автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Алгоритмы определения допусков и обеспечения точности работы нейросетевых компонентов промышленных систем технического контроля

На правах рукописи

ш

ЩАНИКОВ СЕРГЕЙ АНДРЕЕВИЧ

АЛГОРИТМЫ ОПРЕДЕЛЕНИЯ ДОПУСКОВ И ОБЕСПЕЧЕНИЯ

ТОЧНОСТИ РАБОТЫ НЕЙРОСЕТЕВЫХ КОМПОНЕНТОВ ПРОМЫШЛЕННЫХ СИСТЕМ ТЕХНИЧЕСКОГО КОНТРОЛЯ

Специальность 05.13.01 Системный анализ, управление и обработка информации (промышленность)

17 ОКТ 2013

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

005535178

Муром - 2013

005535178

Работа выполнена на кафедре «Системы автоматизированного проектирования» Муромского института (филиала) Федерального государственного бюджетного образовательного учреждения высшего профессионального образования (ФГБОУ ВПО) «Владимирский государственный университет имени Александра Григорьевича и Николая Григорьевича Столетовых» (ВлГУ)

Научный руководитель: Данилин Сергей Николаевич, кандидат

технических наук, доцент, доцент кафедры «Системы автоматизированного проектирования» Муромского института (филиала) ВлГУ, г. Муром Владимирской области

Официальные оппоненты: Аракелян Сергей Мартиросович, доктор физико-

математических наук, профессор, заведующий кафедрой «Физика и прикладная математика» ВлГУ, г. Владимир

Пантелеев Сергей Владимирович, кандидат технических наук, доцент, директор ООО «Виртуальная Выкса», г. Выкса Нижегородской области

Ведущая организация: Федеральное государственное автономное научное

учреждение (ФГАНУ) «Центр информационных технологий и систем органов исполнительной власти» (ЦИТиС), г. Москва

Защита диссертации состоится «6» ноября 2013 г. в 15 часов 30 мин на заседании диссертационного совета Д212.025.01 при ВлГУ по адресу: г.Владимир, ул. Горького, 87, корпус 1, ауд. 335-1.

С диссертацией можно ознакомиться в научной библиотеке ВлГУ.

Автореферат диссертации разослан «4» октября 2013 г.

Отзывы на автореферат в двух экземплярах, заверенные печатью, направлять по адресу совета университета: 600000, г.Владимир, ул. Горького, 87, ВлГУ, ученому секретарю диссертационного совета Д 212.025.01.

Ученый секретарь диссертационного совета, '

д.т.н.. доцент ^'^У Давыдов Н.Н

С И * '

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы исследования и степень ее разработанности. Повышение качества конечной продукции возможно за счет применения наиболее эффективных методов технического контроля и средств диагностики на каждом этапе производства. Активное развитие науки и техники и возрастающая сложность выпускаемой продукции делают актуальной задачу модернизации промышленных систем технического контроля. Решение данной задачи связано с выбором наиболее оптимальных и эффективных численных методов и аппаратных реализаций вычислительных компонентов, входящих в их состав.

Перспективным направлением совершенствования систем технического контроля и средств диагностики является использование устройств и систем обработки информации с нейросетевой архитектурой или работающих в нейросетевом логическом базисе (искусственных нейронных сетей), которые обладают рядом преимуществ перед своими аналогами с классическими принципами функционирования по точности, отказоустойчивости, быстродействию, надежности.

Однако достигнутая на этапе компьютерного проектирования точность работы искусственных нейронных сетей (ИНС) снижается в реальных условиях эксплуатации зачастую вплоть до полной потери работоспособности. Причиной этого является неизбежное влияние внутренних и внешних дестабилизирующих воздействий, обусловленных производственными и эксплуатационными разбросами значений параметров элементов ИНС.

Изменения значений показателей качества выходных параметров и параметров элементов ИНС должны учитываться на этапе их разработки и проектирования и выражаться в предельно допускаемых уровнях данных изменений (допусках). Разработанные до настоящего времени подходы к определению погрешностей искусственных нейронных сетей позволяют проводить расчеты лишь для узкого класса данных устройств.

Таким образом, актуальным направлением исследования является разработка методов и алгоритмов определения допусков и обеспечения точности работы искусственных нейронных сетей произвольной структуры, согласованных с действующими стандартами в области проектирования технических объектов.

Вопросам проектирования систем обработки информации, в том числе нейросетевых, посвящены работы авторов: Аракеляна С.М., Борисова В.Ф., Галушкина А.И., Горбаня А.Н., Круглова В.В., Ланцова В.Н., Медведева В.В., Потапова И.В., Потапова В.И., Садыкова С.С., Сенашовой М.Ю., Смирнова Д.А., Комашинского В.И., Фомина A.B., Уоссермен Ф., J. Hopfield, Н. Takase, D. Phatak, L. Reyneri, Т. Hayashi, H. Kita, A. Murray, P. Edwards и др.

Объектом исследования являются процессы проектирования нейросетевых компонентов промышленных систем технического контроля.

Предметом исследования являются алгоритмы определения допусков для обеспечения точности работы нейросетевых компонентов промышленных систем технического контроля.

Научная задача состоит в разработке новых алгоритмов определения допусков для обеспечения точности работы нейросетевых компонентов промышленных систем технического контроля, инвариантных к структуре и типу решаемых задач.

Цели и задачи. Целью настоящей работы является улучшение характеристик промышленных систем технического контроля за счет использования искусственных нейронных сетей, созданных с помощью новых алгоритмов определения допусков и обеспечения точности их работы.

Исходя из цели работы, основными задачами исследования являются:

— проведение анализа состояния задачи на основе отечественных и зарубежных научно-технических публикаций;

-построение компьютерных моделей искусственных нейронных сетей, используемых в качестве вычислительных компонентов промышленных систем технического контроля, служащих основой для дальнейших исследований;

- разработка и исследование алгоритмов определения допусков и обеспечения точности работы искусственных нейронных сетей;

- разработка программного обеспечения для автоматизированного определения точности работы и допусков искусственных нейронных сетей;

- исследование возможностей применения искусственных нейронных сетей, разработанных с помощью новых алгоритмов, для решения практических задач.

Научная новизна:

1. Алгоритм определения точности работы искусственной нейронной сети, с использованием относительного показателя качества, позволяющий оценить её способность сохранять достигнутую в процессе обучения точность при дестабилизирующих воздействиях.

2. Алгоритм выбора параметров искусственной нейронной сети обеспечивающих точность её работы в пределах заданных допусков, учитывающий изменения значений показателей качества при дестабилизирующих воздействиях.

3. Алгоритмы анализа и синтеза допусков на параметры искусственных нейронных сетей с использованием относительного показателя качества, применимые в условиях ограничений, налагаемых реальными ресурсами устройств их реализующих.

Теоретическая и практическая значимость работы:

— Разработанные алгоритмы позволяют проектировать ИНС, способные поддерживать требуемую точность работы в пределах заданных допусков при возникающих в реальных условиях эксплуатации внутренних и внешних дестабилизирующих воздействиях.

— Разработанные алгоритмы позволяют назначить допуски на параметры искусственных нейронных сетей. При правильном назначении допусков может быть обеспечена функциональная взаимозаменяемость, а так же унификация и стандартизация ИНС. Допуски, установленные необоснованно, увеличивают стоимость и удлиняют сроки разработки ИНС.

