Scientific journal

Modern problems of science and education

ISSN 2070-7428

"Перечень" ВАК

ИФ РИНЦ = 1,006

Введение

Как известно, задача распознавания образов заключается в разделении исходных данных по определенным классам с помощью выделения существенных признаков, характеризующих эти данные, из общей массы несущественных данных [1].

Исходя из вышеописанного, задачу диагностики можно описать как частный случай теории распознавания образов. В простейшем случае исходные данные разделяются на два класса: исправное и неисправное устройство. В более сложных системах количество классов увеличивается, поскольку система должна не только определять наличие неисправности, но и идентифицировать эту неисправность. Пример классов может быть следующий: «исправен», «неисправна часть А», «неисправна часть Б».

Одним из вариантов решения поставленной задачи являются искусственные нейронные сети (ИНС). В качестве плюсов использования ИНС следует указать унифицированный подход к решению широкого класса задач, решение задач при неизвестных закономерностях, устойчивость к шумам во входных данных, адаптирование к изменениям окружающей среды.

Описанные преимущества позволяют унифицированным образом строить диагностические системы сложных объектов, устойчивых к возможным возмущениям (измерительному шуму), отказам и обладающие универсальными аппроксимирующими свойствами.

Цель работы: решение задачи оптимизации предложенного ранее автором интеллектуального алгоритма диагностики высоковольтных выключателей.

Материал и методы исследований: методы оптимизации, генетические алгоритмы, нейронные сети, математического моделирования с использованием свободно распространяемой системы для математических вычислений Octave.

Результаты и обсуждение

Разработка интеллектуальной системы диагностики производилась для высоковольтных выключателей (ВВ). Существующие диагностические приборы ВВ вычисляют их скоростную характеристику как функцию от хода контактов выключателя (перемещения) или от времени. При регулировке механизма выключателя и оценке его работы в качестве координаты используют ход подвижного контакта или траверсы. Пример такой характеристики изображен на рисунке 1 [3].

Рис. 1.  График функции v(s) процесса отключения исправного выключателя типа МКП‑110М

Из графика на рисунке 1 специалист может оценить работу пружин контактов, пружин дугогасительных устройств, отключающих пружин, отсутствие затираний в направляющем устройстве, работу масляного буфера [6].  Для этого график работы выключателя разбивается на участки по происходящим в них процессам, таким как запуск команды «отключение» приводом, разгон штанги с траверсой (участок 1–3), размыкание контактов (точка 2), достижение штангой масляного буфера (точка 3), остановка штанги с траверсой под действием масляного буфера (участок 3–4) [6]. Диагностику ВВ по представленным выше функциям процесса отключения выключателя трудно автоматизировать, поэтому для выделения более четких информативных признаков исправных и неисправных выключателей применяется аппарат вейвлет-анализа. Причем, перед использованием обработки скоростной характеристики ВВ непрерывным вейвлет-преобразованием для получения его вейвлет-спектра используется цифровая фильтрация сигнала с целью удаления из исходной функции огибающей сигнала. Данный процесс позволяет получить четкие граничные значения, отличающие исправные и неисправные выключатели [3].

Для решения задачи обучения системы диагностики с возможностью дальнейшего непрерывного ее совершенствования предложен алгоритм, который заключается в разбиении процесса диагностирования на два этапа [2]. Первый этап: диагностика с использованием аппарата нечеткой логики исходных скоростных характеристик ВВ. Второй этап: диагностика на основе результатов более сложного метода вейвлет-анализа. При этом переход ко второму этапу диагностирования осуществляется только после принятия решения первым этапом диагностики о том, что объект является неисправным. Затем с помощью вейвлет-анализа происходит обработка сигнала и второй этап диагностики с использованием нейронной сети (НС). Если второй этап диагностики подтверждает результат первого этапа, то выдается предупреждающий сигнал и производится идентификация неисправности. Если же результаты второго этапа диагностики отличаются от первого, то приоритет в данном случае отдается этапу № 2, а в этапе № 1 корректируются нечеткие правила. Коррекция нечетких правил необходима для усовершенствования первого этапа диагностики, в котором не производятся вычисления вейвлет-спектра сигнала, а значит, требуется меньше вычислительных ресурсов. Чем точнее будет диагностировать первый этап, тем в дальнейшем меньше будет вызываться более затратный второй этап диагностики.

