автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.13, диссертация на тему:Нейросетевой импедансный метод и устройства идентификации и определения параметров жидких нефтепродуктов

На правах рукописи

НИКИФОРОВ ИГОРЬ КРОНИДОВИЧ

НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД И УСТРОЙСТВА ИДЕНТИФИКАЦИИ И ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ

Специальность 05.11.13 - "Приборы и методы контроля природной среды, веществ, материалов и изделий"

Автореферат

диссертации на соискание учёной степени кандидата технических наук

Казань - 2005

Работа выполнена в ФГОУ ВПО «Чувашский государственный университет им. И.Н.Ульянова»

Научный руководитель - д.т.н., профессор К).К. Евдокимов

Официальные оппоненты: д.т.н., профессор В.Г. Саиткулов

к.т.н., доцент В.В. Косулин

Ведущая организация (предприятие):

ФГУГ1 Всероссийский научно-исследовательский институт расходометрии (ВНИИР), г. Казань

Защита состоится на заседании диссертационного совета Д212.079.04 при Казанском государственном ^техническом университете им. А.Н. Туполева « 2S » мая 2005 г. в уд в ауд. bOi , 5-го учебного здания КГТУ-КАИ по адресу: 420111, г. Казань, ул. К. Маркса, 31/7

С диссертацией можно ознакомиться в библиотеке Казанского государственного технического университета им. А.Н. Туполева по адресу: 420111, г. Казань, ул. К. Маркса, 10

Автореферат разослан «_» апреля 2005 г.

Учёный секретарь диссертационного совета, к.т.н., доцент

В.А.Козлов

21 к Ш

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Жидкие нефтепродукты (ЖНП) насчитывают сотни наименований (бензопродукты, дизельные топлива и пр.). Каждый гип ЖНП характеризуется десятками параметров, для измерения которых применяйся множество методов и приборов, разнородных по принципу действия (механические, электротепловые. СВЧ, оптические, электрохимические, спектральные и т. д.). Такая разнородность и отсутствие универсального подхода к измерению параметров ЖНП сдерживает развитие методов и приборов для автоматизации контроля и управления процессами в соответствующих технологических и технических системах.

В условиях априорной неопределенности и изменчивости параметров нефтепродуктов под воздействием различных факторов (температуры, группового состава, наличии посторонних примесей и пр.) наиболее эффективно можно использовать обучаемые и адаптивные системы на основе искусственных нейронных сетей (ИНС), представляющие собой соединенные в сеть нейроподобные вычислительные элементы, которые являются многовходовыми нелинейными преобразователями. В целом. ИНС играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию у = /(х), где х- входной вектор, а у- реализация векторной функции. Постановка задач распознавания и классификации образов, идентификации, управления и ассоциации могут быть сведены именно к такому универсальному аппроксимирующему представлению.

Принципиальные преимущества, вытекающие из использования ИНС: 1) адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации; 2) возможность обобщать и обрабатывать неполные или зашумленные данные.

Для качественного обучения, и последующей эффективной работы ИНС при определении параметров ЖНП. необходим большой объем измерительной информации от объекта исследования. получаемый с помощью соответствующего датчика. Одним из таких методов, позволяющих получить огромный объем информации о свойствах ЖНП является импедансометрия (измерение частотных характеристик комплексного сопротивления). Большая информативность частотной характеристики импеданса, зависящая явно или косвенно от свойств нефтепродукта, позволяет создавать общий подход к извлечению измерительной информации об объекте исследования.

Таким образом, опираясь на преимущества ИНС и высокую информативность импедансометрических датчиков можно создавать универсальный подход к методам и устройствам для измерения разнообразных параметров ЖНП. Изложенное выше, в целом, обусловтвает актуальность темы диссертационной работы.

Цель работы: унификация идентификации и определения параметров ЖНП.

Для достижения поставленной цела—«»обходимо решить следующие

задачи:

1. Разработать нейросегевой импедансный метод идентификации и определения параметров ЖНП.

2. Разработать и обосновать нейросетевой алгоритм и структуру нейросети для идентификации и определения параметров ЖНП по их частотным импедансным характеристикам.

3. Разработать и обосновать функциональную схему устройства и алгоритм, реализующих предложенный нейросетевой импедансный метод идентификации и определения параметров ЖНП.

4. Разработать электрическую модель датчика параметров ЖНП

5 Экспериментально исследовать частотные характеристики импеданса одного из типов ЖНП и показать информативность частотных измерений для построения нейросетевого метода.

Методы исследования. Поставленные задачи решаются на основе теории ИНС, теории импеданса межфазной границы электрод/жидкость, физики диэлектриков, компьютерного моделирования и экспериментальных исследований.

Научная новизна основных результатов работы:

1. Впервые предложен и разработан нейросетевой импедансный метод, дающий универсальный подход при идентификации и определении широкого спектра параметров ЖНП.

2. Обоснован выбор структуры и параметров ИНС для решения задач идентификации и определения параметров ЖНП, и разработан нейросетевой алгоритм обработки экспериментальных данных по АЧХ и ФЧХ импеданса. Соответствующий алюритм защищен свидетельством РФ об официальной регистрации программы для ЭВМ №2003611051 от 06 05.2003 г. [5].

3. Разработано устройство для определения параметров ЖНП. Новизна соответствующей технической разработки подтверждена патентом РФ на изобретение №2240548 [3]. Предложены функциональные схемы устройств, реализующих предложенный нейросетевой импедансный метод.

4. Разработана методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров ЖНП в виде алгоритма, реализующего нейросетевой импедансный метод.

5. Экспериментально исследованы и получены данные по АЧХ и ФЧХ импеданса бензопродуктов в широком частотном диапазоне, различных уровней входного напряжения датчика и внешних факторов (температуры, водосодержании): экспериментально установлена зависимость АЧХ и ФЧХ импеданса от основного параметра бензопродуктов - октанового числа. Практическая значимость основных результатов работы:

предложен и разработан нейросетевой импедансный метод идентификации и определения параметров ЖНП, позволяющий осуществить: а) кластеризацию (принадлежность к типу нефтепродукта); б) идентификацию марок и сорюв типа ЖНП; в) оценку соответствующего параметра ЖНП;

получен обширный экспериментальный материал частотных характеристик импеданса бензопродуктов.'позволяющий обоснованно выбирать параметры датчика и вторичной электр^'ййой Аппаратуры:

разработан нейросетевой алгоритм обработки экспериментальных данных АЧХ и ФЧХ импеданса ЖНП в виде программы;

предложены функциональные схемы устройств, позволяющих реализовать нейросетевой импедансный метод идентификации и определения параметров ЖНП.

Внедрение результатов работы. Основные результаты, полученные при подготовке диссертационной работы внедрены:

в НИР и учебном процессе кафедры радиотехники и радиотехнических систем Чувашского государственного университета им. И.Н. Ульянова;

в НИР и учебном процессе кафедры теоретической радиотехники и электроники Казанского государственного технического университета им А Н Туполева.

Апробация результатов работы. Основные результаты работы были доложены и обсуждены па следующих научно-технических конференциях (НТК): НТК молодых ученых, Чебоксары, 2001 г.; научно-технической школы-семинара «Актуальные проблемы физической и функциональной электроники» Ульяновск, 2001 г.; НТК молодых ученых, Чебоксары, 2002 г.; международной конференции «КЛИН», Ульяновск, 2002 г.; Всероссийской научной конференции «Проектирование научных и инженерных приложений в среде МАТЪАВ», Москва, 2002 г.; НТК молодых ученых, Чебоксары, 2003 г.; Всероссийской НТК «Информационные системы и технологии» Н.Новгород, 2003 г.;У Всероссийской научной конференции «Динамика нелинейных дискретных электротехнических и электронных систем», Чебоксары, 2003 г , VII НТК по радиофизике, Н Новгород, 2003 г.: V Всероссийской научной конференции «Информационные технологии в электротехнике и электроэнергетике». Чебоксары, 2004 г.

