Название: Вестник Ульяновского государственного технического университета (В.В. Ефимов)

Жанр: Гуманитарный

Просмотров: 1147


Автоматический выбор режимов работы иис с использованием автоассоциативной памяти

 

Предлагается метод выбора режима работы различных измерительных и автомати- ческих систем на основе ассоциации его со значениями параметров контролируемого объекта.  Рассматривается  пример реализации предлагаемого метода в системе  ав- томатической поверки стрелочных измерительных приборов с выполнением автоассо- циативной памяти  на основе искусственной нейронной сети.

 

Современные ИИС, как совокупность функционально связанных уст- ройств и алгоритмов для получения, передачи, преобразования, хранения, обработки, распределения и использования информации, широко исполь- зуются как средство для решения самых разнообразных задач: мониторин- га сложных объектов, автоматизированного управления технологическими процессами, проведения научных исследований и комплексных испыта- ний, автоматизированного проектирования, комплексной автоматизации производства, создания обучающих систем.

Большое значение для развития ИИС в 80-90-х годах сыграло широкое использование микропроцессоров и микроконтроллеров, что позволило значительно повысить качество средств измерений. Улучшились технико-

экономические и технологические характеристики систем, повысилось их быстродействие, надежность, точность измерений, была достигнута  авто- матизация измерений. Информационное обеспечение, за счет которого бы- ли достигнуто повышение данных показателей, базировалось на цифровой вычислительной обработке косвенных, совокупных и совместных измере- ний, на определении статистических характеристик измеряемых величин, цифровой фильтрации, выявлении и устранении отклонений сигналов от

заданных их моделями (принятыми известными) уровней, внесении попра-

вок, учете влияния внешних факторов, оценке достоверности результатов измерений.

Однако развитие  измерительных  задач,  а  именно:  увеличение  числа функционально связанных и несвязанных контролируемых параметров, их

значительное различие по физической природе, характеру измерений, ус- ложнение структуры объектов измерений, их распределенность во времени и пространстве, частое отсутствие точного формализованного описания объекта или его модели, недоступность для измерения многих свойств объекта или влияющих факторов, сделало недостаточными известные цифровые методы обработки результатов измерений и привело к необхо-

димости развития новых информационно-измерительных технологий для организации и проведения измерений, в основу которых положен автома- тический «выбор оптимальной стратегии измерений и целесообразная ин- терпретация их результатов на основе функциональной и метрологической обработки разнообразной по форме поступающей и априорной информа- ции, что и составляет суть интеллектуализации измерений» [1].

Большинство  перечисленных  выше  факторов  усложнения  решаемых

ИИС задач связано с качественным усложнением контролируемых объек- тов и условий измерения. Качественное изменение реализуемых с помо- щью ИИС процессов измерений потребовало представлять результат изме- рения R как совокупность двух множеств Y и : R={Y, }, где Y={y1, y2, …, yn} – определенные значения n искомых параметров контролируемого объ- екта, ={1, 2, …, n} – метрологические характеристики, содержащие по- казатели качества (точность, надежность, достоверность) результата изме- рения.

Чаще всего получение результата измерения в ИИС производится алго-

ритмически, что можно представить выражением

 

R  M ,Y ,         (1)

 

где M – априорно принятая модель объекта, используемая в алгоритме.

Для  разработки  эффективных  алгоритмов  функционирования  ИИС,

обеспечивающих достоверность, точность и надежность получаемой от сложного объекта измерительной информации, требуется включение его

модели в измерительную цепь. При этом известно, что чем сложнее объект

моделирования, тем сложнее создать его достаточно общую и одновре- менно достаточно точную модель. Чаще всего в этом случае проявление различных свойств объекта рассматривается как протекание нескольких параллельных, последовательных или параллельно-последовательных про- цессов (связанных или несвязанных между собой), каждый из которых мо-

делирует одно из свойств объекта. При таком подходе объект описывается не единой универсальной моделью M, а множеством отдельных моделей Mj, каждая из которых справедлива лишь при определенных условиях, но

описывает его с требуемой точностью. Тогда в выражении (2) необходимо использовать совокупность моделей, описывающих объект:

 



R   M j



Yi  Qi  M j : Qi

 

min

 

 yi  Qi

 

max

 