Методология и методы исследования. В работе использованы методы теории искусственных нейронных сетей; системного анализа; расчета допусков;

метрологии; математической статистики; методы программного и математического моделирования и программирование на языке высокого уровня.

Положения, выносимые на защиту:

- алгоритмы определения точности работы и выбора параметров искусственной нейронной сети обеспечивающих точность её работы в пределах заданных допусков при дестабилизирующих воздействиях;

- алгоритмы анализа и синтеза допусков на значения параметров искусственных нейронных сетей;

- результаты исследования разработанных алгоритмов;

- результаты практического применения искусственных нейронных сетей, созданных с помощью разработанных алгоритмов.

Степень достоверности и апробация результатов. Основные полученные результаты представлены в виде алгоритмов, вычислительных схем алгоритмов и структурной схемы устройства диагностики на базе ИНС в составе промышленной системы технического контроля характеристик блоков обработки и преобразования информации. Адекватность предложенных алгоритмов доказывается результатами экспериментов.

Результаты исследований получены автором при выполнении грантов РФФИ №11-08-97551-р_центр_а «Разработка автоматизированных методов определения точности функционирования устройств с нейросетевой архитектурой или работающих в нейросетевом логическом базисе», №12-08-31064-мола «Разработка автоматизированных методов оптимизации разрядности устройств с нейросетевой архитектурой или работающих в нейросетевом логическом базисе», №13-08-00348-а «Разработка автоматизированных методов определения оптимальной разрядности устройств с нейросетевой архитектурой или работающих в нейросетевом логическом базисе». Научные положения и выводы диссертации используются: в ОАО «Муромский завод радйоизмерительных приборов» при разработке и проектировании промышленных систем технического контроля, работающих на базе искусственных нейронных сетей; в учебном процессе МИ (филиала) ВлГУ по курсам «Информационные технологии проектирования ЭВС», «Физико-математические основы проектирования электронно-вычислительных средств», «Надежность приборов и систем» для специальностей «Проектирование ЭВС» и «Приборы и методы контроля качества».

Основные результаты диссертационной работы докладывались и обсуждались на X и XI Всероссийской научной конференции «Нейрокомпьютеры и их применение» (г. Москва, 2012, 2013 г.); II и III Всероссийских «Армандовских чтениях» (г. Муром, 2012, 2013 г.), IX международном симпозиуме «Интеллектуальные системы ШТЕЬ8'2010» (г. Владимир, 2010 г.), VI Всероссийской научно-технической конференции «Виртуальные и интеллектуальные системы» (г.Барнаул, 2011 г.), а так же в рамках НТС секции информационных технологий ФГАНУ ЦИТИС (председатель Галушкин А.И., г. Москва, 2013 г.).

По теме диссертационной работы опубликовано 19 печатных работ, в том числе 15 статей, 5 из которых в журналах, входящих в перечень ВАК, 2 свидетельства о государственной регистрации программ для ЭВМ.

Диссертация состоит из введения, четырех глав, заключения, списка литературы из 121 наименования и приложения. Общий объем диссертации 164 страницы, в том числе 145 страниц основного текста. Таблиц 42, рисунков 87.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы научная проблема, цели и задачи исследования, приведены результаты, выносимые на защиту. Дана аннотация диссертационной работы.

В первой главе «Обзор и анализ возможностей использования искусственных нейронных сетей в промышленных системах технического контроля» рассмотрены задачи и проблемы модернизации промышленных систем технического контроля путем применения искусственных нейронных сетей как вычислительных компонентов.

На этапе сборки и монтажа технический контроль характеристик ряда блоков обработки и преобразования информации, производимых ОАО «Муромский завод радиоизмерительных приборов» (МЗ РИП) включает в себя стендовые испытания, основная цель которых - определить пределы ошибок их функционирования. Данный процесс связан с проведением комплекса работ (регулировочные и настроечные операции) по доведению параметров блоков до величин, соответствующих требованиям технических условий (ТУ), и обеспечению допуска разброса параметров, который гарантирует эффективное функционирование технических объектов в реальных условиях эксплуатации.

В связи с увеличением производственных мощностей ОАО «МЗ РИП», а так же расширением номенклатуры выпускаемой продукции, появилась задача модернизации действующего диагностического оборудования с целью улучшения его основных характеристик по точности, быстродействию, надежности, а так же обеспечению измерений в условиях воздействия «жестких» внешних факторов (воздействия низкой/высокой температуры и сильных шумовых помех).

Одними из основных проблем при модернизации промышленных систем технического контроля путем применения искусственных нейронных сетей как вычислительных компонентов являются отсутствие универсальных методов определения и назначения допусков на их параметры, а так же отсутствие критериев оценки точности их функционирования при дестабилизирующих воздействиях.

Обзор открытых отечественных и зарубежных научно-технических источников по разработке и проектированию ИНС, показывает, что существующие методы определения и обеспечения точности работы и допусков искусственных нейронных сетей имеют много слабых мест, трудно сопоставимы между собой и применимы лишь для узкого класса данных устройств, что не достаточно для большого количества практических применений.

Вторая глава «Разработка и исследование алгоритма определения точности работы ИНС в пределах заданных допусков» посвящена разработке алгоритма определения точности работы искусственной нейронной сети, с использованием относительного показателя качества, позволяющего оценить её способность сохранять достигнутую в процессе обучения точность при дестабилизирующих воздействиях, а так же исследованию его возможностей.

На этапе разработки и компьютерного проектирования искусственных нейронных сетей точность их работы характеризуется одними из существующих общепринятых технических показателей (абсолютная погрешность, относительная погрешность, сумма квадратов ошибок, средняя абсолютная ошибка и т.д), значения которых Хдос достигаются в процессе обучения. Данные значения являются теоретическими, так как в реальных условиях эксплуатации они изменяются X, вследствие влияния неизбежно возникающих внешних и внутренних дестабилизирующих воздействий. Кроме того, при проектировании технических устройств любой сложности точность их работы принято регламентировать допускаемыми пределами отклонений значений технического показателя от номинального Хдо„ (допуск на выходной параметр).

Предлагается на этапе разработки и компьютерного проектирования искусственных нейронных сетей учитывать возможные дестабилизирующие воздействия путем изменения значений параметров нейронов (весовых коэффициентов, пороговых смещений и т.д.) на ±т%. Процесс анализа включает в себя рассмотрение последствий влияния данных изменений на точность работы искусственной нейронной сети, исходя из значения относительного показателя качества работы ИНС К

К, = 1 — {X, - Хдос)!(Хдоп — Хдос), при Хдоп > Хдос\ (1)

К, = 1 - (Хдос - Х,)1(Хаос - Хдоп), при Хдоп < Хдос\ (2)

Показатель К является безразмерной величиной и может иметь значения от -го до 1. Диапазон изменения К от 0 до 1 характеризует запас показателя точности технического объекта до достижения границы поля допуска. Если значение относительного показателя качества работы ИНС, при каких-либо изменениях параметров ее составных элементов становится отрицательным (рисунок 1), то сеть не является работоспособной (точность вышла за границы

поля допуска). Чем ближе значение показателя Л" к 1, тем более высока точность работы ИНС.

