Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации

Размещено на http://www.allbest.ru/

Специальность: 05.13.01 - Системный анализ, управление и обработка информации (в промышленности)

Автореферат

диссертации на соискание ученой степени доктора технических наук

Структурно-функциональная организация нейронных сетей в промышленных системах обработки информации

Зозуля Юрий Иванович

Уфа 2009

Работа выполнена на кафедре информатики ГОУ ВПО "Уфимский государственный авиационный технический университет" и в Межрегиональном открытом акционерном обществе "Нефтеавтоматика"

Научный консультант доктор технических наук, проф. Кабальнов Юрий Степанович

Официальные оппоненты

Заслуженный деятель науки РФ, доктор технических наук, проф. Галушкин Александр Иванович

Доктор технических наук, проф. Буренин Владимир Алексеевич

Доктор технических наук, проф. Юсупова Нафиса Исламовна

Ведущая организация Институт проблем управления им. В.А. Трапезникова РАН, г. Москва

Защита состоится на заседании диссертационного совета Д-212.288.03 при Уфимском государственном авиационном техническом университете по адресу: 450000, г. Уфа, ул. К. Маркса, 12

С диссертацией можно ознакомиться в библиотеке университета.

Ученый секретарь диссертационного совета доктортехническихнаук, проф. В.В. Миронов

Общая характеристика работы

Актуальность темы. Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков, анализаторов данных и систем обработки информации (СОИ) в нефтегазовой и других стратегически важных отраслях промышленности. Они позволяют создавать нейросетевые модели объектов автоматизации и прикладные нейросистемы, благодаря которым существенно облегчается контроль технического состояния этих объектов, их структурная и параметрическая идентификация, осуществляемая с использованием алгоритмов обучения нейронных сетей.

Эффективность промышленных СОИ, создаваемых на базе нейронных сетей (нейросетевых СОИ и их нейронных структур), определяется:

- степенью адекватности нейросетевых моделей объектам автоматизации, которая во многом зависит от правильного выбора структурно-функциональной организации (спецификации) используемых нейронных сетей; интеллект искусственный нейросетевой

- качеством предварительной обработки информации, реализуемой нейронными сетями интеллектуальных датчиков и анализаторов данных;

- наличием у анализаторов нейросетевых СОИ функций, необходимых для интеллектуального анализа данных реального времени (data mining);

- возможностью эволюции (реинжиниринга) нейронных сетей при изменении структуры объектов автоматизации и появлении новых функций;

- наличием инструментария для интеграции отдельных нейронных сетей СОИ в сообщество, имеющее единую целевую функцию, на основе которой координируются процессы обучения нейронных сетей для достижения требуемого качества контроля и диагностики состояния объектов.

Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы, выполненные в середине истекшего столетия Н. Винером, Э. Каянелло, С. Виноградом и Дж. Коуэном, У. Мак-Каллоком и У. Питтсом, М. Минским и С. Пайпертом, Ф. Розенблаттом, У. Эшби и др. В их работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между его вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными или интегральными уравнениями. Однако узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволяло широко использовать эти алгоритмы для идентификации параметров нейросетевых моделей объектов автоматизации.

Алгоритмы обучения простых нейронных сетей разной структуры были исследованы в 80 - 90-х годах, что открыло новые возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе. Для описания алгоритмов обучения нейронных сетей и идентификации параметров моделей объектов автоматизации введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодных для создания нейросетевых СОИ, легла теорема А.Н. Колмогорова о представлении функций многих переменных с помощью функций, близких к линейным (композиций функций одного переменного и сложения). Большой вклад в разработку теории внесли отечественные ученые А.И. Галушкин, А.Н. Горбань, В.Л. Дунин-Барковский, А.Г. Ивахненко, А.Б. Коган, Н.В. Позин, Я.З. Цыпкин и др.

Однако, несмотря на успехи в развитии теории нейронных сетей, принципиально не решенными являются вопросы выбора структуры нейронных сетей и вопросы автоматизации трудоемких процессов их обучения в составе СОИ. Открытым остается также вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения.

В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций и превращения их в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и анализаторов данных (Н.Н. Бахтадзе, В.И. Васильев, В.И. Городецкий, В.А. Лотоцкий, Б.Г. Ильясов, Я.С. Коровин и др.). Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания системе еще на этапе ее проектирования (или реинжиниринга) развитых возможностей по обеспечению программной реализации и эволюции ее интеллектуальных функций, обеспечивающих обработку данных реального времени. Для реализации этих функций используются инструментальные средства, имеющиеся в составе легко масштабируемых программно-информационных платформ (NeurOn-Line в G2, Sigmafine в PI System и пр.)

Общий недостаток этих направлений состоит в том, что акцент в них делается на традиционные информационные технологии, в которых средства искусственного интеллекта используются в усеченном виде и от случая к случаю. Как следствие, промышленные СОИ обладают "лоскутным" интеллектом, что тормозит создание в стратегически важных отраслях, таких как нефтегазовая, промышленных систем, обеспечивающих:

1) интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей;

2) идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов;

3) оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами идентификации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени.

