Содержание к диссертации
Введение
Глава 1. Использования информацинно-измерительных систем для повышения уровня промышленной безопасности высотных зданий и технически сложных строительных сооружений
1.1 Общие правила проведения обследования и мониторинга технического состояния зданий и сооружений J j
1.2. Мониторинг технического состояния зданий и сооружений. Основные положения 13
1.3. Общий мониторинг технического состояния зданий и сооружений 15
1.4. Требования к мониторингу общей безопасности объектов (с комплексной оценкой риска от аварийных воздействий природного и техногенного характера) 17
1.5. Геотехнический мониторинг зданий и сооружений (включая геодезический мониторинг)
1.6. Организация мониторинга зданий и сооружений в городе Москве 23
1.7 Примеры проектирования и эксплуатации схем мониторинга конструкций и оснований высотных зданий 28
1.8. Методы контроля и диагностики эксплуатационной надежности зданий и сооружений 39
1.9. Использование систем автоматизированного сбора информации для контроля и измерения характеристик надежной эксплуатации зданий и сооружений
1.10. Методы моделирования процессов и параметров надежности 44
1.11.Выводы по первой главе 50
Глава 2. Метод повышения эффективности информационно-измерительной системы комплексной безопасности зданий и сооружений, основанный на контроле отклонений результатов измерений от нормы и методы прогнозирования уровня изменения их безопасной эксплуатации 50
2.1. Метод безэталонного оценивания значений параметров безопасной эксплуатации зданий и сооружений 50
2.2. Методы непараметрической корреляции и регрессия для оценки состояния зданий и сооружений 55
2.3. Паллиативный метод прогноза предаварийных ситуаций 64
2.4. Распознавание предаварийных состояний зданий и сооружений на основе использования методов теории детерминированного хаоса ^д
2.5. Разработка рекомендаций по выбору структуры моделей, обеспечивающих прогнозирование предаварииных ситуаций зданий и сооружений 80
2.6. Выводы по второй главе 87
Глава 3. Разработка методов прогнозирования нарушения состояния и определения предаварииных ситуаций зданий и сооружений на основе аппарата нейронных сетей 89
3.1. Теоретическое обоснование решения задачи прогнозирований аварийных ситуаций зданий и сооружений на основе аппарата искусственных нейронных сетей 89
3.2. Синтез структуры нейронной сети для решения задачи количественного анализа 94
3.3. Методы и алгоритмы обучения нейронных сетей 104
3.4. Построение алгоритма решения задачи прогнозирования аварийных ситуаций зданий и сооружений на основе нейросетевого аппарата 115
3.5. Создание и обучение нейронной сети решения задачи прогнозирования аварийных ситуаций зданий и сооружений 118
3.6. Выводы по третьей главе 128
Глава 4. Программное обеспечение для повышения эффективности информационно-измерительных систем и прогнозирования аварийных ситуаций зданий и сооружений в режиме реального времени
4.1. Основные задачи, реализуемые пакетом прикладных программ 130
4.2 Подсистема «нейронные сети» 130
4.3. Обзор программ для имитации работы нейронных сетей 131
4.4. Описание реализации пакета прикладных программ 136
4.5. Инженерная методика оценки прогнозирования пред аварийной
ситуации здания и сооружений 141
4.6. Выводы по четвертой главе 146
Заключение 147
Библиографический список использованной литературы
- Требования к мониторингу общей безопасности объектов (с комплексной оценкой риска от аварийных воздействий природного и техногенного характера)
- Методы непараметрической корреляции и регрессия для оценки состояния зданий и сооружений
- Синтез структуры нейронной сети для решения задачи количественного анализа
- Обзор программ для имитации работы нейронных сетей
Введение к работе
Актуальность работы.
Федеральный закон Российской Федерации «Технический регламент о безопасности зданий и сооружений», принятый Государственной Думой23 декабря 2009 годаСНиП 2.09.04-87 "Административные и бытовые здания", СНиП 2.09.02-85 "Производственные здания" определяют основные требования к эксплуатации зданий и сооружений: ипредупреждение (профилактика) обрушений перекрытий и несущих конструкций в результате их износа и старения; выполнение противопожарных мероприятий; соблюдение санитарных норм, предъявляемых к зданиям и помещениям.
