Система підтримки прийняття рішень на етапі структурного проектування складних технічних об’єктів

Размещено на http://www.allbest.ru

ОДЕСЬКИЙ НАЦІОНАЛЬНИЙ ПОЛІТЕХНІЧНИЙ УНІВЕРСИТЕТ

УДК 004.942: 624.046.5

Система підтримки прийняття рішень на етапі структурного проектування складних технічних об'єктів

05.13.12 - Системи автоматизації проектувальних робіт

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Плачінда Ольга Євгеніївна

Одеса 2008

Дисертацією є рукопис.

Робота виконана в Одеському національному політехнічному університеті Міністерства освіти і науки України.

Захист відбудеться 12 лютого 2008 р. о 1330 на засіданні спеціалізованої вченої ради К 41.052.08 в Одеському національному політехнічному університеті за адресою: 65044, м. Одеса, пр. Шевченка, 1, ауд. 400-А.

З дисертацією можна ознайомитись у бібліотеці Одеського національного політехнічного університету за адресою: 65044, м. Одеса, пр. Шевченка, 1.

Автореферат розісланий 10 січня 2008 р.

Вчений секретар спеціалізованої вченої ради О.С. Савєльєва

проектування моделювання працездатність

1. ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. При проектуванні конструкцій складних технічних систем (СТС), до надійності яких пред'являються жорсткі вимоги, часто використовують резервування окремих елементів системи та (або) зв'язків між ними, тобто свідомо ускладнюють її структуру. Існують два види такого резервування: коли резервні елементи не приймають участі в роботі СТС і “включаються” до неї тільки при пошкодженні основних елементів, та коли всі елементи працюють с самого початку експлуатації системи і, по мірі необхідності, перерозподіляють навантаження з пошкоджених елементів на діючі. При цьому виходять конструкції із регулярною (повторюваною) структурою (РС), які досить часто зустрічаються в найрізноманітніших галузях: машинобудуванні, будівництві, гідравлічних та електричних системах, комп'ютерних мережах, тощо.

Найважливішою складовою частиною САПР СТС РС є прийняття рішення про вибір на початковому, найвідповідальнішому етапі проектування одного з альтернативних варіантів їх структур. Характеристики, за якими це рішення приймається, досить різноманітні. Серед них головну роль відіграє така складова надійності СТС РС, як її працездатність в умовах часткових пошкоджень або відмовостійкість до вибуття з ладу окремих елементів та зв'язків. Оцінка відмовостійкості майбутньої СТС РС є нетривіальним завданням, розв'язання якого повинно відбивати якість проектування і виготовлення таких об'єктів, а також умови їхньої експлуатації.

Чималий вплив має тут стохастична компонента, оскільки багато обставин, які впливають на працездатність систем, досить випадкові. Взагалі, оцінити відмовостійкість СТС РС можна тільки статистично на підставі багатьох випробувань. Але у дійсно складних систем кількість елементів велика, і перебрати за допомогою предметних САПР (таких, як, наприклад, SCAD, ANSYS, тощо в механіці) усі варіанти можливих пошкоджень, оцінюючи на кожній ітерації, відмовила СТС або ще працездатна, не представляється можливим. Відсутній навіть єдиний чисельний критерій відмовостійкості СТС РС, який був би функцією її структури. Проблему ускладнює також те, що відмовостійкість залежить від законів накопичення пошкоджень, що, в свою чергу, є функцією не тільки параметрів конструкції, але й умов її експлуатації. Наприклад, ремонт системи може потужно та малопередбачувано вплинути на її відмовостійкість.

Суттєво, на порядки, прискорити швидкість оцінювання відмовостійкості СТС РС на етапі проектування можуть існуючі методи, засновані на кореляції між результатами статистичної оцінки працездатності СТС та топологічно подібних (ТП) їм нейронних мереж (НМ). Однак ці методи вимагають стендових і полігонних випробувань та даних про тривалу експлуатацію об'єктів, що робить їх незастосовними в САПР. Крім того, далеко не усі СТС РС мають НМ-подібну структуру. У той же час, метод ТП НМ себе не вичерпав. Перспективне й використання його в САПР, коли замість проектованих варіантів СТС РС випробовуються в деяких “стандартних” умовах і порівнюються за допомогою єдиного критерію віртуальні альтернативні варіанти ТП НМ.

Тому можна стверджувати, що дослідження, спрямовані на створення критеріїв відмовостійкості та загальної швидкодіючої системи підтримки прийняття рішень на етапі структурного проектування СТС, заснованої на використанні ТП НМ, є вельми актуальними.

Дисертація виконувалася відповідно до завдань НДР кафедри нафтогазового та хімічного машинобудування Одеського національного політехнічного університету № 419-24 “Розробка теорії і методів моделювання спільноти складних регенеруючих об'єктів за допомогою нейронних супермереж” (номер державної реєстрації 0102U002516), № 554-24 “Інтелектуальні методи та інформаційні технології в машинобудуванні” (Внутрішньоуніверситетська) і № 608-24 “Інформаційне моделювання складних технічних систем для потреб проектування і управління” (номер державної реєстрації 0105U002185).

Метою дисертаційної роботи є підвищення ефективності САПР складних технічних систем шляхом розробки та впровадження автоматизованої швидкодіючої підсистеми підтримки прийняття рішень, яка базується на топологічно подібних інформаційних моделях у вигляді нейронних мереж.