 

(2)

 j 1..k

i 1..n  

 

 

Таким образом, построение полного измерительного алгоритма ИИС для контроля сложного объекта должно проводится на основе ряда его ло- кальных моделей, каждая из которых справедлива только для объекта в определенных ограниченных условиях. При этом в различных условиях для достижения целей измерения может изменяться как алгоритм обработ- ки измерительной информации, так и организация самих измерений. То есть при функционировании ИИС должны реализовываться несколько ре- жимов проведения измерений в зависимости от того, в каких условиях на- ходится объект измерений. Количество режимов функционирования ИИС определяется количеством локальных моделей описания объекта и условий измерения, использованных при разработке алгоритма ее работы. Реали- зуемый режим определяется тем, в каких условиях будет находиться объ- ект на момент проведения измерений, т.е. на основе априорной информа- ции, заложенной в системе (известные локальные модели объекта измере- ния и границы их применимости), и информации, поступившей в систему в процессе предыдущих измерений (определенные значения характеристик объекта измерения Y и оценки их достоверности ). Выбор режима функ- ционирования может осуществляться либо оператором, либо автоматиче- ски.

Аналогичная задача выбора режима работы автоматической системы по определенной ситуации, сложившейся на контролируемом объекте, час- то встречается при разработке различных автоматизированных технологи- ческих комплексов и систем управления ими [2]. В этом случае в качестве

контролируемого объекта выступает какая-либо технологическая операция или технологический процесс, реализация или управление которыми должно осуществляться автоматически соответствующими системами. Каждая технологическая операция имеет свои собственные входы и выхо- ды, измеряемые переменные, возмущения и погрешности измерений, ко- торые, как правило, достаточно сложно взаимосвязаны и не могут быть с требуемой точностью описаны одной универсальной моделью, или данная

модель оказывается чрезмерно сложной и малопригодной для численного решения в ходе функционирования системы. Причем, чем сложнее объект от отдельной элементарной технологической операции до комплекса тех- нологических процессов, тем большее количество режимов работы авто- матической системы должно быть реализовано для эффективной и качест- венной их реализации, тем сложнее процедура автоматического выбора

необходимого режима по комбинации контролируемых параметров объек- та, характеризующих сложившуюся технологическую ситуацию, и необхо- димые воздействия на объект.

Если полагать, что в пределах одного режима процесс функционирова-

ния системы представляет собой алгоритмически определенный процесс, не требующий для выполнения дополнительной информации и неформа- лизованных процедур, то наиболее сложно формализуемой проблемой ос- тается проблема выбора одного из режимов. Если контролируемый объект сложен, то число моделей, описывающих его в различных условиях, может быть достаточно велико.

Чаще всего выбор режима осуществляется оператором, который отсле- живает и контролирует работу системы. Наблюдая за текущими значения- ми параметров объекта, их сочетаниями, он выбирает один из реализован- ных в системе режимов, который обеспечит наивысшее качество ее рабо- ты.

Однако относительную безошибочность выбора оператора можно га-

рантировать только при небольшом (7 – 9) количестве режимов [3] и их четком разделении через систему ограничений:

 

Q

 
min i

 yi  Qi

max

, i = 1, n           (3)

 

 

В общем случае ограничения могут быть односторонними или вовсе отсутствовать.

При ошибочном выборе режима сбор и обработка информации об объ- екте осуществляются алгоритмом, построенным на основе модели не вполне адекватной реально протекающему процессу, что ухудшает   ре-

зультат работы системы.

Более эффективным является использование автоматического выбора. Для этого может использоваться условный выбор, реализованный алго- ритмически. При небольшом числе параметров yi систему ограничений (3) можно записать в виде ряда условий, по которым выбирается один из ва- риантов алгоритма. Система ограничений (3) разбивает всю область пара- метров объекта на ряд подобластей (в общем случае частично перекры- вающихся). Для случая двух параметров это можно представить в виде разбиения плоскости на области, рис. 1.

Каждое состояние объекта, характеризующееся значениями парамет- ров, принадлежащими определенной области,  описывается своей моделью Мi. Для области перекрытия равно эффективными можно считать модели, описывающие объект в любой из перекрывающихся областей.

