Введение к работе
Актуальность тематики. Современные системы автоматизации используют методы планирования, прогнозирования, адаптивного управления и другие, для которых используются элементы искусственного интеллекта, реализованные на базе искусственных нейронных сетей. Требования к эффективности работы нейронных сетей все время растут. Главной проблемой аппаратной реализации нейронных сетей является их масштабирование. Программно реализованные нейронные сети не позволяют добиваться высокой скорости работы, так как все вычисления производятся на последовательных устройствах. В диссертационной работе рассматривается аппаратно-программная реализация нейронных сетей, которые используют новую коммутаторную технологию построения. Эта технология позволяет реализовать универсальный аппаратный модуль, а затем его гибко перенастраивать путем загрузки программного обеспечения с учетом требований к системе автоматизации и перечня решаемых задач. Аппаратно-программные технологии построения нейронных сетей совмещают в себе высокую скорость работы и хорошую масштабируемость. Примером такой технологии является коммутаторная технология создания нейронных сетей, рассматриваемая в диссертации. Коммутаторная нейронная сеть - устройство, относящееся к вычислительной технике, предназначенное для создания систем с искусственным интеллектом. Традиционная нейронная сеть состоит только из нейронов. Основным отличием от известных нейронных сетей является наличие двух типов элементов: нейрона и коммутатора. Нейрон реализует функцию активации. Коммутатор выполняет прием-передачу информации в сети между нейронами и между коммутаторами. Коммутаторная нейронная сеть позволяет создавать нейронные сети любой архитектуры и практически любого объема, что позволяет реализовать систему искусственного интеллекта, соизмеримого с человеческим по количеству нейронов.
В коммутаторных нейронных сетях при значительном возрастании числа нейронов в сети нагрузка на ее компоненты также возрастает. Может возникнуть такая ситуация, что объем трафика превысит пропускную способность линий передач данных, и сеть станет неработоспособна или ее работа значительно замедлится. Таким образом, поставленная в диссертации задача повышения эффективности работы нейронной сети за счет оптимизации и сокращения трафика, является актуальной, особенно при большом размере моделируемой нейронной сети.
Рациональная группировка нейронов позволяет решить качественную задачу - определить, какие группы нейронов отвечают за выполнение определенных задач. Существование более или менее изолированной группы нейронов позволяет говорить, что эта группа выполняет более или менее изолированную подзадачу общей задачи, причем, чем меньше внешних связей имеет такая группа, тем более изолированную задачу решает эта группа. Возникает задача рациональной группировки нейронов - разбиение нейронов на отдельные группы, которые затем будут объединяться в
зависимости от своего размера либо в элементарные сегменты, либо в смежные между собой группы элементарных сегментов - подсети общей сети.
Для небольших нейронных сетей, состоящих из нескольких десятков нейронов, эта задача могла бы быть решена методом перебора. Для больших нейронных сетей, включающих в себя от нескольких тысяч до нескольких миллионов нейронов, решение такой задачи методом перебора невозможно, в частности из-за ограниченности ресурсов самых мощных вычислительных систем.
Целью исследования является повышение эффективности подсистемы планирования работы производственной системы на основе метода оптимальной фрагментации нейронной сети, позволяющего создать аппаратно-программный комплекс на основе больших нейронных сетей.
Для ее достижения была разработана программа исследований, включающая решение следующих задач:
исследование существующих методов построения систем управления на основе больших нейронных сетей;
разработка метода фрагментации большой нейронной сети, позволяющего создать программно-аппаратный комплекс;
формализация предложенного метода в виде алгоритма рациональной фрагментации больших нейронных сетей;
исследование свойств разработанного алгоритма на сходимость, масштабируемость, анализ влияния коэффициентов на результаты работы;
создание подсистемы планирования работы производственной системы с использованием разработанного метода.
Научная новизна работы:
выявление связей между количеством и величиной весов связей нейронной сети и количеством решаемых подзадач системы управления объектом машиностроения;
создание и анализ математической модели коммутаторной нейронной сети, применяемой для построения систем управления и планирования на базе больших фрагментированных нейронных сетей;
разработка метода фрагментации нейронной сети, объединяющего наиболее связанные нейроны сети в группы, что позволяет решить задачу сокращения трафика фрагментированной нейронной сети на основе рационального расположения нейронов на коммутаторах;
разработка алгоритма фрагментации, позволяющего рационально разместить нейроны в программно-аппаратном комплексе, проведение его исследования на математической модели: влияние коэффициентов алгоритма на результат группирования, масштабируемость, оценка вычислительной трудоемкости, теоретическое и экспериментальное доказательство сходимости разработанного алгоритма.
Практическая значимость заключается в разработке методики программно-аппаратной реализации больших нейронных сетей и программного продукта, позволяющего в автоматическом режиме разбить
большую нейронную сеть на фрагменты с рационализацией трафика информации в этой сети.
Публикации. По материалам диссертации опубликовано 6 печатных работ, включая 2 публикации в журналах «Информационные технологии и вычислительные системы» и «Информатика и ее применения», входящих в перечень ведущих периодических изданий ВАК РФ.
Достоверность результатов подтверждается применением методов доказательства сходимости алгоритмов, теории сложности вычислений, а также сравнением полученных данных с результатами работы существующей системы составления сменных заданий АЛП-3-2.
Реализация результатов работы. Результаты работы внедрены в работе буровой службы ООО «МПО РИТА» в виде системы планирования работ с помощью программно-аппаратной нейронной сети и подсистемы диагностики процесса бурения установки CASAGRANDE С800 DH.
Структура диссертации. Диссертация состоит из введения, четырех глав, заключения и приложений. Текст работы изложен на 124 страницах, содержит библиографию из 61 наименования, 50 рисунков, 10 таблиц.
