CC BY
13
Медведев Геннадий Викторович, доктор технических наук, доцент, окончил Белгородский технологический институт, Чебоксарский государственный университет. Генеральный директор ОАО «Электроприбор», г.Чебоксары. Имеет монографии, статьи и патенты в области автоматизации контроля и сборки электроизмерительных приборов.
Федоров Дмитрий Леонидович, кандидат технических наук, окончил Ульяновский государственный технический университет. Ассистент кафедры «Измерительно-вычислительные комплексы» УлГТУ. Имеет статьи и патенты в области усовершенствования конструкции стрелочных приборов.
УДК 681.327
С.К. КИСЕЛЕВ, Н.О. ГРАЧЕВА
АВТОМАТИЧЕСКИЙ ВЫБОР РЕЖИМОВ РАБОТЫ ИИС С ИСПОЛЬЗОВАНИЕМ АВТОАССОЦИАТИВНОЙ ПАМЯТИ
Предлагается метод выбора режима работы различных измерительных и автоматических систем на основе ассоциации его со значениями параметров контролируемого объекта. Рассматривается пример реализации предлагаемого метода в системе автоматической поверки стрелочных измерительных приборов с выполнением автоассоциативной памяти на основе искусственной нейронной сети.
Современные ИИС, как совокупность функционально связанных устройств и алгоритмов для получения, передачи, преобразования, хранения, обработки, распределения и использования информации, широко используются как средство для решения самых разнообразных задач: мониторинга сложных объектов, автоматизированного управления технологическими процессами, проведения научных исследований и комплексных испытаний, 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 автоматизация измерений. Информационное обеспечение, за счет которого были достигнуто повышение данных показателей, базировалось на цифровой вычислительной обработке косвенных, совокупных и совместных измерений, 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, усложнение 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 необходимости развития новых информационно-измерительных технологий для организации и проведения измерений, в основу которых положен автоматический «выбор оптимальной стратегии измерений и целесообразная интерпретация их результатов на основе функциональной и метрологической обработки разнообразной по форме поступающей и априорной информации, что и составляет суть интеллектуализации измерений» [1].
Большинство перечисленных выше факторов усложнения решаемых ИИС задач связано с качественным усложнением контролируемых объектов и условий измерения. Качественное изменение реализуемых с помощью ИИС процессов измерений потребовало представлять результат измерения Я как совокупность двух множеств У и А: Я={У, А}, где У=(уь у2, уп} - определенные значения п искомых параметров контролируемого объекта, А={81, 82, ..., 5п} - метрологические характеристики, содержащие показатели качества (точность, надежность, достоверность) результата измерения.
Чаще всего получение результата измерения в ИИС производится алгоритмически, что можно представить выражением
Я <={М,У}, (1)
где М - 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 одновременно достаточно точную модель. Чаще всего в этом случае проявление различных свойств объекта рассматривается как протекание нескольких параллельных, последовательных или параллельно-последовательных процессов (связанных или несвязанных между собой), каждый из которых моделирует одно из свойств объекта. При таком подходе объект описывается не единой универсальной моделью М, а множеством отдельных моделей М, каждая из которых справедлива лишь при определенных условиях, но
описывает его с требуемой точностью. Тогда в выражении (2) необходимо использовать совокупность моделей, описывающих объект:
Я <= <! М,
}=1-к
У- е й- \ М;:дг < у < б.
I =1..п
тах
(2)
Таким образом, построение полного измерительного алгоритма ИИС для контроля сложного объекта должно проводится на основе ряда его локальных 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 обработки измерительной информации, так и организация самих измерений. То есть при функционировании ИИС должны реализовываться несколько режимов проведения измерений в зависимости от того, в каких условиях находится объект измерений. Количество режимов функционирования ИИС определяется количеством локальных моделей описания объекта и условий измерения, использованных при разработке алгоритма ее работы. Реализуемый режим определяется тем, в каких условиях будет находиться объект на момент проведения измерений, т.е. на основе априорной информации, заложенной в системе (известные локальные модели объекта измерения и границы их применимости), и информации, поступившей в систему в процессе предыдущих измерений (определенные значения характеристик объекта измерения У и оценки их достоверности А). Выбор режима функционирования может осуществляться либо оператором, либо автоматически.
Аналогичная задача выбора режима работы автоматической системы по определенной ситуации, сложившейся на контролируемом объекте, часто встречается при разработке различных автоматизированных технологических 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 выходы, измеряемые переменные, возмущения и погрешности измерений, которые, 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 технологических процессов, тем большее количество режимов работы автоматической системы должно быть реализовано для эффективной и качественной их реализации, тем сложнее процедура автоматического выбора
необходимого режима по комбинации контролируемых параметров объекта, характеризующих сложившуюся технологическую ситуацию, и необходимые воздействия на объект.