Случай, когда разделение областей может быть проведено в виде набо- ра ограничений, наиболее прост, но не всегда реализуем на практике. Про- блема выбора модели может быть сформулирована следующим образом: определенный набор переменных yi должен быть ассоциирован с некото-

рым образцовым набором их значений, для которого однозначно опреде- лена модель. В такой постановке данная задача идентична автоассоциа- тивной памяти.

 

y1

 

M2

M3

 

M1

 

Q min   Q max y2

2          2

Рис. 1. Разбиение области параметров объекта

 

Система автоассоциативной памяти обычно работает в двух режимах:

обучения и восстановления. В режиме обучения она запоминает k наборов

n-мерных эталонных образцов {yэ , yэ ,..., yэ ), которые должны быть сохра-

1          2          n

нены. Во втором режиме какому-либо входному неполному или повреж-

денному образцу {y1, y2,..., yn} ставится в соответствие наиболее близкий образец из эталонных.

Реализацию рассматриваемого подхода к автоматическому выбору ре-

жима работы системы, контролирующей и управляющей технологическим объектом  для  достижения  определенной  цели,  рассмотрим  на  примере

функционирования системы для автоматической реализации технологиче-

ской операции поверки стрелочных измерительных приборов [4].

Операция поверки стрелочных измерительных приборов автоматиче- ски реализуется системой, рис. 2, в состав которой входят поверяемый прибор 1, калибратор 2, персональный компьютер (ПК) 3, выполняющий функции управления и обработки измерительной информации, и система

технического зрения 4, предназначенная для ввода измерительной инфор- мации, в данном случае изображения шкалы поверяемого прибора, в ПК. В качестве системы технического зрения в такой системе может использо- ваться, например, оптический планшетный сканер.

На приборостроительных предприятиях на основе одной базовой кон-

струкции прибора обычно производится достаточно большое количество их  типов,  отличающихся  видом  измеряемой   величины   (амперметры,

вольтметры), шкалой (различное количество отметок, их номиналов, раз-

биение ее на различные области и т.д.), диапазоном измерения и т.п. Для

системы поверки каждый тип прибора определяет, по сути, новый объект измерения, для которого существует свой процесс сбора информации (ор- ганизации поверки) и ее обработки (вычисление погрешности в поверяе- мых точках). В случае работы системы в режиме, не соответствующем данному конкретному типу прибора, он может быть либо выведен из строя (при задании на вход сигнала больше предела измерения), либо погреш- ность его показаний будет определена неверно, а, соответственно, годный прибор может быть забракован, а негодный - признан успешно прошед- шим поверку. Поэтому работа системы автоматической поверки должна начинаться с определения типа поверяемого прибора и выбора соответст- вующего ему режима поверки. Полную информацию о типе прибора несет его шкала: обозначение рода измеряемой величины, количество поверяе- мых отметок, их номиналы, диапазон измерения. Таким образом, инфор- мацию со шкалы прибора необходимо ассоциировать с одним из заложен- ных в системе режимов поверки. А так как при оптическом считывании шкалы получаемое  изображение имеет некоторые искажения, то задачу выбора нельзя решить простым побитовым сравнением его с рядом изо- бражений типовых шкал, заранее заложенных в систему.

 

4

 

1          2          3

 

Рис. 2. Структура системы автоматической поверки стрелочных измерительных приборов

 

Решить данную задачу выбора можно на основе использования автоас- социативной памяти, реализованной с помощью нейронной сети, причем на вход такой сети должен подаваться образец, сформированный из эле- ментов изображения шкалы, которое, как уже отмечалось, несет полную информацию, необходимую для выбора режима поверки в системе.

В качестве автоассоциативной памяти для хранения и воспроизведения набора эталонных образцов используется нейронная сеть на основе модели Хопфилда. Нейронная сеть на основе модели Хопфилда представляет со- бой однослойную структуру нейронов, количество которых равно количе- ству элементов эталонного образца. На вход каждого нейрона подаются

сигналы с выходов всех остальных нейронов сети с весами, определенны- ми в ходе обучения. Эталонные образцы сохраняются в ходе обучения пу- тем пересчета соответствующей матрицы весов нейронной сети. Затем, ес- ли на вход сети подается сильно поврежденный образец или только его часть, то сеть эволюционирует согласно своей динамике и достигает рав-

новесия. На ее выходах при этом будет сформирован полный эталонный набор элементов, наиболее близкий к входному. По сути автоассоциатив- ная память выполняет функцию коррекции предъявляемого образца до эталонного [5].

