WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 13 |

Xб= (x1б,..., xnб)Т, (1.13) где x1б,..., xnб - численные значения факторов входного вектора ТС, выбранной в качестве базовой.

Если определяют влияние факторов на прогнозируемые во времени значения функции отклика по формуле (1.10), то в качестве базовой ТС задают ТС, расположенную последней по ходу времени в заданном временном окне.

Далее выбирают необходимый или определяющий фактор (например, xi), значения которого линейно изменяют в пределах 10% от xiб. Для установления характера функции fi производят расчеты с помощью нейросети, варьируя значениями xi и оставляя при этом постоянными на базовом уровне величины других факторов.

Принятый 10-процентный диапазон может не обеспечить линейный характер функции отклика, необходимый для расчета коэффициента i, поэтому результаты расчетов оформляют в виде графика зависимости Y(xi), по которому окончательно находят конкретные пределы линейного участка диапазона и соответствующее ему численное значение коэффициента регрессии.

Рассмотрим пример использования нейросети для факторного анализа доменного процесса, в котором определялось влияние содержания кислорода (О2) в комбинированном дутье на производительность (ПР) доменной печи (ДП) в конкретной ТС. На графике рис. 1.9 линейный характер функции отклика наблюдался в пределах изменения входного фактора О2 от –8,54% до +2,41% относительно его базового значения. Этим пределам соответствовало изменение производительности ПР объекта от + 4,087% до - 2,634%.

Численное значение коэффициента регрессии составило:

ПР/О2 = (4,087+2,634)/(2,41+8,54) = 0,614 %ПР/ %О.

Часто особенностью функций отклика является её экстремальный характер (рис. 1.9.) с наличием восходящих и нисходящих участков, отражающих специфику каждой ТС на объекте. Например, если доменная печь работает на различных участках этих зависимостей, то при обычных методах управления доменной плавкой часто не реализуется переход на участок характеристики с оптимальными технико-экономическими показателями. Применение нейроробота позволяет учесть данные особенности и, тем самым, повысить эффективность управления.

Влияние содержания О2 в дутье на производительность ДП 10,5,0,-5,0 -8,5 -6,7 -4,9 -3,1 -1,2 0,6 2,4 4,2 6,1 7,9 9,7 11,5 13,-10,-15,-20,Изменение содержания О2 в дутье, % отн. базовой ТС Рис. 1.9. Экстремальное изменение производительности доменной печи в зависимости от содержания кислорода в комбинированном дутье Полученные новые знания с помощью нейросетевого факторного анализа могут быть использованы технологами или мастерами доменной печи для разработки перспективных технологий.

1.8. Определение степени компетентности нейросетей и нейророботов Нейросеть в процессе распознавания ТС имитирует действия специалиста или их коллектива. Последние в своих действиях могут допускать ошибки субъективного характера. Так как именно эксперты обучают нейросеть, то не исключено попадание такой ошибочной информации в эталоны обучения. Поэтому, наряду с обычной, возникает дополнительная потребность проверки надежности результатов, полученных с помощью нейросетей. Объективная проверка на точность субъективных решений связана с задачей обобщения и формализации характеристик экспертов на основе известных метрологических понятий.

Физическая постановка задачи по определению степени компетентности эксперта заключается в представлении его в виде своеобразной измерительной системы (рис. 1.10).

ности, % Изменение производитель Рис.1.8. Функциональная схема для расчета степени компетентности нейросети Рис. 1.10. Информационная схема экспертных измерений Система состоит из функциональных звеньев с передаточными коэффициентами СКт и СКэ, отражающими основные факторы, влияющие на степень компетентности эксперта и, в конечном итоге, определяющими погрешность его экспертных знаний и заключений (ЭЗЗ).

Исходная информация, представленная в виде вектора X, и поступает на вход системы и содержит две составляющие. Первая составляющая содержит ряд предварительных сведений. Эти сведения являются неизменными и включают основные характеристики технологического процесса, порядок воздействия на объект в нормальных и аварийных режимах согласно технологической инструкции. Качество знаний, полученных и усвоенных экспертом на основе внешней исходной информации, оценивают коэффициентом СКт, характеризующим его степень компетентности в этом вопросе. Исходная информация, содержащаяся в технологических инструкциях, представлена в виде понятий, установленных коллективным опытом специалистов, равным образом компетентных в вопросах технологии и управления рассматриваемого объекта. В связи с этим распределение вероятностей ошибок ЭЗЗ на основе понятий в пространстве технологических признаков объект является равномерным. Равномерный закон распределения погрешностей учитывают при обработке информации в функциональных звеньях системы с коэффициентом СКт. Такой подход предохраняет от ошибочных ЭЗЗ, свойственных индивидуальному знанию, и подчеркивает преимущество коллективного опыта.

