employee
Institute of Design-Technological Informatics of RAS (Senior scientific assistant)
employee
Moskva, Moscow, Russian Federation
GRNTI 55.01 Общие вопросы машиностроения
GRNTI 55.13 Технология машиностроения
The purpose of the work consists in the im-provement of known control methods of automated control system working capacity. A possibility for con-trol of automated control system working capacity based on artificial neural networks (ANN) is shown. ANN must be taught. ANN training requires a large training sample, substantial costs, computer resources, time and has high labor intensity. Methods of investigation are modeling, methods of artificial intelligence, artificial neural networks. As a result of the investigation there is devel-oped and investigated a method of automated control system (ACS) working capacity control with the use of a neural network.
artificial neural network, training sample, efficient condition, inoperable state, failure, device for working capacity control.
Контроль работоспособности относится к задачам надежности. С точки зрения теории надежности существуют работоспособные и неработоспособные состояния автоматизированных систем управления (АСУ). Цель контроля работоспособности - определить, в каком состоянии находится АСУ: работоспособном или неработоспособном. Контроль работоспособности позволяет обнаружить отказ АСУ. Отказы АСУ могут быть аппаратными, программными или аппаратно-программными. В статье рассмотрены отказы технических средств АСУ. Современные АСУ включают большое количество устройств, и отказы этих устройств по-разному влияют на работоспособность АСУ.
Цель автоматизации - это повышение производительности оборудования и качества выпускаемой продукции. К современным АСУ оборудованием и технологическими процессами в машиностроении предъявляются высокие требования по надежности и работоспособности. Традиционным способом повышения надежности является резервирование, введение избыточных элементов, компонентов, составных частей. Частичное или полное резервирование АСУ вызывает существенный рост стоимости, энергопотребления и других эксплуатационных параметров. Для решения задачи контроля работоспособности АСУ можно использовать либо экстенсивные способы, либо интенсивные. На современном этапе поставлена задача экономии ресурсов и разработки новых интенсивных способов контроля работоспособности АСУ.
Перспективным и новым научным направлением является применение методов искусственного интеллекта и искусственных нейронных сетей (ИНС) для прогнозирования и оценки надежности программных средств АСУ [1-16]. Предложено новое применение разработанных методов - для контроля работоспособности технических средств АСУ.
Объект, цель, задачи исследования
Объект исследования - технические средства АСУ оборудованием и технологическими процессами в машиностроении.
АСУ оборудованием и технологическими процессами в машиностроении выполняют функции, которые представлены на рис. 1. Многочисленные функции АСУ были разделены на две группы:
- функции, связанные с задачами управления в реальном времени;
- функции, реализуемые в режиме буферизации данных.
Показано, что контроль работоспособности АСУ относится к задачам управления в реальном времени.
Обобщенная структура АСУ оборудованием и технологическими процессами в машиностроении приведена на рис. 2.
В состав АСУ входят следующие технические средства (рис. 2): персональные компьютеры (ПК), компьютерные и промышленные сети, программируемые логические контроллеры (ПЛК), датчики, управляющие механизмы и др. Объекты управления - это технологические линии, технологические процессы, оборудование предприятий машиностроения (станки, роботы, транспортеры) и др.
ПЛК и промышленная сеть реализуют задачи управления в реальном времени на нижнем уровне АСУ. ПК и компьютерная сеть реализуют задачи управления на верхнем уровне АСУ.
Цель исследования - совершенствование известных способов контроля работоспособности автоматизированных систем управления.
Методы исследования - моделирование, методы искусственного интеллекта и искусственных нейронных сетей.
Для достижения поставленной цели были определены задачи исследования:
- Анализ известных способов контроля работоспособности АСУ.
Разработка и исследование нового способа контроля работоспособности АСУ на базе искусственных нейронных сетей.
Анализ известных способов контроля работоспособности АСУ
Известны следующие основные способы контроля сигналов работоспособного состояния: абсолютный, последовательный и адаптивный.
При абсолютном способе контроля вычисляют среднее значение контрольного сигнала:
где yi(ti) - отсчеты контрольного сигнала в моменты времени ti; n - объем выборки.
Затем среднее значение контрольного сигнала сравнивают с заданным пороговым значением Uп с учетом допуска [17].
Абсолютный способ контроля сигнала имеет следующий недостаток. Под действием различных факторов (в том числе колебаний напряжения питания, электромагнитных помех, погрешности измерений) происходят случайные изменения уровня контрольного сигнала. Воздействие дестабилизирующих факторов приводит к выходу среднего значения за границы допуска, снижает эффективность контроля работоспособного состояния, приводит к ложному обнаружению отказа.
При последовательном способе контроля сигнала вычисляют значение решающей статистики Si:
где Si - значение решающей статистики; Λi - отношение правдоподобия; i=1...n - индекс.
Отношение правдоподобия Λi рассчитывается по формуле
где W1(∙), W2(∙) - плотности распределения вероятностей сигнала соответственно в работоспособном и неработоспособном состояниях; yi - отсчеты контрольного сигнала в моменты времени ti; q1, q2 - средние уровни контрольного сигнала соответственно в работоспособном и неработоспособном состояниях; 
- интервал времени между отсчетами контрольного сигнала.