Для досягнення цієї мети в роботі були вирішені наступні задачі:

проаналізовано особливості життєвого циклу СТС РС як об'єктів структурного проектування, а також існуючі методи оцінювання відмовостійкості СТС РС;

розроблено нові та удосконалені відомі методики моделювання працездатності та ідентифікації відмови складних технічних та інформаційних систем;

розроблено нові методи оцінювання відмовостійкості СТС РС в САПР;

розроблено систему підтримки прийняття рішень на етапі автоматизованого структурного проектування СТС РС;

- досліджено вплив повторного навчання топологічно подібних нейронних мереж на їх відмовостійкість та визначено зв'язок між поновленням працездатності повторно навчених ТП НМ та відремонтованих СТС

здійснено практичне випробування результатів роботи при автоматизованому структурному проектуванні залізобетонних виробів (ЗБВ) з позитивним техніко-економічним ефектом.

Об'єктом дослідження є інформаційне забезпечення процесів підтримки прийняття рішення на етапі структурного проектування СТС в САПР.

Предметом дослідження є система визначення відмовостійкості варіантів структур проектованих СТС РС за допомогою ТП НМ.

Методика дослідження. Для визначення напружено-деформованого стану (НДС) механічних конструкцій з регулярною структурою при їхньому ушкодженні використовували систему автоматизованої побудови і дослідження механічних об'єктів ANSYS. Для дослідження відмовостійкості НМ до ушкоджень використовували оригінальний програмний модуль NeuroNet, який дозволяє автоматично пошкоджувати та випробувати НМ прямого поширення. При цьому автоматично пошкоджувану за алгоритмом користувача НМ навчали методом back propagation розпізнаванню образів. Для статистичної оцінки відмовостійкості СТС РС використовували апроксимацію результатів випробувань з наступною класифікацією рівня відмовостійкості за коефіцієнтами апроксимуючих функцій за допомогою іншої НМ прямого поширення.

Наукова новизна отриманих результатів полягає в розвитку та поглибленні теоретичних і методологічних основ підвищення ефективності структурного проектування в САПР СТС РС:

одержав подальший розвиток метод побудови ТП НМ, що полягає у виявленні топологічної подібності між всією структурою СТС РС та лише окремим фрагментом структури НМ;

вперше запропонований метод статистичної оцінки відмовостійкості СТС РС шляхом апроксимації результатів їхніх випробувань на ТП НМ неперервними функціями з наступною класифікацією відмовостійкості за коефіцієнтами цих функцій за допомогою іншої НМ прямого поширення;

вперше сформульоване твердження про те, що відновлення НМ після ряду пошкоджень може бути здійснено або за рахунок тільки її повторного навчання, або за рахунок відновлення пошкоджених елементів та повторного навчання; в топологічно подібній їй СТС РС такі дії відповідають ремонту за рахунок посилення неушкоджених елементів або відновлення ушкоджених;

вперше встановлено, що повторне навчання НМ після того, як вона отримала певну кількість пошкоджень елементів та зв'язків, призводить до підвищення ефективності її роботи за рахунок зняття надлишковості, з одного боку, та повернення їй тієї структури, яку вона мала під час навчання, - з другого;

одержав подальший розвиток алгоритм статистичної оцінки відмовостійкості СТС РС, який базується на результатах випробування моделі СТС в “стандартних” умовах та враховує планове та аварійне відновлення її структури.

Практичне значення отриманих результатів. Підтверджено можливість широкого використання ТП НМ в системах прийняття рішень про вибір варіанту структури с найбільшою відмовостійкістю в САПР СТС РС. Розроблено систему підтримки прийняття рішень на етапах структурного проектування складних технічних об'єктів. На Одеському заводі будівельних матеріалів були проведені випробування розробленої в ОНПУ системи підтримки прийняття рішень на етапі структурного проектування сталевої арматури для залізобетонних виробів. В результаті випробувань встановлено, що застосування зазначеної системи дозволило знизити строки проектних робіт в 1,7 рази та металоємність продукції в 1,2 рази без погіршення її якості. Запропоновані методи підтримки прийняття рішень в САПР, а також алгоритми і програми, розроблені для їхньої реалізації, впроваджені в навчальний процес в Одеському національному політехнічному університеті і використовуються в дисципліні “САПР машин і транспортних засобів”, а також при курсовому та дипломному проектуванні.

Особистий внесок здобувача полягає в розробці методики дослідження [1, 10], вдосконаленні методів оцінки відмовостійкості складних систем [2 - 5, 22, 23], розробці методу автоматизованого проектування заходів щодо відновлення працездатності ушкоджених складних технічних систем [7, 8, 20, 21], створенні моделі відмовостійкості складних систем [6, 11, 13, 14, 19], розробці методів інтелектуальної підтримки прийнятті рішень у САПР [9, 12, 15], розробці системи підтримки прийнятті рішень у САПР [16 - 18]. Здобувач розробила алгоритми і програми для практичної реалізації запропонованих методів, брала участь у виробничих випробуваннях та оцінці їхніх результатів.