Подаваемое на вход сети дискретизированное изображение размером K*N представляет собой матрицу элементов g(i, j), где i - номер строки; j - номер столбца, i(0; К-1), j(0; N-1), g(i, j) принимает значения (-1, 1). Каждому элементу изображения g(i, j) ставится в соответствие один ней- рон n(i, j). Получаемое в системе автоматической поверки  изображение шкалы имеет размер приблизительно 300300 пикселей,  т.е. количество нейронов сети, реализованной на основе модели Хопфилда, должно быть равно 90000, а количество связей между ними  (90000)2  = 81108. Задача просчета сети такого размера значительно  превышает возможности даже наиболее  мощных  персональных   компьютеров  с  процессором  класса Pentium.  Кроме того, такая сеть будет обладать большой информационной избыточностью.  Определяющую  информацию о типе прибора несут со- вершенно определенные участки шкалы, а не вся ее поверхность. Поэтому размер сети можно значительно сократить, сформировав входной образец только из пикселов с наиболее информационных участков шкалы. Другим возможным способом сокращения  информационной избыточности явля- ется сокращение числа связей между нейронами сети. Так для шкал основ- ных  типов  стрелочных  электроизмерительных  приборов,  выпускаемых

ОАО «Электроприбор» г. Чебоксары путем проведения ряда эксперимен- тов было установлено, что для безошибочного распознавания типа прибора достаточно подавать на каждый нейрон сети выходные сигналы с девяти других нейронов, что позволяет сократить общее число связей в сети до

810000 и сделать задачу решаемой на ПК со средним быстродействием и

ОЗУ в 16 мегабайт.

Структура сети в этом случае будет иметь вид, приведенный на рис. 3.

 

g[k,l]

 

W[k,l]

 

n[i,j]

 

Рис. 3. Структура нейронной сети для определения типа поверяемого прибора

На каждый нейрон n(i, j) подаются выходные сигналы с девяти нейро-

нов n(k, l), k(i-1; i+1), l(j-1; j+1), с весами

R

W [k , l ]   g[i,

X 1

j] g[k , l ] ,     (4)

где R - количество типов различных приборов, подлежащих выбору.

Порог срабатывания нейрона равен нулю.

Работа сети по ассоциации образца с одним из заданных начинается с инициализации, которая предусматривает установку на выходе нейронов

сети значений данного образца. Затем из множества нейронов случайным

образом выбирается один нейрон n(i, j), для которого вычисляется сумма

i1

j 1

 W[k , l ] Output[k , l ],      (5)

k i1 l  j 1

где Output(k, l) - выходной сигнал нейрона n(k, l). Если сумма превышает порог срабатывания нейрона, то выходной сигнал устанавливается равным

1, если сумма меньше порога срабатывания, то выходной сигнал устанав- ливается равным -1. Если вновь определенный выходной сигнал не равен предыдущему, то в данном цикле фиксируется изменение выхода. Процесс

повторяется  до тех пор, пока количество циклов не превысит на 10*К*N номер цикла (в теории нейронных сетей это считается достаточным для за- вершения сетью обработки), в котором произошло последнее изменение выхода.

Проходя через нейронную сеть, образец, сформированный по считан- ному изображению шкалы, изображение ассоциируется с одним из запом- ненных сетью типов шкалы, а следовательно, однозначно определяется тип

прибора и режим его поверки. Тем самым происходит полностью автома- тическая, без участия оператора, настройка системы на  определенный ре- жим работы.

Аналогично приведенному примеру нейронная сеть может использо- ваться для выбора модели контролируемого объекта по образцу, сформи- рованному из измеренных значений его параметров. Таким образом, ис-

пользование автоассоциативной памяти в ИИС различного назначения по- зволяет, по сути, проводить адаптацию системы путем выбора режима ее работы к изменению состояния контролируемого объекта и добиваться вы- соких показателей качества  функционирования.