В сложившихся направлениях:

отсутствует концепция структурно-функциональной организации нейросетевых и комбинированных технологий искусственного интеллекта в СОИ (концепция интеллектуального нейрокомпьютинга);

не определены пути поэтапного развертывания промышленных СОИ, обеспечивающих повышение степени адекватности нейросетевых моделей объектам автоматизации, находящимся в их среде;

не решена в целом научная проблема системной интеграции интеллектуальных функций развитых промышленных СОИ, в основе конструкции которых лежат нейронные сети.

Цель и задачи исследования

Целью работы является решение научной проблемы системной интеграции нейронных сетей промышленных СОИ, используемых для анализа состояния объектов инженерных сетей нефтегазодобычи и принятия решений по их управлению.

Для достижения этой цели в работе поставлены и решаются следующие основные задачи:

Анализ интеллектуальных функций промышленных СОИ и обоснование необходимости использования нейронных сетей для контроля, диагностики и управления состоянием инженерных сетей нефтегазодобычи.

Разработка концепции структурно-функциональной организации нейронных структур, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов.

Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ.

Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени.

Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративной информационной системы ОАО "Татнефть".

Методы исследования

Поставленные в диссертационной работе задачи решаются с использованием методологии системного анализа, методов математического моделирования, общей теории систем, теории оптимизации, теории кодирования сигналов, теории графов, теоретической механики и математической физики.

На защиту выносятся:

1. Концепция структурно-функциональной организации нейронных структур промышленных СОИ, основанная на коннекционистском подходе к организации процессов обработки информации.

2. Разработанная в рамках коннекционисткого подхода обобщенная модель сообщества нейронных сетей анализаторов первичной информации СОИ и предложенные алгоритмы их системной интеграции.

3. Модели адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ.

4. Балансный метод определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации промышленной СОИ.

5. Результаты проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО "Татнефть".

Научная новизна:

1. Новизна предложенной концепции структурно-функциональной организации нейронных структур промышленной СОИ состоит в том, что она, за счет многоуровневой организации нейронных сетей, обеспечивает системную интеграцию анализаторов первичной информации в составе иерархически организованных интеллектуальных подсистем СОИ, решающих прикладные задачи в условиях неполноты и противоречивости поступающих данных.

2. Новизна разработанной обобщенной модели сообщества нейронных сетей анализаторов первичной информации и предложенных алгоритмов их системной интеграции состоит в том, что модели анализаторов описываются в гиперкомплексном пространстве на основе использования присоединенной алгебры, в виде представления, адекватного коннекционистской модели обработки информации.

3. Новизна моделей адаптивных нейронных структур, реализующих обработку информации в реальном времени при изменении внешних условий работы СОИ, состоит в использовании параметрического представления их дифференциальных и интегральных свойств в пространстве и времени.

4. Новизна балансного метода определения структурно-функциональной организации (спецификации) нейронных сетей анализаторов первичной информации в промышленных СОИ применительно к инженерным сетям нефтегазодобычи состоит в том, что поэлементные нейросетевые модели объектов инженерных сетей объединяются в нейросетевые балансные модели участков инженерных сетей, которые используются для оценивания дисбалансов потоков и определения показателей степени доверия/недоверия к моделям объектов инженерных сетей и моделям средств измерения их параметров.

5. Новизна выполненной проверки эффективности промышленных СОИ, построенных на основе предложенных нейросетевых моделей и методов, применительно к анализу баланса потоков и коррекции характеристик средств измерения в составе корпоративной информационной системы ОАО "Татнефть", состоит в разработке нового метода анализа состояния инженерных сетей нефтегазодобычи с итеративной нейросетевой коррекцией и последующей проверкой адекватности характеристик средств автоматизации, обеспечивающих контроль параметров состояния инженерных сетей.

Практическое значение данной работы заключается в разработке технологии создания в составе промышленной СОИ интегрированных нейронных структур, обеспечивающих обработку в нейросетевом базисе данных реального времени и решение задач контроля и диагностики состояния инженерных сетей нефтегазодобычи; в разработке нейросетевых моделей объектов этих инженерных сетей, выборе структуры и функций анализаторов данных и обеспечении системной интеграции нейронных структур СОИ, согласованных со своей средой.

Теоретические результаты работы, полученные в 1967-76 гг., применялись при подготовке ряда эскизных и технических проектов создания систем обработки пространственно-временных сигналов.

Разработанная методология структурно-функциональной организации нейронных сетей использовалась при разработке логико-семантических моделей ведения диалога в автоматизированных обучающих системах (1977-1980 гг.) и нейросетевых моделей многостепенных манипуляторов с отработкой их на макете в лабораторных условиях (1995-2002 гг.).

С 1980 г. по 2008 г. развитый в рамках данной работы коннекционистский подход к определению и совершенствованию структурно-функциональной организации сообщества нейронных сетей применялся при разработке и использовании нейронных структур для обработки данных реального времени в составе АСУ ТП нефтегазодобычи.

Внедрение результатов работы. Балансный метод определения спецификаций интеллектуальных нейросистем и математическое обеспечение нейросетевых анализаторов данных реального времени нашли применение при разработке нейросетевых моделей и методики анализа баланса потоков в инженерных сетях нефтегазодобычи и используются на ряде предприятий нефтяной промышленности. Выявленные принципы структурно-функцио-нальной организации нейронных сетей использованы также при разработке нейросетевых моделей других сложных технических систем и логико-семантических моделей ведения диалога и внедрены в учебный процесс.