Если полагать, что в пределах одного режима процесс функционирования системы представляет собой алгоритмически определенный процесс, не требующий для выполнения дополнительной информации и неформализованных процедур, то наиболее сложно формализуемой проблемой остается 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 отслеживает и контролирует работу системы. Наблюдая за текущими значениями параметров объекта, их сочетаниями, он выбирает один из реализованных в системе режимов, который обеспечит наивысшее качество ее работы.
Однако относительную безошибочность выбора оператора можно гарантировать только при небольшом (7 - 9) количестве режимов [3] и их четком разделении через систему ограничений:
emin ^ ^ гл max 7
i ^ yi ^ Qi , i =1 n (3)
В общем случае ограничения могут быть односторонними или вовсе отсутствовать.
При ошибочном выборе режима сбор и обработка информации об объекте осуществляются алгоритмом, построенным на основе модели не вполне адекватной реально протекающему процессу, что ухудшает результат работы системы.
Более эффективным является использование автоматического выбора. Для этого может использоваться условный выбор, реализованный алгоритмически. При небольшом числе параметров yi систему ограничений (3) можно записать в виде ряда условий, по которым выбирается один из вариантов алгоритма. Система ограничений (3) разбивает всю область параметров объекта на ряд подобластей (в общем случае частично перекрывающихся). Для случая двух параметров это можно представить в виде разбиения плоскости на области, рис. 1.
Каждое состояние объекта, характеризующееся значениями параметров, принадлежащими определенной области, описывается своей моделью МЛ. Для области перекрытия равно эффективными можно считать модели, описывающие объект в любой из перекрывающихся областей.
Случай, когда разделение областей может быть проведено в виде набора ограничений, наиболее прост, но не всегда реализуем на практике. Проблема выбора модели может быть сформулирована следующим образом: определенный набор переменных yi должен быть ассоциирован с некото-
рым образцовым набором их значений, для которого однозначно определена модель. В такой постановке данная задача идентична автоассоциативной памяти.
Рис. 1. Разбиение области параметров объекта
Система автоассоциативной памяти обычно работает в двух режимах: обучения и восстановления. В режиме обучения она запоминает к наборов «-мерных эталонных образцов {уэ1, уэ2,..., уэп), которые должны быть сохранены. Во втором режиме какому-либо входному неполному или поврежденному образцу {у1, у2,..., уп} ставится в соответствие наиболее близкий образец из эталонных.
Реализацию рассматриваемого подхода к автоматическому выбору режима работы системы, контролирующей и управляющей технологическим объектом для достижения определенной цели, рассмотрим на примере функционирования системы для автоматической реализации технологической операции поверки стрелочных измерительных приборов [4].
Операция поверки стрелочных измерительных приборов автоматически 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 информации, в данном случае изображения шкалы поверяемого прибора, в ПК. В качестве системы технического зрения в такой системе может использоваться, например, оптический планшетный сканер.
На приборостроительных предприятиях на основе одной базовой конструкции прибора обычно производится достаточно большое количество их типов, отличающихся видом измеряемой величины (амперметры, вольтметры), шкалой (различное количество отметок, их номиналов, разбиение 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 (организации поверки) и ее обработки (вычисление погрешности в поверяемых 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 погрешность его показаний будет определена неверно, а, соответственно, годный прибор может быть забракован, а негодный - признан успешно прошедшим поверку. Поэтому работа системы автоматической поверки должна начинаться с определения типа поверяемого прибора и выбора соответствующего ему режима поверки. Полную информацию о типе прибора несет его шкала: обозначение рода измеряемой величины, количество поверяемых отметок, их номиналы, диапазон измерения. Таким образом, информацию со шкалы прибора необходимо ассоциировать с одним из заложенных 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 изображений типовых шкал, заранее заложенных в систему.