Апробація результатів роботи. Матеріали роботи доповідалися і обговорювалися на Міжнародних конференціях по управлінню “Автоматика-2005” (Харків, 2005), “Автоматика-2006” (Севастополь, 2006), Четвертій промисловій конференції “Ефективність реалізації наукового, ресурсного і промислового потенціалу в сучасних умовах” (Славське, 2004), ХІІІ міжнародній науково-практичній конференції “Інформаційні технології: наука, техніка, технологія, освіта, здоров'я” (Харків, 2005), Міжнародній науково-технічній конференції “Автоматизація: проблеми, ідеї, рішення” (Севастополь, 2006), ХІ - ХІV семінарах “Моделювання в прикладних наукових дослідженнях” (Одеса, 2004 - 2007), Науково-виробничій конференції “Сучасні інформаційні і електронні технології” (Одеса, 2007), Міжнародній науково-технічній конференції “Автоматизація: проблеми, ідеї, рішення” (Севастополь, 2007), Міжнародній науково-практичній конференції “Інформаційні технології та інформаційна безпека в науці, техніці та освіті” ІНФОТЕХ - 2007” (Севастополь, 2007), а також на розширеному засіданні наукового семінару кафедри “Технологія комп'ютерного проектування” Одеського національного політехнічного університету (Одеса, 2007).

Публікації. Результати дисертації викладені в 23 публікаціях, у тому числі - 7 статтях у журналах зі спеціального переліку ВАК України, а також в 16 матеріалах конференцій.

Структура дисертації. Дисертація складається із вступу, п'яти розділів, двох додатків. Об'єм дисертації - 150 стор., додатків - 42 стор. Дисертація містить 38 рисунків, 9 таблиць та посилання до 171 літературного джерела.

2. ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступ наведена загальна характеристика роботи, яка підкреслює її актуальність, відповідність державним науковим програмам, вимогам ВАК України, наукову новизну та практичне значення; визначено об'єкт та предмет дослідження, сформульована його мета та задачі, особистий вклад автора в дисертацію.

У першому розділі проаналізовані матеріали літературних джерел з сучасних інформаційних методів в системах підтримки прийняття рішень в межах автоматизованого структурного проектування в САПР: сформульовані особливості структурного проектування СТС, задачі оцінки їх надійності та відмовостійкості, виявлені проблеми, які виникають при прогнозуванні відмовостійкості СТС за допомогою топологічно подібних НМ, та на цій підставі виконано постановку завдань дослідження.

У другому розділі розглянуті особливості побудови ТП НМ-моделей СТС РС та питання роботи з цими моделями.

Приведення структури СТС РС до нейроподібної шляхом еквівалентних замін і фрагментації НМ. Важливим етапом дослідження відмовостійкості СТС РС є забезпечення топологічної подібності в процесі побудови НМ-моделі. Справа в тому, що в САПР К структура майбутнього об'єкта визначається умовами його роботи, наявними матеріалами, прокатом, покупними деталями, тощо, що далеко не завжди призводить до нейроподібності навіть із врахуванням великої кількості описаних повнозв'язних та неповнозв'язних НМ.

Одним із шляхів розширення можливостей методу є наближення топології СТС РС до однієї з відомих НМ шляхом еквівалентного перетворення структурної моделі проектованого об'єкта. Еквівалентність перетворення окремих фрагментів структури полягає в тому, що система в цілому за основними характеристиками (наприклад, напруженням, переміщенням у механічних конструкцій) її “не помічає”, як не помічає загальна електрична схема заміни своєї частини у вигляді трикутника на еквівалентну зірку. В роботі аналітично обґрунтоване подібне перетворення механічних конструкцій. В результаті, наприклад, плоске квадратне розгорнення секції металевої арматури залізобетонної палі (рис. 1, а) може бути легко перетворено до нейроподібного (рис. 1, б).

Іноді нейроподібність СТС РС встановлюється тільки із частиною деякої НМ, що також розширює можливості методу. При цьому ушкодження наносяться тільки тим елементам НМ, які входять до цієї частини. Тут можливі два випадки: ТП частина НМ може бути її окремою складовою, а може пронизувати тіло НМ. Важливою умовою застосовності такого прийому є виконання наступної вимоги: при повному видаленні ТП частини з навченої НМ її працездатність у всіх випадках повинна ставати нульовою.

Статистична оцінка відмовостійкості складних систем. Оскільки ушкодження багатоелементної системи можуть фактично торкатися різних її елементів та зв'язків, мова може йти лише про оцінку відмовостійкості за допомогою такого показника, як статистична оцінка ймовірності Рn відмови СТС, яка визначалася за допомогою багаторазового експерименту, під час кожної з Кn ітерацій якого “призначалися” n, визначених за деяким правилом користувача САПР та кожного разу інших з N можливих, ушкоджень. Підраховуючи для кожного n на кожній ітерації, скільки разів з Кn можливих СТС відмовила, отримували оцінку ймовірності відмови Рn та ймовірності збереження працездатності (1 - Рn). Таким чином, Кn експериментів для кожного значення n дають одну точку на графіку Рn(n), а всі ітерації - деяку множину точок, яка певним чином характеризує “поведінку” системи при різних ушкодженнях, тобто її відмовостійкість.

Аналогічна картина спостерігається при експериментальній статистичній оцінці відмовостійкості НМ (рис. 2). Для її отримання статистична оцінка ймовірності відмови була виконана для тришарової (28 Ч N Ч 10) НМ прямого поширення. Розташування точок для відмовостійких систем носить S-образний характер, оскільки при малих n такі системи не повинні відмовляти (Pn = 0), а при великих n (близьких до N) - будь-яка система повністю непрацездатна (Pn = 1).