Апробация работы

Основные научные и практические результаты диссертационной работы докладывались и обсуждались на республиканских, всесоюзных, всероссийских и международных конференциях и школах, в том числе на III, IV и V Всесоюзных конференциях по бионике (Москва, 1968, 1970, 1973); I Республиканской летней школе по нейробионике (Киев, 1971); V Украинской республиканской конференции по бионике (Киев, 1972); I Всесоюзной конференции "Человеко-машинные обучающие системы" (Телави-Москва, 1979); Всесоюзной конференции "Комплексная автоматизация и создание АСУ ТП в бурении, добыче, транспорте нефти и газа" (Москва, 1985); Республиканской научно-технической конференции "Проблемы нефти и газа" (Уфа, 1988); Международной научно-технической конференции "Проблемы нефтегазового комплекса России" (Уфа, 1998); Всероссийской научно-технической конференции "Нейроинформатика-99" (Москва, 1999); Международной научно-технической конференции "Проблемы трансферной технологии" (Уфа, 1999); V и VI Всероссийских конференциях "Нейрокомпьютеры и их применение" (Москва, 1999, 2000); Международной конференции по нейросетевым информационным технологиям "ICONIP-2001" (Шанхай, 2001); Международной конференции "Актуальные проблемы прикладной математики и механики" (Харьков, 2006); 9-й Международной конференции "Распознавание образов и анализ изображений: новые информационные технологии" (Нижний Новгород, 2008); IV Международной конференции "Параллельные вычисления и задачи управления" (Москва, 2008); научно-практических конференциях "Автоматизация и метрология в нефтегазовом комплексе" (Уфа, 2003-2008).

Публикации

По теме диссертации в период с 1967 по 2008 годы автором опубликовано более 150 научных работ, в том числе 3 монографии (две из них в соавторстве), 37 статей в рецензируемых журналах из списка ВАК, получено 10 авторских свидетельств на изобретения и 2 патента.

Структура и объем работы

Диссертация состоит из введения, пяти глав основного материала, библиографического списка, содержит 326 страниц основного текста и 3 приложения. Библиографический список содержит 297 наименований литературы.

Содержание работы

Во введении обосновывается актуальность использования нейросетевых технологий искусственного интеллекта для создания промышленных СОИ. Применительно к нефтегазовой отрасли показывается, что широкое применение современных компьютерных средств автоматизации сопровождается парадоксальным увеличением противоречивости собираемых данных реального времени. Как следствие, происходит увеличение неопределенности информации о состоянии автоматизируемых объектов и расширяется коридор неконтролируемых действий человеческого фактора, что ведет к росту количества ошибок пользователей из-за некорректной интерпретации данных реального времени. Проводится анализ практики создания промышленных СОИ на основе нейросетевых и комбинированных технологий искусственного интеллекта. Формулируется цель работы и решаемые в ней задачи, обсуждается научная новизна и практическая ценность выносимых на защиту результатов.

В первой главе "Развитие и системная интеграция интеллектуальных функций промышленных систем обработки информации" дана краткая характеристика проблемы исследования применительно к интеллектуализации контроля и диагностики состояния инженерных сетей нефтегазодобычи, описан состав объектов и динамика дисбалансов в узлах этих сетей. Дана классификация причин нарушения баланса многофазных и многокомпонентных потоков в узлах инженерной сети нефтегазодобычи. Проведен обзор и выделены ограничения существующих моделей и методов контроля и диагностики состояния инженерных сетей и средств измерения параметров их потоков, реализованных в программных комплексах Sigmafine, Production Balance, LeakSPY и пр., используемых для контроля состояния инженерных сетей. На основе анализа существующих методов и изучения известных программных комплексов контроля состояния инженерных сетей выделены актуальные вопросы и выполнена постановка задач настоящего исследования.

Во второй главе "Концепция интеллектуального нейрокомпьютинга" изложена концепция, раскрывающая идею создания нейросетевой СОИ как системы, универсальной по своим эволюционным и интеграционным возможностям.

Показано, что для решения проблемы поэтапного развития интеллектуальных функций нейросетевой СОИ требуется разработать метод определения ее внутренней организации и организации ее среды в реальном пространстве-времени. Показывается, что внутренняя организация нейросетевой СОИ находит отражение в структуре связей между нейронами ее нейронных сетей и в способе их изменения в процессе взаимодействия с ее средой и включает:

1) перечень нейронов отдельных нейронных сетей, виды их функций активации и значения их порогов (смещений);

2) структуру орграфа связей между нейронами, входящими в состав отдельной нейронной сети или в состав разных сетей;

3) начальные значения и параметры правил изменения весов этих связей в процессе обучения нейронных сетей.

Задание определенной начальной организации ограничивает класс нейронных структур, которые могут быть реализованы в процессе совместного обучения множества нейронных сетей. В главе обосновывается необходимость изучения структурно-функциональной организации известных естественных и искусственных нейронных структур, реализующих интеллектуальные функции. Для описания (спецификации) нейронных структур используется аппарат функциональных сетей, с помощью которого формализуются процессы моделирования процессов обработки данных реального времени, реализуемые сообществом нейронных сетей. Показывается, что использование этого аппарата позволяет унифицировать и автоматизировать процессы генерирования нейронных структур СОИ и совместного обучения их нейронных сетей.