В процессе обучения нейронной сети по вейвлет-спектру ВВ возникает явление под названием переобучение нейронной сети. Оно характеризуется уменьшением ошибки на обучающих данных, но ее увеличением на тестовых данных, это значит, что сеть перестала выполнять обобщение и просто «запоминает» обучающие данные.

Чтобы избежать переобучения нейронной сети, предлагается алгоритм выделения  наиболее информативного  диапазона частот из вейвлет-спектра (рисунок 2).

Суть иллюстрируемого  на рисунке 2 метода выбора информативного диапазона частот вейвлет-спектра заключается в обучении для каждого частотного диапазона вейвлет-спектра информационного сигнала нейронной сети и вычислении для каждой нейронной сети ее точности при обучении (al)  и при тестировании (at). Затем вводится коэффициент k информативности нейронной сети, который рассчитывается как модуль разности полученных соответствующих значений  (al)   и  (at)  каждой нейронной сети. По данным коэффициентам в дальнейшем и принимается решение о необходимости использования  данного частотного диапазона в обучении нейронной сети.

Рис. 2. Алгоритм выбора информативного диапазона из вейвлет-спектра по введенному параметру k

Преимущества применения данного алгоритма можно увидеть на рисунке 3, где представлены зависимости точности (параметр, являющийся дополнением ошибки диагностирования до 100 %) нейронной сети от параметров скорости обучения λ и количество эпох обучения. Графики слева отображают зависимости точностей при обучении и при тестировании до применения описанного выше алгоритма выбора информативного диапазона, справа – после применения данного алгоритма.

Как видно из графиков, при различных комбинациях параметров НС (скорость обучения, количество эпох) увеличилась ее адекватность, т.е. графики точности НС при обучении и при тестировании перестали отличаться и стали практически идентичными.

Одновременно с этим  увеличилась и точность при тестировании до 90 % по сравнению с алгоритмом [2], который обеспечивал точность, не превышающую 80 %.

Вместе с увеличением точности нейронной сети также уменьшился размер данных для обучения с 40 частотных диапазонов вейвлет-спектра до 11, что существенно ускоряет процесс обучения нейронной сети.

Рис. 3. Различия в точностях нейронной сети при обучении и при тестировании до применения алгоритма выбора информативного диапазона (слева) и после (справа)

Таким образом, предложенный алгоритм выбора информативного диапазона вейвлет-спектра скоростной характеристики ВВ позволяет решить проблему избыточности входных  данных при разработке интеллектуальной системы диагностики высоковольтных выключателей.

Оптимизационная задача при разработке интеллектуальной системы диагностики заключается в нахождении таких значений параметров нейронной сети (скорость обучения, количество эпох, количество скрытых нейронных слоев и нейронов в каждом слое НС), при которых функция ошибки нейронной сети (функция ошибки диагностирования) сводится к минимуму.

Для решения этой оптимизационной задачи, т.е. вычисления оптимальных параметров нейронной сети, используются генетические алгоритмы (ГА). Данный выбор обусловлен следующими преимуществами генетических алгоритмов перед стандартными методами оптимизации [4]:

• осуществляется поиск решения исходя не из единственной точки, а из их некоторой популяции;
• используется только целевая функция, а не ее производные;
• применяются вероятностные, а не детерминированные правила выбора.