Публикации. Основное содержание работы отражено в 16 публикациях' статей- 8, тезисов докладов- 6. патент- 1, свидетельство на программу- 1. Структура диссертации. Диссертационная работа состоит из Введения, 4 I лав, заключения, списка литературы и 6 приложений. Материал изложен на 172 страницах, в том числе основной текст - на 136 страницах. В работе 9 таблиц. 40 рисунков. 50 формул, список литературы включает 123 наименований. На защиту выносятся:

1. Нейросетевой импедансный метод идентификации и определения параметров ЖНП.

2. Результаты исследований экспериментальных частотных характеристик импеданса бензопродуктов.

3 Структура ИНС и нейросетевой алгоритм идентификации и определения параметров нефтепродуктов, в частности идентификации марок и определения октанового числа бензопродуктов.

4. Функциональные схемы устройств, реализующих нейросетевой импедансный метод идентификации и определения параметров ЖНП

5. Методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения

параметров ЖНП в виде алгоритма, реализующего нейросетевой импедансный метод.

КРАТКОЕ СОДЕРЖАНИЕ РАБОТЫ Во введении обоснована актуальность темы, охарактеризовано состояние вопроса контроля и идентификации параметров ЖНП, показаны цель, задачи и методы исследования.

В главе I дан анализ состояния вопроса по методам измерения и приборам для исследования параметров жидких нефтепродуктов (ЖНП). Рассмотрены известные электрические методы, датчики и приборы для исследования свойств ЖНП. Обосновано применение нейросетевых принципов и импедансометрии для идентификации и определения параметров ЖНП. Рассмотрена краткая теория ИНС и сделан обзор по имеющимся на рынке нейропакетам, нейроплатам и нейрочипам.

В первой части главы дан анализ состояния вопроса по механическим, спектральным и оптическим методам измерения и приборам для исследования параметров ЖНП. Рассмотрены известные электрические методы, датчики и приборы для исследования свойств ЖНП.

Во второй части главы обосновано применение нейросетевых принципов и импедансометрии для идентификации и определения параметров ЖНП.

Как известно, количество измерительной информации определяется числом возможных состояний прибора Так, например, типовой цифровой импедансометр 5о1агт>п 1260 фирмы БсЫитЬе^ег (измеряющий в диапазоне частот 10"'.. 3.2-Ю7 Гц с разрешающей способностью 8/=1 Гц на частотах свыше 1 МГц, погрешностью измерения АЧХ и ФЧХ импеданса, соответственно по ЬТ. 0,01 % и 5ф 0,1° в диапазоне изменения импеданса от 5 до 108 Ом) позволяет получить огромный объем измерительной информации' 0 = (/тах/5/М|гтах|/5гИфшч /5ф) » 2,9-1015!! Эти возможности позволяют

извлечь детальную информацию о весьма тонких свойствах объекта измерения. Таким образом, датчики на основе методов импедансомегрии являются высокоинформативными источниками измерительных систем.

Частотная характеристика импеданса нефтепродуктов, представляющих собой в общем случае органические жидкости, сложным и неявным образом зависит от вида, состава, сортности, температуры, примесей и добавок из-за процессов электрической релаксации (дипольной, электронной, ионной и т.д.) при наложении переменного электрического поля. Следовательно, в частотной характеристике импеданса ЖНП содержится опосредованная информация о его свойствах и при соответствующей обработке можно получить идентификационную и количественную информацию о параметре ЖНП.

Применение ИНС для идентификации и определения параметров ЖНП обусловлены рядом их принципиально только им присущих функциональных свойств: обучаемости; нерестраиваемости: нелинейности динамики и кооперативности межнейронного взаимодействия, определяющих сложные зависимости входной и выходной информации; параллельности работы нейронов, что весьма важно при аппаратной реализации нейросетевых

устройств управления с большим быстродействием для работы в реальном масштабе времени.

В третьей части гтавы рассмотрена краткая теория ИНС В заключитечьной части главы сделан обзор по современным нейровычислительным системам, реализованных на основе: 1) программных средств (нейропакеты); 2) аппаратных средств (специализированные платы -нейроплаты, подключаемые к ЭВМ); 3) специализированных микросхем сверхбольшой степени интеграции (нейрочипы).

Приведены выводы, обосновывающие разработку нейросетевого импедансного метода идентификации и определения параметров ЖНП; сформулированы цель работы и задачи исследования.

В главе 2 предложен и разработан нейросетевой импедансный метод. Предложена и обоснована электрическая модель датчика параметров ЖНП. Обоснован выбор структуры ИНС для идентификации и определения параметров ЖНП по АЧХ и ФЧХ импеданса. Разработан нейросетевой алгоритм обработки измерительной информации. Промоделированы в математическом пакете МАТЬАВ различные топологии ИНС.

В первой части главы предложен и разработан нейросетевой импедансный метод, структурная схема которого приведена на рис. I.

Исследуемый обра ¡ей

Эталонный образец

Измерительная часть >стройства

г П2 "Обучение"

Рис 1. Стр\ ктчрная схема нейросетевого импедансного метода определения параметров ЖНП: Д - двухэлектродный параметрический датчик. П1. П2 - переключатели режимов "Измерение" и "Обучение". Д/га, р) - частотная характеристика импеданса датчика, зависящая неявно от параметрар нефтепродукта

С математической точки зрения суть предложенного нейросетевого импедансного метода состоит в следующем.

1. Входные сигналы ИНС, составляющие вектор

формируются из частотных измерений импеданса 2(/(я,р) параметрического датчика на частотах а>|,а)2,.. ,м„,...,о>; . Предполагаем, что имеет место неявная зависимость импеданса ЖНП от измеряемого параметра р

(таким параметром р может быть, например, октановое число (ОЧ) бензинов.

иегановое число дизельных топлив, вяжость, содержание отдельных примесей и пр.) Эта связь может иметь сложный и опосредованный характер.

2 Ожидаемые выходные сигна.ш ИНС образуют вектор

измеренного параметра р с дискретностью Ър, выбор которого определяется из исходной погрешности измерения с = &р' ртах< а также из разрешающей способности ИНС разделять (классифицировать) два значения парамегра рь и /?5+1, отсюящих друг от друга на величину Ьр = р5+\ - р3 Ясно, что разрешающая точность ИНС по \р зависит от объема и качества входной информации (размерности вектора х и значимости данных) и заданной размерности g выходного вектора у. Таким образом, объем обучающей выборки нейронной сети составляет v = g■k отсчетов значений импеданса ,р).

3. В режиме обучения (переключатели П1 и П2 в положении «Обучение» (рис.!)) подбираются функциональные коэффициенты - векторы весов и пороговые уровни нейронов.