В настоящее время большое внимание уделяется автоматизированному контролю и управлению системами пожарной безопасности, вентиляции, кондиционирования, дегазации, теплоснабжения, электроснабжения, водоснабжения; системами грузоподъемных механизмов; вертикальному транспорту (лифт); системами сбора, обработки, хранения данных;
Аварии зданий и сооружений могут происходить по техническим и организационным причинам, например, в результате превышения допустимых нагрузок, износа строительных конструкций, возникновения в них различных дефектов и т.п.
Анализ тяжести последствий аварий повышают требования к работе информационно-измерительных систем, призванных прогнозировать предаварийные ситуации и обеспечить безопасную работу зданий и сооружений.
В настоящее время в этой области разработано и принято в эксплуатацию большое число информационо-измерительных систем, в создании которых принимали участие СВ. Костюченко, А.Ф. Тузовский, С.Б.Пугачев, Н.К. Николаев, B.C. Ивановский, В.Д. Дарищев, В.И. Каштанов, А.Р. Сабиров, С.Г. Пекин, М.М. Волобуев, А.Н. Терпелюк и многие другие.
Наибольший интерес представляют разработки Кибернетического центра Томского политехнического университета, ИИС "СИАМ" (г, Томск), ЗАО "Компания Безопасность», корпорация «SchneiderElectric», НИУ МГСУ, ЗАО «Техиндустрия», ЗАО «Группа ЭНТЕР»
Перспективы построения и развития многофункциональных систем безопасности связаны с разработкой и внедрением многокомпонентных многоуровневых информационно-измерительных систем, обеспечивающих одновременное повышение эффективности и уровня безопасности за счет предоставления оперативной и достоверной агрегатированной информациио
состоянии, тенденциях и признаках возникновения опасных ситуаций, получаемых за счет комплексной обработки данных от различных информационных, измерительных, управляющих и противоаварийных систем.
Объектами контроля, анализа, оценки и прогноза служат аэрологическое и геодинамическое состояние, технологическое оборудование, системы и средства обеспечения безопасности, несущие конструкции зданий и сооружений.
Задача повышения эффективности информационно-измерительных систем с целью быстрого реагирования на возникновение предаварийной ситуации, обеспечения комплексной безопасности зданий и сооружений, является своевременной и актуальной
Цели и задачи. Целью диссертационной работы является повышения эффективности информационно-измерительных систем комплексной безопасности зданий и сооружений путём прогнозирования изменения параметров технического состояния диагностируемых объектов контроля.
В работе решались следующие основные задачи:
Проведен анализ современного состояния проблемы использования информационно-измерительных систем для повышения уровня безопасности высотных зданий и сооружений. Выявлены основные задачи и осуществлен выбор путей их решения.
Разработан метод анализа технического состояния зданий и сооружений, основанный на контроле отклонений результатов измерений от нормы и методы прогнозирования уровня изменения их безопасной эксплуатации.
Разработаны методы прогнозирования нарушения состояния и определения предаварийных ситуацийзданий и сооружений на основе аппарата искусственных нейронных сетей.
Разработан пакет прикладных программ прогнозирования предаварийных ситуаций в режиме реального времени.
Научная новизна работы заключается в следующем:
Предложен новый метод без эталонного оценивания значений параметров работы оборудования, требующий вместо процедуры сравнения объекта с эталоном упорядочивания выборки из множества объектов.
Доказано, что коэффициент ранговой корреляции Кендалла является достоверным показателем, характеризующим изменение уровня технического состояния анализируемого оборудования, а статистика Кендалла второго порядка является диагностическим критерием уровня технической безопасности строительных объектов.
Разработан паллиативный метод прогноза, в котором возможна интерпретация результатов за счет участия в процедуре прогноза лица, принимающего решение о достоверности и точности прогноза Метод основан на свободном от модели алгоритме, предназначенном для исследования структуры временных рядов, совмещает достоинства анализа Фурье и регрессионного анализа и отличается от существующих методов наглядностью и простотой управления.
Разработан новый комплексный метод и алгоритм прогнозирования нарушения состояния зданий и сооружений по данным информационно-измерительной системы (отклонения от нормы), позволивший выявить качественно новые закономерности при определении предаварийных ситуаций зданий и сооружений на основе аппарата обобщенно-регрессионной нейронной сети (GRNN).
