Название: Вестник Ульяновского государственного технического университета (В.В. Ефимов) Жанр: Гуманитарный Просмотров: 1160 |
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
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:
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.
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
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 300300 пикселей, т.е. количество нейронов сети, реализованной на основе модели Хопфилда, должно быть равно 90000, а количество связей между ними (90000)2 = 81108. 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.
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 i1 j 1 W[k , l ] Output[k , l ], (5) k i1 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.
|
|