СИНТЕЗ НЕЙРОННОЇ МЕРЕЖІ ДЛЯ БАГАТОКАНАЛЬНОЇ ДІАГНОСТИКИ ЕЛЕМЕНТІВ КОНСТРУКЦІЇ В ЕКСПЛУАТАЦІЇ
Ключові слова:
ймовірнісна нейронна мережа PNN, класифікатор, вектор діагностичних ознак, вектор навчальної множини, вектор тестової множини.Анотація
Для виявлення пошкодження в елементах конструкцій в експлуатації запропоновано використання систем моніторингу на основі концепції SHM, які забезпечують контроль життєвого циклу об‘єкту для його надійної та безпечної експлуатації. Наведена функціональна схема комплексної інформаційної системи моніторингу, обґрунтовано сучасний підхід організації моніторингу з використанням інтелектуального компоненту – штучних нейронних мереж, які надають можливість реалізувати процес організації паралельності потоків інформації багатоканальної системи. Наведені приклад функціональної схеми системи моніторингу резервуарів з еколого-небезпечними речовинами та схема практичного використання нейронних мереж при вирішені реальної задачі класифікації та розпізнавання. Наведено загальну схему та структуру класифікатора стану системи моніторингу для вирішування завдання визначення технічного стану об’єкту контролю. Для розпізнавання стану елементів конструкції за результатами аналізу діагностичної інформації розроблено класифікатор на основі ймовірнісної нейронної мережі PNN, архітектура якої складається з двох шарів: з радіально-базисними нейронами в першому шарі та шару конкуренції. Встановлені класи для станів об’єкту контролю та відповідні параметри для кожного з них. Сформовано навчальну множину, яка покладена в основу навчання «з учителем», для кожного класу класифікатора системи діагностування. Наведено масив навчальних векторів у матричному вигляді. Сформовано різні типи тестових множин векторів, щоб визначити доцільність та ефективність використання побудованої нейронної мережі. Визначено вектор індексів класів та повну матрицю зв’язності нейронної мережі, що встановлюють приналежність вхідного масиву інформації до відповідного цільового класу. Наведено блок-схеми нейронної мережі багатоканальної діагностики в програмному середовищі Matlab, складовими якої є два шари, вхідні та вихідні масиви даних і матриці ваг. Встановлено кількість нейронів кожного шару побудованої ймовірнісної мережі PNN багатоканальної діагностики.
Завантаження
Посилання
2. Рупіч С. С Ефективність діагностичних систем на основі концепції Structural Health Monitoring / С. С. Рупіч / Ефективність інженерних рішень у приладобудуванні : збірник тез доповідей: ювілейна X науково-практична конференція студентів, аспірантів та молодих вчених. – К. : ВПІ ВПК «Політехніка». – 2014. – С. 50.
3. Structural Health Monitoring 2003: From Diagnostics & Prognostics to Structural Health Menegment // Proceedings of the 4th International Workshop on Structural Health Monitoring. - Stanford University, Stanford, CA., September 15-17. - 2003. - 1552 p.
4. Speckmann H. Structural Health Monitoring: a contribution to the intelligent aircraft structure. [Електронний ресурс]/ H. Speckmann, H. Roesner // Proc. 9th European NDT Confer. (ECNDT - 25-29 Sept. - 2006, Berlin, Germany. − Режим доступу: http://www.ndt.net/article/ecndt2006/doc/Tu.1.1.1.pdf.
5. Мещеряков В. А. Применение нейросетевых технологий для решения задачи дискриминантного анализа в Matlab / В. А. Мещеряков. – Режим доступа: http:// matlab.ru/upload/resources/EDU%20Conf/ pp%20360-366%20Mestherjakov.pdf.
6. Бурау Н. І. Розпізнавання технічного стану об’єктів на основі штучних нейронних мереж: монографія / Н. І. Бурау, О. В. Зажицький. – К. : НАУ, 2014. – 120 с.
7. Медведев. В. С. Нейронные сети MATLAB 6 / В. С. Медведев, В. Г. Потемкин. – М. : Диалог МИФИ, 2002. – 488 с.
.png)