Теоретическая значимость исследования обоснована тем, что - доказана возможность применения методов анализа временных рядов для прогнозирования предаварийного состояния зданий и сооружений; -проведен анализ существующих информационно-измерительных систем и разработаны методы повышения их эффективности для обеспечения комплексной безопасности;
-проведена модернизация существующих моделей прогнозирования, обеспечивающих получение новых результатов при обеспечении комплексной безопасности зданий и сооружений.
Применительно к проблематике диссертации результативно использован комплекс существующих базовых методов исследования, в т.ч. вероятностно-статистические методы, элементы теории детерминированного хаоса, метод структурной минимизации эмпирического риска, теория временных рядов, математического моделирования, искусственных нейронных сетей, современные технологии разработки алгоритмов и программного обеспечения, объектно-ориентированного программирования. Значение полученных соискателем результатов исследования для практики подтверждается тем, что:
-разработан и внедрен в промышленную эксплуатацию пакет прикладных программ, использование которого позволило качественно повысить степень прогноза предаварийных ситуаций зданий и сооружений; -определены пределы и описаны перспективы применения предлагаемых методов повышения эффективности информационно-измерительной системы для комплексной безопасности зданий и сооружений;
-даны методические рекомендации по совершенствованию и модернизации алгоритмов функционирования существующих информационно-
измерительных системах комплексной безопасности зданий и сооружений; -проведена апробация предлагаемой методики для прогнозирования развития основных дефектов зданий и сооружений, которая позволила увеличить точность прогноза при ее применении на 20-30%. Оценка достоверности результатов исследования выявила: - экспериментальные результаты получены с использованием лицензионного программного обеспечения с применением разработанного программного модуля на различных аппаратных платформах;
-теоретические изыскания построены на известных методах теории временных рядов, с использованием статистики Кендалла, методов структурной минимизации среднего риска, искусственных нейронных сетей; -использованы современные средства и методики проведения исследований, доказывающие обоснованность применения разработанного программно-аппаратного комплекса ввиду согласованности данных эксперимента и научных выводов.
Личный вклад автора состоит в: проведении анализа существующих способов разработки информационно-измерительных систем; создании математической модели прогнозирования предаварийных ситуаций зданий и сооружений; непосредственной разработке алгоритма на основе паллиативного метода для анализа данных при принятии решений о состоянии безопасности зданий и сооружений; личном участии во внедрении разработанного пакета прикладных программ в эксплуатацию в информационно-измерительных системах; непосредственной подготовке основных публикаций по выполненной работе.
Реализация результатов. Разработанные программные средства входят в состав программного обеспечения модернизируемых информационно-измерительных систем, используемых для обеспечения комплексной безопасности высотных зданий, сложных строительных сооружений и технологического оборудования.
Разработанные методы, алгоритмы и программное обеспечение для повышения эффективности информационно-измерительных системобеспечения комплексной безопасности зданий и сооружений использованы в учебном процессе Пензенского регионального центра высшей школы (филиале) ФГБОУ ВПО «Российский государственный университет инновационных технологий и предпринимательства»при реализации образовательной программы по специальности 280705 «Пожарная безопасность» в дисциплинах «Здания, сооружения и их устойчивость при пожаре», «Производственная и пожарная автоматика», «Пожарная безопасность технологических процессов».
В Главном управлении МЧС РОССИИ по Пензенской области при совершенствовании системы обработки информации о состоянии пожарной безопасности и работоспособности систем пожарной автоматики объектов различного функционального назначения г. Пензы.
Достоверность полученных результатов. Достоверность полученных результатов подтверждена:
-экспериментальными данными и моделированием предложенных
алгоритмов и методов повышения эффективности информационно-измерительных систем на ПЭВМ;
-апробированием программных средств в информационно-измерительных системах обеспечения комплексной безопасности высотных зданий и повышением эффективности работы системы и автоматики противопожарной безопасности г. Пензы.
Положения, выносимые на защиту.
- Алгоритм без эталонного оценивания значений параметров работы
оборудования для обеспечения комплексной безопасности зданий и
сооружений.
- Алгоритм, основанный на паллиативном методе прогноза, в котором возможна
интерпретация результатов за счет участия в процедуре прогноза лица, принимающего
решение о достоверности и точности прогноза
-Комплексный метод прогнозирования нарушения состояния зданий и сооружений.
