Введение к работе
Актуальность работы. Разработанные в середине прошлого века инструменты нейросетевого моделирования для эффективного применения требуют значительных вычислительных мощностей, которые не могли быть предоставлены электронно-вычислительными устройствами того времени. Быстрый прогресс компьютерных технологий и наращивание мощностей вычислительной техники, произошедшие в последнее десятилетие, позволили с успехом применять нейронные сети в самых различных областях. В литературе приводятся примеры применения нейронных сетей для решения задач построения функции по конечному набору значений, построения отношений на множестве объектов, распределенного поиска информации, идентификации динамических систем и управления ими и т.д. Часто решения этих задач, полученные на основе нейронных сетей, являются более оптимальными, чем решения, опирающиеся на иной формальный аппарат.
Перспективной областью применения инструментов теории искусственных нейронных сетей является моделирование сложных технологических процессов. Математические модели технологических процессов необходимы для применения эффективных формальных методов и инструментов исследования влияния технологии производства на свойства конечного продукта и определения оптимального управления с целью достижения заданного качества продукта. Такого рода математические модели значительно отличаются, например, от моделей каких-либо физических объектов и систем, в которых прогнозируется реакция объекта на некоторые внешние условия. Модели технологического процесса должны отражать информационные и функциональные зависимости между технологией производства и свойствами (показателями качества) получаемой продукции. Хотя в литературе не приводятся примеры использования нейронных сетей для моделирования такого рода зависимостей, гибкость нейросетевых моделей позволяет применить их для моделирования технологического процесса.
Эффективность использования инструментов управления технологией производства и качеством продукции в первую очередь определяется точностью и адекватностью синтезированных моделей технологического процесса. Точности используемых в настоящее время регрессионных моделей линейных по параметрам не всегда достаточно для адекватного воспроизведения особенностей непрерывных технологических процессов. Практические разработки применения нейронных сетей для моделирования различного рода инженерных систем показывают, что неиросетевые модели точнее регрессионных и лишены ряда имеющихся у регрессионных моделей недостатков. Применение нейронных сетей для моделирования технологических процессов позволит повысить эффективность систем управления качеством, предоставив необходимый объем информации о процессе и дополнительные инструменты исследования, анализа и управления. Отсюда следует, что разработка нейросетевых инструментов моделирования сложных технологических процессов является актуальной задачей.
Цель и задачи исследования. Целью работы является создание и исследование эффективных инструментов моделирования сложных технологических процессов и инструментов управления технологией на основе искусственных нейронных сетей.
Для достижения поставленной цели сформулированы следующие задачи исследования:
исследовать возможность применения теории искусственных нейронных сетей для управлення технологией производства;
спроектировать структуры нейронных сетей, пригодных для моделирования функциональных взаимосвязей между технологическими факторами и показателями качества продукции в сложных многоэтапных непрерывных технологических процессах;
разработать алгоритмы синтеза структуры нейронной сети и алгоритмы обучения, позволяющие полностью автоматизировать процесс создания нейросете-вой модели технологического процесса, включая параметрическую и структурную идентификацию;
исследовать возможность использования инструментов теории нейронных сетей для создания моделей, описывающих информационную взаимосвязь между технологией и качеством получаемой продукции и разработать такие инструменты;
реализовать разработанные алгоритмы в виде комплекса программных средств, интегрированных в автоматизированную систему управления качеством продукции.
Методы исследования. В работе использованы методы системного анализа, теории вероятности, математической статистики, методы математического программирования, теории искусственных нейронных сетей, теории принятия решений, кластерного анализа, технического анализа, методы объектно-ориентированного проектирования и программирования. Программная реализации разработанных алгоритмов и профаммных имитационных моделей выполнена на языке C++ в среде разработки Borland C++ Builder 6.0.
Научная новизна работы. В работе получены и выносятся на защиту следующие результаты, характеризующиеся научной новизной:
методика применения слоистых нейронных сетей для моделирования функциональных взаимосвязей между технологическими факторами и показателями качества продукции в сложных многоэтапных непрерывных технологических процессах;
алгоритм формирования структуры нейросетевой модели технологического процесса, отличающийся формальным способом расчета необходимого количества нейронов в скрытом слое двухслойной сети, позволяющий автоматизировать эту процедуру;
способ расчета статистических интервальных оценок выходов нейронной сети, отличающийся использованием оценочной сети, на вход которой подаются интервальные оценки пофешности измерения технологических факторов, позволяющий получать интервальные оценки прогнозов значений показателей качества продукции;
формальный критерий остановки процесса параметрической идентификации нейронной сети основанный на мониторинге изменения ошибки обобщения, отличающийся применением метода технического анализа динамических рядов данных для локализации момента изменения тенденции ошибки обобщения, позволяющий значительно ускорить процесс параметрической идентификации и избежать эффекта переобучения;
алгоритм обучения нейросетевой модели технологического процесса, особенностью которого является возможность корректировки структуры модели в процессе обучения с помощью расщепления сети на нейронные ядра и использование критериев остановки, основанных на мониторинге ошибки обобщения; алгоритм позволяет полностью автоматизировать процедуру обучения и получать нейросетевые модели технологического процесса с оптимальным соотношением качества прогнозирования модели и сложности ее структуры;
методика создания и применения нейросетевого классификатора для идентификации информационной взаимосвязи между технологией производства и качеством получаемой продукции, позволяющая вычислять подпространство оптимальных технологических режимов в виде n-мерного гипермногогранника.