В заданном интервале частот сотт < со < сотач с равномерным (или неравномерным шагом) 5ш„ = ю„-ш„_| измеряем импеданс датчика с образцом эталонного нефтепродукта 7(уо>, р31) = (/(усо)' /(./со) с известными значениями параметров и дискретностью 5рэ. Для

каждого параметра рЬ) длина обучающей выборки составляет к отсчетов импеданса образца 7(усо, рЛ))

Далее формируем матрицу импеданса 2(ую,/7„) эталонною образца нефтепродукта. При этом возможны следующие сочетания, состоящие из значений: а) |2(/0))|, ф(со): б) Яе'7.(уо>)}. 1т{г(ую)}: в) Яе{2(/ю)}, ф(со),

г) 1т{г(/ш)}. оо)[ Здесь модуль (АЧХ) и аргумент ф(ш) (ФЧХ)

импеданса:

Однако, информативная ценность этих четырех комбинаций различна Поэтому выбор нужной комбинации необходимо определить из предварительного анализа или экспериментального исследования чувствительности составляющих импеданса к параметру

Как извесчно, в минимально-фазовых элекфических цепях, каковой является электрическая модель датчика (см рис.2), частотная и фазовая характеристики связаны между собой одношачной зависимостью, поэтому в

(2)

\7-(М = %/(Ке{г(усо)})2 +(1т{г(уш)|)Г , ф(со) = -агс1ё(|т{7(уш)} /Яе{2(усо)}).

(3)

(4)

ланной работе в качестве матрицы для обучения и функционирования ИНС выбраны АЧХ и ФЧХ импеданса образца ЖНП.

Обучаем ИНС всем возможным вариациям параметров -'Аэ"эталонного образца нефтепродукта при различных

внешних факторах (температуры, наличии отдельных примесей и пр. - это позволяет устранить априорную неопределенность определения параметров ЖНП и качественно обучить ИНС). После многократного предъявления эталона нефтепродукта веса и пороговые уровни сети стабилизируются и когда величина ошибки (сумма квадратов ошибок по всем выходам) достигает заданного малого уровня, обучение останавливают, и сеть готова к распознаванию.

4 В режиме измерения (переключатели П1 и П2 в положении «Измерение»), при фиксированных значениях весов и пороговых уровней сети, производим расчет значения вектора у в соответствии (2) при заданном входном векторе х согласно (1). сформированным из частотных измерений импеданса Z( /со, /?) исследуемого образца ЖНП.

5 Оцениваем эффективность обучения ИНС на параметре рх исследуемого образна нефтепродукта по среднеквадратичной ошибке для всех выходов сети, количеству циклов (итераций) и времени обучения. При неудовлетворительной работе ИНС процесс обучения повторяем.

Универсальность предложенного метода состоит в том, что алгоритм обработки данных и измерительная часть устройства инвариантны к типам жидких нефтепродуктов, поскольку при замене объекта исследования процедура обучения и измерения его параметров осгакмся неизменными.

Во второй части ,-чавы предложена и обоснована электрическая модель датчика параметров ЖНП (рис.2).

Здесь ¿о,/^)- индуктивность и сопротивление соединительных

проводов; Со - собственная емкость (пустого) датчика; Сь- емкость, вносимая испытуемым образцом ЖНП; Яэ - сопротивление границы раздела электрод/ЖНП; С'р, Мр- частотно-

зависимые емкость и сопротивление, обусловленные различными видами релаксационных поляризаций; -

общее сопротивление утечки, обусловленное токами проводимости.

соединительных

С (/<в)

/(/о)

■сз

Рис 2 Электрическая мотель датчика параметров жидких нефтепродуктов

Необходимость разработки электрической модели датчика ЖНП обусловлена следующими причинами: 1) модель позволяет показать связь

конструктивных параметров датчика и параметров ЖНП с пементамн электрической модели и их влияние на изменение импеданса. ?) модель позволяет рассчитать параметры вторичной аппаратуры: 3) мотель может быть использована для построения электрического эквивалента датчика в опорном канале дифференциальной схемы включения

Непосредственными элементами, зависящими О! параметров ЖНП. являются Сь, . С р , Яр С рис.2). Общий импеданс датчика с образцом ЖНП

рассчитывается по формуле

/12( /со) = глО(я) = 25 +1/[(1 '7,) + (гг2) + о/г, > * а)], (5)

где - 1/ ; 22 = Яр + (1' цдСр): = И, + . = Л, .

7-*, = + /«¿о

В третьей части главы обоснован выбор структуры (топологии) нейросети для идентификации и определения параметров ЖНП по АЧХ и ФЧХ импеданса, и разработан нейросетевой алгоритм обработки частотных характеристик.

Выбор основных системных параметров преоложенного меюда включает.

1) определение количества ехидных данных V, ИНС

( ч

Л1=11*„Я,, • (6)

7 = 1 / = 1

где С - количество видов ЖНП (например, бензины, дизельные топлива, масла и пр.). М - количество сортов одного вида ЖНП (например, марки бензина). к- количество частотных отсчетов импеданса ЖНП, число

контролируемых параметров определенного сорта ЖНП.

2) определение размерности выходного слоя И НС

ги+М,. О)

г\ /-1

где г- число градаций контролир>емого параметра ЖНП При этом необходимо выполнение условия полноты входных данных ИНС. те Л', » Л'2.

3) определение числа нейронов скрытых слоев \'с и числа слоев п

Л'с = Л\, /(Л'| +\'2)- <8)

где \„ - число синаптических весов ИНС. Чисто слоев п выбирается при моделировании ИНС дня конкретной задачи (обычно значение п лежит в пределах 1 < п < 3 ),

4) выбор функций активации (ФА) из соображений сжимающего преобразования логистическои ФА для скрыты ^ слоев и тинейнс.го преобразования выходного с юя с помошью тинейной ФА;

5) настройку сети по алгоритму обратного распространения ошибки, основанного на итеративном фадиентном алгоритме обучения, и-„ло !ьзующего минимизацию среднеквадратичного отклонения ошибки.

Разработанная структура нейронной сети и алгоритм идентификации и определения параметров ЖНП реализована в виде программы, защищенной авторским свидетельством РФ [5].

В 1аключитетьной части второй гпавы были промоделированы в математическом пакете МАТЬАВ следующие топологии нейросетей. реализующих предложенный метод: а) сеть прямого распространения; 6} сеть Эльмана; в) сеть для классификации входных векторов: г) сеть Хопфилда: д) радиальная нейронная сеть. За критерии качества обучения сети были выбраны, количество эпох (скорость сходимости) и средняя квадратичная ошибка по всем выходам ИНС.

Результаты моделирования различных топологий ИНС показали, что по критериям обучаемости (скорости сходимости и погрешности обучения) лучшим типом сети для идентификации и определения параметров ЖНП. является сеть прямого распространения с алгоритмом обратного распространения ошибки с логистической функцией активации скрытого слоя и линейной функцией активации функцией активации выходного слоя. Отмечено, что для качественного обучения ИНС требуется большой объем экспериментальных статистических данных по каждой марке (сорту) ЖНП и учет влияния температуры и посторонних примесей.

В главе 3 рассмотрены: цель и задачи эксперимента, схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных. Получены и проанализированы различные экспериментальные характеристики разных образцов бензопродуктов. Обоснованы требования к точности измерительной аппаратуры. Сделан сравнительный анализ определения 04 образцов бензопродуктов предложенным нейросетевым импедансным методом в сравнении с другим независимым методом (моторным).

В первой части главы сформулированы цель эксперимента и его задачи.

Во второй части главы рассмотрены два независимых эксперимента по исследованию частотных характеристик импеданса 16-ти различных образцов бензопродуктов (взятых в качестве примера ЖНП для реализации нейросетевого импедансного метода). Экспериментальные данные получены с помощью двух стандартных приборов на основе' измерителя добротности (резонансный метод); высокоточного прибора - импедансометра 8о1аПгоп 1260.

В третьей части главы экспериментально исследованы АЧХ и ФЧХ импеданса различных образцов бензопродуктов в широком частотном интервале, для различных уровней входного напряжения и внешних факторов (температуры, водосодержании). Результаты экспериментального исследования импеданса различных образцов бензопродуктов отражены на 22 рисунках.