Вторая составляющая вектора X представляет совокупность изменения технологических параметров, управлений и возмущений, которая создает у эксперта текущий образ ТС на объекте. Степень соответствия мысленного образа эксперта реальному положению объекта в пространстве оценивают с помощью коэффициента СКэ, характеризующего корреляционные способности специалиста, как идентификатора ТС. Так как образ определяется на основе субъективного индивидуального опыта, то распределение вероятностей погрешностей ЭЗЗ в пространстве неравномерно. Для этого случая типичной является колоколообразная функция распределения ошибок, которая для случая “идеального” эксперта (не допускающего погрешностей) вырождается в кривую нормального распределения Гаусса. В этом случае в качестве наиболее вероятного образа ТС выступает состояние объекта с максимальным значением правдоподобия.

Таким образом, коэффициент СКэ характеризует производственный опыт эксперта и имеет функцию ошибок с нормальным законом распределения.

Процесс сопоставления исходной и текущей информации и процедура принятия решения центральной нервной системой человека хорошо изучены и формализованы в виде правил работы экспертных систем. На основе этих правил находится общая степень компетентности эксперта, проявляемая им при формировании ЭЗЗ в виде выходного вектора Y, с учетом изображенных на рис. 1.10 функциональных связей между составляющими СКт и СКэ:

СК = (СКт + СКэ) - СКэ · СКт, (1.14) где СКэ, СКт – степени компетентности эксперта, найденные на основе корреляционного анализа практических данных и теоретического теста соответственно.

Численный расчет СК производится на основе среднего квадратичного отклонения (СКО) для принятых законов распределения составляющих погрешностей СКт, Скэ и вида корреляционной связи между ними. При этом принимают, что функция изменения уровня теоретических знаний эксперта не критична ко времени протекания производственного процесса, который по сравнению с этой функцией является существенно более динамичным. В реальности степень компетентности эксперта, обусловленная его теоретической подготовкой, не может изменяться во времени скачкообразно или резким образом, так как процесс накопления знаний требует длительного времени. Поэтому коэффициент корреляции между СКт и СКэ практически равен нулю. Численные значения СКi нормируют для диапазона 0..1, а их зависимости представляют в виде записи нечетких функций ФК следующим образом:

ФК = < ЛПi, СКi, ПБ, ЭО>, (1.15) где ЛПi – множество лингвистических переменнных;

СКi - диапазон изменения степени компетентности;

ПБ - алгоритм перебора лингвистических переменных;

ЭО - алгоритм экспертного опроса.

Для определения общепринятых объективных метрологических характеристик таких как коэффициент корреляции (r), относительная погрешность () применительно к нейросети, используют систему уравнений, которые связывают эти характеристики с коэффициентами компетентности СКi:

Здесь СК, СКт, Скэ - СКО экспертных оценок и ЭЗЗ при нахождении коэффициентов СК, СКт, СКэ соответственно;

rэ - коэффициент корреляции, характеризующий корреляционные способности специалиста;

э - относительная погрешность ЭЗЗ;

N - число градаций ТС, различаемых экспертом на графике целевой функции.

Используя практический опыт и профессиональные знания, технологэксперт устанавливает по результатам обработки на компьютере входной технологической информации возможное число градаций (информационных гранул), которое он в состоянии различить в каждой конкретной технологической ситуации согласно своей степени компетентности. Для системы (рис.1.10), на основе законов информационной теории измерений [4], взаимосвязь между числом различимых градаций и количеством информации выражается в виде уравнения:

N = 2I, (1.20) где I – количество достоверной информации, бит.

Алгоритм определения степени компетентности нейросети принимается следующим. Задаются основные уровни качества результатов расчета и компьютерного моделирования, необходимые для решения конкретной технологической задачи. Далее находят значения погрешностей, которым должны удовлетворять эти расчеты. Для практического использования разработанного метода определения степени компетентности и контроля достоверности применяют таблицу 1.4.