Для повышения точности работы ИНС необходимо либо увеличивать разницу между допустимым Хдоп и достигнутым Хдос значениями показателя качества обучения, либо снижать изменение показателя качества работы сети при вариации параметров каждого структурного элемента (его физической и (или) информационной составляющей).

На основе предложенного подхода разработан алгоритм определения точности работы ИНС в пределах заданных допусков с использованием относительного показателя качества, позволяющего оценить её способность сохранять достигнутую в процессе обучения точность при дестабилизирующих воздействиях (рисунок 2). Данный алгоритм реализован в виде пакета программ, на которое получены свидетельства о государственной регистрации.

( Начало)

'/тА т.Хдт/--

т-максимальное значение изменения параметра нейрона, йт-шаг изменения. Хасп-долуск.

ТГтом числе Хдос-эначение

ИНС б номинальном режиме

Вычисление Кср Ю при изменении значений параметраВ нейроноВ на А т%

Цикл прохода по элементам ИНС It

Изменение значения текущего параметра нейрона на Л т%

Ш

Вычисление К (Х.Хяж.Хдап!

X

Возврат исходного состояния ИНС

Точность раВоты ИНС В номинальном режиме/ Выходит за границы / поля L

Конец )

Рисунок 2 - Блок-схема алгоритма определения точности работы ИНС в пределах заданных допусков.

С помощью разработанного алгоритма проведены исследования компьютерных моделей искусственных нейронных сетей, аппроксимирующих тригонометрические функции sin(x), cos(x), arctg(x), arcsin(x) и функции yjx, 1/ф, \/х. Аппроксимация данных функций необходима для формирования эталонных воздействий в системах технического контроля. Предложенный относительный показатель качества позволяет получить дополнительную информацию о свойствах искусственных нейронных сетей и повысить качество их проектирования. Произведены исследования зависимости между точностью работы искусственных нейронных сетей и функциями обучения, а так же количеством нейронов.

Процесс исследования представлен на рисунках 3-6 на примере двухслойной искусственной нейронной сети прямого распространения с разным количеством нейронов в первом слое и одним нейроном во втором, аппроксимирующей функцию у= 1/у[х (х€ [1;2], допуск на максимальную относительную погрешность работы сети (3) ажтс(Ю„ < 1%).

^outputs, - у\ ! ^

сг = шах

У,

где outputs - массив выходных значений работы ИНС, у - массив целей обучения, i - количество элементов в массиве.

20% - ..............................-...........- ..........18,34653%

15% -10%

0%

5% 0,00009% 0,00035% 0,53823% 0,62478% 0,97323%

ТИАВДВИ. ТЯЛШЪМ ТЯАШЗСО ТКА1Ш. ТИАШШ» ТЯАШЮ Алгоритм обучения

Рисунок 3 — Максимальная относительная погрешность работы ИНС, аппроксимирующей функцию^ \/ф при различных алгоритмах обучения.

0,21 %

а

| 0,11%

0,01% 0,0012%

0,0006%

0,20411%

0,01723%

0,00088%

0,00047%

0,00035% 0,00028%

0,00012%

0,00073%

0,00008»/0,00011%

0,0000%

Количество нейронов в первом слое

-41,99

Рисунок 4 - Точность работы ИНС (алгоритм обучения ГКА1КЬМ), аппроксимирующей функцию у= Уф , при различном количестве нейронов в первом слое: а) в номинальном режиме работы (<т„якс); б) при вариациях значений её параметров на ±1% и ±10% (К).

__1

I

%

- -1% -2%-- 3%- - 4% 5 %6% /о- 9 /о- 10

ТРАП^Сй

- ТЯАГНЬМ •ТКАШЯ ■ ТКАШВЯ

1

0,8 0,6 0,4 0,2 £ о -0,2 -0,4 -0,6 -0,8 -1 -1,2 -1,4

Рисунок 5 - Изменение значения относительного показателя качества К при различных алгоритмах обучения ИНС, аппроксимирующей функциюу=\/ф , с шестью нейронами в первом слое при вариации значений параметров нейронов

от ±1% до ±10%.

ТКАШЮР

К

=0.1 % =0.5 %

1 2 3 4 5 6 1

Номер нейрона: 1 слой 2 слой

Рисунок 6 - Значение К при вариациях значений отдельных элементов ИНС(алгоритм обучения ТКАГЫЬМ), аппроксимирующей функцию у= шестью нейронами в первом слое.

Анализ полученных данных позволяет сделать вывод, что точность работы ИНС изменяется в зависимости от её параметров, и их выбор для решения конкретной практической задачи является индивидуальным. Данный факт также подтверждает указанную в ряде работ невозможность составления универсальных правил проектирования искусственных нейронных сетей, так как проблема их синтеза сильно зависит от решаемой задачи.

В третьей главе «Разработка и исследование алгоритмов анализа и синтеза допусков и выбора параметров ИНС» разработаны алгоритмы выбора параметров искусственных нейронных сетей на основе информации получаемой с помощью предложенного относительного показателя качества их работы; разработаны алгоритмы анализа и синтеза допусков на параметры искусственных нейронных сетей, произведено исследование возможностей разрабатываемых алгоритмов.

Алгоритм выбора параметров ИНС обеспечивающих точность ее работы в пределах заданных допусков при дестабилизирующих воздействиях (рисунок

7) позволяет определить

Ç Начало ) /¡пДщХьп/---j=liength(networkl

т-максимальное значение изменения параметра нейрона, \Лт-шаг изменения. Хао/н}опуск I

U-

I

Определение точности раВоты ИНС net workljl Кар у (Xj /, Хдос у, Хдоп)

т

Никл перебора ИНС аз множество сравниваемых Вариантов, j'епдШпеЫогЮ-количество ИНС

/-значение показателя точности работы j-où ИНС Ô номинальном режиме. X/ ¡-значение показателя точности работы j-ой ИНС при ва-Iтииях параметров ее злементов

/ТЗ соотбетстбуют параметры ИНС nef workljl , со значением Кср ¡>0 /

( Конец j

какое состояние сети будет наилучшим с точки зрения предъявляемых к ней требований по точности ее работы при заданных допусках. К состоянию сети можно отнести такие параметры, как структура, количество слоев, количество нейронов, функции

активации слоев, функции обучения. Количество таких параметров варьируется в зависимости от конкретных практических применений ИНС.

Основная цель данного

Рисунок 7 - Блок схема алгоритма выбора па раметров ИНС для обеспечения точности ее работы.

процесса - выбор таких параметров сети, при которых она сможет сохранять работоспособное состояние в пределах заданных допусков при возникновении дестабилизирующих воздействий.

Пример процесса выбора функции обучения (из набора TRAINLM, TRAINBR) ^ и количества нейронов в первом слое (от 10 до 20) представлен на кср рисунке 8.

Анализ полученных данных позволяет .: сделать вывод, что максимальное значение КСр В ДаННОМ СЛу- Количество нейронов в первом слое

чае достигается при использовании ИНС с 20 нейронами в первом слое, обученной в

соответствии с алгоритмом Левенберга-Марквардта (TRAINLM), следовательно данные параметры (из набора рассматриваемых) обеспечат работоспособность ИНС на интервале возможных дестабилизирующих воздействий.