Полученные часютные импедансные характеристики образцов бензопродуктов при фиксированной температуре показали <. уще-стпованис зависимости АЧХ и ФЧХ о г 04 бензина. Относительное изменение АЧХ более существенно, чем относительное изменение ФЧХ. Это свидетельствует о том, что в качестве чувствительного информативного параметра предпочтительно использовать АЧХ импеданса.

На рис 3 приведены частотные характеристики импеданса 1 °2(<р,/) в

виде объемных поверхностей в системе координат: фаза (<р°), частота для 7 образцов бензопродуктов.

Рис. 3 Частотные характеристики импеданса образцов бензопродуктов 2003 г № 1-4 (а)

и 2001 г № 11-13 (б) при фиксированной темпсрапре (1 =25±0.5 СС)

Обраты №1 - АИ92 №2 - АИ9<: №3 - ЛИ98, №4 - Л76 №11 - А76 №12 - АИ92 Л.13 - ЛИ95

Полученные импедансные характеристики смеси «бензин+вода» в образце № 15 показали существенную зависимость этих характеристик от различного процентного содержания воды, что позволяет диагностировать достаточно малое процентное содержание воды в бензопродуктах (на уровне 0,1 %).

Экспериментальные данные показали зависимость импеданса бензопродуктов от температуры. В интервале частот Ю3...1,5107 Гц и при различных фиксированных температурах 27, 35, 45. 55, 65 °С относительное изменение импеданса образца бензопродукта № 14 составило 0,46...0,33 % /"С. Учет влияния температуры в нейросезевом импедансном методе возможно:

1) путем обучения ИНС по полученным термозависимостям;

2) термостатированием датчика: 3) внесением соответствующих алгоритмических поправок при формировании входных данных при реализации нейросетевого импедансного метода.

В четвертой части главы экспериментально получены частотные характеристики диэлектрической проницаемости е различных образцов бензопродуктов от частоты и ОЧ бензина.

Зависимости к = /(со) при фиксированной температуре показали слабую зависимость диэлектрической проницаемости г бензопродуктов в области частот 0.. 15 МГц (относительное изменение Ле/е составляет менее 1,5 %), что позволяет ограничиться параметрами электрической модели датчика

(рис 2) не зависящими от частоты. При этом погрешность электрической модели датчика составляет менее 1,5 %.

Зависимости диэлектрической проницаемости г от 04 бензина показали, что диэлектрическая проницаемость е существенно зависит от 04 бензина При этом относительное изменение диэлектрической проницаемости в на единицу ОЧ составляет приблизительно 3. 4 %.

В пятой части г!авы по результатам экспериментального исследования АЧХ и Ф4Х импеданса бензопродуктов сформулированы требования к точности вторичной измерительной аппаратуры в виде соотношений. В частности показано, что для измерения 04 бензина в интервале значений 70. .100 с абсолютной погрешностью в 1 ед. дискретности 04, необходимая погрешность вторичной измерительной аппаратуры должна быть не менее 0.1 % Для качественного обучения ИНС на разных образцах бензопродуктов. требуется объем информации, заключенный в интервале частот 0.001 30 МГц.

При исследовании других типов ЖНГ1 (имеющих свои диапазоны изменения основных параметров р\,р2,-.,р^,--,р^) получатся иные

зависимости А4Х и Ф4Х импеданса, соответственно будут отличающиеся, от выше изложенного, требования к измерительной аппаратуре.

Использование информации по различным импедансным характеристикам (А4Х. ФЧХ) и величине е , с учетом различных факторов (температуры, примесей), позволяет устранить априорную неопределеннос1ь интересующего параметра р ЖНП и более качественно обучить ИНС

Показано, что полученные частотные экспериментальные характеристики импеданса образцов бензопродуктов несут информацию о свойствах и параметрах исследуемого бензина, в частности, об ОЧ бензина.

Большинство типов нефтепродуктов являются производными углеводородных соединений, а бензопродукты являются частным случаем углеводородных соединений.

Поэтому, предложенный нейросетевой импедансный метод позволяет распространить изложенные методики и алгоритмы обработки экспериментальных данных на другие типы ЖНП, так как эти методики и алгоритмы безотносительны к типам ЖНП ^ В зашючительной части гювы проведен сравнительный анализ

определения 04 бензопродуктов. измеренных моторным методом (в настоящее время принят в качестве эталона и имеет арбитражную силу) и устройством, реализующим предложенный нейросетевой импедансный метод [3] » Абсолютная погрешность измерения 04 с помощью ИНС относительно

значений 04. измеренных моторным методом, в среднем составила 0.3 ед 04 Соответствующая относительная погрешность составила 0,4 % В главе 4 показаны приборные реализации предложенного нейросетевого импедансного метода. Разработана методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров ЖНП в виде алгоритма, показаны приборные реализации предложенного нейросетевого импедансного метода

В первой части главы показаны приборные реализации предложенного метода. На рис.4 приведены предложенные в работе приборные варианты нейросетевого импедансного метода на высоких частотах на основе программной (рис.4,а), аппаратной (нейроплата) (рис.4,6) и нейрочипной (рис.4,в) реализации ИНС.

Вывод .. значений

Контроллер параметров жидкого нефтепродукта

Вывод значений параметров жидкого нефтепродукта

\ 8ДУ _ Нейрочи_п_

АЦП —Л ИФУ

Датчик

Управление частотой и амплитудой

Вывод значений параметров жидкого нефтепродукта

Рис. 4 Функциональные схемы устройств нейросетевого импедансною метода на основе программной (а), аппаратной (б) и нейрочипной (в) реализаций: Г - широкодиапазонный перестраиваемый генератор гармонического сигнала. ВДУ - высокочастотный дифференциальный усилитель. АЦП - аналого-цифровой преобразователь. ИФУ - интерфейсное >стройсгво

Схемы построены по дифференциальной схеме включения опорного элемента 70 (электрический эквивалент модели датчика параметров жидкого нефтепродукта (рис 2). соответствующий импедансу пустого датчика или датчика с заполненным одним из типов ЖНП) и датчика 2А

(экспериментальная частотная зависимость импеданса датчика с другими типами нефтепродуктов, относящихся к тому же классу). Преимущество дифференциального включения датчика 2Л и опорного элемента /0 состоит в том. что используется только полезная составляющая сигнала, пропорциональная приращению Д2(у'ю).

Разработано уетройС1во, реализующее нейросетевой импедансный метод идентификации и определения параметров ЖНП в интервале частот 0,001... 1 МГц, защищенное патентом РФ [3].

Имеется большое количество нейропакетов, тем не менее приборную реализацию нейросетевого импедансного метода по рис.4,а трудно приспособить к ситуациям, когда необходимо обеспечить высокое быстродейсгвие всей системы. В то же время достоинствами такой приборной реапиации ягпяются: а) высокая гибкость моделирования и конструирования разнообразных топологий нейронных сетей, б) возможность реализации различных интерфейсов пользователя; в) легко реализуемая возможность переориентации ИНС для различных нейросетевых приложений.

Устройство на основе нейроплаты (рис.4,б) имеет те же достоинства, что и устройство по рис.4,а, но его быстродействие, как правило, на порядок выше нейропакетного варианта.

Отличительной особенностью устройства на нейрочипе-специализированном микропроцессоре, содержащем содержащем внутри группу нейроподобных вычислительных элементов (рис.4,в), является его высокое быстродействие, малые габариты, возможность встраивания и использования в технических и технологических системах идентификации и определения параметров ЖНП.