Таким чином, для кожного варіанта структури СТС РС вдається одержати характеристику відмовостійкості у вигляді S-образної множини точок. Алгоритм статистичної оцінки відмовостійкості кожного окремого варіанта структури СТС РС, який проектується (рис. 3), відрізняється тим, що містить додаткові можливості в приведенні структури СТС до нейроподібності та виділенні групи пошкоджуваних елементів.

Головною відмінною рисою запропонованого методу від попередніх є те, що оцінка відмовостійкості складних систем не вимагає відомостей про умови та результати її майбутньої експлуатації, а також даних, отриманих в результаті дослідження самої системи. Ці особливості дозволяють використовувати пропоновані розробки в рамках САПР. При цьому відомості про ймовірності ушкодження того або іншого елемента конструкції одержували шляхом віртуального “стандартного” (єдиного для всіх альтернативних варіантів) навантаження останньої за допомогою САПР ANSYS.

Основна перевага такого застосування НМ - швидкодія. Оскільки при оцінці відмовостійкості доводиться робити тисячі, а іноді й десятки тисяч експериментів, робота з основними, “механічними” САПР (тією ж ANSYS) з урахуванням підготовчого періоду (ручне нанесення віртуальних “ушкоджень”) розтяглася б на неприпустимо великий час.

Оригінальна ж, “ламана” НМ дозволяє виконувати ці експерименти за заздалегідь заданим користувачем алгоритмом з врахуванням всіх заданих умов і обмежень в автоматичному режимі та на кілька порядків швидше.

У третьому розділі представлені методи оцінювання відмовостійкості СТС РС за допомогою S-образних множин експериментальних точок, отриманих за наведеним вище алгоритмом.

Апроксимація результатів статистичних випробувань. S-образне розміщення точок дозволяє умовно розділити простір уздовж осі n на три зони: І - P(n) = 0; ІІ - 0<P(n)<1; ІІІ - P(n) = 1. Природно, що чим більше перша та друга зони, тим вище відмовостійкість, отже розміри цих зон дозволяють судити про властивості системи в цілому. Для розробки критерію цієї оцінки апроксимуємо представлені точки неперервною сигмовидною функцією вигляду (рис. 4, а):

(1)

Параметри a1, a2 і a3, що входять до (1), однозначно визначають характеристику відповідного сигмоїда. Це дозволяє виділити в якості критерію відмовостійкості НМ тримісні кортежі: <a1, a2, a3>.

Для конкретних НМ, описаних вище, апроксимація ушкоджень другого шару сигмовидною функцією (1) виглядає таким чином:

- при N = 16: ; 0 ? n ? 16; (2)

- при N = 25: ; 0 ? n ? 25; (3)

- при N = 40: ; 0 ? n ? 40. (4)

Рівняння (2) - (4) дозволили виділити в якості критерію тримісні кортежі:

<1,049; 70,093; 0,478>, <1,045; 332,3; 0,357> та <1,011; 2276; 0,386>.

Іноді множину експериментальних точок зручно апроксимувати не сигмоїдом, а, наприклад, поліномом шостого ступеня виду:

P = a1n 6 + a2n 5 + a3n 4 + a4n 3 + a5n 2 + a6n + a7. (5)

Графіки таких функцій, побудовані для досліджених НМ у вигляді суцільних кривих, наведені на рис. 4, б.

Рівняння (5) дозволяє виділити в якості критерію відмовостійкості НМ вже семимісні кортежі <а1; а2; а3; а4; а5; а6; а7>.

При апроксимації багаточленом вигляду (5) отримані такі результати:

P(n) = - 1,628• 10-6n6 + 7,386• 10-5n5 - 1,242• 10-3n4 + 8,754• 10-3n3 - 0,013n2 - 0,013n + 7,878• 10-3; (6)

P(n) = - 6,959• 10-8n6 + 6,013• 10-6n5 - 2,088• 10-4n4 + 3,454• 10-3n3 - 0,023n2 + 0,05n - 0,015; (7)

P (n) = -1,247• 10-9n6 + 5,613• 10-7n5 - 4,784• 10-3n4 + 1,488• 10-3n3 - 0,017n2 + 0,059n - 0,035, (8)

Рівняння (6) - (8) дозволили виділити такі семимісні кортежі:

<- 1,628• 10-6; 7,386• 10-5; - 1,242• 10-3; 8,754• 10-3; - 0,013; - 0,013; 7,878• 10-3>,

< - 6,959• 10-8 ; 6,013• 10-6; - 2,088• 10-4; 3,454• 10-3; - 0,023; 0,05; - 0,015 > ,

<- 1,247• 10-9; 5,613• 10-7; - 4,784• 10-3; 1,488• 10-3; - 0,017; 0,059; - 0,035 >.

На жаль, всі ці кортежі малоінформативні. Їх “прямий огляд” не дозволяє проектувальникові класифікувати ТП НМ за рівнями відмовостійкості.

Очевидно, що для такої класифікації необхідно знайти деяке розв'язуюче правило, відповідно до якого, кілька чисел, що входять до кортежів, можна звести до одного - класу відмовостійкості. В цьому випадку автоматизоване прийняття рішення про вибір варіанта структури СТС РС в САПР значно спрощується.

