Исследование возможности применения искусственных нейронных сетей для автоматического управления (стр. 10 из 21)
-невозможность подключения компьютера к контроллерам типа SIMATIC S3, а современные контроллеры независимо от их типа обеспечивают свободный выбор при внедрении или модернизации системы;
-одним из важнейших факторов был временной, так как ни одна фирма не могла предложить замену (модернизацию) оборудования в сроки капитального ремонта.
Но вопрос по созданию автоматической системы управления процессом металлизации пока остаётся открытым. Это, в первую очередь, связано с рядом проблем:
- практически невозможна формализация процесса, в связи с чем возникают серьёзные затруднения с построением математической модели. Причём, даже если удастся создать такую модель, вопрос о её практической пригодности и полезности вряд ли можно экономически выгодно разрешить. Созданная модель оказалась бы громоздкой, так как должна описывать не только физику технологического процесса, но и учитывать взаимосвязи и возмущения, а это не позволит ей работать в режиме реального времени.
- модель и её параметры динамически меняются и из-за неформализованности процесса невозможно спрогнозировать его ход.
- отсутствие во многих традиционных системах управления (в том числе и в системах с самонастройкой) способностей к обучению и дообучению (эти функции в полной мере присущи искусственному интеллекту).
Разрешить названные проблемы очень трудно, используя только стандартные методы автоматизации.
Из вышесказанного понятно, что использование для автоматизации традиционных подходов практически невозможно, так как отсутствуют данные математического моделирования, а процесс по своей природе нелинеен и подвержен влиянию шумов. В связи с этим, надо искать альтернативные методы автоматизации, которые должны обладать вышеуказанными свойствами. Описанные ранее методы ИИ обладают этими свойствами.
3.5 ВЫВОДЫ
Для решения подобных задач необходима либо постоянная работа группы квалифицированных экспертов, либо адаптивные системы автоматизации, каковыми являются нейронные сети. Если создание экспертных систем может выполняться как на базе самоадаптирующихся систем, так и с использованием классических алгоритмов, то задачи управления агрегатами находятся целиком в компетенции систем с самостоятельной адаптацией.
В данной дипломной работе предложен метод автоматизации процесса металлизации на базе адаптивного нейросетевого подхода.
4. НЕЙРОННЫЕ СЕТИ
4.1 ЭЛЕМЕНТЫ НЕЙРОННЫХ СЕТЕЙ
4.1.1 Понятие нейрона
Основной элемент нейронной сети - это формальный нейрон, осуществляющий операцию нелинейного преобразования суммы произведений входных сигналов на весовые коэффициенты:
где X=(x1, x2, …, xn)T – вектор входного сигнала; W=(w1, w2, …, wn) – весовой вектор; F – оператор нелинейного преобразования.
На рис. 4.1 представлена схема персептронного нейронного элемента, состоящая из сумматора å и блока нелинейного преобразования F. Каждому i-му входу нейрона соответствует весовой коэффициент wi (синапс), характеризующий силу синаптической связи по аналогии с биологическим нейроном. Сумма произведений входных сигналов на весовые коэффициенты называется взвешенной суммой. Она представляет собой скалярное произведение вектора весов на входной вектор:
где |W|, |X| – соответственно длины векторов W и X; a = W, X– угол между векторами W и X.
Длины весового и входного векторов определяются через их координаты:
Так как для нейронного элемента длина весового вектора после обучения |W|=const, то величина взвешенной суммы определяется проекцией входного вектора на весовой вектор:
где ХW– проекция вектора Х на вектор W.
Если входные векторы нормированы, т.е. |X|=const, то величина взвешенной суммы будет зависеть только от угла между векторами Х и W. Тогда при различных входных сигналах взвешенная сумма будет изменяться по косинусоидальному закону. Максимального значения она будет достигать при коллинеарности входного и весового векторов.
Если сила связи wi отрицательная, то такая связь называется тормозящей. В противном случае синаптическая связь является усиливающей.
Оператор нелинейного преобразования называется функцией активации нейронного элемента, вектор входного сигнала - паттерном входной активности нейронной сети, а вектор выходного сигнала - паттерном выходной активности.