Во второй части главы разработана методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров ЖНП в виде алгоритма, состоящая из следующих основных шагов:

1) задают диапазон частот (отах . <от1П В этом диапазоне выбирается дискретная сетка частот Ш|,<!Ь. „ю^ с равномерным или неравномерным шагом, исходя из предварительного эксперимента и информативное! и частотных характеристик импеданса;

2) измеряют частотные характеристики приращения модуля |Д2(_/со)| и аргумента Дф(м) импеданса в дифференциальной схеме устройства рис 4 в выбранной полосе частот для одного вида (типа) ЖНП, включающего в себя М эталонных сортов, требующих определения £ параметров, каждый из которых имеет г градаций (см. формулы (7). (8)). Соответственно, для

обучения ИНС (при термостатированном датчике) требуется \t-g-r эталонных образцов ЖНП;

3) для учета влияния температуры проводят повторные измерения по п.2 при различных температурах Т^Т2, -,Т1 в диапазоне рабочих температур прибора;

4) формируют М ■ % г I матриц нормированных значений |Д2(у'со)| и матриц Лф(м), полученных по п.п. 2, 3;

5) в соответствии с третьей частью главы 2 рассчитывают системные параметры нейросетевого импедансного метода;

6) на основе полученных в п.4 магриц ¡Л2(_/ы)| и Дф(со) обучают ИНС задачам идентификации М сортов и определению g параметров с г градациями на эталонных образцах ЖНП;

7) переходят к измерениям ЖНП, формируют матрицы нормированных значений |Л2(у'ш)| и матриц Лф(м) с неизвестными параметрами:

8) подают сформированные в п.7 матрицы на вход ИНС, предварительно обученной согласно п.6, и определяют параметры исследуемого ЖНП.

В Заключении приведены выводы и основные результаты, полученные в диссертационной работе.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1. Впервые предложен и разработан нейросетевой импедансный метод идентификации и определения параметров жидких нефтепродуктов Метод безотносителен к типу нефтепродукта как к объекту измерения, поскольку высокая информативность импедансных измерений, а также обучаемость и адаптируемость искусственных нейронных сетей позволяют унифицировать методику и устройства для идентификации и определения разнообразных параметров широкого класса жидких нефтепродуктов

2. Предложен нейросетевой алгоритм идентификации и определения параметров жидких нефтепродуктов по измеренным импедансным частотным характеристикам. Программная реализация предложенного алгоритма защищена свидетельством Роспатента об официальной регистрации программы для ЭВМ.

3. Предложена электрическая модель датчика параметров жидких нефтепродуктов. Экспериментально подтверждена адекватность электрической модели датчика.

4. Предложены и разработаны устройства, реализующие предложенный нейросетевой импедансный метод определения параметров жидких нефтепродуктов Новизна технических решений предложенных устройств подтверждена патентом РФ.

5. Разработана меюдика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров жидких нефтепродуктов.

6 Экспериментально показано, что полученные частотные экспериментальные характеристики импеданса образцов бензопродуктов содержат информацию о свойствах и параметрах исследуемого бензина, позволяющих использовать их в виде обучающей последовательности для нейросети. Получен обширный экспериментальный материал в виде параметрических зависимостей импеданса различных бензинов от октанового числа, водосодержания, температуры.

7. Экспериментально подтвержден нейросетевой импедансный метод определения параметров жидких нефтепродуктов на примере определения октанового числа бензопродуктов. Погрешность определения составила +0,3 октанового числа.

В списке литературы содержится перечень статей и публикаций, использованных автором при подготовке диссертации.

В Приложениях представлены' распечатка программы ИНС; обзорный материал по стандартам на качественные показатели ЖНП; краткий обзор по топологиям ИНС; таблицы экспериментальных данных; патент на устройство для определения ОЧ бензопродуктов и акты внедрения. Основные положения диссертации отражены в следующих публикациях:

1 Евдокимов Ю.К., Никифоров И.К. Нейросетевой импедансный метод определения параметров жидких нефтепродуктов // Приборы и системы. Управление, контроль, диагностика. 2004. №12. С. 37-43.

2 Евдокимов Ю.К., Никифоров И.К., Героев АЛ. Нейросетевой метод определения параметров бензопродуктов с применением импедансометрии Ч Естественные и технические науки > Вестник Чуваш ун-та №2. Чуваш, ун-т. Чебоксары. 2004. С. 142-149.

3 Пат. № 2240548 РФ. Устройство для определения октанового числа автомобильного бензина / Евдокимов Ю.К., Никифоров И К Опубл. ЬИ № 32. 2004.

4 Никифоров И.К. Виртуальная измерительная система на базе ИНС // Тез. докл. 5-й Всерос. науч. конф. «Информационные технологии в электротехнике и электроэнергетике» Чуваш, ун-т. Чебоксары, 2004. С. 56-58.

5 Свидетельство об официальной регистрации программы для ЭВМ № 2003611051. / Никифоров И.К., Евдокимов Ю.К Пакет прикладных программ для идентификации марок автомобильных бензинов с помощью искусственной нейронной сети. Зарегистрирован в реестре программ для ЭВМ 06 05. 2003,

6. Евдокимов Ю.К., Никифоров И.К. Использование искусственных нейронных сетей в виртуальных приборах // Тез. докл. 5-й Всерос. науч конф. «Динамика нелинейных дискретных электротехнических и электронных систем» Чуваш, ун-т. Чебоксары, 2003. С. 111-112.

7 Евдокимов Ю.К., Никифоров И.К. Виртуальный прибор октанометр на основе искусственной нейронной сети Тез. докл. 7-й науч. конф. по радиофизике (ННГУ, 6-8 мая). Н. Новгород, 2003. С. 105.

8 Евдокимов Ю.К., Никифоров И.К., Героев АЛ. Усовершенствование устройства для идентификации жидких нефтепродуктов с помощью искусственной нейронной сети 4 Сб. тр молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2003. С. 276-279.

9 Евдокимов Ю.К., Никифоров И.К. Устройство и способ идентификации бензинов с помощью искусственной нейронной сети '/ Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2003 С. 275-276

К), Евдокимов Ю.К., Никифоров И.К. Пример использования искусственной нейронной сети в технической диагностике бензопродуктов // 1 ез. докл. Всерос. науч.-техн. конф: «Информационные системы и технологии - ИСТ-2003» (НГТУ, 18 апреля). Н. Новгород, 2003. С. 111

11 Никифоров И.К., Кречка П.М. Применение искусственных нейронных сетей для диагностики жидких диэлектриков. // Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2002. С. 262-263.

12. Никифоров И.К., Михайлов М.В. Измеритель частотных характеристик диэлектрической проницаемости жидкостей. // Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2002. С. 260-262.

13 Никифоров И.К., Кречка П.М. Искусственная нейронная сеть для диагностики нефтепродуктов // Тез. докл. Всерос. науч. конф. «Проектирование научных и инженерных приложений в среде МАТЬАВ» (Москва, 28-29 мая 2002 г ). М.: ИПУ РАН, 2002. С. 134-135.

14 Никифоров И.К. Применение искусственной нейронной сети для идентификации продуктов нефтепереработки // Нейронные сети и модели в прикладных задачах науки и техники / Тез. докл. междунар конф. «Континуальные алгебраические логики, исчисления и нейроматематика в науке, технике и экономике - КЛИН 2002» (Ульяновск, 14-16 мая 2002 г.) УлГТУ. Ульяновск, 2002. Т.3.С. 103-104.