Нейромережева класифікація варіантів структур. У роботі було запропоноване здійснення такого рішення за допомогою додаткової НМ. Саме НМ, за нашим припущенням, повинна визначити в окремих числах загальну закономірність, що дозволяє виконати класифікацію. Отримані в експерименті коефіцієнти “пред'являються” НМ, відповідно, структури 3 Ч 20 Ч 5 (для сигмоїда) або 7 Ч 20 Ч 5 (для багаточлена). Після розрахунків на виході НМ, що відповідає класу відмовостійкості досліджуваної СТС РС, з'являється одиниця, на інших виходах - нуль. Клас відмовостійкості К у нашому прикладі міг приймати одне з наступних значень: 1 - дуже низька (клас ДН); 2 - низька (клас Н); 3 - середня (клас С); 4 - висока (клас В); 5 - дуже висока (клас ДВ).

НМ, призначені для класифікації відмовостійкості, також навчали методом зворотного поширення на вибірках отриманих експериментальним шляхом при створенні системи підтримки прийняття рішень в САПР арматури для залізобетонних паль. Для побудови навчальної вибірки була виконана серія комп'ютерних експериментів із двадцятьома різними конструкціями паль, у яких варіювалися наступні конструктивні параметри: габарити; кількість, діаметр та величина попереднього напруження стрижнів арматури. В результаті кожного експерименту одержували одну з навчальних вибірок виду <a1, a2, a3, a4, a5, a6, a7><К>.

У четвертому розділі досліджена роль повторного навчання пошкоджуваних ТП НМ при прийнятті рішень в САПР нейроподібних технічних об'єктів. Дійсно, повторне навчання “ушкодженої” мережі робить її знову “цілою”, але з меншою кількістю нейронів і зв'язків між ними. Таким чином, регулярне навчання по мірі ушкодження сприяє збереженню працездатності НМ при таких рівнях ушкоджень, при яких мережа, яка не навчалася повторно, вже непрацездатна.

Важливою характеристикою НМ в цьому випадку є її надлишковість, тобто кількість нейронів, які можна було б усунути з НМ до навчання без втрати якості її роботи. Оскільки точних правил розрахунку мінімально необхідної кількості нейронів для конкретного застосування НМ не існує, надлишковість не може бути обчислена чітко. Відомо лише, що надмірна надлишковість погіршує роботу НМ, тобто є її вадою, а не перевагою.

Після кожної ітерації ушкодження НМ має ті ж самі атрибути, що й на початку моделювання: структуру (наприклад, у вигляді матриці зв'язності) та значення ваг на входах усіх нейронів, які залишилися.

Твердження. Якщо структуру початкової НМ не оговорено окремо, то за даними (структура, ваги входів нейронів) пошкодженої НМ неможливо встановити, скільки разів та коли її навчали.

Це призводить до того, що НМ, яка піддається додатковим навчанням, має, як модель, на одну ступінь свободи більше, ніж СТС, яку вона моделює. Дійсно, при топологічному моделюванні механічних розгалужених конструкцій за допомогою ТП НМ передбачається, що початкова “неушкоджена” НМ обов'язково має надлишковість та навчена виконанню деякої процедури, наприклад розпізнаванню образів. По мірі нанесення ушкоджень надлишковість усувається (позитивне явище), але НМ втрачає здатність до розпізнавання із-за того, що її структура стає все дальшою від тієї, при якій її навчали (негативне явище).

Таким чином, у наявності парадоксальна ситуація: ушкодження НМ знижує її надлишковість (1, рис. 5), але при цьому втрачається здатність до роботи через те, що навчанню піддавалася ще неушкоджена, тобто, фактично, зовсім інша НМ (2, рис. 5).

Фактично, втрата працездатності наступає не від ушкоджень, а від “відходу” від тієї структури, що була навчена. Якби зміна структури на кожному кроці супроводжувалося повторним навчанням, то збільшення ушкоджень за рахунок зниження надлишковості призводило б до поліпшення працездатності, природно, до певних меж (3, рис. 5).

Нехай отримана експериментально S-образна множина точок на ділянці 0 ? n ? 40 виглядає так, як це представлено на рис. 6, 1. Можна припустити, що після повторного навчання, наприклад, при n = 20, ймовірність відмови знову стане нульовою.

Далі, при збільшенні кількості ушкоджених нейронів статистична оцінка ймовірності знову почне зростати. Після наступного навчання оцінка знову стане нульовою, знову почне рости і т.д. доти, поки нейронів не залишиться настільки мало, що чергове навчання перестане відновлювати працездатність мережі. Очевидно, розташування точок на ділянках n1, n2 і n3 залежить не тільки від кількості “ушкоджених” нейронів, але й від кількості неушкоджених, що залишилися після чергової ітерації навчання. Тому загальний вираз для апроксимуючої ці ділянки функції має вигляд:

, (9)

де i - послідовний номер чергового навчання; I - загальна кількість повторних навчань; N - початкова кількість неушкоджених нейронів другого шару; - кількість неушкоджених нейронів другого шару тришарової НМ, що залишилися після (i-1)-го навчання:

(10)

Підставляючи (10) в (9), одержимо:

(11)

Система рівнянь (11) містить два компоненти: статистичний, який визначає вигляд функції , і призначувану проектувальником послідовність повторних навчань . Перший компонент визначається в кожному випадку шляхом апроксимації функцією S-образної множини експериментальних точок.

