CC BY
63
УДК 681.3.01
DOI 10.21685/2072-3059-2018-2-2
А. А. Приймак
ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ВЫДЕЛЕНИЯ СОСТАВЛЯЮЩИХ В РЕЖИМЕ РЕАЛЬНОГО ВРЕМЕНИ
Аннотация.
Актуальность и цели. Объектом исследования являются быстроперемен-ные процессы, протекающие в различных системах диагностики и мониторинга. Предметом исследования является алгоритм, построенный на нейронных сетях, призванный упростить процедуру адаптации экстремальной фильтрации к режиму реально времени. Цель работы состоит в создании и исследовании алгоритма, реализующего экстремальную фильтрацию с помощью нейронных сетей, и его адаптации к работе в режиме реального времени.
Материалы и методы. Исследования алгоритма проводились в среде Matlab и Simulink. Было проведено моделирование работы алгоритма на выборках сигнала, поступающего в режиме реального времени.
Результаты. Обоснована возможность применения нейронных сетей для реализации алгоритма экстремальной фильтрации. В среде Matlab и Simulink создана программа, реализующая алгоритм экстремальной фильтрации на нейронных сетях. Проведено тестирование работы предлагаемого алгоритма на выборках реального сигнала и выполнено сравнение предлагаемого алгоритма с аналогами. Показан способ адаптации предлагаемого алгоритма к режиму реального времени с помощью метода покадровой обработки сигнала.
Выводы. Использование алгоритма выделения составляющих, построенного на нейронных сетях, позволяет успешно выделять составляющие сигнала, для которых могут быть вычислены параметры, позволяющие судить о происходящих в системе изменениях. Адаптация к режиму реального времени алгоритма выделения составляющих, построенного на нейронных сетях, с помощью метода покадровой обработки сигнала дает возможность выделять все составляющие сигнала в режиме реального времени. Таким образом, алгоритм выделения составляющих, построенный на нейронных сетях, в сочетании с методом покадровой обработки сигнала позволяет успешно решать задачу диагностики, контроля и мониторинга состояния систем, работающих в режиме реального времени.
Ключевые слова: реальное время, объект, нейронная сеть, экстремальная фильтрация, метод покадровой обработки сигнала
A. A. Priymak
THE USE OF NEURAL NETWORKS FOR ISOLATION OF COMPONENTS IN REAL TIME
Abstract.
Background. The object of the study are fast-changing processes occurring in various systems of diagnosis and monitoring. The subject of the study is an algo-
© 2018 Приймак А. А. Данная статья доступна по условиям всемирной лицензии Creative Commons Attribution 4.0 International License (http://creativecommons.org/licenses/by/4.0/), которая дает разрешение на неограниченное использование, копирование на любые носители при условии указания авторства, источника и ссылки на лицензию Creative Commons, а также изменений, если таковые имеют место.
rithm based on neural networks designed to simplify the procedure of adaptation of extreme filtering to the real-time mode. The purpose of the work is to create and study an algorithm that implements extreme filtering using neural networks, and its adaptation to work in real time.
Materials and methods. The algorithm was studied in Matlab and Simulink. The simulation of the algorithm operation was carried out on the samples of the signal received in real time.
Results. The possibility of using neural networks for the implementation of the algorithm of extreme filtering is substantiated. In Matlab and Simulink environment the program implementing the algorithm of extreme filtering on neural networks is created. The proposed algorithm was tested on samples of a real signal and the was proposed algorithm is compared with analogues. The method of adaptation of the proposed algorithm to the real-time mode using the frame by frame method is shown.
Conclusions. The use of the algorithm of decomposition built on neural networks, allows you to successfully allocate the components of the signal, for which parameters can be calculated, allowing to judge the changes taking place in the system. Adaptation to the real - time mode of the algorithm of decomposition signal, built on neural networks, using the method of frame by frame, makes it possible to allocate all the components of the signal in real time. Thus, the algorithm of decomposition signal, built on neural networks, in combination with the method of frame by frame, can successfully solve the problem of diagnosis, monitoring of the state of systems operating in real time.
Key words: real-time, objects, neural networks, extreme filtering, frame-by-frame processing method.
Введение
В различных сферах промышленности используется большое количество объектов, работающих непрерывно. Для диагностики, контроля и мониторинга их состояния необходимо отслеживать быстропеременные процессы (Б1III), протекающие в данных объектах. К БПП относят параметры пульсации давления, вибрации и акустики.
