19. Нарисуйте блок-схемы обучения искусственной нейронной сети (инс) в системах управления с учителем и стимулируемым самообучением.

Обучение искусственных нейронных сетей.

Для получения требуемых преобразовательных характеристик нейронная сеть должна быть настроена. Процедура настройки заключается в подборе значений синаптических весов для заданной топологии сети. Такая настройка называется процедурой обучения или тренировкой ИНС.

Различают два метода обучения: с учителем и стимулируемое самообучение (рис.).

а) б)

Рис.. Виды обучения ИНС

а) обучение с учителем; б) самообучение

Обучение ИНС с учителем в теории управления принято называть обучением по эталону. Метод применяется в алгоритмах прогнозирования и диагностики, а также в задачах идентификации объектов управления (рис., а). В такой процедуре обучения для каждого воздействия внешней среды параметры ИНС настраиваются для получения заданной эталоном реакции сети.

Самообучение ИНС представляет процесс настройки параметров с целью достижения экстремального значения заданного критерия функционирования ИНС. Для автоматических систем регулирования это стандартная задача поиска настроечных параметров нейроконтроллера, реализуемого нейросетью (рис., б).

27. Поясните пример диагностирования частичных отказов измерительных каналов для парового котла.

Информационная избыточность определяется уравнениями материального и теплового балансов:

G_пв - G_пр -D_пе = G; 100 - q₁ - q₂- q₃ - q₅ = q (2.16)

где G_пв, G_пр, D_пе, G, q₁, q₂, q₃, q₅, G, q - соответственно расходы питательной воды, продувки, перегретого пара, т/ч; доля тепла, полезно используемого в котле, теряемого с уходящими газами, от химического недожога и в окружающую среду, %; G - материальный небаланс, т/ч; q -тепловой небаланс, %.

Для анализа производственной ситуации обрабатывалась выборка измеряемых технологических параметров котла за месяц. Измеряемые параметры записывались в массив с интервалом 15 мин. На рис. 2.19, а показана реализация расхода газа на котел за рассматриваемый промежуток времени.

Реализация корректирующей поправки приведена на рис. 2.19, б. В факторном пространстве результат множественной обработки представлен в виде "облака". На рис. 2.19, в показаны его проекции на оси F_г - F_т (небаланс по теплу) и F_г - F_м (материальный небаланс).

Из рис. 2.19, в видно, что "облако" смещено относительно начала координат. Причинами такого смещения могут быть как систематические погрешности каналов измерения, так и неучтенные факторы в модели объекта. Так как истинные причины смещения "облака" относительно начала координат неизвестны, то изменение технологической ситуации предлагается оценивать относительно некой исходной "идеальной" модели производства. В качестве модели "идеального" производства предлагается рассматривать ситуацию, когда положение "облака" не изменяется в течение определенного промежутка времени. Смещение "облака" относительно идеального будет характеризовать возникновение аномальных ситуаций.

а

б

в

Рис. 2.19. Обработка результатов измерения расхода газа

Проведенные в работе исследования показали, что на величину корректирующих поправок x_i,- и соответствующее им положение "облака" в факторном пространстве оказывают влияние те параметры, которые имеют наибольший вес в балансовых уравнениях. В связи с этим диагностированию поддаются не все параметры, входящие в используемые расчетные формулы балансовых соотношений. Веса измеряемых параметров в балансовых соотношениях найдены в результате анализа чувствительности уравнений небалансов к вариациям результатов измерений.

Наибольшие веса в уравнении материального баланса котла имеют расходы питательной воды G_пв и пара D_пе. Результат анализа чувствительности теплового баланса котла к вариациям измеряемых параметров, представлен на рис. 2.20.

Рис. 2.20. Чувствительность теплового небаланса котла к

вариациям измеряемых параметров

Наибольшее влияние на тепловой небаланс оказывают расходы газа, воды и пара. Остальные параметры практически не оказывают влияния на величину теплового небаланса и их вариации не приводят к сдвигу "облака".

Таким образом, в соответствии с используемыми выражениями расчета балансовых соотношений, диагностируемыми параметрами принимаются расходы пара, питательной воды и топлива, что реально отображает сущность технологического процесса парообразования в котле. Для диагностирования параметров, имеющих малые веса, необходимо вводить дополнительные соотношения, в которые эти параметры входят с достаточным весом.

Для формирования обучающей выборки определялись диапазоны вариаций параметров, соответствующие термам L, N и Н . В основу выбора положен экспертный подход исходя из опыта эксплуатации ИИК.

Для диагностирования информационно-измерительного канала расхода газа построена ИНС вида, представленного на рис. 6.

Рис. 2.21. Топология нейросети для диагностики частичных отказов информационного канала для измерения расхода газа

Входами нейросети являются величины приращений расходов и значения небалансов, а выходами значения функций принадлежности.

Анализ результатов оценивания показал, что на величины приращений измеряемых параметров их вариации оказывают взаимное влияние. Поэтому число тренировочных шаблонов определялось как полный перебор всех сочетаний переменных. В случае диагностики канала измерения расхода газа производился полный перебор сочетаний (H, N, L) трех переменных (F_г, D_пе, G_пв). Тренировочные шаблоны для обучения сети формировались путем целенаправленной последовательной вариации параметров в соответствии с выбранными диапазонами (табл. 1). Виды полученных тренировочных шаблонов в проекции на оси факторного пространства показаны на рис. 7.

Рис. 2.22. Тренировочные шаблоны для диагностирования расхода газа

Значения выходов обученной нейросети при вариациях расхода газа относительно сбалансированного режима показаны на рис. 2.23. Исходя из вида полученных функций принадлежности, порог принятия (минимальное значение выхода сети, при котором наблюдение будет считаться принадлежащим классу Н или L) можно считать равным 0,5. В связи с чем значение функций принадлежности или будет говорить о частичном отказе канала измерения расхода газа.

Рис. 2.23. Результат обучения нейросети

Подобным образом были построены нейросети и сформированы тренировочные шаблоны для диагностирования измерительных каналов расходов питательной воды G_пв и пара D_пе.

Обработка выборки измеренных параметров с помощью предложенного метода показала, что диагностируемые информационные каналы в течение рассматриваемого промежутка времени работали в пределах основной допускаемой погрешности. Полученный результат позволяет сделать вывод об отсутствии частичных отказов ИИК.

Данный подход с использованием технологий искусственного интеллекта дает возможность достаточно быстро и в реальном масштабе времени проводить перенастройку диагностической системы и адаптироваться к изменениям технологической ситуации.

Внедрение разработанной методики повышает достоверность получаемой информации и тем самым улучшает качество управления.

ИМАУ