Вплив послідовності навчань був також досліджений експериментально. Для цього в середовищі “ламаних” НМ була побудована мережа прямого поширення, що була навчена розпізнаванню образів. У нашому випадку під повторним навчанням розуміли навчання НМ після декількох ітерацій її ушкодження. При цьому при повторному навчанні можливо як повне або часткове відновлення втрачених нейронів і зв'язків між ними, так і навчання ушкодженої НМ “як нової”. Відновлення припускало вибіркове відновлення ушкоджених нейронів у кількості, пропорційній відповідній його глибині.

Механічний аналог перенавчання НМ. Оскільки механічним аналогом повторного навчання НМ є ремонт технічних об'єктів, все сказане можна поширити на проблему організації ремонтних робіт. Зокрема, встановлено кореляційну залежність між відмовостійкістю повторно навчених НМ і відремонтованих механічних конструкцій.

Оскільки повторно навчена НМ має “зайву” ступінь свободи, відновлення пошкодженої НМ може відбуватися двома шляхами: тільки повторним навчанням або поверненням вилучених нейронів та зв'язків із наступним навчанням. Еквівалентом таких дій в СТС РС, яка моделюється, є відновлення “посиленням” елементів, що залишилися, або ремонтом пошкоджених елементів. Висунуто та експериментально підтверджене припущення про те, що кількість навчань може служити інструментом управління відмовостійкістю системи.

Оптимізація відмовостійкості складних систем за кількістю навчань. Кількість повторних навчань може служити інструментом підвищення відмовостійкості системи. Очевидно також, що повторне навчання після кожного одиничного ушкодження не вирішує завдання підвищення відмовостійкості, оскільки завжди наступає момент, коли після чергового ушкодження система відмовляє відразу. Звідси випливає, що клас відмовостійкості при збільшенні кількості навчань повинен проходити через максимум, що підтверджено експериментально (рис. 7).

У п'ятому розділі наведені результати практичного використання результатів дослідження.

Властивості та умови роботи елементів ЗБВ. Руйнування бетонних балок походить від розриву нижніх (найбільш розтягнутих) волокон. При цьому несуча здатність балки використовується лише на 5 - 7 %. При армуванні балки міцність її зростає в 15 - 20 разів. Складна картина відмовостійкості ЗБВ визначається їхньою гетерогенністю, нерівномірністю розподілу навантаження по окремих елементах виробів, непередбачуваністю умов навантаження та можливостей реального опору навантаженню по їхніх перетинах і багатьма іншими факторами, що носять явно стохастичний характер. Тому автоматизоване проектування таких виробів потребує методу одержання оцінок відмовостійкості різних, генеруємих САПР варіантів конструкції ЗБВ з метою їхнього порівняння для підтримки прийняття відповідного рішення.

Розробка системи оцінки відмовостійкості на етапі підтримки прийняття рішення в САПР. Описані підсистеми дозволили запропонувати наступну структуру загальної системи оцінки відмовостійкості ЗБВ на етапі підтримки прийняття рішення в САПР (рис. 8).

Варіанти конструкції генеруються САПР ЗБВ. Кожний альтернативний варіант конструкції такого об'єкта інтерпретується окремо у вигляді його структури (набору елементів і зв'язків між ними), а також параметрів елементів, після чого виконується побудова та навчання першої ТП НМ, яка створює образ відмовостійкості об'єкта проектування. У центрі системи оцінки відмовостійкості - комп'ютерні експерименти, виконані в “стандартних” умовах “навантаження” оцінюваного об'єкта. Окремий блок виконує прогноз ушкоджень і розраховує вид та коефіцієнти апроксимуючої функції. Її параметри піддаються нейромережевій класифікації на спеціально навченій другій НМ із видачею кінцевого результату - класу відмовостійкості.

Побудова моделі об'єкта проектування. Модель об'єкта проектування - залізобетонної балки - будували у вигляді тривимірного набору скінченних елементів. Альтернативні варіанти конструкції залізобетонної балки генерувалися автоматично та відрізнялися кількістю, розміром, матеріалом, і місцем розташування арматури, а також величиною її попереднього напруження.

Результати виробничого випробування. На Одеському заводі будівельних матеріалів були проведені випробування розробленої в ОНПУ системи підтримки прийняття рішень на етапі структурного проектування сталевих арматур для ЗБВ. В результаті випробувань встановлено, що застосування зазначеної системи дозволило знизити строки проектних робіт в 1,7 рази і металоємність продукції в 1,2 рази без погіршення її якості.

ВИСНОВКИ

Аналізом літературних джерел встановлено, що автоматизоване проектування СТС РС потребує підтримки прийняття рішень на етапі вибору структури проектованого об'єкта. Виявлено перспективність застосування для цих потреб методу ТП НМ, працездатність яких є віддзеркалюванням стану ТП СТС, а швидкодія на порядки перевищує швидкодію таких предметних САПР, як, наприклад, ANSYS.

В основі підходів до розробки методів оцінки відмовостійкості складних об'єктів лежить висунуте положення про те, що поняття “відмовостійкість” при стандартних випробуваннях суть властивість складної системи, а не умов її експлуатації. Таке положення дуже важливо в САПР, оскільки дозволяє порівнювати варіанти об'єктів проектування на моніторі ЕОМ до їхнього виготовлення, натурних випробувань та експлуатації.