По направленности процессов дополнения и замещения природных информационных органов человека при обработке неполной и противоречивой информации, интеллектуальные нейросистемы в работе разделяются на классы по аналогии со своими естественными прототипами. Выделяются системы, ориентированные на восприятие внешней среды человека ("объектные"), и системы, ориентированные на восприятие внутреннего мира человека ("субъектные"), а также преимущественно информационные ("пассивные") и преимущественно управляющие ("активные").

Обосновывается идея создания нейросетевой СОИ как обобщенной системы (general system по Ч. Черчмену), "замкнутой и остающейся замкнутой во всех возможных средах" - дополняющей себя до замкнутой системы в закономерно изменяющейся среде моделями объектов этой среды.

В рамках концепции интеллектуального нейрокомпьютинга вводится представление о метаинтеграции - углубленной многоуровневой системной интеграции нейронных сетей в сообщество, имеющее единую целевую функцию. Результатом метаинтеграции нейронных сетей является реализация нейросетевой СОИ в виде иерархии нейросистем, накапливающих опыт построения адекватных нейросетевых моделей (образов) объектов и процессов в условиях неполноты и противоречивости исходной информации.

Для обеспечения подобия процессов обработки информации в естественных и искусственных нейронных сетях предлагаются ориентироваться на следующие принципы их организации:

1) принцип сочетания в нейроне линейных и нелинейных функций;

2) принцип сочетания в нейронной сети структурной и динамической памяти;

3) принцип обратимой перестройки структуры нейронных сетей под воздействием воспринимаемых сигналов (принцип адаптации);

4) принцип функционального кодирования сигналов в нейронных сетях;

5) принцип распределенности и ассоциативности памяти нейронных сетей;

6) принцип анализа и синтеза сигналов путем их сравнения;

7) принцип взаимосодействия нейросетевых анализаторов на разных уровнях организации сообщества нейронных сетей для достижения целей, сформированных при взаимодействии со средой (принцип интеграции).

На основе этих принципов в рамках предложенной концепции интеллектуального нейрокомпьютинга разработана классификация нейронных структур и даны рекомендации по выбору их структурно-функциональной организации по заданным множествам входных X и выходных Y сигналов и требуемому отображению F : X>Y, учитывающие:

- мощность множеств X и Y;

- тип отображения F : X>Y;

- наличие корреляции между отдельными сигналами множества X;

- существование лингвистических структур в множествах X и Y;

- неполноту и противоречивость исходных данных о множествах X и Y и об отображении F.

Предложен балансный метод определения структурно-функциональной организации нейронных сетей СОИ, основанный на объединении поэлементных нейросетевых моделей сложной технической системы в одно целое.

В третьей главе "Теоретические основы структурно-функциональной организации нейронных сетей в интеллектуальных системах обработки информации" рассматривается проблема системной интеграции нейронных структур СОИ на основе согласованного обучения их нейронных сетей в составе эволюционирующих интеллектуальных нейросистем.

В рамках разработанной концепции выделяются типовые задачи, решаемые с помощью нейросетевых моделей, и формулируются требования к нейросетевым технологиям, используемым при разработке СОИ.

На основе выделенных принципов функционирования сообществ нейронных сетей развивается коннекционистский подход к построению СОИ, состоящий в постоянном наращивании и согласованном обучении нейронных сетей отдельных анализаторов данных реального времени. Результатом согласованного обучения множества нейронных сетей в единой среде является формирование интеллектуальных нейросистем, которые нечувствительны к искажениям полезных сигналов и трансформациям отношений между ними. Отличительными особенностями их функционирования являются:

- целенаправленное формирование анализаторов данных при согласованном обучении отдельных нейронных сетей сообщества;

- объединение нейронных структур в некоторую иерархию в соответствии с иерархией целевых функций сообщества путем метаинтеграции анализаторов данных разной модальности;

- изменение организации нейронных структур СОИ с вышележащего уровня путем управления согласованным обучением нейронных сетей, отражающих иерархию автоматизируемых процессов;

- нейросетевое моделирование в реальном времени технических систем (инженерных сетей, трубопроводов, многостепенных манипуляторов и др. сложных систем).

Начальная организация нейронных сетей СОИ описывается функциональным уравнением

(1)

где - вектор активности (состояние) нейронов; - количество нейронов; - матричное представление структуры и функций нейронных сетей.

В этой форме представляется сеть Колмогорова, реализующая непрерывную функцию ; при

(2)

(3)

(4)

где

- матрица внешних функций сети Колмогорова;

- матрица внутренних функций.

Обобщенная коннекционистская модель обработки информации в эволюционирующих сетях x-го анализатора нейросетевой СОИ, после M этапов обучения ее нейронных сетей, с учетом ограничения (1), представляется с помощью целевой функции

. (5)

В работе показывается, что динамика нейронных сетей x-го анализатора может быть описана системой квадратичных дифференциальных уравнений, представляющих эквивалентную коннекционистскую сеть (КС):

, (6)

где - оператор дифференциального или конечно-разностного типа, - монотонная функция активации нейронов; - полученный после M этапов процесса обучения коэффициент связи между активностью j-й и k-й виртуальных единиц КС, учитывающий контекстную активность l-й виртуальной единицы x-й КС; - количество виртуальных единиц x-й КС.