В работоспособном состоянии вычислительной системы значение Si выше порога. Значение решающей статистики сверху ограничивают пороговым значением.
При отказах решающая статистика Si уменьшается до нуля и затем принимает отрицательное значение. Значение решающей статистики снизу ограничивают нулем.
Последовательный способ контроля сигналов имеет следующие недостатки:
1. Устройство контроля необходимо настраивать на средние значения сигнала в работоспособном и неработоспособном состояниях q1 и q2. Требуется указать среднее значение контрольного сигнала до и после отказа, что не всегда возможно.
2. При приеме контрольного сигнала на фоне интенсивных помех устройство может принимать ложное решение.
3. При отказе может меняться закон распределения контрольного сигнала, а также параметры его статистического распределения.
Адаптивный способ контроля сигналов использует оценку среднего значения [см. формулу (1)] в сочетании с последовательным способом контроля сигнала [см. формулу (2)].
Адаптивный способ контроля сигналов имеет следующие недостатки:
- Решение о неработоспособном состоянии принимается с запаздыванием, вызванным накоплением решающей статистики.
- Разность оценок среднего уровня сигнала в неработоспособном и работоспособном состояниях (q2 -q1) может уменьшиться, устройство контроля может пропустить отказ.
- Адаптация допустима только на заданном интервале значений контрольного сигнала.
В АСУ количество контролируемых сигналов измеряется сотнями и тысячами. Для каждого сигнала требуется реализовать устройство контроля, что увеличивает затраты и снижает эффективность сложных способов контроля работоспособного состояния вычислительной системы.
Предлагается использовать абсолютный способ контроля сигналов.
Для контроля работоспособного состояния АСУ предлагается использовать ИНС.
Разработка и исследование нового способа контроля работоспособности АСУ на базе методов искусственного интеллекта и искусственных нейронных сетей
Разработан новый способ контроля работоспособности АСУ. Он основан на применении обученной искусственной нейронной сети со слоистой структурой и включает следующие этапы:
- Составляют перечень функций, которые реализует АСУ.
- В АСУ выделяют составные части, подсистемы (рис. 3). Для каждой составной части определяют контролируемые входные и выходные сигналы, перечень реализуемых функций. Уровни контролируемых входных и выходных сигналов характеризуют способность подсистемы выполнять все заданные функции.
- Создают математические модели для контроля работоспособности подсистем АСУ. Математическая модель устанавливает зависимость между уровнями контролируемых входных xij и выходных yij сигналов и логической переменной Fi, которая описывает работоспособное или неработоспособное состояние i-й подсистемы:
Математическая модель контроля работоспособности реализована в виде алгоритма. Блок-схема алгоритма вычисления функции 
приведена на рис. 4. В алгоритме min и max - соответственно нижняя и верхняя границы изменения входных и выходных сигналов i-й подсистемы в работоспособном состоянии
По значениям логических переменных Fi вычисляется функция S, которая описывает работоспособное или неработоспособное состояние АСУ:
- По математическим моделям формируют обучающую выборку для ИНС в автоматическом режиме, без участия человека. Обучающая выборка представляет собой набор пар входы-выходы, элементами которых являются векторы входных данных для искусственной нейронной сети и векторы выходов искусственной нейронной сети в результате ее функционирования.
- По обучающей выборке строится искусственная нейронная сеть, которая по входным и выходным сигналам подсистем способна определить работоспособность или отказ АСУ (рис. 5).
Нейронная сеть может быть реализована аппаратно, программно или аппаратно- программным способом. Выбрана аппаратно-программная реализация ИНС. Нейронная сеть позволяет выполнять параллельную обработку информации и принимать решение на основе обучающей выборки.
Размер искусственной нейронной сети зависит от сложности АСУ и может быть достаточно большим. В связи с этим возникает проблема обучения большой искусственной нейронной сети. Обучение искусственной нейронной сети проводится на обучающей выборке по слоям. В настоящее время формирование обучающих примеров выполняется в ручном режиме, что чрезвычайно трудоемко. Автоматизация процесса обучения искусственной нейронной сети является актуальной задачей. Для решения этой задачи разработан новый способ обучения искусственной нейронной сети, который включает два этапа.
На первом этапе используется математическая модель для контроля работоспособного состояния АСУ (3, 4), по которой создается обучающая выборка в автоматическом режиме, без участия человека.
На втором этапе по обучающей выборке строится искусственная нейронная сеть, которая по входным и выходным сигналам подсистем способна определить работоспособность и отказ АСУ.
Заключение
Разработан новый способ контроля работоспособности АСУ. Он основан на применении обученной искусственной нейронной сети со слоистой структурой и включает следующие этапы:
- Составляют перечень функций, которые реализует АСУ.