Для забезпечення можливості застосування методу ТП НМ в САПР необхідно розв'язати проблеми створення адекватних НМ-моделей виключно на етапі проектування (тобто, без використання даних полігонних та натурних випробувань), вдосконалити прийоми приведення структури моделі СТС до нейроподібності (до структури, яка була б подібною до однієї з відомих структур НМ), дослідити вплив на працездатність НМ та СТС РС різних аспектів їх відновлення після пошкоджень та запропонувати єдиний чисельний критерій відмовостійкості, який був би функцією їхньої структури.

Запропоновані прийоми побудови подібних НМ-моделей, які дозволяють спростити завдання підбору НМ: еквівалентне перетворення моделі механічної конструкції до нейроподібного вигляду і використання для топологічно подібного моделювання окремих фрагментів НМ, при цьому в НМ “працюють” усі нейрони та зв'язки між ними, а подібність встановлюється між всією технічною системою та фрагментом НМ.

За допомогою методу статистичного оцінювання ймовірності відмови для тришарової НМ прямого поширення отримані S-образні множини експериментальних точок залежності ймовірності відмови від кількості пошкоджень та показано, що такі множини, хоча й відбивають відмовостійкість конкретної за структурою НМ, але не можуть бути безпосередньо застосовані для автоматизованого порівняння окремих варіантів структур, що проектуються.

Для виведення єдиного чисельного критерію відмовостійкості структури СТС РС виконано апроксимацію S-образної множини експериментальних точок сигмовидною функцією та багаточленом шостого порядку. Для класифікації відмовостійкості системи запропоновано використовувати додаткову НМ, на вході якої - параметри функцій апроксимації, а на виході - єдиний критерій: клас відмовостійкості.

Експериментами на пошкоджуваній НМ показано, що її відмови при збільшенні пошкоджень починаються не від того, що НМ втратила деякі нейрони та зв'язки між ними, оскільки ТП НМ завжди надлишкові за структурою, а від того, що, накопичуючи пошкодження, НМ стає все дальшою від тієї, початкової, яка була навчена. Саме тому повторне навчання в процесі ушкодження сприяє збереженню працездатності НМ при таких рівнях ушкоджень, при яких мережа, що повторно не навчалася, вже непрацездатна.

На цій підставі встановлено, що відновлення пошкодженої НМ може відбуватися двома шляхами: тільки повторним навчанням або поверненням вилучених нейронів та зв'язків із наступним навчанням. Еквівалентом таких дій в моделюємій СТС РС є відновлення “посиленням” елементів, що залишилися, або ремонтом пошкоджених елементів. Висунуто та експериментально підтверджене припущення про те, що кількість навчань може служити інструментом управління відмовостійкістю системи. Встановлено, що клас відмовостійкості при збільшенні кількості повторних навчань проходить крізь максимальне значення.

Запропоновано структуру загальної автоматизованої системи оцінки відмовостійкості на етапі підтримки прийняття рішення в САПР. Практичну реалізацію системи розглянуто на прикладі автоматизації проектування залізобетонних паль, від вибору структури армування яких суттєво залежить їх відмовостійкість. У центрі системи оцінки відмовостійкості - ТП НМ-моделі окремих варіантів структури паль. Комп'ютерні експерименти виконані в “стандартних” умовах “навантаження” оцінюваного об'єкта, знайдених за допомогою САПР ANSYS, а статистичну ймовірність відмови визначали за допомогою оригінального ППП NeuroNet.

На Одеському заводі будівельних матеріалів були проведені випробування розробленої в ОНПУ системи підтримки прийняття рішень на етапі структурного проектування сталевих арматур для залізобетонних виробів. В результаті випробувань встановлено, що застосування зазначеної системи дозволило знизити строки проектних робіт в 1,7 рази і металоємність продукції в 1,2 рази без погіршення її якості. Запропоновані методи підтримки прийняття рішень у САПР, а також алгоритми і програми, розроблені для їхньої реалізації, впроваджені в навчальний процес в ОНПУ і використовуються в дисципліні “САПР машин і транспортних засобів”, а також при курсовому та дипломному проектуванні.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Становский А.Л. Исследование корреляционной связи между отказами топологично подобных технических и интеллектуальных систем / Становский А.Л., Красножон С.Н., Плачинда О.Е. // Труды Одесского политехнического университета. - 2005. - Спецвыпуск. - С. 88 - 91.

2. Красножон С.М. Прогнозування надійності механічних конструкцій з регулярною структурою / Красножон С.М., Плачінда О.Є., Становський О.Л. // Аграрний вісник Причорномор?я. Технічні науки. - 2005. - Вип. 28. - С. 140 - 146.

3. Становский А.Л. Моделирование надежности компьютерных сетей / Становский А.Л., Плачинда О.Е., Стадник И.Л. // Збірник наукових праць Одеського інституту сухопутних військ. - 2006. - № 12. - С. 115 - 117.

4. Моделирование отказоустойчивости в САПР сложных технических систем / Становский А.Л., Тонконогий В.М., Савельева О.С., Плачинда О.Е. // Резание и инструмент в технологических системах. - 2007. - Вып. 73. - С. 290 - 295.