Апробация работы. Наиболее важные результаты докладывались на международных конференциях «Перспективные инновации в науке, образовании, производстве и транспорте, 2008» (Украина, г. Одесса), пятой международной конференции - выставке «Промышленные АСУ и контроллеры 2009: от А до Я» (Россия, г. Москва),XIV Международной конференции-выставки «Информационные технологии в образовании»
(ИТО-2008) (Россия, г.Москва), IX Международной научной конференции «Новые информационные технологии и менеджмент качества» (Россиия, г. Таганрог), а также Международной научной конференции "Проблемы регионального и муниципального управления" (Россия, г.Москва, РГГУ)
Основные положения и результаты докладывались и обсуждались на научных семинарах кафедр «Автоматизированные системы управления и информационные технологии» и «Электротехника и электроника» Московского государственного университета приборостроения и информатики.
Публикации. По материалам диссертационной работы опубликовано восемь научных работ, в том числе две в журналах, входящих в перечень ВАК,
пять работ, в сборниках трудов научно-технических конференций, одна работа в межвузовском сборнике.
Структура диссертации. Диссертация состоит из введения, четырех глав, заключения, списка литературы и 4 приложений.
Основная часть диссертации содержит - 166 страниц, включая 29— рисунков и 9— таблиц.
Требования к мониторингу общей безопасности объектов (с комплексной оценкой риска от аварийных воздействий природного и техногенного характера)
Общий мониторинг технического состояния зданий и сооружений проводят для выявления объектов, изменение напряженно-деформированного состояния которых требует обследования их технического состояния.
При общем мониторинге, как правило, не проводят обследование технического состояния зданий и сооружений в полном объеме, а проводят визуальный осмотр конструкций с целью приблизительной оценки категории технического состояния, измеряют динамические параметры конкретных зданий и сооружений (приложение I.) и составляют паспорт здания или сооружения (приложение II). Если по результатам приблизительной оценки категория технического состояния здания или сооружения соответствует нормативному или работоспособному техническому состоянию, то повторные измерения динамических параметров проводят через два года.
Если по результатам повторных измерений динамических параметров их изменения не превышают 10 %, то следующие измерения проводят еще через два года.
Если по результатам приблизительной оценки категория технического состояния здания или сооружения соответствует ограниченно работоспособному или аварийному состоянию или если при повторном измерении динамических параметров здания или сооружения результаты измерений различаются более чем на 10 %, то техническое состояние такого здания или сооружения подлежит обязательному внеплановому обследованию.
По результатам общего мониторинга технического состояния зданий и сооружений исполнитель составляет заключение (приложение III) по этапу общего мониторинга технического состояния зданий и сооружений и заключения о техническом состоянии каждого здания и сооружения, по которым проводился общий мониторинг технического состояния (приложение I). Общие требования к проектированию и разработке автоматизированных стационарных систем мониторинга технического состояния зданий (сооружений)
Разработка автоматизированных стационарных систем мониторинга технического состояния оснований и строительных конструкций включает в себя следующие этапы:
1. на основе анализа возможных природно-техногенных воздействий, возможных неквалифицированных действий или отсутствия необходимых действий обслуживающего персонала, конструктивных особенностей объекта разрабатываются модели опасности для объекта;
2. на основе моделей опасности, знаний в области строительной механики (в том числе математического и физического моделирования) и работы строительных конструкций проводят анализ поведения конструкций объекта при реализации таких опасностей и составляют методику проведения мониторинга, а также перечень частей и элементов конструкций объекта, которые необходимо контролировать. Для каждой части и каждого элемента конструкций составляют перечень контролируемых параметров;
3. на основе известных или специально разрабатываемых способов и методов контроля параметров конструкций, аппаратуры и оборудования для контроля составляют технологию проведения мониторинга технического состояния упомянутых выше частей и элементов конструкций объекта;
4. на основе опыта обследования и анализа поведения строительных конструкций, учета скоростей развития негативных процессов в конструкциях и степени возможного допущения изменения их напряженно-деформированного состояния разрабатывают регламент проведения мониторинга.
На основе вышеописанных этапов разрабатывают проект автоматизированной стационарной системы мониторинга технического состояния основании и строительных конструкции, в котором отражают следующие разделы: - общие данные; - основные сведения о конструктивных особенностях объекта; - методика проведения мониторинга; - технология проведения мониторинга; - регламент проведения мониторинга; - состав и технические характеристики комплекса мониторинга; - формы заключений по этапу мониторинга; - схемы размещения аппаратуры, оборудования, каналов связи системы мониторинга объекта; - перечень автоматизированных или выполняемых автоматически процедур мониторинга; - спецификация приборов и оборудования системы мониторинга.