15. Никифоров И.К. Исследование частотных характеристик бензинов /' Гез. докл. школы-семинара: «Актуальные проблемы физической и функциональной электроники» (Ульяновск, 6-7 декабря 2001 г ). УлГТУ. Ульяновск, 2001. С. 42.

16 Никифоров И.К., Михайлов М.В. Экспертная система для определения октанового числа бензинов. Алгоритм обучения //Сб. тр. молодых ученых и специалистов Чуваш. >н-т. Чебоксары, 2001. С. 175-179.

I

Формат 60x84/16. Бумага офсетная. Печать оперативная. Объем 1,2 пл. Тираж 100 экз. Заказ № Отпечатано в типографии Чувашского государственного университета, 42801 Чебоксары, Московский просп., 15

«3 1 0 13 4

РНБ Русский фонд

2006-4 6938

I

Список условных сокращений

ВВЕДЕНИЕ

Глава 1 МЕТОДЫ И ПРИБОРЫ ДЛЯ ИССЛЕДОВАНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ

1.1. Методы и приборы для определения параметров жидких нефтепродуктов

1.1.1. Спектральные, оптические и механические методы определения параметров жидких нефтепродуктов

1.1.2. Электрические методы определения параметров жидких нефтепродуктов

1.2. Обоснование применения искусственных нейронных сетей и импедансометрии для определения параметров жидких нефтепродуктов

1.3. Краткий обзор по теории искусственных нейронных сетей

1.4. Нейровычислительные системы

1.4.1. Нейровычислительные системы на основе нейропакетов

1.4.2. Нейровычислительные системы на основе нейроплат

1.4.3. Аппаратно реализуемые нейровычислительные системы

Выводы

Постановка цели и задач исследования

Глава 2 НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД

ИДЕНТИФИКАЦИИ И ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ

2.1. Принцип действия и структурная схема нейросетевого импедансного метода

2.2. Электрическая модель датчика параметров жидких нефтепродуктов

2.3. Разработка нейросетевого импедансного метода для идентификации и определения параметров жидких нефтепродуктов

2.3.1. Выбор системных параметров нейросетевого импедансного метода

2.3.2. Оценка минимальной погрешности распознавания

2.3.3. Функционирование, обучение искусственной нейронной сети и нейросетевой алгоритм обработки частотных импедансных измерений

2.3.4. Примеры расчета нейросети для идентификации марок бензина и определения его параметров

2.4. Сравнительный анализ результатов моделирования различных топологий искусственных нейронных сетей

Выводы

Глава 3 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ ЧАСТОТНЫХ ХАРАКТЕРИСТИК ИМПЕДАНСА БЕНЗОПРОДУКТОВ

3.1. Цели и задачи эксперимента

3.2. Схемы экспериментов, экспериментальное оборудование и алгоритмы обработки экспериментальных данных

3.2.1. Датчики

3.2.2. Алгоритм обработки экспериментальных данных, полученных прибором «Измеритель добротности Е4-4»

3.2.3. Алгоритм обработки экспериментальных данных, полученных прибором «Solartron SI 1260»

3.3. Частотные характеристики импеданса бензопродуктов

3.3.1. Экспериментальные частотные характеристики импеданса бензопродуктов при фиксированных температурах

3.3.2. Влияние температуры на частотные характеристики импеданса бензопродукта

3.3.3. Влияние водосодержания на частотные характеристики бензопродукта

3.4. Диэлектрическая проницаемость бензопродуктов 102 3.4.1. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов при фиксированной температуре

3.4.2. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродукта при различных температурах

3.4.3. Экспериментальные частотные зависимости диэлектрической проницаемости бензопродуктов от октанового числа

3.5. Требования к точности вторичной измерительной аппаратуры

3.6. Сравнительный анализ определения октанового числа бензопродуктов различными методами и приборами

Выводы

Глава 4 РАЗРАБОТКА УСТРОЙСТВ, РЕАЛИЗУЮЩИХ

НЕЙРОСЕТЕВОЙ ИМПЕДАНСНЫЙ МЕТОД ОПРЕДЕЛЕНИЯ ПАРАМЕТРОВ ЖИДКИХ НЕФТЕПРОДУКТОВ

4.1. Функциональные схемы устройств, реализующих нейросетевой импедансный метод

4.2. Методика измерения и формирования входных данных для искусственной нейронной сети

Выводы

Актуальность темы. В настоящее время из нефти вырабатывается более 500 видов продуктов, из них 90-95 % жидкие нефтепродукты (ЖНП), насчитывающие сотни наименований (бензопродукты, дизельные топлива, масла и др.). Характерной особенностью сырья, промежуточных и конечных продуктов является то, что они представляют собой многокомпонентные смеси углеводородов и других соединений, содержащие десятки сотен компонентов. Поэтому каждый тип нефтепродукта характеризуется десятками параметров, для измерения которых применяется множество различных методов и приборов, разнородных по принципу действия (механические, электротепловые, оптические, электрохимические, спектральные, СВЧ, ЯМР-методы и т. д.).

Такая разнородность и отсутствие универсального подхода к измерению параметров ЖНП сдерживает развитие методов и приборов для автоматизации контроля и управления процессами в соответствующих технологических и технических системах.

Необходимо найти универсальный подход для измерения и определения широкого спектра параметров ЖНП.

При этом качество нефтепродуктов в настоящее время оценивается комплексами характеристик (см. Приложение П1). В тоже время, для управления технологическими процессами обычно используют измерительную информацию об одной или двух характеристиках, входящих в комплекс, значение которых для конкретного процесса наиболее существенно.

Определение химического состава ЖНП - одна из сложнейших аналитических задач, для решения которой используется весь арсенал знаний физики, химии и других наук. Измерительная информация о составе ЖНП в условиях химико-технологических процессов позволяет однозначно определять качество сырья, промежуточных и конечных продуктов.

Сложность современных методов и средств автоматического анализа состава многокомпонентных сред, каковыми являются ЖНП, их разнообразие и все время изменяющиеся требования к регламенту химико-технологических процессов определяет тот факт, что во многих случаях еще не найдены удовлетворительные решения задачи анализа состава многокомпонентных сред, главным образом по скорости получения измерительной информации и точности измерений [113].

Также необходимо учитывать, что ЖНП изготовляются из нефти разных месторождений, и значения их параметров изменяются в широких пределах под влиянием температуры, группового состава и наличия посторонних примесей, т.е. их параметры априорно неопределенны.

В условиях априорной неопределенности и изменчивости параметров нефтепродуктов под воздействием различных факторов (температуры, группового состава, наличии посторонних примесей и пр.) наиболее эффективно можно использовать обучаемые и адаптивные системы на основе искусственных нейронных сетей (ИНС).

ИНС представляют собой соединенные в сеть нейроподобные вычислительные элементы, которые являются многовходовыми нелинейными преобразователями. В целом, ИНС играет роль универсального аппроксиматора функции от нескольких переменных, реализуя нелинейную функцию у = /(х), где х- входной вектор, а у-реализация векторной функции. Постановка задач распознавания и классификации образов, идентификации, управления и ассоциации могут быть сведены именно к такому универсальному аппроксимирующему представлению.

Принципиальные преимущества, вытекающие из использования ИНС, следующие: 1) адаптивная структура, которая получает информацию, обучается и фиксирует полезные связи в сложном взаимодействии входной и выходной информации; 2) возможность обобщать и обрабатывать неполные или зашумленные данные.

Для качественного обучения, и последующей эффективной работы ИНС, при определении параметров ЖНП, необходим большой объем измерительной информации от объекта исследования, получаемый с помощью соответствующего датчика.