5. Плачинда О.Е. Методы оценки отказоустойчивости сложных технических систем / Плачинда О.Е., Становский А.Л, Савельева О.С. // Збірник наукових праць Одеського інституту сухопутних військ. - 2007. - № 14. - С. 106 - 109.

6. Моделирование отказоустойчивости в САПР сложных технических систем / Становский А.Л., Тонконогий В.М., Савельева О.С., Плачинда О.Е. // Современные технологии в машиностроении: К юбилею Ф.Я. Якубова. Сб. науч. статей. - Харьков: НТУ “ХПИ”, 2007. - С. 445 - 450.

7. Интеллектуальные методы исследования отказоустойчивости сложных технических систем в машиностроении / Становский А.Л., Тонконогий В.М., Савельева О.С., Плачинда О.Е. // Современные технологии в машиностроении. Сб. науч. статей. - Харьков: НТУ “ХПИ”, 2007. - С. 488 - 492.

8. Становский А.Л. Моделирование отказоустойчивости сложных технических систем / Становский А.Л., Плачинда О.Е. // Материалы Международной научно-технической конференции “Автоматизация: проблемы, идеи, решения”. - Севастополь: СНТУ, 2007. - С. 126 - 127.

9. Становский А.Л. Интеллектуальная система поддержки принятия решений при проектировании и управлении сложными техническими системами / Становский А.Л., Плачинда О.Е. // Материалы Научно-практической конференции “ИНФОТЕХ-2007”. - Севастополь: СНТУ, 2007. - С. 156 - 158.

10. Тонконогий В.М. Интеллектуальная поддержка принятия решений при инструментальном обеспечении производства / Тонконогий В.М., Становский А.Л., Плачинда О.Е. Материалы IV Промышленной конференции “Эффективность реализации научного, ресурсного и промышленного потенциала в современных условиях”. Славское: УИЦ “Наука. Техника. Технология”, 2004. С. 207.

11. Красножон С.Н. Исследование стойкости регулярных конструкций / Красножон С.Н., Плачинда О.Е. // Материалы ХІІ семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2005. С. 18 19.

12. Моделирование нагружения механических конструкций с регулярной структурой / О.Е. Плачинда, О.А. Шиляева, А.В. Андросюк, Н.В. Андросюк // Материалы ХІІ семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2005. С. 53 55.

13. Становский А.Л. Интеллектуальное управление механическими конструкциями с регулярной структурой / Становский А.Л., Плачинда О.Е. // Материалы 12-й международной конференции по автоматическому управлению “Автоматика 2005”. Харьков: ХПИ, 2005. С. 29.

14. Тонконогий В.М. Прогнозування надійності механічних конструкцій для систем автоматизованого проектування / Тонконогий В.М., Становський О.Л., Плачинда О.Є. // Матеріали ХІІІ Міжднародної науково-практичної конференції “Інформаційні технології наука, техніка, технологія, освіта, здоровя”. Харків: УИЦ “Наука. Техника. Технология”, 2005. С. 169 174.

15. Налева Г.В. Топологическая аналогия между механическими конструкциями и нейронными сетями Хопфилда / Налева Г.В., Плачинда О.Е. // Материалы XIII семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2006. С. 19 - 20.

16. Проблемы идентификации отказов с помощью нейронных сетей / Налева Г.В., Плачинда О.Е., Сухий А.З., Голод И.В. // Материалы XIII семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2006. С. 82.

17. Тонконогий В.М. Автоматизированная система диагностики и компенсации отказов в управлении жизненным циклом сложных объектов / Тонконогий В.М., Налева Г.В., Плачинда О.Е. // Материалы 13-й международной конференции по автоматическому управлению “Автоматика 2006”. Винница: ВНТУ, 2006. С. 415.

18. Тонконогий В.М. Автоматизированная система технической диагностики и устранения латентных нарушений / Тонконогий В.М., Налева Г.В., Плачинда О.Е. // Материалы международной научно-технической конференции “Автоматизация: проблемы, идеи, решения”. Севастополь, 2006. С. 13 - 14.

19. Автоматизированная система поддержки принятия решения в САПР / Плачинда О.Е., Савельева О.С., Становский А.Л., Тонконогий В.М. // Материалы XIV семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2007. С. 3 - 4.

20. Становский А.Л. “Повреждаемые” нейронные сети для исследования отказоустойчивости информационных систем / Становский А.Л., Плачинда О.Е., Малый А.В. // Материалы XIV семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2007. С. 73 - 74.

21. Хомяк Ю.М. Механический аналог переобучения нейронных сетей / Хомяк Ю.М., Савельева О.С., Плачинда О.Е. // Материалы XIV семинара “Моделирование в прикладных научных исследованиях”. Одесса: ОНПУ, 2007. С. 77.

22. Плачинда О.Е. Механический аналог переобучения топологически подобно поврежденных нейронных сетей / Плачинда О.Е., Становский А.Л., Савельева О.С. // Материалы научно-производственной конференции “Современные информационные и электронные технологии”.- Одесса: ОНПУ, 2007. -С.90.

23. Становский А.Л. Оценка стойкости нейронных сетей к повреждениям / Становский А.Л., Савельева О.С., Плачинда О.Е. // Материалы научно-производственной конференции “Современные информационные и электронные технологии”. - Одесса: ОНПУ, 2007. - С. 93.

Размещено на Allbest.ru

...