В рамках проектирования системы мониторинга системы инженерно-технического обеспечения должны быть определены: перечень контролируемых параметров работы системы инженерно-технического обеспечения объекта; - расчетные (проектные) значения контролируемых параметров работы системы инженерно-технического обеспечения объекта; - состав и технические характеристики аппаратного и программного обеспечения системы мониторинга; - месторасположение программно-аппаратного обеспечения системы мониторинга; - алгоритм и критерии принятия управленческих решений по оценке работоспособности системы инженерно-технического обеспечения объекта, угрозы нарушения нормальной эксплуатации и передаче сообщений в единую систему оперативно-диспетчерского управления конкретного города; - технические решения по взаимодействию системы мониторинга с системой инженерно-технического обеспечения объекта. 1.4. Требования к мониторингу общей безопасности объектов (с комплексной оценкой риска от аварийных воздействий природного и техногенного характера)
Мониторинг общей безопасности зданий и сооружений заключается в периодическом (на основе наблюдений и обследований) определении риска и скорости его роста до допустимого значения, устанавливаемого для конкретного объекта.
Под риском понимается вероятностная мера опасности или совокупности опасностей, устанавливаемая для объекта в виде возможных потерь за заданное время.
Оценка риска - это определение его значения количественным и качественным способами. Процесс последовательно выполняемых действий по идентификации и прогнозированию опасностей, оценке уязвимости объекта для этих опасностей и установлению возможных потерь объекта и его составляющих для всех случаев реализации опасностей с определенной интенсивностью, повторяемостью и длительностью воздействия за заданное время.
Для оценки риска анализируют следующие исходные данные: - основные опасности, характерные для данного объекта и их различные сочетания; - характер и условия эксплуатации объекта; - характеристики, используемых на объекте веществ, материалов и продуктов; - генеральный план, тип конструкции объекта, расположение прочих построек и объектов, способных повлиять на возникновение и развитие аварии; - сведения об авариях и опасных инцидентах, происходивших ранее на объекте; - зоны, представляющие повышенную опасность для возникновения взрывов при аварийных ситуациях;
Методы непараметрической корреляции и регрессия для оценки состояния зданий и сооружений
Большое внимание в работах этой школы уделено процессам самоорганизации в системах безопасности зданий. С этой точки зрения рассмотрено возникновения стохастических автоколебаний нагрузок в несущих нагрузках
При разработке и оценке достоверности моделей практически всегда возникают проблемы, связанные с дискретностью измерений, их точностью и шумовым фактором. Поэтому встает вопрос о решении обратных задач, т,е. задач определения неизвестных причин при заданных следствиях. Решение обратных задач позволяет путем анализа экспериментальной информации выбрать адекватную модель, оценить ее параметры, определить недостающие начальные и граничные условия, т.е. порождающие процесс причины и принять решение.
Методы решения обратных задач также рассмотрены в работах упомянутых авторов [71]. Многие обратные задачи, связанные с интерпретацией косвенных наблюдений, оказываются некорректными. Некорректность задачи означает в данном случае неустойчивость решения обратной задачи относительно экспериментальных погрешностей: даже малые ошибки в измерениях могут приводить к недопустимо большим ошибкам в решении.
В условиях неустойчивости большое значение имеет выбор оптимальной сложности математической модели. Излишнее усложнение модели может приводить к неустойчивым алгоритмам идентификации и, как правило, лишает модели предсказательной силы [71].
Одним из решений этой проблемы может служить метод минимизации среднего риска [2,22]. Однако, как показывает практика, эффективность данного метода достижима лишь при достаточно больших по объему выборках экспериментальных данных, что далеко не всегда может быть обеспечено в современных условиях.
В работе [71] предложен другой путь решения подобных задач — метод использования так называемых "нечетких" множеств, впервые введенных в работе Л. Заде [43]. Приведенные в [71] примеры использования этого метода показывают, что методы теории нечетких множеств дают наиболее адекватное определение степени оптимальной сложности математической модели в условиях малых выборок экспериментальных данных.