4.1.2 Функции активации нейронов
В качестве оператора нелинейного преобразования могут использоваться различные функции, которые определяются в соответствии с решаемой задачей и типом нейронной сети. Пусть Т - порог нейронного элемента, который характеризует расположение функции активации по оси абсцисс. Представим взвешенную сумму как:
Рассмотрим наиболее распространенные функции активации нейронных элементов (Табл. 4.1).
Пороговая
В качестве пороговой функции активации может использоваться биполярнаяили бинарная функция. Пороговая бинарная функция активации может принимать значения 0 или 1. В случае использования пороговой биполярнойфункции активации –1 или 1.
Линейная функция
В этом случае выходное значение нейронного элемента равняется взвешенной сумме у = kS, где k — коэффициент наклона прямой.
Изменение порога линейного элемента эквивалентно сдвигу функции активации по оси абсцисс.
Таблица 4.1. Перечень функций активации нейронов
| Наименование функции | Функция | Область значений |
| Пороговая бинарная |  | 0, 1 |
| Пороговая биполярная(сигнатурная) |  | -1, 1  |
| Сигмоидная(логистическая) |  | [0, 1] |
| Полулинейная |  |  |
| Линейная | f(S) = kS |  |
| Радиальная базисная(Гауссова) |  | (0, 1) |
| Полулинейнаяс насыщением |  | (0, 1) |
| Линейная ограниченная(с насыщением) |  | (-1,1) |
| ГиперболическийТангенс |  | (-1,1) |
| МодифицированнаяПороговая |  | -1, 1 |
| Биполярная сигмоидная |  | [-1,1] |
| Треугольная |  | (0, 1) |
Сигмоидная функция
Эта функция является непрерывной, возрастающей функцией в диапазоне значений [0, 1]. Коэффициент ''c'' характеризует ширину сигмоидной функции по оси абсцисс.Сигмоидная функция является монотонной и всюду дифференцируемой. Поэтому она получила широкое распространение в искусственных нейронных сетях.
Модифицированная пороговая функция
Такая функция используется в двунаправленной ассоциативной памяти.
Гиперболический тангенс
Функция гиперболического тангенса аналогична биполярной сигмоидной функции. Коэффициент ''c'', как и в случае с сигмоидной функцией, характеризует ширину функции "гиперболический тангенс" по оси абсцисс.
Радиально-базисная функция
Она характеризуется функцией Гаусса для нормального закона распределения. Среднеквадратичное отклонение s характеризует ширину радиально-базисной функции.
Величина S в данном случае будет определяться в соответствии с евклидовым расстоянием между входным и весовым векторами:
Применение различных функций активации определяется классом решаемых нейронной сетью задач. Помимо перечисленных могут применяться и другие функции активации нейронных элементов, которые адекватно отражают решаемую задачу.
4.2 СТРУКТУРА НЕЙРОННЫХ СЕТЕЙ
4.2.1 Основные понятия
Нейронные сети образуются путем соединения нейронов по определенным правилам. Схема соединения нейронов называется структурой (в совокупности с методом обучения - парадигмой) нейронной сети. В общем случае для решения задачи можно использовать нейронную сеть любой структуры. Но на практике было определено, что для наилучшего решения определенных задач подходят только некоторые из структур. Поэтому одной из задач, решаемых в данной работе, является выбор структуры нейронной сети.
Все разнообразие структур нейронных сетей принято делить на прямоточные (сети с прямыми связями), сети с обратными связями (рекуррентные, самоорганизующиеся) и гибридные сети. В прямоточных сетях нейроны не связаны обратными связями, т.е. в таких сетях не образуется петель и информация передаётся в одном направлении. К таким сетям относятся сети персептронного типа (простой персептрон, многослойный персептрон). В многослойных сетях с обратным распространением информации, нейроны связаны не только прямыми, но и обратными связями, т.е. в структуре таких сетей образуются петли. К таким сетям относятся, например, рекуррентные, рециркуляционные и сети Кохонена. В прямоточных и рекуррентных сетях структура сети не изменяется при обучении и эксплуатации сети. В самоорганизующихся сетях при обучении могут изменяться не только веса синаптических связей, но и структура сети, количество нейронов в отдельном слое и даже количество слоев в сети. Гибридные сети представляют собой объединение различного рода структур и концепций обучения сетей.