Для удобства отслеживания изменений, происходящих в объектах, вызванных протекающими в них БПП, с помощью специальных алгоритмов обработки из сигнала выделяют субполосные составляющие (моды), по которым удобно анализировать и классифицировать протекающие в объекте изменения.
В случае непрерывной работы систем данные алгоритмы адаптируют к режиму реального времени с помощью методов адаптации. Разработка и совершенствование методов адаптации и самих адаптируемых алгоритмов выделения информативных составляющих является важной задачей для диагностики, контроля и мониторинга состояния объектов.
1. Выделение составляющих в режиме реального времени
Примером алгоритма, способного решать задачи диагностики, контроля и мониторинга в реальном времени, является алгоритм разложения сигнала сложной формы на моды, описываемый в работе [1]. В первоначальном варианте метод реализовывался по классической для цифровой обработки сигналов схеме: на вход подавался массив значений, а на выходе получали моды, которые последовательно извлекались сначала из сигнала, а затем из сглаженных составляющих.
Алгоритм основан на анализе экстремумов процесса и заключается в последовательном выделении самой высокочастотной составляющей [2]:
= -25х$-1 + 0,5хр - 0,25x^+1 (1)
при одновременном вычислении сглаженной составляющей хс{, уже не содержащей Хр{:
хы = 0,25 ху_1 + 0,5 х^ + 0,25 х^+1. (2)
В дальнейшем из сглаженной составляющей хс{, вычисленной на предыдущем шаге, извлекается следующая высокочастотная составляющая хр+ и производится ее сглаживание хс{+1 [2].
Экстремумы сигнала несут информацию о самой высокочастотной узкополосной составляющей. Удалением (фильтрацией) из сигнала этой составляющей может быть получена сглаженная кривая, экстремумы которой несут информацию о следующей узкополосной составляющей. Данная итерационная процедура может повторяться до тех пор, пока не будет получена последовательность со знакопеременными экстремумами, являющаяся самой низкочастотной узкополосной составляющей [2].
Параметры разложения - частота /у и амплитуда Л^ (или мощность
2
а у ) составляющих, / = 1... К, характеризуют модель объекта порядка К в текущий момент времени .
Ранее алгоритм экстремальной фильтрации предлагалось адаптировать для систем реального времени при помощи метода с подгрузкой сигнала и метода покадровой обработки [2]. Такой подход позволяет решить задачу, но существенно усложняет сам алгоритм, так как возникает задача одновременного формирования нескольких слоев.
Развитием предложенного подхода является алгоритм выделения составляющих, основанный на использовании нейронных сетей.
2. Выделение составляющих сигнала с использованием нейронных сетей
Нейронная сеть - это большой параллельный распределенный процессор, состоящий из нейронов - элементарных единиц обработки информации, накапливающих экспериментальные значения и предоставляющих их для последующей обработки, определение дается в работе [3].
Применение нейронных сетей для выделения составляющих из сигнала вызвано их универсальностью. При разработке, отладке и моделировании работы алгоритмов, использующих нейронные сети, не возникает трудностей с изменением каких-либо параметров, влияющих на проводимые вычисления.
Существует несколько фундаментальных архитектур нейронных сетей. Базовой архитектурой является многослойная нейронная сеть.
В качестве используемых для построения алгоритма нейронных сетей целесообразно использовать или радиально-базисную нейронную сеть или многослойную однонаправленную нейронную сеть. В языке среды МаАаЬ многослойная однонаправленная нейронная сеть создается с помощью функ-
ции а радиально-базисная нейронная сеть - с помощью функции
пемгЬе.
Были выбраны точные радиально-базисные нейронные сети в связи с их особенностями и преимуществами. Их структура имеет нулевую ошибку, а в качестве функций активации используются радиально-базисные функции.
Преимуществами нейронных сетей данного типа является автоматическое формирование структуры, отсутствие патологической сходимости и простота устройства архитектуры.
Структура радиально-базисной нейронной сети показана на рис. 1. Также вопросы практического использования алгоритмов, построенных с использованием нейронных сетей, подробно освещены в работе [4]
входной СИГНАЛ Рис. 1. Радиально-базисная нейронная сеть
По умолчанию сеть, созданная с помощью функции пемгЬе, состоит из трех слоев - первый слой является входным, второй скрытым, а третий выходным. Такой вариант нейронной сети и был выбран для реализации алгоритма выделения составляющих сигнала.