Повышение уровня эксплуатационной безопасности и надежности технических систем вообще и строительных комплексов, в частности, подразумевает проведение и других оптимизационных мероприятий, например, оптимизацию графиков планово-предупредительных ремонтов или территориального размещения объектов. Например, оптимизация размещения ремонтных служб позволяет сократить время прибытия ремонтной бригады на аварийный объект, и тем самым сократить время простоя оборудования.
Удачное размещение трансформаторных подстанций на территории позволяет сократить тепловые потери в пиниях электропередач и т.п.
Задачи, подобные перечисленным выше, решаются методами бурно развивающейся науки, основанной на применений современных разделов математики и тесно связанной с кибернетикой, теорией автоматического управления, экономикой и рядом других наук, и получившей название «исследование операций» [26; 49].
К методам исследований операций можно отнести и другую группу методов получения решений, близких к оптимальному. Они носят название теории игр, или теоретико-игровые методы [29, 74].
Классическая постановка задачи о принятии решения в теории игр выглядит следующим образом. Каждый из двух игроков АиВ может принять одно из некоторой совокупности решений. Пусть для игрока А это будут At, (1 і m), а для игрока В - Bj (1 / п). В результате принятия определенного решения каждым из игроков А і и Ягодин из них выигрывает некоторую сумму Sij, другой такую же сумму проигрывает. Правила выбора решений называются стратегией игрока. Требуется определить такую стратегию игрока А, которая приносит ему максимальный выигрыш (или минимальный проигрыш при заведомо невыгодной игре).
Применение теоретико-игровых методов позволяет принимать обоснованные решения при минимальных сведениях о статистике процессов. Теория игр позволяет поучить ряд возможных решений, каждое из которых в определенном смысле оптимально. Единственное решение из предлагаемых должен принять специалист (лицо, принимающее решение - ЛПР), задача которого значительно упрощается вследствие сокращения допустимых решений.
Широкое внедрение информационно-измерительных систем для прогнозирования аварийных ситуаций зданий, сооружений и технически сложных объектов позволяет накопить обширный массив данных по измерениям текущих параметров эксплуатации — изменения напряжений, потребления электрической энергии и т.д. Последовательные значения какой-либо измеренной величины представляют собой временной ряд, обработка которого позволяет прогнозировать будущее поведение этого ряда.
Методы обработки временных рядов в настоящее время хорошо разработаны и широко применяются как для целей прогнозирования, так и в диагностике технического состояния зданий [32,45, 77].
Одним из традиционно применяемых методов обработки временных рядов является спектральный анализ - основа вибродиагностических методов оценки технического состояния механизмов [14, 24, 88].
Перспективным методом обработки временных рядов является метод порядковых статистик, разработанный в работах [52, 59]. Ранговые порядковые статистики могут быть вычислены по любым временным рядам, имеющим характерное положение экстремума. Использование теории рангов для распознавания изменения в во временных рядах удобно тем, что такой подход позволяет избежать трудностей, связанных с построением объективной шкалы абсолютных значений измеряемой величины, так как этот параметр зачастую является существенно вариабельным,
Во многих случаях удовлетворительный прогноз развития системы может быть получен с помощью методов обработки временных рядов таких как метод авторегрессии, построения предикторных моделей [77] и др.
К развивающимся относится и метод обработки временных рядов, основанный на весьма общих предположениях о поведении динамических систем, предложенный в работах [75, 79], Он представляет собой попытку нахождения общеприродных законов, однако в настоящее время расчетных алгоритмов, реализующих предложенную процедуру, не существует.
Синтез структуры нейронной сети для решения задачи количественного анализа
Задача прогнозирований предаварийных ситуаций зданий и сооружений является логическим продолжением разработанных в предыдущей главе метода и алгоритма.
Задача прогнозирования относится к классу трудно формализуемых задач. Для решения подобных задач можно использовать искусственные нейронные сети (ИНС). Современная теория ИНС опирается на теорему Хехт-Нильсена, предложенную в 1987 году, которая доказывает решаемость задачи преставления функции произвольного вида на ИНС и указывает для каждой задачи минимальное число искусственных нейронов [82].
Задача прогнозирования может быть сформулирована как задача аппроксимации функции многих переменных. Необходимо построить некоторое отображение //— Y такое, чтобы на каждый возможный входной образ, представленный вектором входных данных (Н) формировался правильный выходной вектор прогноза (Y).