Исходя из перечисленных преимуществ вытекает самое главное, применительно к задаче оптимизации нейронной сети: генетические алгоритмы могут быть использованы в задачах с изменяющейся средой [7]. Важность этого свойства ГА обусловлена изменчивостью нейронных сетей: при одних и тех же параметрах и входных значениях искусственная нейронная сеть может выдавать различные выходные значения, находящиеся в определенном диапазоне.

В качестве целевой функции f(x1,x2…xi) выбрана функция построения нейронной сети с последующим вычислением ошибки нейронной сети. Параметрами оптимизации x1,x2…xi выступали количество нейронов в слое, количество скрытых слоев в нейронной сети, параметр скорости обучения сети, количество эпох (итераций) при обучении сети.

Поскольку при различных значениях количества скрытых слоев в нейронной сети изменяется общее количество параметров оптимизации (в нейронной сети с одним скрытым слоем – 1 параметр «количество нейронов в слое», в нейронной сети с двумя скрытыми слоями  – 2 параметра «количество нейронов в слое» и т.д.), то этот параметр мы будем выбирать сравнением полученных оптимальных значений после применения генетического алгоритма.

Параметры применяемого ГА следующие:

• размер популяции равен 20;
• кроссовер случайный (разбросанный);
• мутация не используется;
• количество поколений 20.

Заданные изначальные диапазоны поиска (ограничения) значений параметров и найденные оптимальные значения этих параметров алгоритма диагностики (нейронной сети), при применении генетического алгоритма с заданными параметрами, представлены в таблице 1.

Таблица 1

В результате применения ГА были найдены оптимальные значения НС диагностической системы и выяснено, что наилучший результат при распознавании неисправного ВВ по вейвлет-спектру дает НС с 2 скрытыми слоями.

Описанный в статье метод диагностики и методы его оптимизации (с помощью алгоритма выбора информативного диапазона и с помощью генетических алгоритмов) могут быть применимы к различным типам данных, различным процессам и устройством. Это их свойство обуславливают нейронные сети, которые в процессе обучения подстраиваются под различные диагностические признаки. Применение в дальнейшем созданного алгоритма выбора информативного диапазона и генетического алгоритма позволяют оптимизировать параметры алгоритма под конкретную задачу.

Дальнейшее усовершенствование и разработка диагностического алгоритма заключается в разработке нечетких правил первого этапа диагностики и проработке автоматического режима настройки нечетких правил, применении нейронных сетей  на втором этапе диагностики с количеством выходов большим 2 для включения возможности локализации неисправности с помощью нейронной сети. Также в дальнейших исследованиях разработанный алгоритм диагностики будет применен в альтернативной области диагностирования для экспериментального подтверждения его универсальности.

Выводы

1. При решении задачи идентификации зарождающихся дефектов высоковольтного коммутационного оборудования целесообразно использовать процесс двухэтапной диагностики, основанный на комплексном использовании нейронных сетей, нечеткой логики и вейвлет-спектральной обработки сигналов.

2. Для эффективного применения нейронных сетей в комбинации с таким современным методом обработки сигналов, как вейвлет-анализ, предложен алгоритм выбора информативного диапазона вейвлет-спектра, решающий проблему избыточности входных данных.

3. В качестве аппарата оптимизации таких параметров нейронной сети, как скорость обучения НС, количество эпох обучения НС, количество нейронов в скрытом слое НС, эффективно применять генетические алгоритмы.

4. С помощью ГА ошибка НС при диагностировании высоковольтных выключателей уменьшилась  с 10 % до 0,4 %, что является хорошим показателем для системы диагностики на основе НС.

Рецензенты:

Горбатенко Николай Иванович, доктор технических наук, профессор, первый проректор, ФГБОУ ВПО «Южно-Российский государственный технический университет (Новочеркасский политехнический институт)», г. Новочеркасск.

Гречихин Валерий Викторович, доктор технических наук, профессор, профессор кафедры "Информационные и измерительные системы и технологии", ФГБОУ ВПО «Южно-Российский государственный технический университет (Новочеркасский политехнический институт)», г. Новочеркасск.