Для работы нейронных сетей любого типа необходимо провести их обучение. Оно заключается в сравнении выхода конечного слоя нейронов с образцом обучения, из разницы между желаемым и реальным делается вывод о характеристиках связей между нейронами последнего слоя и слоя предыдущего. В дальнейшем такая операция выполняется уже с нейронами предпоследнего слоя и т.д. Результатом реализации описанного алгоритма является таблица изменений весов связей, формируемая от выхода к входу.
Один из возможных способов обучения нейронной сети выделению составляющих (при наличии участка сигнала с уже выделенными составляющими) заключается в том, что образцом обучения задаются данные составляющие, а входом задается сигнал. Получается нейронная сеть, имеющая несколько выходов, число которых соответствует числу выделяемых составляющих. Однако такой подход имеет недостатки, связанные с тем, что необходимо либо иметь четкое представление о количестве выделяемых составляющих, либо использовать нейронную сеть с изменяемым количеством выходов.
Существует более гибкий и универсальный метод выделения составляющих с помощью нейронных сетей, реализуемый в виде цепочки.
Для выделения всех составляющих сигнала с помощью нейронных сетей необходимо последовательно соединить несколько нейронных сетей так, чтобы выделенная первой сетью сглаженная составляющая поступала на вход второй сети. Вторая нейронная сеть из полученной от первой сети сглаженной составляющей выделяла бы следующую знакопеременную и сглаженную составляющие и т.д.
Условием окончания выделения знакопеременных и сглаженных составляющих является их равенство, которое означает, что выделена самая низкочастотная составляющая сигнала.
Для построения алгоритма выделения составляющих сигнал, необходимо два типа сетей - сети, обученные выделять знакопеременные составляющие, и сети, обученные выделять сглаженные составляющие.
Для обучения нейронной сети выделению высокочастотных (знакопеременных) составляющих в качестве входа задаются тренировочные последовательности точек сигнала, а в качестве образца выделенные методами экстремальной фильтрации (1) или методом эмпирических мод - Empirical Mode Decomposition (EMD), знакопеременные составляющие. Обучение нейронной сети выделению сглаженных составляющих производится аналогичным образом, только в качестве образца подаются сглаженные составляющие (2).
Структура, реализующая алгоритм выделения составляющих с использованием нейронных сетей для сигнала, содержащего три составляющих, имеет вид цепочки из нейронных сетей. Она представлена на рис. 2.
Рис. 2. Структура, реализующая выделения составляющих с помощью нейронных сетей
В дальнейшем для выделения знакопеременных и сглаженных составляющих не требуется проводить повторное обучение сетей, нейронную сеть достаточно обучить один раз, после чего только выполнять загрузку результатов обучения.
3. Тестирование работы алгоритма на массивах данных
Для тестирования работы алгоритма, выделяющего составляющие, использующего нейронные сети, и проверки достоверности его результатов был
взят ряд сигналов, каждый состоящий не менее чем из двух составляющих. С помощью метода экстремальной фильтрации для каждого из ряда сигналов были найдены знакоперменные и сглаженные составляющие.
Пример последовательного выделения всех знакопеременных составляющих одного из сигналов показан на рис. 3. На первом графике (синим) показан сам сигнал. На втором графике (красным) показана первая, выделенная с помощью алгоритма, знакопеременная составляющая, которая на всем протяжении совпадает с извесной. На третьем графике (синим) представлена, выделенная алгоритмом, сглаженная составляющая. На четвертом (красным) приведена, выделанная с помощью алгоритма, вторая знакопеременная составляющая, которая также полностью совпадает с извесной.
Рис. 3. Пример выделения знакопеременных составляющих
Тестирование работы алгоритма показало совпадение выделенных с помощью алгоритма знакопеременных составляющих с известными, что доказывает работоспособность данного алгоритма.
4. Сравнение алгоритма, построенного на нейронных сетях, с аналогами по вычислительной трудоемкости и точности
Быстродействие имеет большое значение в обработке цифровых сигналов и часто именно этот параметр является ключевым при выборе того или иного метода.