Использование нейронных сетей (НС) в качестве аппарата для установления зависимости между входными данными и результатами прогноза обусловлено способностями сети к параллельной и распределенной обработки информации, что позволяет значительно увеличить скорость работы алгоритма и повысить эффективность прогноза предаварийных ситуаций зданий и сооружений.
Кроме этого, применение НС обеспечивает следующие полезные свойства: 1. Способность к обобщению. Под термином обобщение понимается способность НС осуществлять прогноз на основе данных, не встречающихся в процессе обучения.
2. Нелинейность. НС, построенная из соединений нелинейных нейронов, является нелинейной. Нелинейность является чрезвычайно важным свойством, поскольку входной сигнал, подаваемый в НС, в случае установления прогнозных значений является нелинейным.
3. Отображение входной информации в выходную. Наиболее часто используется для обучения НС парадигма обучения с учителем. Настройка синаптических весов сети происходит на основе набора учебных примеров. Каждый пример состоит из параметров входного сигнала и соответствующего ему желаемого отклика. Из этого множества случайным образом выбирается пример, а НС модифицирует синаптические веса для минимизации расхождений желаемого выходного сигнала и формируемого сетью согласно выбранному статистическому критерию. Обучение проводится до тех пор, пока изменения синаптических весов не станут незначительными.
4. Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям входных сигналов. В частности, нейронные сети, обученные действовать с определенными сигналами, могут быть легко переучены для работы в условиях незначительных колебаний параметров.
5. Эксплуатация обученной нейронной сети не требует дополнительной подготовки пользователей и их высокой квалификации.
Кроме этого, нейросетевой метод моделирования не требует априорного задания вида исследуемой зависимости.
Процесс создания ИНС для решения задачи прогнозирования по данным входных измерений схематично показан на рисунке 3.1, который проходит в два основных этапа: определение архитектуры и обучение ИНС. Выбрать тип ИНС, задать ее конкретную архитектуру - это определить модель обрабатывающего элемента (нейрона), сеть связей (топологию и веса), число слоев в ИНС и управляющую структуру (включая алгоритм обучения). Выбор структуры ИНС осуществляется в соответствии с особенностями и сложностью задачи. Для решения задач определенных классов уже существуют оптимальные конфигурации ИНС, подробно описанные, например, в работах [83-85].
При синтезе новой конфигурации следует учитывать, что возможности ИНС возрастают с увеличением числа нейронов, плотностью связей между ними, числа слоев. Кроме того, введение обратных связей увеличивает возможности ИНС, однако влияет на ее динамическую устойчивость, а сложность алгоритмов функционирования ИНС и введение нескольких типов синапсов способствуют усилению ее мощности.
Основными проблемами использования ИНС являются: большое время, затрачиваемое на выбор оптимальной ИНС, результат обучения которой дает приемлемую ошибку обучения, а результат функционирования (на тесовой выборке) - приемлемую ошибку обобщения (прогноза); возможность переобучения ИНС. Переобучение - это чрезмерно точная подгонка, которая имеет место при слишком продолжительной работе алгоритма обучения со сложной (для данной задачи или для имеющегося объема данных) структурой ИНС. При этом ИНС с большим числом весов моделируют более сложные функции, поэтому и склонны к переобучению. Однако ИНС с небольшим числом могут оказаться недостаточно гибкими, чтобы смоделировать искомые зависимости, отражающие необходимые для оценки и прогнозирования причинно-следственные связи.
Обзор программ для имитации работы нейронных сетей
Создание сложных программных средств и информационно-вычислительных комплексов в основном ведется на основе объектно-ориентированного программирования (ООП), что позволяет сократить временные затраты и упростить процесс создания таких систем. Методология ООП направлена на проектирование системы, оценку возможных затрат перед ее созданием, выявление требований к системе. ООП позволяет использовать методы разработанные другими программистами, легко модифицировать и совершенствовать программные комплексы и системы. Появляются все новые технологии позволяющие упростить создание программных комплексов и использовать наработки других специалистов.
Разработаны различные методологии, технологии и способы графического описания моделей программных систем на основе ООП, например ОМТ (Object Modeling Technique), SA/SD (Structured Analysis/Structured Design), JSD (Jackson Structured Development), OSA (Object-Oriented System Analysis), COM (Component Object Model), DCOM (Distributed Component Object Model), CORBA (Common Object Request Broker Architecture).