ID 1 2 1 4 1 " ¿У ! б /lis S" -f>

/ s / /

/ / ✓ /

/ -TRAINLM

/ -----TRAINBR

Рисунок 8 - Кср ИНС, аппроксимирующих преобразования координат из полярной системы в декартову

Алгоритмы анализа и синтеза допусков на параметры ИНС. Анализ и синтез допусков можно производить с помощью относительного показателя качества работы ИНС К на основе разработанного теоретико-эксперименталь-

( Начало )

Z—I-у Тт-максимольное значение

щХдоп / —{изменения параметра нейрона.

х:

\Хвт-допуск

Инициализация и с ох раненив

Ттом числе Хаос-значение показателя точности работы

Изменение значении параметров нейронаВ ИНС на т%

допуска Лбыхпр

х

Ж-значение показателя точности работы ИНС при изменении значений пара-

Вычисление К (Х.Хдос.Хш!

да

К<0

нет

не с услоВиям ТЗ"

X

Ш

"Точность радоты ИНС, соответствует / условиям ТЗ" /

ВозВрат исходного состояния

У К.Шыхпр~7 ( Конец )

Рисунок 9 - Блок-схема алгоритма анализа допусков, погрешностей параметров нейронов, то есть значения относительного показателя качества работы ИНС К должны находиться в пределах от 0 до 1.

Задачей синтеза (рисунок 10) является выбор допусков на нейроны искусственной нейронной сети по заданному допуску на выходной параметр. Расчет допусков на параметры нейронов ведется методом последовательных приближений, пока допуск на выходной параметр искусственной нейронной сети меньше или равен заданному.

В диссертации на практических примерах показана работа

ного подхода.

Решение задачи анализа (рисунок 9) заключается в определении допуска на выходной параметр искусственной нейронной сети по заданным допускам на значения параметров нейронов. Основой для расчета допуска в данном случае будет являться теоретический метод наихудшего случая, в соответствии с которым выходной параметр искусственной нейронной сети должен находиться в пределах установленного поля допуска при наиболее неблагоприятных сочетаниях

Г Начало )

,, ^ р1 /щАщХвоп/- - н«"

Инициализация и сохранение

максимальное значение изменения параметра нейрона. | А т-шаг изменения. Хап-Зопуск

Ттом числе Хйс-значение показателя точности работы ИНС В номинальном режиме

Изменение значений параметров нейоонор ИНС на А т%

X

Вычисление X:

X

Вычисление КI.'Х.Хвас.Хвоп/

Хг-значение показателя точности раСоты ИНС при изменении значений пара-

К>0

'/Назначение допусков 'на значения параметров/ нейроноВ ИНС /

\ Конец ) Рисунок 10 - Блок-схема алгоритма синтеза допусков.

алгоритмов анализа и синтеза допусков на значения параметров нейронов. Представленные алгоритмы реализованы в виде пакета программ, поданы заявки на государственную регистрацию.

Четвертая глава «Практическое применение созданных алгоритмов при проектировании нейросетевых компонентов промышленных систем технического контроля» посвящена вопросам практического применения разработанных алгоритмов при разработке и проектировании ИНС, используемых в промышленных системах технического контроля.

Выбранное направление совершенствования промышленных систем технического контроля, используемых ОАО «МЗ РИП», состоит в сокращении временных затрат на проведение диагностики устройств обработки и преобразования информации и снижении количества ошибок, возникающих в процессе проверки необходимости проведения регулировочно-настроечных операций по отношению к диагностируемому узлу. Необходимость модернизации вызвана увеличением производственных мощностей, а так же

Антенна

Синтезатор частоты

Смеситель

Передатчик

, Умножитель частоты

МШУ

Приемник

Генератор ЛЧМ-сигнала

Стенд комплексной диагностики устройств обраб. и лреобразое. информации

т

АЦП

ЭВМ

расширением номенклатуры выпускаемой продукции. Кроме того попадание не отрегулированных узлов (блоков, ячеек) в состав готовой продукции ведет к ухудшению ее тактико-техничес-характеристик,

к их

Рисунок 11 - Комплексная диагностика устройств обработки и преобразования информации.

заявленных техническими заданиями. Процесс контроля качества обработки и преобразования сигналов, с помощью диагностического стенда (рисунок 11) включает в себя следующие этапы (рисунок 12).

Аналоговые значения сигнала, через входные цепи (ВЦ) передаются на согласующее устройство (СУ) для согласования сопротивления в точке подключения, а так же для изменения уровня или мощности сигнала. Далее, получаемые на выходе аналогово-

цифрового преобразователя (АЦП), дискретные значения принимаемой реализации передаются в блок оценивания (БО) для выделения измеряемого параметра. Измерительное устройство (ИУ) вычисляет значения показателей качества контролируемых параметров сигналов. Превышение данных значений заранее установленного допускаемого уровня означает необходимость регулировки и настройки диагностируемого устройства.

ТУ для устройств обработки и преобразования сигналов регламентированы следующие контролируемые параметры (характеризующие их приемопередающие способности) и допускаемые значения их отклонений:

"Не соотбетстбует ТУ"

Рисунок 12 - Контроль качества обработки и преобразования сигналов.

- фазовый сдвиг (сдвиг фаз) импульсов. Максимально допускаемое отклонение от номинального значения <рсдо„=к/10\

- относительное отклонение частоты импульса от линейного закона. Максимально допускаемое значение оуао„= 10%.

Вычислительные компоненты диагностического стенда (рисунок 11, 12) позволяют оценить параметры формируемых и принимаемых сигналов. Чем выше точность данных измерений, тем выше качество регулировки и настройки ЭВС, что гарантирует их эффективное функционирование в реальных условиях эксплуатации. С другой стороны получение более точных данных о погрешности функционирования ЭВС, экономически оправдывается при завышении допусков на отдельные элементы и детали в целях уменьшения себестоимости изделий.

Действующие алгоритмы диагностики блоков ЭВС включают в себя проведение полного цикла расчетов (получения выборки импульсов, оцифровка, выделение контролируемых параметров через функциональные зависимости (с использованием фильтров низких частот, сумматоров, аппроксиматоров, дифференциаторов и др.), расчет показателей качества), результатом которого является принятие решения о соответствии диагностируемого блока ТУ в режиме «да-нет» (соответствует ТУ или не соответствует ТУ). Так как конечный результат контроля качества сводится к выбору лишь одного варианта из двух, то в данной ситуации нет необходимости выполнения всех вышеописанных расчетов. Сократить время на проведение диагностики, а так же снизить количество ошибок при проведении контроля возможно за счет применения искусственных нейронных сетей.

Входные массивы inputs для обучения ИНС (рисунок 13) формируются из сигналов с различной степенью искаженности, как допускаемой так и не

допускаемой, при отношении сигнал-шум <7с/ш=50дБ. Массив целей обучения targets (рисунок 14) содержит набор 0 и 1 соответственно для каждого случая.

Показателем качества работы искусственной нейронной сети в данном случае является вероятность ошибки Рош, которая определяться как

Рош = Р{А) + Р(В), (4) где Р(А) — вероятность выбора варианта «не соответствует ТУ» в случае, когда параметры обработанных сигналов находятся в пределах поля допуска (событие А); Р{В) - вероятность выбора варианта «соответствует ТУ» в случае, когда параметры обработанных сигналов находятся за пределами поля допуска (событие В).

N и 1

Рисунок 13 - Компьютерная модель ИНС.

_1-1-1_1_I-1_I_I_I_i_

2 4 6 3 10 12 14 16 18 20

Рисунок 14 - Массив targets.