Целевая функция виртуальной КС представляется в виде

. (7)

Частным случаем целевой функции (7) является энергетическая функция набора нестационарных сетей Хопфилда, у которых переменными являются параметры активности нейронов и параметры связей между ними.

К системе квадратичных дифференциальных уравнений (6) присоединяется (по Р. Ньюкому) неассоциативная Nx-мерная алгебра гиперкомплексных чисел Vx с базисом и таблицей умножения

, (8)

где Ї знак операции неассоциативного умножения в алгебре Vx.

Обучение нейронных сетей анализатора сводится к формированию схемы его деятельности, описываемой присоединенной алгеброй Vx и к связыванию с равновесными состояниями сетей требуемых выходов анализатора. В рамках обобщенной коннекционистской модели обработки информации анализатором процесс обучения его нейронных сетей на любом M-м его этапе определяется как движение по градиенту целевой функции (7)

, (9)

где Ї оператор дифференциального или конечно-разностного типа.

После М шагов обучения длительностью , с использованием обучающих сигналов , коэффициенты связи имеют вид

, (10)

где , - набор начальных значений коэффициентов связи (соответствует (1));

, -

набор частных коэффициентов связи между нейронами анализатора (характеризует след, оставленный обучающими сигналами в ассоциативной памяти анализатора на i-м этапе обучения);

, -

начальные значения коэффициентов (образ активности нейронов анализатора на i-м этапе обучения).

Изменение целевой функции (7) эволюционирующей сети в общем случае состоит в дополнении ее композицией квадратичных форм , описывающих динамику ансамблей, сформированных на M этапах обучения:

, (11)

, (12)

(13)

где Ї исходная целевая функция анализатора до начала процесса обучения; Ї признак актуальности i-го ансамбля, сформированного в составе его ассоциативной памяти на i-м этапе обучения.

Структура анализатора, реализующего обобщенную коннекционистскую модель обработки информации, показана на рис. 1. В его составе имеется блок предварительного анализа сигналов (Пр. Аx), обеспечивающий фильтрацию входных сигналов и сопоставление их со следами сходных сигналов в ассоциативной памяти, и блок последующего анализа образов модальности x (Посл. Аx).

Результатом согласованного обучения нейронных сетей анализаторов СОИ в ее сигнальной и предметной среде является формирование способа их совместной деятельности. При этом схемы деятельности, реализуемые нейронными сетями отдельных анализаторов, объединяются в единую схему более высокого порядка, характерную для сообщества нейронных сетей, имеющего собственную целевую функцию. Эта схема объединяет в единое целое класс сходных действий, имеющих определенную последовательность в составе многих нейросетевых алгоритмов, реализуемых сообществом нейронных сетей. Для актуализации одного из этих алгоритмов необходимы определенная организация среды интеллектуальной системы и, возможно, дополнительное обучение ее отдельных нейронных сетей.

Сообщество нейронных сетей является гиперсетью, кластером КС, имеющим целевую функцию E, которая по окончании T циклов процесса системной интеграции представляется состоящей из (T+1)-й компоненты

 (14)

(15)

(16)

(17)

при , , (18)

, , (19)

где - целевая функция сообщества нейронных сетей до начала процесса системной интеграции; - признак полезности s-й компоненты, сформированной в s-м цикле процесса интеграции нейронных сетей сообщества; - квадратичная функция s-й компоненты; - представления целевых функций x-й, y-й и z-й КС соответственно; - частный коэффициент связи между представлениями целевых функций x-й и y-й КС, полученный в s-м цикле процесса интеграции при формировании s-й компоненты целевой функции сообщества; - коэффициент, характеризующий влияние выбора текущего представления целевой функции z-й КС на признак полезности s-й компоненты; - полученные после T циклов процесса интеграции, коэффициенты связи между представлениями целевых функций x-й и y-й КС, учитывающие выбор представления целевой функции z-й КС (- их значения до начала процесса системной интеграции); - нелинейный функционал, с помощью которого описывается процесс представления целевой функции x-й КС после T-го цикла интеграции нейронных сетей сообщества.

При углубленной системной интеграции (метаинтеграции) зависимость между целевой функцией x-й сети и ее представлением устанавливается в процессе согласования нейросетевой СОИ со своей средой и может быть произвольной (нечеткой, знаковой). Поэтому величины , рассматриваются как относительно независимые переменные, и их динамика описывается, после T циклов интеграции, в виде

, . (20)

Уравнение, характеризующее процесс интеграции при формировании T-й интеллектуальной нейросистемы сообщества, представляется в виде

, (21)

где и - операторы дифференциального или конечно-разностного типа.

Уравнениями (20) и (21) описываются функции интегрирующего анализатора, управляющего процессами системной интеграции нейронных сетей сообщества . С сетью этого анализатора связана присоединенная алгебра (таблица умножения которой определяется коэффициентами , ), а также соответствующая ей схема системной интеграции нейронных сетей сообщества. Коэффициенты выбираются так, чтобы алгебра не имела делителей нуля и в процессе эволюции последовательно расширялась с сохранением своей структуры при изменении количества интегрируемых анализаторов Аx, и увеличении числа образов, хранимых в распределенной ассоциативной памяти интегративного анализатора (в общем случае является матричной алгеброй Кэли-Диксона).