Рис. 2. Структура системы автоматической поверки стрелочных измерительных приборов
Решить данную задачу выбора можно на основе использования автоассоциативной памяти, реализованной с помощью нейронной сети, причем на вход такой сети должен подаваться образец, сформированный из элементов 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 собой однослойную структуру нейронов, количество которых равно количеству элементов эталонного образца. На вход каждого нейрона подаются сигналы с выходов всех остальных нейронов сети с весами, определенными в ходе обучения. Эталонные образцы сохраняются в ходе обучения путем пересчета соответствующей матрицы весов нейронной сети. Затем, если 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 автоассоциативная 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, ie(0; К-1), je(0; N-1), g(i, j) принимает значения (-1, 1). Каждому элементу изображения g(i, j) ставится в соответствие один нейрон n(i, j). Получаемое в системе автоматической поверки изображение шкалы имеет размер приблизительно 300x300 пикселей, т.е. количество
нейронов сети, реализованной на основе модели Хопфилда, должно быть
2 8
равно 90000, а количество связей между ними (90000; = 8110 . 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 совершенно 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 является сокращение числа связей между нейронами сети. Так для шкал основных типов стрелочных электроизмерительных приборов, выпускаемых ОАО «Электроприбор» г. Чебоксары путем проведения ряда экспериментов 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 81 0000 и сделать задачу решаемой на ПК со средним быстродействием и ОЗУ в 1 6 мегабайт.
Структура сети в этом случае будет иметь вид, приведенный на рис. 3.
g[k,i]
n[i,j]
Рис. 3. Структура нейронной сети для определения типа поверяемого прибора
На каждый нейрон n(i, j) подаются выходные сигналы с девяти нейронов n(k, l), ke(i-1; 1+1), le(j-1; j+1), с весами
W [k, l ] = X g[i, j ] • g[k, l ], (4)
x=1
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
X X W [k, l ] • Output[k, l ], (5)
k=i-11=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 устанавливается 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*K*N номер цикла (в теории нейронных сетей это считается достаточным для завершения сетью обработки), в котором произошло последнее изменение выхода.
Проходя через нейронную сеть, образец, сформированный по считанному изображению шкалы, изображение ассоциируется с одним из запомненных сетью типов шкалы, а следовательно, однозначно определяется тип прибора и режим его поверки. Тем самым происходит полностью автоматическая, без участия оператора, настройка системы на определенный режим работы.
Аналогично приведенному примеру нейронная сеть может использоваться для выбора модели контролируемого объекта по образцу, сформированному из измеренных значений его параметров. Таким образом, использование автоассоциативной памяти в ИИС различного назначения позволяет, по сути, проводить адаптацию системы путем выбора режима ее работы к изменению состояния контролируемого объекта и добиваться высоких показателей качества функционирования.
СПИСОК ЛИТЕРАТУРЫ
1. Прокопчина С.В. Концепция байесовской интеллектуализации измерений в задачах мониторинга сложных объектов // Новости искусственного интеллекта. 1997. №3. С. 7-56.
2. Вальков В.М., Вершин В.Е. Автоматизированные системы управления технологическими процессами. Л.: Политехника, 1991. 269 с.
3. Козелецкий Ю. Психологическая теория решений: Пер. с пол. М.: Мир, 1979. 287 с.
4. Киселев С.К., Медведев Г.В., Мишин В.А. Автоматическая поверка стрелочных электроизмерительных приборов в динамических режимах. Чебоксары: Изд-во Чуваш. ун-та, 1996. 120 с.
5. Нейрокомпьютер как основа мыслящих ЭВМ. М.: Наука, 1993. 239 с.
Киселев Сергей Константинович, кандидат технических наук, окончил радиотехнический факультет Ульяновского политехнического института. Доцент кафедры «Измерительно-вычислительные комплексы» УлГТУ. Имеет научные работы в области автоматизации производства электроизмерительных приборов.
Грачева Наталья Олеговна, аспирант кафедры «Измерительно-вычислительные комплексы» УлГТУ, имеет публикации по разработке систем автоматической поверки измерительных приборов.
УДК 621.327.2; 621.383.932 М.К. САМОХВАЛОВ
ТОНКОПЛЕНОЧНЫЕ ЭЛЕКТРОЛЮМИНЕСЦЕНТНЫЕ ИНДИКАТОРЫ
Приведены результаты исследований физических основ работы, конструкций, методов контроля, технологии изготовления и технических характеристик плоских активных индикаторных устройств на основе тонкопленочных электролюминесцентных структур.
С развитием и широким внедрением во многие сферы деятельности человека вычислительной техники, информационных и измерительных приборов и систем происходит непрерывное совершенствование входящих в их состав средств отображения информации, основой которых являются индикаторные устройства. К наиболее перспективным индикаторным устройствам относятся электролюминесцентные индикаторы. Среди различных типов активных индикаторов электролюминесцентные приборы занимают особое место благодаря плоской твердотельной конструкции, быстродействию, широкому диапазону рабочих температур. К достоинствам тонкопленочных электролюминесцентных источников излучения относятся высокая яркость, контраст, разрешающая способность, долговечность, устойчивость к радиационным воздействиям, возможность получения экранов большой площади и др. Тонкопленочные электролюминесцентные индикаторы нашли применение в портативных приборах, приборных пане-