В процессе исследования для каждого набора параметров ИНС рассматривались следующие возможные варианты снижения вероятности ошибки сети:

а) предварительная обработка входного массива inputs-,

б) сдвиг границы а условия наступления события А и В;

в) увеличением количества принимаемых импульсов N, на основании значений параметров которых принимается решение.

Предварительная обработка входного массива inputs проводилась в соответствии с выражением

inputs{ij)=y{ij) - S(i), (5)

где y(ij) - набор нормированных значений принимаемой реализации >'(/) при количестве вариантов искажений j; S(i) - дискретные номинальные значения импульсов S(t). Предварительная обработка позволяет в некоторых случаях снизить вероятность ошибки Рош ИНС на 15-20%.

Наибольшее снижение вероятности ошибки удается добиться за счет сдвига границы а условия наступления события А и В. Так как выходной массив outputs (рисунок 16) ИНС содержит ошибки относительно целей обучения targets (пример, рисунок 15), принятие решения о наступлении того

или иного события по 0 или 1 нецелесообразно. В процессе исследований путем многократного симулирования работы сети (от 2*106 до 2,5*106 раз) были определены границы а наступления событий (пример,

Рисунок 15 - Массив outputs.

рисунок 16).

»rWW«

* *V\< vW

а) б)

Рисунок 16 - Вероятность ошибки ИНС минимальна по результатам: а)20000 повторений при а=0,73; 6)2000000 повторений при а=0,77.

С помощью разработанного алгоритма (рисунок 7) для двухслойных искусственных нейронных сетей прямого распространения выбраны следующие параметры: алгоритм обучения Левенберга-Марквардта (ТЯАШЬМ); количество нейронов в первом слое 5, во втором 1; функции активации первого слоя - тангенциальная (1ап51^), второго линейная (ригеНпе). С помощью разработанного алгоритма синтеза допусков (рисунок 10) на значения параметров нейронов искусственных нейронных сетей, обеспечивающих наименьшие значения вероятности ошибки, назначены производственные допуски.

Таким образом, разработанный алгоритм контроля качества обработки и преобразования информации на основе искусственных нейронных сетей (рисунок 17) имеет следующие особенности и преимущества:

1. Позволяет снизить время, затрачиваемое на проведение контрольно -измерительных операций до 7 раз за счет сокращения числа шагов

вычислительного алго-

outputs "Соответствует ТУ"

"Не соответствует ТУ"

Рисунок 17 - Функциональная схема устройства диагностики на базе ИНС.

ритма более чем в 100 раз относительно действующего. 2. Позволяет снизить количество ошибок (рисунок 18) при проведении диагностики до 10 раз и более относительно действующего алгоритма (за счет снижения потерь

точности при выполнении сложных математических расчетов по выделению контролируемых параметров из значений принимаемой реализации), что сказывается на обеспечении заявленных тактико-технических характеристик выпускаемой заводом продукции.

100 -в 90 ¿S0

о-

I 60-

о

S -<0-tr-10-

V

S 30-~ 20-

100

. ПНС созвана без учета оотсиос

, ИНС созвана с ¡го-мощью разраб. алгоритме

шт.

500

Т

I I I I т—г

4 6 8 10 12 14 '"' "

Количество ошибок при оестабшизируюнпа еоюейстиш о.тя ое\ т еарианшос ПНС

Регулировка не требуется

Ш

Рег>'.плровка необходима

CQ

410"

0

Результаты испытании ИНС: срасненпе с оейстеуюшим оборуоосанием

Рисунок 18 — Результаты испытаний ИНС в составе стенда диагностики.

Разработанные алгоритмы и программные продукты используются в настоящее время в Отделе главного конструктора ОАО «МЗ РИП» в стенде комплексной диагностики блоков изделия 48Я6-К1.

В заключении сформулированы основные результаты, полученные в ходе работы, которые сводятся к следующему:

1. Рассмотрены существующие общетехнические методы определения точности работы и функциональных допусков технических устройств, а также методы обеспечения точности работы ИНС. Выявлено, что существующие методы применимы лишь в частных случаях.

2. Разработаны компьютерные модели ИНС, предназначенных для использования в составе промышленных систем технического контроля.

Показано, что применение ИНС для решения данного вида задач является перспективным, вследствие их преимуществ перед аналогами с классической архитектурой по точности, быстродействию, программно-аппаратурным затратам.

3. Разработан алгоритм определения точности работы и функциональных допусков ИНС на основе относительного показателе качества работы К, который позволяет оценить их способность сохранять достигнутую в процессе обучения точность при дестабилизирующих воздействиях. Алгоритм реализован в виде пакета программ. Получены свидетельства о государственной регистрации программ для ЭВМ.

4. Исследованы основные возможности разработанного алгоритма при изучении влияния параметров ИНС (значения весовых коэффициентов и пороговых смещений, функции обучения, количество нейронов) на точность выполнения заданных функций.

5. Разработан алгоритм выбора параметров ИНС, который позволяет выбрать параметры сети, обеспечивающие точность её работы в пределах заданных допусков на интервале возможных дестабилизирующих воздействий. Выбраны параметры ИНС для ряда практических применений.

6. Разработаны алгоритмы анализа и синтеза допусков на значения параметров ИНС. Алгоритмы реализованы в виде пакета программ. Поданы заявки на государственную регистрацию.

7. Разработанные алгоритмы применены при проектировании ИНС, используемых на этапе технического контроля при производстве устройств обработки преобразования информации. Созданные ИНС позволяют снизить время, затрачиваемое на проведение контрольно-диагностических операций до 7 раз, а так же снизить количество ошибок при проведении диагностики до 10 раз и более относительно действующего алгоритма.

В приложении приведены копии свидетельств о государственной регистрации программ для ЭВМ, акты о реализации научных положений и выводов диссертации.

ПУБЛИКАЦИИ В ИЗДАНИЯХ, РЕКОМЕНДОВАННЫХ ВАК

1.Щаников, С.А. Влияние функции обучения на качество работы нейронных сетей / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Радиопромышленность. - 2012. - №2. - С. 68-73. (соискатель - 80%)

2. Щаников, С.А. Исследование влияния значения весовых коэффициентов нейронов на уровень отказоустойчивости нейронных сетей / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Вопросы радиоэлектроники. - 2010. -№1(т.1). -С. 34-38. (соискатель - 40%)

3. Щаников, С.А. Исследование зависимости результата оценки отказоустойчивости от выбора показателя качества работы нейронных сетей / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Проектирование и технология электронных средств. - 2010. -№1. - С. 2-5. (соискатель - 80%)

4. Щаников, С.А. Комплексный показатель качества работы нейронных сетей / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Информационные технологии. - 2013. - №5. - С. 57-59. (соискатель - 80%)

5. Щаников, С.А. Оптимизация разрядности аппаратных средств при обеспечении требуемой точности работы нейронных сетей / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Вопросы радиоэлектроники. - 2010. - №1(т.1). -С. 39-45. (соискатель - 33%)

ПУБЛИКАЦИИ В ЖУРНАЛАХ, СБОРНИКАХ И МАТЕРИАЛАХ НАУЧНО-ТЕХНИЧЕСКИХ КОНФЕРЕНЦИЙ

6. Щаников, С.А. Алгоритм определения коэффициентов влияния погрешностей элементов нейронов на показатели качества работы устройств с нейросетевой архитектурой / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Методы и устройства передачи и обработки информации. - 2011. - №13. - С. 114-118. (соискатель - 50%)