Одним из таких методов, позволяющих получить огромный объем информации о свойствах исследуемого ЖНП является импедансометрия (измерение частотных характеристик комплексного сопротивления). Большая информативность частотной характеристики импеданса, зависящая явно или косвенно от свойств нефтепродукта, позволяет создавать общий подход к извлечению измерительной информации об объекте исследования.

В настоящее время считается, что импедансометрия, в сравнении с другими электрохимическими методами, позволяющими получать параметры ЖНП в форме электрического сигнала, обеспечивает наивысшую точность получения экспериментальных данных в интервале частот от сотых долей герца до десятков мегагерц [121].

Применение импедансометрии при исследовании свойств жидкостей обусловлено также развитостью теории и практики обработки и интерпретации результатов измерений для широкого диапазона частот [5, 74,121].

Импедансометрия позволяет связать, по частотным характеристикам импеданса, измеряемые параметры ЖНП за счет большого объема информации, содержащейся в экспериментальных данных.

Опираясь на преимущества ИНС и высокую информативность импедансометрических датчиков можно создавать достаточно универсальный подход к методам и устройствам для измерения разнообразных параметров ЖНП.

Изложенное выше, в целом, обусловливает актуальность темы диссертационной работы.

Цель работы: разработка метода измерения, позволяющего унифицировать идентификацию и определение параметров жидких нефтепродуктов.

Для достижения поставленной цели необходимо решить следующие задачи:

1. Разработать нейросетевой импедансный метод идентификации и определения параметров ЖНП.

2. Разработать и обосновать нейросетевой алгоритм и структуру нейросети для идентификации и определения параметров ЖНП по их частотным импедансным характеристикам.

3. Разработать и обосновать функциональную схему устройства и алгоритм, реализующих предложенный нейросетевой импедансный метод идентификации и определения параметров ЖНП.

4. Разработать электрическую модель датчика параметров ЖНП.

5. Экспериментально исследовать частотные характеристики импеданса одного из типов ЖНП и показать информативность частотных измерений для построения нейросетевого метода.

Методы исследования. Поставленные задачи решаются на основе теории ИНС, теории импеданса межфазной границы электрод/жидкость, физики диэлектриков, компьютерного моделирования и экспериментальных исследований.

Автор выражает благодарность зав. кафедрой радиотехники и радиотехнических систем Чувашского госуниверситета им. И.Н. Ульянова (г. Чебоксары) профессору B.C. Пряникову и доценту В.Г. Захарову за поддержку в работе, а также А.Г. Чертановскому и всему коллективу кафедры за оказанную помощь.

Автор признателен профессору А.С. Мартемьянову, научному руководителю лаборатории LET UMR CNRS п° 6608 университета г. Пуатье (Франция) за предоставленную возможность измерения импедансометром Solartron SI 1260.

Автор также признателен заведующей отделом Всероссийского научно-исследовательского института углеводородного сырья (ВНИИУС, г. Казань) Р.Ш. Нигматуллиной за оказанную помощь в предоставлении эталонов и образцов бензинов.

Автор особо благодарен научному руководителю, зав. кафедрой теоретических основ радиотехники Казанского государственного технического университета им. А.Н. Туполева (г. Казань), профессору Евдокимову Юрию Кирилловичу за постоянное внимание и неоценимую помощь по диссертационной работе.

Выводы

1. Предложены и обоснованы три основных варианта приборной реализации нейросетевого импедансного метода идентификации и определения параметров ЖНП: а) программная (нейропакеты); б) аппаратная плата с нейросетевыми элементами (нейроплаты); в) специализированная микросхема сверхбольшой степени интеграции - нейрочип.

2. Отличительной особенностью устройства на нейрочипе является его высокое быстродействие (работа в реальном масштабе времени), малые габариты, возможность встраивания и использования в технических и технологических системах идентификации и определения параметров ЖНП.

3. Предложена методика измерения и алгоритм формирования входных данных для работы нейронной сети в режимах обучения и определения параметров ЖНП.

ЗАКЛЮЧЕНИЕ

1. Предложен и разработан нейросетевой импедансный метод идентификации и определения параметров жидких нефтепродуктов. Метод безотносителен к типу нефтепродукта как к объекту измерения. Высокая информативность импедансных измерений, а также обучаемость и адаптируемость искусственных нейронных сетей позволяют создавать универсальные устройства и системы для идентификации и количественной оценки разнообразных параметров широкого класса жидких нефтепродуктов.

2. Предложен нейросетевой алгоритм идентификации и количественной оценки параметров жидких нефтепродуктов по измеренным импедансным частотным характеристикам. Программная реализация предложенного алгоритма защищена свидетельством Роспатента об официальной регистрации программы для ЭВМ.

3. Предложена электрическая модель датчика параметров жидких нефтепродуктов. Экспериментально подтверждена адекватность электрической модели датчика.

4. Предложены и разработаны устройства, реализующие предложенный нейросетевой импедансный метод определения параметров жидких нефтепродуктов. Новизна технических решений предложенных устройств подтверждена патентом РФ.

5. Разработана методика измерения и формирования матриц модуля и аргумента импеданса для работы нейронной сети в режимах обучения и определения параметров жидких нефтепродуктов.

6. Экспериментально показано, что полученные частотные экспериментальные характеристики импеданса образцов бензопродуктов содержат информацию о свойствах и параметрах исследуемого бензина, позволяющих использовать их в виде обучающей последовательности для нейросети. Получен обширный экспериментальный материал в виде параметрических зависимостей импеданса различных бензинов от октанового числа, водосодержания, температуры.

7. Экспериментально подтвержден нейросетевой импедансный метод определения параметров жидких нефтепродуктов на примере определения октанового числа бензопродуктов. Погрешность определения составила +0,3 октанового числа.

1. Аведьян Э.Д., Баркан Г.В., Левин И.К. Каскадные нейронные сети. // Автоматика и телемеханика. 1999. -№3. -С.38-54.

2. Алексеев В.Н. Топлива и смазочные материалы для автомобилей. М.: Транспорт, 1976. 95с.

3. Алюшин М.В. Быстродействующая нейросеть со сжатой формой представления данных. // Приборы и системы управления. 1998. -№9. -С.37-39.

4. Анализатор импеданса и амплитудно-фазовых характеристик Solartron 1260. Техническое описание и руководство к эксплуатации. www.wftest.rii

5. Андреев B.C., Попечителев Е.П. Лабораторные приборы для исследования жидких сред. Л.: Машиностроение, 1981. 312с.

6. Ас. №2000117028/20 РФ. Устройство для определения суммарного содержания ароматических углеводородов в нефтяных фракциях и светлых нефтепродуктах и их оптической активности. / Николаев В.Ф. -2000. Опубл. БИ № 34, 2000.

7. Ас. №2001103301/20 РФ. Устройство для определения качества топлива транспортного средства. / Худенко В.И, Шувалов Н.Н. 2001. Опубл. БИ № 22, 2001.

8. Ахадов Я.Ю. Диэлектрические параметры чистых жидкостей: Справочник. М.: МАИ, 1999. 856с.

9. Аш Ж. и др. Датчики измерительных систем. Пер. с франц. М.: Мир, 1992. (кн.1 480с., кн.2 424с.).

10. Бардик Дональд Л., Леффлер Уильям Л. Нефтехимия. Пер. с англ. М.:ЗАО «Олимп-Бизнес», 2003. 416с.

11. Белов Г.А., Захаров В.Г. Применение символьных схемных функций для расчета линейных электрических цепей. //Электричество. 2003. -№8. -С.34-46.

12. Бобылев Н.А. и др. Некоторые свойства математических моделей нейронных сетей. // Автоматика и телемеханика. 1997. -№3. -С.179-189.

