Все это приводит к решению использовать нейронные сети для выделения отказов, так как нейронные сети могут быть натренированы определенным образом с целью получения соответствующей связи между входами и выходами.
Д. Баршдорф в работе пишет, что важным шагом в любом методе диагностики отказов является построение математической модели, дающей адекватную информацию о функционировании системы. Диагностирование неисправностей системы при помощи детерминистических методов распознавания дефектов эффективно при наличии математической модели ее функционирования. Эти модели в большинстве случаев можно анализировать лишь численными методами, что накладывает ограничение на их использование в реальном времени при поиске неисправностей и управлении технической системой. Почти все реальные процессы функционирования технических систем имеют нелинейное поведение, для них характерно возникновение нештатных ситуаций. В этих случаях обычно используют экспертов, то есть происходит вмешательство человека в процесс диагностирования и управления технической системой. Если детерминистические знания недоступны или математическое моделирование требует больших затрат расчетного времени, либо не обеспечивает требуемой точности, то могут быть использованы другие методы. Такими методами являются моделирование знаний оператора при помощи эвристических познаний и стратегий логического вывода, как например, это делается в экспертных системах на основе нечетких логик с реализацией их на базе аппаратных или программно-алгоритмических эмуляционных нейронных сетей. [1]
Нейронные сети оказались полезными как средство контроля механизмов. Например, нейронная сеть может быть обучена так, чтобы отличить звук, который издает машин при нормальной работе («ложная тревога») от того, который является предвестником неполадок.
Одним из наиболее важных преимуществ нейронных сетей является их способность представлять нелинейные преобразования, таким образом, нейронные сети способны формировать очень точную аппроксимацию для нелинейных функций любой продолжительности.
Нейронные сети являются альтернативным вариантом проектирования оценочных устройств. Важным свойством нейронных сетей является то, что они изучают динамику системы в процессе тренировки, состоящей из нескольких тренировочных циклов, с тренировочным данными, поступающими либо из предыдущего цикла, либо состоящей из реальных сигналов. После каждого цикла нейронная сеть узнает все больше и больше о динамике объекта. Одним из наиболее важных качеств нейронных сетей является их возможность изучать динамику поведения нелинейных систем автоматически, в случае, если архитектура нейронной сети содержит как минимум три слоя. [10]
Преимущества классификатора, построенного на основе нейросетей, перед традиционными оценочными методами заключается в таких факторах: независимость от шумов, самообучаемость, возможность параллельной обработки и т.д.
Обученная нейронная сеть, на основе мониторинга окружающих условий по радиационному фону, может с высокой степенью точности предсказать появление дефектов в полупроводниковых приборах и оценить степень их живучести, то есть своевременно вывести технический объект (робота) из зоны опасного воздействия радиации для его ремонта.
Меньше чем за 40 лет в рамках дисциплины технической диагностики было решено много практических задач и достигнуто много существенных теоретических достижений. Но, несмотря на значительный прогресс в теории и практике автоматизации обнаружения основных дефектов машин и оборудования, оценка технического состояния промышленного оборудования на большинстве российских предприятий выполняется на основе субъективного метода оценки высококвалифицированными специалистами диагностами, обслуживающими объекты диагностирования на протяжении длительного времени и получивших опыт ориентирования во внешних признаках изменения технического состояния. Последние достижения науки предопределяют необходимость перехода от субъективных методов оценки состояния к объективным.
На данный момент перспективными направлениями развития методов и средств диагностики являются методы, основанные на нечеткой логике или нечетких множествах, экспертные системы и нейронные сети. Методы нечеткой логики позволяют значительно упростить описание модели объектов контроля и диагностики, а также являются более простыми для аппаратной реализации. Экспертные системы позволяют принимать решения о состоянии объекта контроля, если оценка состояния или поиска неисправности объекта контроля является трудно формализуемой задачей. Нейронные сети используют для идентификации объектов контроля, распознавания образов и прогнозирования состояния технической системы.
1. Баршдорф Д. Нейронные сети и нечеткая логика. Новые концепции для технической диагностики неисправностей. //Приборы и системы управления. 1996. №2.
2. Беляков В.В., Бушуева М.Е., Сагунов В.И. Многокритериальная оптимизация в задачах оценки подвижности, конкурентоспособности автотракторной техники и диагностики сложных технических систем. –Н.Новгород: НГТУ, 2001, 271 с.
3. Биргер И.А. Техническая диагностика.-М.: Машиностроение, 1978.
4. Бушуева М.Е. Методы и алгоритмы обеспечения контролепригодности сложных технических систем при кратных дефектах. Н.Новгород, 1997.
5. Бушуева М.Е., Беляков В.В. Диагностика сложных технических систем / Разработка радиационно стойких полупроводниковых приборов для систем связи и прецизионных измерений с использованием шумового анализа //Труды 1-го ра-бочего совещания по проекту НАТО SfP–973799 Semiconductors –Н.Новгород: ТАЛАМ, 2001, с.63–98.
6. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. –М.: Горячая линия. Телеком, 2001, 382 с.
7. Розенблатт Ф. Проблема внедрения самообучающихся информационных
систем для оценки качества изготовления и
функционирования машин и оборудования. Санкт-Петербург – 2004.
8. Селлерс Ф. Методы обнаружения ошибок в работе ЭЦВМ, пер. с англ., М., 1972;
9. Субботин С. А. Синтез вейвлет-нейро-нечетких моделей для диагностики деталей авиадвигателей. ОАО "Мотор-Сич", 2003
10. Шахов А.В., Власов А.И., Кузнецов А.С., Поляков Ю.А. Нейрокомпьютеры: архитектура и реализация. //Приложение к журналу “Информационные технологии”. 2000. №9
11. Silvio Simani, Cesare Fantuzzi and Ron. Ою Patton. Model-based Fault diagnosis in Dynamic Systems Using Identification Techniques. Spring, 2002