Наиболее простым является сравнение по быстродействию алгоритма, построенного на нейронных сетях с классическим алгоритмом экстремальной фильтрации на конечной выборке сигнала (не в режиме реального времени). Данные алгоритмы одинаковы по цели и структуре, поэтому их сравнение является наиболее интересным. Быстродействия данных алгоритмов приведены в табл. 1.
Измерения быстродействия этих двух алгоритмов были выполнены путем снятия процессорного времени. Моделирование работы методов проведено на идентичных выборках сигналов, равной длины (300 точек).
Таблица 1
Сравнение методов (не реальное время)
Метод Длина выборки Трудоемкость, мс
Алгоритм, построенный на нейронных сетях 300 0,0156
Экстремальная фильтрация 0,0312
Видно, что алгоритм экстремальной фильтрации имеет меньшее быстродействие по сравнению с алгоритмом, построенным на нейронных сетях. Другим преимуществом последнего является более простая структура и более высокая точность (при обучении на большом количестве выборок сигнала).
Также важно провести сравнение алгоритма, построенного на нейронных сетях, с алгоритмом параллельного выделения составляющих с подгрузкой значений [5] на сигнале, поступающем в режиме реального времени.
Алгоритм, построенный на нейронных сетях, адаптируется к режиму реального времени с помощью метода покадровой обработки, при этом важно выбрать размер буфера. Необходимо, чтобы длина буфера совпадала с длиной выборок, на которых проводится обучение нейронных сетей выделению составляющих.
Из сравнения, приведенного в табл. 2, также можно сделать вывод, что алгоритм, построенный на нейронных сетях, обладает большим быстродействием, чем алгоритм параллельного выделения составляющих с подгрузкой сигнала. Это связано с тем, что алгоритм, построенный на нейронных сетях, имеет большее быстродействие по сравнению с классическим алгоритмом экстремальной фильтрации.
Таблица 2
Сравнение алгоритмов по трудоемкости (реальное время)
Метод Длина выборки Трудоемкость, мс
Алгоритм, построенный на нейронных сетях 300 0.0200
Алгоритм параллельного выделения составляющих 0.0312
Таким образом, алгоритм, построенный на нейронных сетях, выигрышнее как по быстродействию, так и по точности и простоте. Он может находить широкое применение в различных системах, где требуются данные качества.
Кроме того, отметим, что, хотя, как видно из таблиц, алгоритм параллельного выделения составляющих не дает существенного преимущества в трудоемкости, он более приемлем, например, для систем мониторинга. Это обусловлено тем, что в алгоритме экстремальной фильтрации обработка начинается после накопления массива значений, а во втором - во время накопления данных, т.е. результат появляется раньше на T = Дt ^, где Лt -шаг дискретизации, а N - длина выборки.
5. Адаптация алгоритма, построенного на нейронных сетях, к режиму реального времени
Ранее для адаптации экстремальной фильтрации к работе в режиме реального времени был предложен метод с подгрузкой значений и метод покадровой обработки, описанный в работе [2].
Для адаптации алгоритма выделения составляющих, построенного на нейронных сетях, целесообразно использовать последний, так как нейронная сеть работает с выборками данных определенной длины.
Работу системы, обеспечивающую покадровую обработку сигнала, можно разделить на две части - накопление поступающей информации и ее обработку. Исходя из этого принцип работы метода покадровой выделения составляющих можно сформулировать следующим образом: непрерывно поступающий сигнал ху , у = 1, 2, ..., N накапливается в буфере (массив накопления) заданного размера 5, необходимом для обеспечения беспропускной выделения составляющих. При заполнении этого буфера информация из него поступает в обработку, а сам буфер освобождается для приема новой последовательности значений. Пока идет обработка сигнала с использованием нейронных сетей - производится поиск знакопеременных и сглаженных составляющих, буфер продолжает наполняться новыми значениями. Такие итерационные процедуры могут повторяться бесконечно, до тех пор, пока не прекратится поступление сигнала.
При адаптации алгоритма, построенного на нейронных сетях, к режиму реального времени с помощью метода покадровой обработки важно, чтобы длина буфера и длина выборок, на которых проводится обучение нейронных сетей выделению составляющих, были равны.