Взаимодействие сети интегрирующего анализатора с сетями специализированных анализаторов данных реального времени происходит путем восприятия текущих значений целевых функций отдельных сетей сообщества, в виде их представлений , и использования этих значений как начальных условий в (20), а также путем встречного формирования регулирующих воздействий. Динамика активности нейронных сетей сообщества и процесс их системной интеграции формируются с учетом этих регулирующих воздействий. Динамика описывается в пространствах параметров активности единиц сообщества , , и коэффициентов связи между ними , , , с учетом градиента целевой функции E (символ * указывает на отличие активности и структуры связей единиц сообщества от их значений вне сообщества):

, ; (22)

, ; (23)

, ; (24)

, , (25)

где , - операторы дифференциального или конечно-разностного типа; - коэффициенты регулирования (параметры управления скоростями дополнительного обучения и изменения текущего состояния элементов x-й сети в сторону одного из равновесных состояний сообщества).

Формируя непрерывные регулирующие воздействия , сеть интегрирующего анализатора обеспечивает координацию поисковых движений сетей в пространстве их состояний (от известных равновесных состояний к новым неизвестным состояниям и обратно). Дискретные регулирующие воздействия формируются блоком Лог. А при обработке образов-символов, описываемых с помощью матричной алгебры Кэли-Диксона.

Метаинтеграция нейронных сетей анализаторов при согласованном управлении процессами их обучения с помощью механизмов координации, логико-семантических моделей и процедур логического вывода, позволяет придать им свойство роста их интеллектуальных возможностей в рамках жизненного цикла нейросетевой СОИ.

В четвертой главе "Нейробионическое моделирование нейронных структур и процессов их согласования" рассматриваются математические модели естественных нейронных структур и процессов их согласования с окружающей средой.

На основе анализа литературных данных в работе выполнено обобщение экспериментальных материалов, накопленных современной нейрофизиологией и психологией, и показано, что основным методом изучения структурно-функциональной организации естественных нейронных структур, реализующих отображение множества входных сигналов нейросистемы на множество ее выходных сигналов, является метод математического моделирования.

Анализ функций естественных нейронных структур, исходя из свойств их отдельных элементов, осуществляется с использованием моделей нейронных сетей, отражающих основные свойства нейронов и связей между ними. Одновременно в процессе системных исследований нейронных структур учитываются также результаты их изучения на близких уровнях пространственно-временного разрешения: на уровне нервной ткани и на уровне сообщества нейронных сетей. Из свойств нервной ткани выводятся свойства нейронов и связей между ними, а путем использования различных данных о сообществе нейронных сетей, исследования сетей направляются на объяснение тех свойств, которыми обладает нервная система как единое целое.

Модель сообщества нейронных сетей характеризует структуру нервной системы как обобщенной системы (рис. 2), раскрывая связи между нейронными сетями анализаторов, обрабатывающих сигналы модальности x, y и т.д., и нейронными сетями координационных механизмов, управляющих отдельными органами.

Специализированный анализатор, включает в общем случае блок предварительного анализа сигналов определенной модальности (Inx, Iny и т.д.), обеспечивающий фильтрацию сигналов и формирование рефлекторных связей между ними, и блок последующего анализа образов, выполняющий операции над образами соответствующей модальности.

Отфильтрованная информация x-й модальности поступает из Пр. Аx в Посл. Аx, в обратном направлении подаются сигналы, перестраивающие структуру связей блока Пр. Аx и тем самым адаптирующие его к восприятию сигналов, поступление которых от объектов среды ожидается. Эти объекты с некоторым опережением представляются в виде их образов на основе информации, хранящейся в образной памяти блока анализатора Посл. Аx.



Для формирования сигналов, управляющих отдельными исполнительными органами, используются координационные механизмы, которые совместно с блоками предварительного анализа сигналов реализуют рефлекторную деятельность организма.

Связь между блоками Пр. Аx, осуществляется с помощью анализаторно-координационных механизмов (А.-К. М), а между Посл. Аx, - блоком последующего анализа многомодальных образов (Посл. Axy), которые вместе образуют интегративный анализатор сигналов (Инт. А). С помощью этого интегративного анализатора выполняются функции координации специализированных анализаторов. Он совместно с блоком логического анализа (Лог. А) формирует логико-семантические модели объектов среды с учетом связей соответствия между образами объектов среды, имеющими разную модальность. В блоке Лог. А реализуются процедуры логического вывода.

Анализаторы и эффекторы сообщества нейронных сетей постоянно объединяются в функциональные системы (по П.К. Анохину), которые согласуются со средой организма (внешней и внутренней).

Модель нервной ткани раскрывает физические основы преобразования сигналов в нервной ткани и описывает ее биоэлектрическую активность на основе классических уравнений Максвелла, дополненных уравнениями биохимических источников сторонних токов. С учетом однородности и изотропности диэлектрических и магнитных свойств нервной ткани в работе обобщена известная модель Ходжкина-Хаксли с получением основного уравнения модели нервной ткани (типа телеграфного уравнения)

(26)

где - нормальная к поверхности мембран нервных клеток составляющая вектора напряженности электрического поля; - нормальная к поверхности мембран составляющая вектора плотности сторонних токов; - -функция Дирака, заданная на многосвязной динамичной поверхности клеток нервной ткани , описываемой нормальным уравнением ; - удельная проводимость среды клеток; - относительная диэлектрическая и относительная магнитная проницаемости среды; - электрическая и магнитная постоянные; (R - множество действительных чисел).