Применен способ для построения программного комплекса на основе смешанного программирования, когда процедуры методов реализуются из специализированных библиотек, в частности библиотек среды CLIPS, а основная программная часть реализуется на объектно-ориентированном языке, при этом достигается максимальная эффективность построения программного комплекса. Для создания пакета прикладных программ также был привлечен ООП подход.
Данная подсистема должна позволять строить обучающие выборки, выбирать метод обучения и тип нейронной сети, иметь возможность задавать функции активации для нейронов. Перестраивать обученную сеть на тестовой и обучающей выборке, просматривать результаты тестов в графическом виде, оценивать среднеквадратическую погрешность.
Обзор программ для имитации работы нейронных сетей Существует множество программных систем реализующих имитацию работы и обучение нейронных сетей. Они служат для ностроения и изучения той или иной сети при решении какой-либо задачи пользователя. Данные программы предлагают исследователю набор алгоритмов обучения и средств оценки ошибок работы сети, при этом исследователь сам должен задать предварительно обучающие выборки (обычно в специализированных входных файлах) и саму сеть, выбрать количество нейронов, слоев, виды активационных функций. Это такие пакеты как Statistica Neural Networks, NeuroSolutions, NeuroWindows и др. Данные пакеты относятся к так называемым универсальным пакетам, позволяющим пользователю решать любые свои задачи, функциональность нейронной сети задается в обучающих выборках. При этом такие пакеты часто не позволяют учесть многие аспекты присуще данной предметной области. Кроме того, обладают меньшей мобильностью и компактностью, чем специализированные пакеты, которые предназначены для решения конкретных задач, например, задач распознавания образов, классификации, экономических задач, задач прогнозирования и т.д.
Проведен анализ существующих подходов заложенных в известных программных продуктах. Были рассмотрены следующие программные средства: NeuroOffice, Neural Bench, Neurolterator, Neuro Wizard и др. Данные программы позволяют создавать сети типа многослойный персептрон, и в целом характеризуются различными возможностями по выбору активационных функций нейронов и алгоритмов обучения. В качестве алгоритмов обучения в основном используются градиентные методы.
Программа NeuroBench позволяет создать нейронную сеть типа многослойный персептрон, для этого указывается число слоев нейронной сети, для каждого слоя указывается число нейронов и задается функция активации. При этом программа автоматически создает все связи, нейрон последующего слоя соответственно имеет число входов равное числу 134 нейронов предыдущего слоя. Возможно создание семи слоев в нейронной сети с максимальным числом нейронов в слое 128. Число нейронов в первом слое соответствует числу входов нейронной сети, каждый нейрон входного слоя имеет один вход. Обучающую выборку должен сформировать исследователь и записать в специальный входной файл. Кроме того, для проверки работы сети создается тестовая выборка. Результаты работы программы записываются в специальный выходной файл. В данном файле тестовому входному сигналу соответствует выходной сигнал, генерируемый сетью. Программа позволяет оценить общую среднюю ошибку работы сети, обучить сеть выбранным методом. В качестве методов обучения использованы градиентные методы обучения с применением различных правил. Программа не позволяет менять параметры активационных функций и просмотреть их поведение на графике. Нет возможности задания начальных значений весовых коэффициентов и просмотра коэффициентов, полученных при обучении. Невозможно просмотреть динамику изменения ошибки сети по всем входным данным. Проведенные опыты показали, что при создании трехслойной и двухслойной сети и обучении ее на тестовых примерах (спектр и концентрация) сеть выдает решение с большой относительной ошибкой. Входные и выходные данные были приведены к интервалу от 0 до 1, в качестве активационной функции была взята положительная сигмоидальная функция. Программа NeuroOffice имеет в своем составе два отдельных исполняемых модуля, NeuroView и NeuroEmulator. Первый из модулей позволяет создавать топологию сети на основе сети типа многослойный персептрон. Отличие от NeuroBench в том, что программа позволяет создавать и не полно-связные сети. Пользователь создает каждый нейрон и каждую связь собственноручно. При большом количестве нейронов это занимает много времени, но если необходимо создать нестандартную сеть, то данный программный продукт может быть использован. Программа NeuroEmulator предназначена для нроверки работы и обучения нейронной сети, построенной с помощью NeuroView.