Таблица 1. Таблица погрешностей распознавания ТС с помощью нейросети и определения её степени компетентности Относительная Количество Число градаций, Уровни Проявленная Достигнутый погрешность, полезной различаемых вероятности степень уровень качества информации,бит технологом- результатов, компетентности результатов % экспертом,ед доли ед требуется > 35 0 1 0 - 0,707 недостаточная обучение или адаптация 35 1,0 2 0,707-0,891 достаточная идентификация ТС удовлетвори- управление,стаби25 1,6 3 0,891-0,тельная лизация, прогноз 16 2,0 4 0,953-0,974 хорошая оптимизация оптимизация с 12 2,6 6 0,974-0,988 очень хорошая учётом риска оптимизация с < 8 3,0 8 0,988-0,990 отличная учётом риска Например, если сравнение расчетных и экспериментальных данных, использованных при построении целевой функции Fц и распознавании оптимальной ТС (см.рис. 1.6), показало отклонение ТС N6 от точки оптимума, равное 9,5 %, то согласно табл. 1.4 уровень качества распознавания способен обеспечить решение задачи оптимизации технологического процесса с риском. Этому показателю соответствует степень компетентности нейросети при её применении для принятия решения об оптимизации как “очень хорошая”, так как она способна различить не менее 6 градаций в технологической ситуации на объекте.

Определение степени компетентности нейросети, обученной экспертами, должно сопровождать все компьютерные расчеты, связанные с применением нейросетевой технологии.

1.9. Контрольные вопросы и задания 1. В чём заключается главная проблема задач распознавания и классификации 2. Перечислите методы моделирования нейропроцессов при распознавании и классификации.

3. Назовите основные элементы модели составного нейрона.

4. Пользуясь функцией МОПРЕД электронной таблицы Excel, составьте программу для вычисления коэффициента множественной корреляции, характеризующего эффективность применения ассоциаторов составного нейрона.

5. Дайте определение функции принадлежности.

6. Составьте программу для определения ФП, описываемую кривой вероятности Гаусса, в электронной таблице Excel.

7. Что необходимо учитывать при формировании экспертных оценок для нейросети 8. Перечислите основные требования для эталонов нейросети.

9. Что характеризует коэффициенты регрессии применительно к весам нейросети 10. Для чего необходимо определять степень компетентности нейросети и нейророботов 11. Перечислите основные уровни качества результатов, обеспечиваемые расчётами с помощью нейросетей.

2. Практический нейрокомпьютинг В промышленном производстве технологический процесс, по сравнению с финансовым, маркетинговым и другими процессами, является основным, но в то же время наименее обеспеченным современным компьютерным сопровождением. Технологи не спешат внедрять “тяжелые” дорогостоящие системы типа планировщиков ресурсов и сверхбыстродействующие способы вычислений, так как аппаратные средства ПЭВМ и программное обеспечение быстро морально стареют, не окупая себя. Повышенным спросом на предприятиях пользуются открытые компактные интеллектуальные программы, не сложные в применении и обслуживании. Эффективность внедрения таких систем на локальном уровне достаточно высока.

Практический нейрокомпьютинг вполне удовлетворяет таким требованиям технологов. Например, на заводах в Германии нейронные сети обеспечили 2%-е сокращение потребляемой электроэнергии и 5%-е увеличение производительности при производстве стали в электропечах [12].

Общая концепция применения нейросетевого обеспечения рассмотрена ниже на примере программного комплекса технолога предприятия. В нем ключевая задача повышения качества продукции решена с помощью нейросетевой системы диагностики дефектов изделий для условий Екатеринбургского завода керамических изделий, а типовая схема технологической диагностики с целью экономии энергоресурсов выполнена на нейросетях для такого энергонасыщенного и трудноконтролируемого объекта, как доменная печь.

Управление технологическими процессами с помощью нейросетей также перспективно, поэтому приведена разработка нейроробота для управления комбинированным дутьем в доменных печах с целью повышения эффективности использования топливных добавок и экономии дорогостоящего основного топлива – кокса. Программное обеспечение выполнено для условий ОАО “ММК” и ОАО “НТМК”, но может быть легко адаптировано для других заводов.

Для нестационарных условий работы технологического оборудования рассмотрено применение нейросети в управлении пусковым режимом объекта. Особенностью такой нейросети является её полностью детерминированный характер.

При разработках АСУ ТП широко применяется моделирование динамических свойств типовых звеньев систем. Такие примеры реализованы на нейронных сетях с обратными связями.

Уделено внимание применению нейросетей в торговых системах и в маркетинговом исследовании. Так, операции на рынке ценных бумаг целесообразно проводить с помощью нейроробота “УНИКОМПАРТНЕР”, а нейромаркетинг позволяет определить рыночную цену продукции, которая является оптимальной для производителя.

Pages:     | 1 |   ...   | 2 | 3 || 5 | 6 |   ...   | 13 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.