Его возможное решение в рамках задачи Коши представляется в интегральной форме

(27)

где - напряженность электрического поля покоя мембраны; - функция влияния, фундаментальное решение, которое определяется геометрией и электрическими свойствами мембран клеток нервной ткани.

Сторонние токи , поддерживаемые активными биохимическими процессами в мембранах клеток, определяют характерные свойства нервной ткани. В этом смысле физические структуры нервной ткани являются механизмами взаимодействия источников сторонних токов независимо от природы самих этих источников.

Модель нейронной сети описывает совместное функционирование нервных клеток, связанных между собой синаптическими связями. С учетом соотношения (27) в работе предлагается пространственно-временная модель нейронной сети с переменной структурой, которая сохраняет следы сигналов с последующим их воспроизведением. Распределение возбуждений нейронов в пространстве и времени описывается функцией . Зависимость его от входного пространственно-временного сигнала нейронной сети представляется в виде уравнения Гаммерштейна общего вида

(28)

где - функция влияния, учитывающая нелинейные эффекты, связанные с обработкой и передачей сигналов между нервными клетками; - функция активации, характеризующая преобразование возбуждения нейрона в импульсные разряды его аксона

. (29)

Простое обобщение известных правил обучения нейронных сетей (правила Хэбба) позволяет описать изменение функции влияния в виде

 (30)

где - распределение скоростей обучения нейронов сети, которое зависит от ранее имевших место состояний нейронной сети

(31)

где - некоторый пространственно-временной оператор.

Показывается, что анализ пространственно-временных сигналов в отдельном специализированном анализаторе осуществляется с помощью групп нейронов, имеющих рецептивные поля различной сложности. Используется параметрическое представление их дифференциальных и интегральных свойств в пространстве и времени.

Рассматривается условие константности восприятия анализатором внешних стимулов путем обработки соответствующих им пространственно-временных сигналов, претерпевших проективные и другие преобразования, возникшие при движении сенсорных органов в пространстве в интервалах времени между циклами взаимодействия анализатора с внешней средой. Компенсация этих преобразований достигается за счет обратной трансформации обрабатываемых сигналов. В результате такой компенсации сенсорное поле (его модель) приобретает стабильность.

При запоминании и воспроизведении пространственно-временных сигналов нейронных структур и синтезе надежно функционирующих нейронных сетей в работе предлагается использовать принцип функционального кодирования (по С. Винограду и Дж. Коуэну). Способ его реализации в нейросетевом базисе сводится к тому, чтобы каждая нейронная сеть выполняла операцию, являющуюся композицией операции декодирования сигналов с функцией влияния , операции вычисления некоторой функции от декодированных сигналов, обладающей функцией влияния , и операции кодирования передаваемых сигналов с функцией влияния . При этом функция влияния нейронной сети представляется в виде

, (32)

и между нейронами передаются только избыточно закодированные сигналы, что позволяет достичь требуемой надежности вычислений в замкнутых цепях преобразования сигналов.

С помощью таких нейронных сетей надежно выполняются операции адаптивной фильтрации, образной памяти и трансформации полезных сигналов и образов.

Путем обобщения представленных пространственно-временных моделей нейронных структур, излагается единая методология решения задач фильтрации пространственно-временных сигналов, их трансформации, кодирования и декодирования и развивается идея согласования нейронных структур сообщества нейронных сетей, понимаемая как идея достижения наилучшего в некотором смысле взаимодействия структур нейросетевой СОИ со своей средой.

Для оценки степени согласования i-й нейронной структуры СОИ, преобразующей сигнал и имеющей в цикле взаимодействия со своей средой функцию влияния , используется модифицированное разложение этой функции влияния по производным функции медленного роста

 (33)

Где

(34)

Нейронная структура, согласованная со средой нейросетевой СОИ, осуществляет в цикле взаимодействия с этой средой смещение сигнала в пространстве на величину и задержку его во времени на величину . При неидеальном взаимодействии нейронной структуры со своей средой осуществляется дифференцирование и интегрирование сигнала в пространстве и во времени.

Не равные нулю коэффициенты , а также параметр характеризуют отличия отношения цикла i-й нейронной структуры СОИ от тождественного преобразования пространственно-временных сигналов. Коэффициенты используются для оценки достигнутой степени согласования нейронных структур интеллектуальной нейросистемы со своей средой.

Нейронные структуры СОИ представляются в пространстве коэффициентов как отдельные точки или их наборы (геометрические тела), а сама система - как набор прямых в смысле той проективной геометрии (и координатизирующей ее алгебры), которая соответствует структуре ее внешней среды.

В пятой главе "Интеграция нейронных сетей анализаторов данных реального времени в составе промышленных систем автоматизации" раскрываются конкретные технические решения по интеграции нейронных сетей анализаторов данных реального времени в составе систем автоматизации производства. Предложенный балансный метод определения спецификации и системной интеграции нейронных сетей СОИ апробируется применительно к предметной области нефтегазодобычи.

