сетей

–

персептронов.

Представляемый

метод

основан

на

концепции

классификации

входных

данных

с

целью

использования

результатов

для

генерирования нечётких правил в экспертной системе, предложенной в.

Принимаем, что известно: множество данных {(xi ji)}, I = 1, 2,…, n, где

хi



X



X2



…



Xn

–

является

n-мерным

вектором

наблюдений

входных

данных,

a

yi



Y

соответствующее

ему

наблюдение

значений

на

выходе

системы. Предполагаем также, что известны разделения области изменения

входных

переменных

на

нечёткие

множества.

На

вход

нейронной

сети

подаются степени принадлежности переменных

(

)

k

i

i

x

m

нечётким множествам

k

i

A

(j = 1, 2,… n, k = 1, 2,…, N). Для моделирования функции принадлежности

используем

гауссовскую

функцию,

введя

обозначение.

В

выражении

k

i

c

–

является наиболее возможным (средним) значением переменной х, а величина

k

i

s

представляет

собой

коэффициент

растяжения

функции

или

ширину

колокола, рассчитываем по следующей формуле:

2

1

2

0

( , , )

1

2

2

0

k

i

i

k

k

i

i

i

k

k

k k k

i

i

i

i

i i i i

k

i

x

c

x

c

д л я

x

c

x

c

x

c

д л я

востальныхслучаях

s

s

s

s

ms

s

�

��

-

�

��

-

�

-

�

��

�

��

�

���

-

�

-

�

=

�

��

-

��

�

��

�

�

�

�

Так

как

нечёткая

классификация

предполагает,

что

не

всегда

можно

требовать принадлежность только к одной выбранной категории, допускается

возможность

принадлежности

данного

образца

в

определённой

степени

к

двум или нескольким классам. Поэтому рассматриваем множество классов

решений

S={S1,

S2,…,

Sm}

соответствующих

выходной

переменной

yi



Y. При этом определяем, что в выходном слое нейронной сети имеется

число нейронов равное числу классов, на которые предполагается разделить

входные данные.

Метод определения желаемых значений выходов во время обучения сети

учитывает

возможность

принадлежности

данного

образца

в

определённой

степени к двум или нескольким классам. Классами на выходе сети могут быть

также разные категории одной переменной. Метод генерирования нечётких

правил,

которые

позволяют

объяснить

решения

и

выводы,

полученные

в

результате работы нейронной сети, можем записать следующим образом: для

данного входного образца х = [Х1, Х2,…, Xn] выполнить классификацию и

определить распределение его принадлежностей элементов к определённым

выходным классам (категориям).

Для

выполнения

анализа

данных

выбираем

выходные

нейроны

с

функциями

принадлежности

близким и

е д и н и ц е . Принимаем,

у

к

,

представляющий

класс S

k

,

является

нейроном,

отвечающим

выше

представленным

требованиям.

Для

каждого

входа x

i

,

значение которого

больше

0,5,

создаём

соединения

внутренней

связи

с

каждым выходным

нейроном,

отвечающим

следующим

условиям:

выходы

всех

нейронов,

входящих в соединение, должны быть выше 0,5 (при этом принимаем, что

используется сигмоидальная функция активации); сумма синаптических весов

всех соединений лежащих на пути sw

ik

является максимальной. Просмотр сети

реализуется при помощи простой рекуррентной процедуры. Максимальные

суммы весов рассчитываем для слоев нейронов, начиная от выходного слоя

сети в направлении входа.

Для

каждого

входного

нейрона x

i

,

для которого был определен путь

соединения, рассчитываем его коэффициент воздействия на решение сети о

принадлежности

к

классу S

k

:

imp

i

=x

i



sw

ik

.

Упорядочим

список

входных

нейронов

согласно

с

порядком

убывания

значений

коэффициента imp

i

.

В

созданном

списке

выбираем

группу

нейронов,

имеющих

самый

высокий

коэффициент

воздействия,

которую

используем

для

формирования

правил.

При этом применим следующий критерий:



sw

ik



2



sw

ik

.

выбранные

невыбранные

Поскольку входы в рассматриваемой модели нейронной сети являются

значениями

принадлежности

переменных

к

определённым

нечётким

множествам,

определённых

в

их

областях

изменений,

выбранные

входы

представляют

собой

нечёткие

условия,

которые

можем

использовать

в

правилах, объясняющих процесс классификации.

Список литературы:

1.

Аверкин

А. Н. Нечёткие

семиотические

системы

управления

/ /

Интеллектуальное управление. – М.: Наука. Физматлит, 1999. – С. 141-145.

2.

Айвазян С. А.,

Мхитарян

В. С.

Прикладная

статистика

в

задачах

и

упражнениях. – М: Изд. ЮНИТИ-ДАНА, 2001. – 270 с.