13. Бовбель Е.И., Паршин В.В. Нейронные сети в системах автоматического распознавания речи. // Зарубежная радиоэлектроника. 1998.-№4 - С.49-65.

14. Большаков Г.Ф. и др. Физико-химические основы применения моторных, реактивных и ракетных топлив. М.: Химия, 1965. 272с.

15. Брусянцев Н.В. и др. Автомобильные топлива. Эксплуатационные свойства и применение. М.: Автотрансиздат, 1962. 100с.

16. Бубенников А.Н. Архитектурно-технологический облик интеллектуальных нейронных сетей на кремниевых пластинах и трехмерных нейрокомпьютеров. // Зарубежная радиоэлектроника. -1998. -№1. -С.34-51.

17. Вилков JI.B., Пентин Ю.А. Физические методы исследования в химии. Структурные методы и оптическая спектроскопия. М.: Высш. шк., 1987. 367с.

18. Власов А.И. Аппаратная реализация нейровычислительных управляющих систем. // Приборы и системы управления. 1999. -№2. -С.61-65.

19. Волькенштейн М.В. Биофизика. Учеб. руководство. М.: Наука, 1988. 592с.

20. Григорьев М.А. и др. Качество моторного масла и надежность двигателей. М.: Изд-во стандартов, 1981. 231с.

21. Галушкин А.И. и др. Некоторые концептуальные вопросы развития нейрокомпьютеров. // Зарубежная радиоэлектроника. 1997.- №2. -С.3-10.

22. Галушкин А.И. Современные направления развития нейрокомпьютеров в России. // Зарубежная радиоэлектроника. 1998. -№1. -С.3-17.

23. Горелик A.JI., Скрипкин В.В. Методы распознавания. Учеб. пособие. 2-е изд., перераб. и доп. М.: Высш. школа, 1984. 208с.

24. Гуреев А. Применение автомобильных бензинов. М.: Химия, 1972. 364с.

25. Дапонте П., Гримальди Д. Искусственные нейронные сети в измерениях. // Приборы и системы управления. 1999. -№3. -С.48-65.

26. Дозорцев В.М., Ефитов Г.Л., Шестаков Н.В. Современные системы управления как средство снижения потерь в нефтепереработке. // Приборы и системы управления. 1998. -№7. -С.13-17.

27. Дорогое А.Ю., Алексеев А.А. Структурные модели и топологическое проектирование быстрых нейронных сетей. «Интеллектуальные системы». // Тез. докл. 11 Международного симпозиума. М.: ПАИМС, 1996. Т.2 . С.138-143.

28. Дорогое А.Ю. Пластичность многослойных слабосвязанных сетей. // Нейрокомпьютеры: разработка, применение. 2001. -№11. -С.22-40.

29. Дорогое А.Ю. Системные категории модульных нейронных сетей. // Нейрокомпьютеры: разработка, применение. 2001. -№11. -С.4-21.

30. Дьяконов В., Круглов В. MATLAB. Анализ, идентификация и моделирование систем. Специальный справочник. СПб.: Питер, 2002. 448с.

31. Дьяконов В., Круглов В. Математические пакеты расширения MATLAB. Специальный справочник. СПб.: Питер, 2001. 480с.

32. Евдокимов Ю.К., Никифоров И.К., Героев АЛ. Нейросетевой метод определения параметров бензопродуктов с применением импедансометрии // Естественные и технические науки / Вестник Чуваш, ун-та №2. Чуваш, ун-т. Чебоксары, 2004. С. 142-149.

33. Евдокимов Ю.К., Никифоров И.К., Героев A.JI. Усовершенствование устройства для идентификации жидких нефтепродуктов с помощью искусственной нейронной сети // Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2003.1. С. 276-279.

34. Евдокимов Ю.К., Никифоров И.К. Виртуальный прибор — октанометр на основе искусственной нейронной сети // Тез. докл. 7-й науч. конф. по радиофизике (ННГУ, 6-8 мая). Н. Новгород, 2003. С. 105.

35. Евдокимов Ю.К., Никифоров И.К. Использование искусственных нейронных сетей в виртуальных приборах // Тез. докл. 5-й Всерос. науч. конф. «Динамика нелинейных дискретных электротехнических и электронных систем». Чуваш, ун-т. Чебоксары, 2003. С. 111-112.

36. Евдокимов Ю.К., Никифоров И.К. Нейросетевой импедансный метод определения параметров жидких нефтепродуктов // Приборы и системы. Управление, контроль, диагностика. 2004. №12. С. 37-43.

37. Евдокимов Ю.К., Никифоров И.К. Устройство и способ идентификации бензинов с помощью искусственной нейронной сети // Сб. тр. молодых ученых и специалистов Чуваш, ун-т. Чебоксары, 2003. С. 275-276.

38. Ефимов В.В. Нейроподобная сеть для решения задачи сортировки данных. // Автоматика и вычислительная техника. 1997. -№5. -С.10-16.

39. Жарков Ф.П. и др. Использование виртуальных инструментов LAB VIEW. / Под ред. К.С. Демирчяна и В.Г. Миронова М.: Радио и связь, Горячая линия Телеком, 1999. 268с.

40. Заенцев И.В. Нейронные сети: основные модели. Учеб. пособие. Воронеж: ВГУ, 1999. 77с.

41. Замятин Н.В., Кравчук А.А. Автоматизированная информационная система на основе нейронных сетей для предсказания свойствуглеводородов. // Приборы и системы управления. 1999. -№7. -С.18-22.

42. Замятин Н.В., Шадрин Я.П. Автоматизированная информационная система контроля параметров бензина. // Приборы и системы управления. -1998. -№5. -С.3-8.

43. Заявка РФ на изобретение №2000100547/04. Способ определения октанового числа бензина. / Кондаков В.Ю., Лесных И.В., Мещеряков Н.А., Подъяпольский Ю.В. Опубл. БИ № 25, 2001.

44. Заявка РФ на изобретение №2000111363/28. Электронный измеритель параметров среды. / Губкин С.А., Березкин Б.А. Опубл. БИ № 11, 2002.

45. Заявка РФ на изобретение №2000122691/28. Способ определения октанового числа автомобильных бензинов. / Пащенко В.М., Ванцов В.И., Чуклов В., Синицын Д.В. Опубл . БИ № 23, 2002.

46. Заявка РФ на изобретение №95105676/25. Оптоэлектронный октанометр. / Лиманов А.И. Опубл. БИ CD-ROM, 1998.

47. Заявка РФ на изобретение №95110676/25. Способ определения октанового числа отдельных углеводородных смесей. / Матеева Н.А., Квашнин В.Н. Опубл. БИ CD-ROM, 1998.

48. Заявка РФ на изобретение №96100206/25. Устройство для измерения ОЧ неэтилированных бензинов. / Кольцов Ю.В., Королев В.Н., Кусакин С.А., Золотарев В.Г., Ермилов В.И. Опубл. БИ CD-ROM, 1998.

49. Заявка РФ на изобретение №96100736/25. Способ определения ОЧ неэтилированных автомобильных бензинов по ГОСТ 2084-77 и их смесей. / Лесняк М.А., Тимофеев Ф.В., Дайненко Ю.Г., Пименов Ю.М. Опубл. БИ CD-ROM, 1998.

50. Заявка РФ на изобретение №96107199/06. Способ и устройство для измерения октанового числа. / Матвеева Н.А., Томская Е.В. Опубл. БИ CD-ROM, 1998.

51. Заявка РФ на изобретение №97120661/28. Способ определения53.