7. Щаников, С.А. Аппроксимация базовых математических функций с использованием нейросетевых алгоритмов / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Материалы 5-ой Международной научно-практической конференции «Наука и инновации - 2009». -2009. -№. 12. - С. 4-9. (соискатель-33%)

8. Щаников, С.А. Исследование коэффициентов влияния погрешностей элементов нейронов на показатели точности (качества) работы устройств с нейросетевой архитектурой [Электронный ресурс] / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Алгоритмы, методы и системы обработки данных. -2011. - №2(17). - Режим доступа: http://amisod.rU/images/mediacontent/2011/2/ amisod-2011-2-17^апПт-такагоу-5сЬуапйсоу^1'.(соискатель - 50%)

9. Щаников, С.А. Комплексный показатель качества работы нейронных сетей / С.А. Щаников, С.Н. Данилин, М.В. Макаров // X всероссийская научная конференция «Нейрокомпьютеры и их применение». Тезисы докладов. — 2012. - С. 26. (соискатель - 80%)

10. Щаников, С.А. Методы определения точности работы устройства с нейросетевой архитектурой / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Методы и устройства передачи и обработки информации. - 2011. - №12. - С. 68-73. (соискатель - 40%)

11. Щаников, С.А. Метод оптимизации топологии нейронной сети при идентификации объектов управления [Электронный ресурс] / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Материалы конференции «Наука и образование в развитии промышленной, социальной и экономической сфер регионов России». - 2010. С. 347-348. - Режим доступа: http://www.mivlgu.ru/conf/ zvorykin2010/works/PDF/Section 10.pdf. (соискатель - 40%)

12. Щаников, С.А. Оптимизация разрядности аппаратных средств при обеспечении требуемой точности работы нейронных сетей [Электронный ресурс] / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Материалы II Всероссийской научно-практической конференции «Актуальные вопросы развития современной науки, техники и технологии». - 2010. - Режим доступа:

http://www.mivlgu.ru/site_arch/conf/murom2010/matherials/seminar/PDF/24.pdf. (соискатель - 33%)

13. Щаников, С.А. Оптимизация точности работы нейронной сети путем изменения разрядности аппаратных средств / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Ползуновский альманах. -2010.-№2.-С. 19-21.(соискатель-33%)

14. Щаников, С.А. Перспективный подход к построению математических моделей динамических объектов / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Материалы 5-ой Международной научно-практической конференции «Достижения высшей школы - 2009». -2009.-№7.-С.77-81.(соискатепь-40%)

15. Щаников, С.А. Получение аналитических оценок точности для оптимизации разрядности нейронных сетей / С.А. Щаников, М.В. Макаров // Тезисы докладов XI всероссийской научной конференции «Нейрокомпьютеры и их применение». - 2013. - С. 45-46. (соискатель - 40%)

16. Щаников, С.А. Преобразование систем координат с использованием нейросетевых алгоритмов / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Материалы 5-ой Международной научно-практической конференции «Достижения высшей школы -2009».-2009г.-№.7.-С.73-77. (соискатель-40%)

17. Щаников, С.А. Реализация нелинейных нейросетевых систем автоматического управления / С.А. Щаников, М.В. Макаров // Материалы XIV всероссийской научно-технической конференции «Новые информационные технологии в научных исследованиях и в образовании». - 2009. - С. 251-252. (соискатель - 50%)

18. Щаников, С.А. Решение нелинейных дифференциальных уравнений в радиосистемах в нейросетевом логическом базисе / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Материалы 5-ой Международной научно-практической конференции «Образование и наука XXI века - 2009». - 2009. -№.12. - С. 39-44. (соискатель - 40%)

19. Щаников, С.А. Решение нелинейных дифференциальных уравнений в нейросетевых системах автоматического управления / С.А. Щаников, С.Н. Данилин, М.В. Макаров // Интеллектуальные системы: Труды Девятого международного симпозиума. - 2010. - С. 94—98. (соискатель - 40%)

СВИДЕТЕЛЬСТВА О ГОСУДАРСТВЕННОЙ РЕГИСТРАЦИИ

1. Программа автоматизированного определения точности работы двухслойных нейронных сетей в пределах заданных допусков / С.А. Щаников, С.Н. Данилин // Свидетельство о государственной регистрации программы для ЭВМ. - 2013. - №2013610462. (соискатель - 80%)

2. Программа автоматизированного определения точности работы нейронных сетей при влиянии шумовых помех на входную информацию / С.А. Щаников, С.Н. Данилин // Свидетельство о государственной регистрации программы для ЭВМ. - 2013. -№2013614203. (соискатель - 80%)

Подписано в печать 1.10.2013. Формат 60x84/16. Усл. печ. л. 1,16. Тираж 100 экз. Заказ 2426.

Издательство Муромского института (филиала) федерального государственного

бюджетного образовательного учреждения высшего профессионального образования «Владимирский государственный университет имени'Александра Григорьевича и Николая Григорьевича Столетовых» 602264, Владимирская обл., г. Муром, ул. Орловская, 23.

Муромский институт (филиал) Федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Владимирский государственный университет имени Александра Григорьевича и

Николая Григорьевича Столетовых»

АЛГОРИТМЫ ОПРЕДЕЛЕНИЯ ДОПУСКОВ И ОБЕСПЕЧЕНИЯ

ТОЧНОСТИ РАБОТЫ НЕЙРОСЕТЕВЫХ КОМПОНЕНТОВ ПРОМЫШЛЕННЫХ СИСТЕМ ТЕХНИЧЕСКОГО КОНТРОЛЯ

Специальность 05.13.01 Системный анализ, управление и обработка информации

(промышленность)

На правах рукописи

04201365837

ЩАНИКОВ СЕРГЕЙ АНДРЕЕВИЧ

Диссертация на соискание ученой степени кандидата технических наук

Научный руководитель: к.т.н., доцент Данилин С.Н.

Муром 2013

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ.................................................................................... 5

ГЛАВА 1 ОБЗОР И АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ВПРОМЫШЛЕННЫХ СИСТЕМАХ ТЕХНИЧЕСКОГО КОНТРОЛЯ

1.1 Назначение промышленных систем технического контроля.......... 10

1.2 Использование ИНС в промышленных системах технического контроля

1.2.1 Задачи модернизации промышленных систем технического контроля.......................................................................... 12

1.2.2 Модернизация промышленных систем технического контроля путем применения ИНС........................................... 13

1.2.3 Определение и обеспечение точности работы ИНС.............. 16

1.3 Обзор и анализ основных подходов к разработке алгоритмов определения допусков и обеспечения точности работы ИНС

1.3.1 Обзор нормативных документов..................................... 18

1.3.2 Обзор общетехнических методов определения допусков и обеспечения точности работы технических устройств................. 21