Для учета в СОИ связей между объектами технологического комплекса нефтегазодобычи, осуществляемых с помощью потоков энергии, нефти, газа и воды, используется балансная модель гидравлических и электрических инженерных сетей (ИС), которая представляется в виде уравнений

(35)

(36)

где - вектор притоков (потерь, утечек) в узлах ИС нефтегазодобычи; - матрица баланса сети (матрица инцидентности ее графа); - вектор распределения потоков ИС нефтегазодобычи, который характеризует расходные параметры газожидкостных потоков, соответствующих отдельным ребрам графа сети; - вектор результатов измерений переменных состояния ИС нефтегазодобычи (расходов потоков, давлений, уровней, состава продукции, состояний насосных агрегатов и пр.); - нелинейная функция, учитывающая связи между значениями расходных параметров потоков ИС и результатами измерения переменных состояния ИС; - вектор погрешностей измерения.

На рис. 3 показан потоковый граф отдельного участка ИС нефтегазодобычи. Каждому j-у ребру графа приписан параметр расхода потока и результат его измерения , а каждому i-у узлу - величина притока (потерь, утечек) и результат измерения давления (напора), если соответствующие измерения выполняются.

Анализируется вектор дисбалансов потоков в узлах ИС

(41)

который отличается от нулевого вектора из-за неконтролируемых изменений вектора притоков (потерь, утечек) - , а также из-за изменения параметров функции связи , неадекватности матрицы баланса структуре реальной ИС и наличия погрешностей измерения.

Нейросетевая модель участка ИС, описывающая связи между результатами измерения технологических параметров и показателями функционирования узловых объектов ИС (дисбалансами), имеет вид

 (37)

где - результат измерения s-й переменной состояния узловых объектов x-го участка ИС нефтегазодобычи с вектором распределения потоков ; - известная, в общем случае нелинейная, функция; - коэффициент, указывающий на наличие функциональной зависимости между показателями и ; - коэффициент, характеризующий вес связи между показателями и .

Устранение грубых ошибок в интерпретации рассчитанных показателей достигается в рамках адаптивной балансной модели, в которой обучение нейронной сети осуществляется с использованием критерия наименьших квадратов дисбалансов, учитывающего разные гипотезы h о вероятных причинах возникновения грубых ошибок,

(38)

где ; - нелинейная функция связи при h-й гипотезе возникновения грубых ошибок в узлах ИС; - вектор притоков (потерь, утечек) при h-й гипотезе возникновения грубых ошибок в узлах ИС; - вектор отклонений дисбалансов потоков в узлах ИС от допустимых значений, соответствующий h-й гипотезе возникновения грубых ошибок в узлах ИС, ; - сопряженный ему вектор; - матрица коэффициентов взвешивания отклонений ; Т - знак операции транспонирования.

В рамках каждой h-й гипотезы возникновения грубых ошибок в узлах ИС нефтегазодобычи, на основе результатов проверки правил диагностики, определяются матрицы показателей степени доверия/недоверия к моделям узлов и результатам измерений , которые используются для управления скоростями обучения элементов нейросетевой модели ИС.

Адаптивная балансная модель ИС реализована в программном комплексе диагностики (ОАО "Нефтеавтоматика"), который включает в себя базу данных реального времени; базу справочных данных; модули расчета дисбалансов, диагностики и адаптации. На рис. 4 показаны связи между этими модулями применительно к анализу баланса потоков участка ИС, потоковый граф которого приведен на рис. 3. Здесь верхние индексы параметров, определяемых модулем расчета дисбалансов, имеют следующие значения: 0 - нефтегазовая смесь в целом; 1 - нефть; 2 - сточная вода.

Интеграция нейронных сетей локальных анализаторов данных реального времени, характеризующих состояние раздельно обслуживаемых участков ИС, осуществляется путем управления модулями адаптации этих локальных анализаторов. При этом скорость обучения нейронных сетей локальных анализаторов регулируется с учетом показателей, учитывающих объем добычи нефти, условные ее потери из-за наличия недопустимых дисбалансов потоков в узлах инженерной сети, а также затраты на добычу.

Разработанный метод итеративного анализа данных реального времени о состоянии инженерных сетей и средств их автоматизации на основе нейросетевых технологий защищен патентами и используется в ОАО "Татнефть" и других нефтяных компаниях в виде специальных программных комплексов и методики анализа баланса потоков.

В работе также рассматриваются примеры разработки интеллектуальных нейросистем для обнаружения утечек в трубопроводе и контроля состояния объектов нефтегазодобычи.



На рис. 5 представлен пример структуры СОИ реального времени, реализующей обобщенную коннекционистскую модель обработки информации в составе АСУ ТП добычи нефти.

Основу интеллектуальной системы контроля и управления технологическими процессами добычи нефти на нефтепромысле составляют существующие системы автоматизации и телемеханизации, состоящие из программно-технических модулей (ПТМ). В рамках концепции интеллектуального нейрокомпьютинга выделены два специализированных нейросетевых анализатора - анализатор состояния группы скважин, подключенных к групповой замерной установке - ГЗУ (Ax) и анализатор состояния дожимной насосной станции - ДНС (Ay), а также интегрирующий анализатор (Aхy), согласующий их функции.

...