CC BY
33
ДИАГНОСТИРОВАНИЕ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
ЭЛЕКТРОТЕХНИЧЕСКОГО И ЭЛЕКТРОЭНЕРГЕТИЧЕСКОГО ОБОРУДОВАНИЯ
УДК 519.1: 621
Д.М. Шпрехер, канд. техн. наук, доц., (848762) 6-13-83, shpreher-d@yandex. щ
(Россия, Новомосковск, НИ РХТУ им. Д.И. Менделеева)
ОЦЕНКА ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВЫХ СИСТЕМ ДИАГНОСТИРОВАНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ
Рассмотрена эффективность процесса нейросетевых вычислений системы нейросетевой диагностики электромеханических систем.
Ключевые слова: электромеханическая система, эффективность процесса диагностики, нейросетевые вычисления.
Технологический базис нейросетевых систем диагностирования электромеханических систем (ЭМС) обеспечивают аппаратные и программные реализации методов и алгоритмов контроля, прогнозирования и поиска отказов ЭМС. Основным элементом в системе диагностики данного типа является нейросетевой блок, представляющий собой вычислительную систему с высоким параллелизмом, реализованную на основе специализированной элементной базы, ориентированной на выполнение нейросетевых операций в нейросетевом логическом базисе.
Изменение технического состояния (ТС) ЭМС в процессе эксплуатации обусловлено воздействием различных эксплуатационных факторов, которые, в свою очередь, обусловливают протекание физико-химических процессов в элементах электромеханического оборудования. Обилие разновидностей этих процессов, скорости их протекания и степени утери ра-
42
ботоспособности ЭМС вынуждает на практике применять высокопроизводительные средства оперативной диагностики.
Именно производительность (оперативность решения задач диагностики в реальном масштабе времени) и возможность решения слабоформа-лизованных задач диагностики ЭМС аппаратной реализацией нейросете-вых моделей (транспьютерами, цифровыми сигнальными процессорами (DSP), программируемыми логическими интегральными схемами (ПЛИС) и нейрочипами), позволяют эффективно решать функции контроля, прогнозирования ЭМС и, как следствие, повышать эффективность управления электромеханическим оборудованием. Так, высокопроизводительные контроллеры способны осуществлять непрерывный контроль критических параметров основных (наиболее сложных и дорогостоящих) агрегатов и узлов ЭМС, параметров (состояний), выход которых за оптимальные пределы (переход в недопустимые состояния) существенно снижает ресурс основных агрегатов и узлов.
Рассмотрим один из показателей эффективности применения ней-росетевых средств диагностирования ЭМС на базе нейросетевых, транспьютерных вычислительных средств.
Представим обобщенную нейросетевую диагностическую архитектуру в виде однородной многопроцессорной вычислительной системы, в которой каждый процессор либо вычисляет функцию активации от взвешенных входов нейронов, либо осуществляет локальное распознавание, т.е. считается обособленной нейросетевой архитектурой, связанной единой диагностической процедурой. Такая диагностическая однородная вычислительная среда (ДОВС) содержит несколько идентичных по характеристикам процессоров, связанных между собой через процессоры ввода-вывода общими магистралями приема и передачи информации.
Показатели эффективности такой системы находятся в зависимости от множества факторов, однако, в большинстве случаев отдельные факторы позволяют не учитывать ряд второстепенных. К числу таких доминирующих факторов следует отнести [1 -3]:
- временные затраты на обмен информацией между процессорами, обусловленные связностью выполняемых сегментов процедуры распознавания технического состояния ЭМС;
- временные затраты на простои процессоров, обусловленные периодической или случайной длительностью опроса датчико-преобразующей аппаратуры ЭМС.
В качестве общего показателя эффективности нейросетевой или транспьютерной ДОВС примем коэффициент эффективности Ц, равный
отношению производительности V всей ДОВС к производительности v0
одного процессора (вычислительного элемента или одного нейрона):
V
п = —.
п
Диагностическую вычислительную нейросетевую или транспьютерную среду будем характеризовать следующими параметрами:
- количеством / вычислительных элементов ДОВС (процессоров или нейронов);
- средним временем t0 выполнения одной функции активации или распознавания фрагмента диагностической информации при реализации процессора обособленной нейросетевой архитектурой;
- полным количеством операций, осуществляемых одним вычислительным элементом ДОВС;
- количеством команд N, выполняемых одним вычислительным элементом с целью выдачи своего результата в качестве исходных данных следующему нейрону или процессору;
- математическим ожиданием Т0 и среднеквадратическим отклонением а длительности параллельного выполнения всей диагностической процедуры посредством ДОВС.
Определим функциональную зависимость коэффициента Ц эффективности ДОВС от перечисленных параметров.
В идеальном случае, когда отсутствуют потери производительности, данный коэффициент должен быть равен числу вычислительных элементов ДОВС. В реальных системах всегда
П = М, k < 1.
Величина k может быть найдена из соотношения
Т — Т
k =
0 ^Р
То '
где ТР - потери времени, обусловленные непроизводительными затратами, вычисляемые как
Тр = Тс + Tdovs ,
где Тс - потери времени, обусловленные случайной длительностью диагностических процедур; ТсЬуз - потери времени на обмен информацией в ДОВС при реализации всей совокупности диагностических задач.