1.3.3 Особенности функционирования ИНС.............................. 31

1.3.4 Показатели качества обучения и работы ИНС..................... 35

1.3.5 Точность работы и отказоустойчивость ИНС...................... 37

1.4 Задачи практического применения исследуемых ИНС................ 38

ВЫВОДЫ ПО ГЛАВЕ 1 И ПОСТАНОВКА ЗАДАЧ ИССЛЕДОВАНИЯ........ 40

ГЛАВА 2 РАЗРАБОТКА И ИССЛЕДОВАНИЕ

АЛГОРИТМАОПРЕДЕЛЕНИЯ ТОЧНОСТИ РАБОТЫ ИНС В ПРЕДЕЛАХ ЗАДАННЫХ ДОПУСКОВ

2.1 Выбор и обоснование выбора методики исследования ИНС.......... 43

2.2 Выбор и обоснование выбора структур исследуемых ИНС........... 44

2.3 Выбор и обоснование выбора моделей исследуемых ИНС............ 46

2.4 Определение точности работы ИНС общетехническими методами

2.4.1 Точность работы ИНС в пределах заданных допусков................ 47

2.4.2 Определение коэффициентов влияния погрешностей параметров нейронов на погрешность выходного параметра ИНС 50

2.5 Относительный показатель качества работы ИНС....................... 56

2.6 Алгоритм определения точности работы ИНС в пределах заданных допусков............................................................. 58

2.7 Исследование зависимости между значениями параметров нейронов и значением относительного показателя качества работы ИНС...................................................................... 61

2.7.1 Исследование зависимости между значениями весовых коэффициентов нейронов и значением относительного показателя качества работы ИНС........................................................... 62

2.7.2 Исследование зависимости между значениями пороговых смещений нейронов и значением относительного показателя качества работы ИНС........................................................... 69

2.8 Исследование точности работы ИНС

2.8.1 Зависимость точности работы ИНС от функции обучения........... 73

2.8.2 Зависимость точности работы ИНС от количества нейронов........ 77

2.8.3 Изменение точности работы ИНС в пределах выбранной структуры......................................................................... 82

ВЫВОДЫ ПО ГЛАВЕ 2.................................................................... 86

ГЛАВА 3 РАЗРАБОТКА И ИССЛЕДОВАНИЕ АЛГОРИТМОВ АНАЛИЗА И СИНТЕЗА ДОПУСКОВ И ВЫБОРА ПАРАМЕТРОВ ИНС

3.1 Алгоритм выбора параметров ИНС......................................... 87

3.2 Выбор алгоритма обучения и количества нейронов ИНС.................... 88

3.3 Расчет допусков на параметры элементов ИНС................................. 98

3.3.1 Алгоритм расчета допусков при анализе............................ 99

3.3.2 Алгоритм расчета допусков при синтезе............................ 101

ВЫВОДЫ ПО ГЛАВЕ 3.................................................................... 104

ГЛАВА 4 ПРАКТИЧЕСКОЕ ПРИМЕНЕНИЕ СОЗДАННЫХ АЛГОРИТМОВ ПРИ ПРОЕКТИРОВАНИИ НЕЙРОСЕТЕВЫХ КОМПОНЕНТОВ ПРОМЫШЛЕННЫХ СИСТЕМ ТЕХНИЧЕСКОГО КОНТРОЛЯ

4.1 Программно-аппаратная реализация вычислительных компонентов промышленных систем технического контроля........ 105

4.2 Оценка параметров сигналов

4.2.1 Оценка амплитуды....................................................... 106

4.2.2 Оценка начальной фазы................................................. 113

4.2.3 Оценка частоты........................................................... 119

4.3 Контроль параметров сигналов............................................... 125

4.3.1 Контроль абсолютного значения фазового сдвига................ 126

4.3.2 Контроль относительного отклонения частоты................... 135

4.4 Результаты применения разработанных алгоритмов..................... 142

4.5 Результаты практического применения разработанных ИНС........ 145

ВЫВОДЫ ПО ГЛАВЕ 4.................................................................... 146

ЗАКЛЮЧЕНИЕ............................................................................... 148

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ..................... 150

СПИСОК ЛИТЕРАТУРЫ................................................................... 152

ПРИЛОЖЕНИЯ............................................................................... 164

ВВЕДЕНИЕ

Актуальность темы исследования и степень ее разработанности.

Повышение качества конечной продукции возможно за счет применения наиболее эффективных методов технического контроля и средств диагностики на каждом этапе производства. Активное развитие науки и техники и возрастающая сложность выпускаемой продукции делают актуальной задачу модернизации промышленных систем технического контроля. Решение данной задачи связано с выбором наиболее оптимальных и эффективных численных методов и аппаратных реализаций вычислительных компонентов, входящих в их состав.

Перспективным направлением совершенствования систем технического контроля и средств диагностики является использование устройств и систем обработки информации с нейросетевой архитектурой или работающих в нейросетевом логическом базисе (искусственных нейронных сетей) [53-69], которые обладают рядом преимуществ перед своими аналогами с классическими принципами функционирования по точности, отказоустойчивости, быстродействию, надежности [1, 2, 5].

Однако достигнутая на этапе компьютерного проектирования точность работы искусственных нейронных сетей (ИНС) снижается в реальных условиях эксплуатации зачастую вплоть до полной потери работоспособности. Причиной этого является неизбежное влияние внутренних и внешних дестабилизирующих воздействий, обусловленных производственными и эксплуатационными разбросами значений параметров элементов ИНС.

В настоящее время существует ряд общепринятых показателей качества [3,6,8] характеризующих точность работы искусственных нейронных сетей (ИНС) в номинальном режиме. Изменения значений показателей качества выходных параметров и параметров элементов ИНС должны учитываться на

этапе их разработки и проектирования и выражаться в предельно допускаемых уровнях данных изменений (допусках) [43]. Кроме того, согласно действующим как в России [46-52], так и за рубежом стандартам [96-103], точность работы в пределах заданных допусков является одним из свойств технических объектов, в обязательном порядке подлежащих регламентации соответствующими критериями (показателями качества), как в процессе их разработки, так и эксплуатации [30, 32].

Обзор открытых научно-технических источников [1-21,91-95, 104-121] по вопросам разработки и проектирования искусственных нейронных сетей показал, что существующие методы определения показателей точности работы искусственных нейронных сетей имеют много слабых мест, трудно сопоставимы между собой и применимы при проведении расчетов лишь для узкого класса данных устройств, что является недостаточным для большого количества практических применений.

Таким образом, актуальным направлением исследования является разработка методов и алгоритмов определения допусков и обеспечения точности работы искусственных нейронных сетей произвольной структуры, согласованных с действующими стандартами в области проектирования технических объектов и инвариантных к структуре и типу решаемых задач.

Вопросам проектирования систем обработки информации, в том числе нейросетевых, посвящены работы авторов: Аракеляна С.М., Борисова В.Ф., Галушкина А.И., Горбаня А.Н., Круглова В.В., Ланцова В.Н., Медведева В.В., Потапова И.В., Потапова В.И., Садыкова С.С., Сенашовой М.Ю., Смирнова Д.А., Комашинского В.И., Фомина A.B., Уоссермен Ф., J. Hopfield, Н. Takase, D. Phatak, L. Reyneri, Т. Hayashi, H. Kita, A. Murray, P. Edwards и др.

Цели и задачи. Целью настоящей работы является улучшение характеристик промышленных систем технического контроля за счет использования искусственных нейронных сетей, созданных с помощью новых алгоритмов определения допусков и обеспечения точности их работы.