Также в методе адаптации с подгрузкой сигнала существует условие работоспособности, согласно которому время, затрачиваемое на обработку значений ¿обр, не должно превышать время, затрачиваемое на их накопление ^коп , (обр < ^коп. При моделировании адаптации алгоритма, работающего на нейронных сетях, к режиму реального времени на сигнале длиной 300 точек это условие выполняется: 0,0156 < 0,0200, при размере буфера 10 точек и шаге дискретизации & = 6,6667е-05. Следовательно, метод адаптации с помощью покадровой обработки подходит для адаптации алгоритма выделения составляющих, построенного на нейронных сетях, к режиму реального времени.
В случаях, когда условие не выполняется и ¿обр > ^коп, существует возможность уменьшения времени обработки ¿обр за счет разбиения буфера на части равной длины и их обработки. Эта возможность подробно описана в работке [2].
Заключение
Использование алгоритмов выделения составляющих, построенных на нейронных сетях, позволяет успешно выделять составляющие сигнала, для которых могут быть вычислены параметры, позволяющие судить о происходящих в объекте изменениях.
Адаптация к режиму реального времени алгоритма выделения составляющих, построенного на нейронных сетях, с помощью метода покадровой обработки сигнала дает возможность выделять все составляющие сигнала в режиме реального времени.
Таким образом, алгоритм выделения составляющих, построенный на
нейронных сетях, в сочетании с методом покадровой обработки сигнала позволяет успешно решать задачу диагностики, контроля и мониторинга состояния объектов, работающих в режиме реального времени.
Библиографический список
1. Мясникова, Н. В. Экспресс-анализ сигналов в инженерных задачах / Н. В. Мясникова, М. П. Берестень, Б. В. Цыпин. - М. : Физматлит, 2016. - 184 с.
2. Приймак, А. А. Адаптация метода экстремальной фильтрации для систем реального времени с помощью покадровой обработки сигнала / А. А. Приймак // Инженерный вестник Дона. - 2017. - № 2. - С. 2-10. - URL: ivdon.ru/ru/magazine/ archive/n2y2017/4175.
3. Кричевский, М. Л. Методы исследований в менеджменте : учеб. пособие / М. Л. Кричевский. - М. : КноРус, 2016. - 296 с.
4. Зенов, А. Ю. Применение нейросетевых алгоритмов в системах охраны периметра / А. Ю. Зенов, Н. В. Мясникова // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2012. - № 3 (23). - C. 3-7.
5. Приймак, А. А. Алгоритм разложения сигнала сложной формы на моды на основе экстремальной фильтрации для систем реального времени / А. А. Приймак // Современные технологии в задачах управления автоматики и обработки информации : сб. тр. XXV Междунар. науч.-технич. конф. - М., 2016.
References
1. Myasnikova N. V., Beresten' M. P., Tsypin B. V. Ekspress-analiz signalov v inzhe-nernykh zadachakh [Express analysis of signals in engineering tasks]. Moscow: Fizmat-lit, 2016, 184 p.
2. Priymak A. A. Inzhenernyy vestnik Dona [Engineering bulletin of Don]. 2017, no. 2, pp. 2-10. Available at: ivdon.ru/ru/magazine/archive/n2y2017/4175.
3. Krichevskiy M. L. Metody issledovaniy v menedzhmente: ucheb. posobie [Research methods in management: teaching aids]. Moscow : KnoRus, 2016, 296 p.
4. Zenov A. Yu., Myasnikova N. V. Izvestiya vysshikh uchebnykh zavedeniy. Povolzhskiy region. Tekhnicheskie nauki [University proceedings. Volga region. Engineering sciences]. 2012, no. 3 (23), pp. 3-7.
5. Priymak, A. A. Sovremennye tekhnologii v zadachakh upravleniya avtomatiki i obrabotki informatsii: sb. tr. XXVMezhdunar. nauch.-tekhnich. konf. [Modern technologies in the management of automation and information processing: proceedings of XXV International scientific and engineering conference]. Moscow, 2016.
Приймак Антон Александрович аспирант, Пензенский государственный университет (Россия, г. Пенза, ул. Красная, 40)
E-mail: [email protected]
Priymak Anton Aleksandrovich Postgraduate student, Penza State University (40 Krasnaya street, Penza, Russia)
УДК 681.3.01 Приймак, А. А.
Использование нейронных сетей для выделения составляющих в режиме реального времени / А. А. Приймак // Известия высших учебных заведений. Поволжский регион. Технические науки. - 2018. - № 2 (46). -С. 18-26. - БОТ 10.21685/2072-3059-2018-2-2.