Таким образом, для полного учета всех потерь необходимо оценить значения величин Тс и ТсЬуз .
Величина Тс определяется соотношениями
+ , Т. . = / \ П I 1 \ Р I 1 -1
с — Т Т 0,
Тс = Тм + То, Тм = i ]1/ (() р(i)~—(И,,
где / (1) и Р (1) - соответственно плотность и функция распределения случайных значений длительностей выполнения диагностических процедур.
44
На рис.1 представлена функциональная зависимость Тм = /(|и), где ]1 = <5 / Т0 — отношение среднеквадратического отклонения а к математическому ожиданию Т0 длительности параллельного выполнения всей диагностической процедуры посредством ДОВС, построенная при моделировании (нейросетевой эмуляции) распознавании ТС электрооборудования погрузочной машины непрерывного действия 2ПНБ2 на основе массива временных отсчетов 32 параметров.
Полученные зависимости показывают, что с увеличением значений р, величина Тм, а, следовательно, и величина Тс = Тм + То имеют тенденцию увеличиваться, при этом расхождения между значениями Тм, вычисленными для нормального и равномерного законов распределения, не превышают 3 %.
равномерное распределение
н ормэльн о е ра спр е дел ение
0,1 0,2 0,3 0,4 0,5 0,6 0,7 0:8 0,9 Д
Рис.1. Зависимость Тм = / (|ы) для двух законов распределения поступления отсчетов диагностической информации с ЭМС
С увеличением количества процессоров / коэффициент крутизны К{ кривых также увеличивается, при этом зависимости являются практически линейными, что с достаточной степенью точности можно записать:
Тм = То + К\М ■ Величина Тсь™ определяется из соотношения
Т ¿¡спя кт о,
где величина Ц, называемая связностью (или плотностью межнейронных связей), определяется как
Л^о
ч
Осуществив несложные преобразования, получим следующее выражение для коэффициента Т| эффективности:
Л
Т] = 1
2 - д1
Тм
Т о у
На рис. 2 представлены графики функциональной зависимости Т| = /(/) при нейросетевой эмуляции распознавания ТС электрооборудования погрузочной машины непрерывного действия 2ПНБ2 (массив 32 параметров) для различных значений р, и д, позволяющие сделать, следующие выводы:
- зависимость Г| = / (/) имеет явно выраженный экстремум, величина которого зависит от заданных значений р, и ^;
- введение в систему достаточно большого числа вычислительных элементов (нейронов) не приводит к постоянному увеличению производительности, т.к. в этом случае значительно быстрее возрастают непроизводительные затраты, обусловленные случайной длительностью поступления результатов опроса датчиковой аппаратуры ЭМС и обменом информацией между элементами ДОВС;
- для значений д = 0,05, ...,0,25, характерных для синтезированных программно ДОВС в контуре управления рассмотренных ЭМС, экстремальные значения коэффициента эффективности находятся в пределах Л =2,6,...,10,2.
Рис.2. Зависимости Г| = /(/) для двух величин д плотности
межнейронных связей
Таким образом, результаты моделирования функциональной зависимости коэффициента Т| эффективности ДОВС от параметров вычислительной среды подтверждают гипотезу Минского [4 - 6], что реальная производительность типовой параллельной вычислительной системы из п
процессоров растет как log(n) (то есть производительность системы из 100 процессоров всего вдвое выше, чем производительность 10-процессорной системы - процессоры дольше ждут своей очереди, чем вычисляют). Однако если использовать для решения задачи нейронную сеть, то параллелизм может быть использован практически полностью и производительность станет расти "почти пропорционально" n.
Выводы
1. Рассмотрена эффективность процесса нейросетевых или транспьютерных вычислений системы нейросетевой диагностики ЭМС.
2. Введен термин «диагностическая однородная вычислительная среда» (ДОВС), содержащий несколько идентичных по характеристикам процессоров, связанных между собой через процессоры ввода - вывода общими магистралями приема и передачи измерительной и сервисной информации.
3. Представлены результаты моделирования параметров данной среды, подтверждающие гипотезу производительности параллельной вычислительной системы.
Список литературы
1. Мультипроцессорные системы и параллельные вычисления. / пер. с англ:, под ред. Ф.Г. Энслоу. М.: Мир, 1976. 383 с.
2. Головкин Б.А. Параллельные вычислительные системы. М.: Наука, 1990. 520 с.
3. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем //Приборы и системы управления. 1999. №2. С. 6165.
4. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом // Нейрокомпьютер. 2000. №1. С. 68-82.
5. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. 276 с.
6. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / под ред. А.И. Галушкина. Казань: КГУ, 1995. 131 с.
D.M. Shprekher
ESTIMATION TO EFFICIENCY NEYRO NETWORK DIAGNOSTICS SYSTEMS OF ELECTROMECHANIC SYSTEMS
The efficiency of the process neuro network calculations of the system neuro-network diagnostics of the electromechanic systems is considered.
Key words: electromechanic system, efficiency of the process of the diagnostics, neuro network calculation.
Получено: 24.12.11