Исходя из цели работы, основными задачами исследования являются:

- проведение анализа состояния задачи на основе отечественных и зарубежных научно-технических публикаций;

-построение компьютерных моделей искусственных нейронных сетей, используемых в качестве вычислительных компонентов промышленных систем технического контроля, служащих основой для дальнейших исследований;

- разработка и исследование алгоритмов определения допусков и обеспечения точности работы искусственных нейронных сетей;

- разработка программного обеспечения для автоматизированного определения точности работы и допусков искусственных нейронных сетей;

- исследование возможностей применения искусственных нейронных сетей, разработанных с помощью новых алгоритмов, для решения практических задач.

Научная новизна:

1. Алгоритм определения точности работы искусственной нейронной сети, с использованием относительного показателя качества, позволяющий оценить её способность сохранять достигнутую в процессе обучения точность при дестабилизирующих воздействиях.

2. Алгоритм выбора параметров искусственной нейронной сети обеспечивающих точность её работы в пределах заданных допусков, учитывающий изменения значений показателей качества при дестабилизирующих воздействиях.

3. Алгоритмы анализа и синтеза допусков на параметры искусственных нейронных сетей с использованием относительного показателя качества, применимые в условиях ограничений, налагаемых реальными ресурсами устройств их реализующих.

Теоретическая и практическая значимость работы:

-Разработанные алгоритмы позволяют проектировать ИНС, способные поддерживать требуемую точность работы в пределах заданных допусков при

возникающих в реальных условиях эксплуатации внутренних и внешних дестабилизирующих воздействиях.

-Разработанные алгоритмы позволяют назначить допуски на параметры искусственных нейронных сетей. При правильном назначении допусков может быть обеспечена функциональная взаимозаменяемость, а так же унификация и стандартизация ИНС. Допуски, установленные необоснованно, увеличивают стоимость и удлиняют сроки разработки ИНС.

Методология и методы исследования. В работе использованы методы теории искусственных нейронных сетей; системного анализа; расчета допусков; метрологии; математической статистики; методы программного и математического моделирования и программирование на языке высокого уровня.

Положения, выносимые на защиту:

- алгоритмы определения точности работы и выбора параметров искусственной нейронной сети обеспечивающих точность её работы в пределах заданных допусков при дестабилизирующих воздействиях;

- алгоритмы анализа и синтеза допусков на значения параметров искусственных нейронных сетей;

- результаты исследования разработанных алгоритмов;

- результаты практического применения искусственных нейронных сетей, созданных с помощью разработанных алгоритмов.

Степень достоверности и апробация результатов. Основные полученные результаты представлены в виде алгоритмов, вычислительных схем алгоритмов и структурной схемы устройства диагностики на базе ИНС в составе промышленной системы технического контроля характеристик блоков обработки и преобразования информации. Адекватность предложенных алгоритмов доказывается результатами экспериментов.

Результаты исследований получены автором при выполнении грантов РФФИ №11-08-97551-р_центр_а «Разработка автоматизированных методов определения точности функционирования устройств с нейросетевой архитектурой или работающих в нейросетевом логическом базисе», №12-08-31064-мол_а

«Разработка автоматизированных методов оптимизации разрядности устройств с нейросетевой архитектурой или работающих в нейросетевом логическом базисе», №13-08-00348-а «Разработка автоматизированных методов определения оптимальной разрядности устройств с нейросетевой архитектурой или работающих в нейросетевом логическом базисе». Научные положения и выводы диссертации используются: в ОАО «Муромский завод радиоизмерительных приборов» при разработке и проектировании промышленных систем технического контроля, работающих на базе искусственных нейронных сетей; в учебном процессе МИ (филиала) ВлГУ по курсам «Информационные технологии проектирования ЭВС», «Физико-математические основы проектирования ЭВС», «Надежность приборов и систем» для специальностей «Проектирование ЭВС» и «Приборы и методы контроля качества».

Основные результаты диссертационной работы докладывались и обсуждались на X и XI Всероссийской научной конференции «Нейрокомпьютеры и их применение» (г. Москва, 2012, 2013 г.); II и III Всероссийских* «Армандовских чтениях» (г. Муром, 2012, 2013 г.), IX международном симпозиуме «Интеллектуальные системы БЧТЕЬ8"2010» (г. Владимир, 2010 г.), VI Всероссийской научно-технической конференции «Виртуальные и интеллектуальные системы» (г. Барнаул, 2011 г.), а так же в рамках НТС секции информационных технологий ФГАНУ ЦИТИС (председатель Галушкин А.И., г. Москва, 2013 г.).

По теме диссертационной работы опубликовано 19 печатных работ, в том числе 14 статей, 5 из которых в журналах, входящих в перечень ВАК, 2 свидетельства о государственной регистрации программ для ЭВМ.

Диссертация состоит из введения, четырех глав, заключения, списка литературы из 121 наименования и приложения. Общий объем диссертации 164 страницы, в том числе 145 страниц основного текста. Таблиц 42, рисунков 87.

ГЛАВА 1

ОБЗОР И АНАЛИЗ ВОЗМОЖНОСТЕЙ ИСПОЛЬЗОВАНИЯ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ В ПРОМЫШЛЕННЫХ СИСТЕМАХ ТЕХНИЧЕСКОГО КОНТРОЛЯ

1.1 Назначение промышленных систем технического контроля

Неотъемлемой составной частью технологического процесса при производстве электронной аппаратуры является технический контроль, цель которого состоит в предотвращении попадания дефектных материалов и изделий на последующие этапы изготовления [60]. На разных этапах производства устройств обработки и преобразования информации отдел технического контроля ОАО «Муромский завод радиоизмерительных приборов» устанавливает три вида контроля: входной, операционный и приемочный.

На этапе сборки и монтажа (рисунок 1.1) входной технический контроль включает в себя контроль качества поступаемых узлов электронной аппаратуры (платы, переключатели, монтажные провода и кабели и т.д.). Путем внешнего осмотра (или сравнения с образцами) проверяют тип, номинальное значение, маркировку, длину кабелей, качество лужения выводов, отсутствие царапин, сколов, трещин корпуса и повреждение надписей, резких изгибов и надломов выводов навесных радиодеталей и т.д.

В процессе проведения сборочно-монтажных операций контроль качества проводится с целью установления соответствия выполняемых работ нормативным требованиям, проектной документации и соблюдения заданной технологии. С помощью специализированных автоматов и тестеров осуществляется автоматический контроль правильности электрических соединений, функциональный контроль логических связей узлов электронной аппаратуры и т.д.

Приемочный контроль включает в себя стендовые испытания, основная цель которых определить пределы ошибок функционирования ряда устройств обработки и преобразования информации. Данный процесс связан с проведением комплекса работ (регулировочные и настроечные операции) по доведению их параметров до величин, соответствующих требованиям технических условий (ТУ), и обеспечению допуска разброса параметров, который гарантирует эффективное функционирование аппаратуры в реальных условиях эксплуатации.

Рисунок 1.1- Схема организации контроля сборки и монтажа.

Оценка технического состояния при приемочном контроле блоков обработки и преобразования сигналов производятся на основе информации, получаемой стендом комплексной диагностики. Процесс обработки сигналов включает в себя следующие этапы (рисунок 1.2).

Антенна

Синтезатор частоты -1 Передатчик - V- -1 4 , ^ МШУ Приемник 1

Смеситель - ^ Умножитель частоты 1 .... УПЧ

-* Гене