Практическая значимость. Разработана методика создания моделей технологического процесса на основе искусственных нейронных сетей, формальные методы и правила которой позволяют полностью автоматизировать процесс формирования нейросетевых моделей. Создаваемые модели отражают функциональные зависимости между технологией производства и качеством получаемой продукции и позволяют выделить оптимальные технологические режимы, реализация которых с высокой вероятностью обеспечивает получение продукции заданного качества.
Созданные универсальные инструменты синтеза нейросетевых моделей сложных многоэтапных технологических процессов инвариантны к особенностям конкретного процесса и могут быть использованы при решении задач управления технологией производства и качеством продукции непрерывных производственных процессов. Численные эксперименты показывают, что создаваемые нейросетевые модели точнее применяемых ранее для моделирования технологических процессов регрессионных моделей и лишены ряда имеющихся у них недостатков. Это повышает эффективность решения многокритериальных задач принятия решений при управлении технологией и качеством продукции.
Разработаны программные модули, реализующие алгоритмы формирования нейросетевых моделей. Проведена интеграция этих модулей в автоматизированную систему управления качеством продукции и технологией производства.
Реализация и внедрение результатов работы.
Результаты работы демонстрировались на нескольких промышленных предприятиях, которые рассматривают возможность их практического использования.
Результаты диссертационного исследования используются в учебном процессе ЛГТУ в рамках курсов «Методы оптимизации», «Параллельное программирование» и «Управление сложными системами» при подготовке инженеров по специальностям «230102.65 - Автоматизированные системы обработки информации и управления» и «010503.65 - Математическое обеспечение и администрирование информационных систем».
Апробация работы. Результаты исследований были представлены:
на всероссийской выставке НТТМ'2005 (Москва, ВВЦ, 2005);
на международных конференциях - «Моделирование как инструмент решения технических и гуманитарных проблем» (Таганрог, 2002), «7-ой международный молодежный форум «Радиоэлектроника и молодежь в XXI веке»» (Харьков, 2003), «Системы автоматизированного управления производствами, пред-
приятиями и организациями горномсталлургического комплекса» (Старый Ос-кол, 2003), «Теория активных систем» (Москва, 2003), «Systems Science XV» (Польша, Варшава, 2004), «Современные сложные системы управления СССУ/HTCS» (Липецк, 2002, Воронеж, 2003, Тверь, 2004, Тула, 2005, Воронеж, 2005), «Interactive Systems And Technologies: The Problems of Human-Computer Interaction» (Ульяновск, 2006), «Исследование, разработка и применение высоких технологий в промышленности HTFI'2006» (Санкт-Петербург, 2006), «Системы управления эволюцией организации CSOE'2006» (Египет, Хургада, 2006); - на межрегиональной конференции «Моделирование и развитие процессов обработки металлов давлением» (Магнитогорск, 2002); Программная реализация разработанных алгоритмов подтверждена двумя авторскими свидетельствами об отраслевой регистрации разработок.
Публикации. По теме диссертационного исследования всего опубликовано 23 работы в отечественных и зарубежных изданиях, в том числе: одна статья в журнале из перечня периодических журналов, рекомендованном ВАК для публикации основных результатов диссертации на соискание ученой степени кандидата наук; одна статья в зарубежном журнале; 2 авторских свидетельства об отраслевой регистрации разработок; 15 работ в сборниках научных трудов и трудов международных конференций и форумов. В работах, опубликованных в соавторстве, автором: разработана структура нейросетевых моделей, используемых для моделирования сложных технологических процессов [9, 10]; разработана формальная методика синтеза нейросетевых моделей сложных технологических процессов [1]; разработан формальный способ определения минимально необходимого количества нейронов в скрытом слое двухслойной нейросетевой модели [13]; разработаны критерии окончания параметрической идентификации нейросетевой модели, основанные на мониторинге ошибки обобщения [14]; разработана методика расчета статистических интервальных оценок значений показателей качества, вычисляемых на основе нейросетевой модели [11, 2]; разработана методика определения оптимальной глобальной технологии с помощью нейросетевого классификатора [15] и механизм получения данных о конфигурации вычисленного пространства на основе анализа структуры нейросетевого классификатора [3]; разработана инфологическая модель данных системы поддержки управления качеством, обеспечивающая возможность настройки системы на произвольный технологический процесс [7, 12]; разработана объектная модель структуры классов, используемых для хранения сложных функциональных зависимостей [8]; проведен анализ процесса производства стали в кислородно-конвертерном производстве на основе массива технологической информации и разработана нейросетевая модель, отражающая функциональные зависимости между химическим составом получаемой стали и технологией производства [6].
Структура и объем диссертации. Диссертация состоит из введения, пяти глав, заключения, списка литературы из 98 наименований и шести приложений. Основная часть изложена на 161 странице машинописного текста, содержит 61 рисунок и 15 таблиц.
Похожие диссертации на Разработка и исследование нейросетевых инструментов моделирования и управления сложными технологическими процессами