- В АСУ выделяют подсистемы, которые реализуют все перечисленные функции. Для каждой подсистемы определяют контролируемые входные и выходные сигналы. Уровни контролируемых входных и выходных сигналов характеризуют способность подсистемы выполнять все заданные функции. Определяют нижнюю и верхнюю границы контролируемых входных и выходных сигналов в работоспособном состоянии. Выход сигналов за определенные границы является признаком отказа подсистемы.
- Создают математические модели для контроля работоспособности подсистем АСУ. Математическая модель связывает уровни контролируемых входных и выходных сигналов и работоспособное или неработоспособное состояние подсистемы.
- По математическим моделям формируется обучающая выборка для ИНС в автоматическом режиме, без участия человека. Обучающая выборка представляют собой набор пар входы-выходы, элементами которых являются векторы входных данных для искусственной нейронной сети и векторы выходов искусственной нейронной сети в результате ее функционирования.
- По обучающей выборке строится искусственная нейронная сеть, которая по входным и выходным сигналам подсистемы способна определить ее работоспособность или отказ.
Нейронная сеть реализована аппаратно-программным способом. Она позволяет выполнять параллельную обработку информации и контролировать работоспособность АСУ.
1. Kabak, I.S. Sozdanie bol'shih apparatno-programmnyh neyronnyh setey dlya sistem upravleniya / I.S. Kabak // Aviacionnaya promyshlennost'. - 2012. - № 4. - S. 57-61.
2. Kabak, I.S. Matematicheskaya model' dlya prognozirovaniya i ocenki nadezhnosti programmnogo obespecheniya / I.S. Kabak // Vestnik MGTU «Stankin». - 2014. - № 1 (28). - S. 123-126.
3. Kabak, I.S. Tehnologiya realizacii avtomatizirovannyh sistem upravleniya na baze bol'shih iskusstvennyh neyronnyh setey MODUS-NS / I.S. Kabak, N.V. Suhanova // Mezhotraslevaya informacionnaya sluzhba. - 2012. - № 4. - S. 43-47 .
4. Neyronnaya set': pat. na polez. model' № 66831: prioritet 02.04.07 / Kabak I.S., Suhanova N.V. // Byul. izobret. i PM. - 3 c.
5. Domennaya neyronnaya set': pat. na polez. model' № 72084: prioritet 03.12.07 / Kabak I.S., Suhanova N.V. // Byul. izobret. i PM. - 3 c.
6. Modul'naya vychislitel'naya sistema: pat. na polez. model' №75247: prioritet 26.12.08 / Kabak I.S., Suhanova N.V. // Byul. izobret. i PM. - 5 c.
7. Kabak, I.S. Apparatnaya realizaciya associativnoy pamyati proizvol'nogo razmera / I.S. Kabak, N.V. Suhanova // Vestnik MGTU «Stankin». - 2010. - № 1. - S. 135-139.
8. Kabak, I.S. Primenenie neyronnyh setey pri diagnostike sostoyaniya rezhuschego instrumenta / I.S. Kabak, N.V. Suhanova, A.M. Gadelev // Izvestiya Kabardino-Balkarskogo gosudarstvennogo universiteta. - 2012. - T. 2. - № 4. - S.77-79.
9. Kabak, I.S. Metodika primeneniya apparata neyronnyh setey dlya resheniya zadach diagnostiki processa rezaniya / I.S. Kabak, N.V. Suhanova, A.M. Gadelev // Vestnik MGTU «Stankin». - 2012. - № 4 (22). - S. 130-133.
10. Kabak, I.S. Sistema diagnostiki tehnologicheskogo processa rezaniya s ispol'zovaniem apparata neyronnyh setey / I.S. Kabak, A.M. Gadelev // Mehatronika, avtomatizaciya, upravlenie. - 2012. - № 10. - S. 25-29.
11. Mnogosloynaya modul'naya vychislitel'naya sistema: pat. na izobret. № 2398281: prioritet 07.11.08 / Solomencev Yu.M., Sheptunov S.A., Kabak I.S., Suhanova N.V. // Byul. izobret. i PM. - 5 c.
12. Solomencev, Yu.M. Povyshenie bystrodeystviya superkomp'yutera za schet optimizacii informacionnogo mezhprocessornogo trafika / Yu.M. Solomencev, S.A. Sheptunov, I.S. Kabak, N.V. Suhanova // Izvestiya Kabardino-Balkarskogo gosudarstvennogo universiteta. -2012. - T. 2. - № 4. - S. 71-73.
13. Stepanov, S.Yu. Algoritm fragmentacii bol'shih neyronnyh setey i issledovanie ego shodimosti / S.Yu. Stepanov, I.S. Kabak // Informacionnye tehnologii. - 2012. - № 7. - S. 73-78.
14. Sheptunov, S.A. Optimimization of the Complex Software Reliability of Control Systems / S.A. Sheptunov, M.V. Larionov, N.V. Sukhanova, I.S. Kabak, D.A. Alshinbaeva // IEEE Conference on Quality Management, Transport and Information Security, Information Technologies. - 2016. - P. 225-228.
15. Sheptunov, S.A. Simulating of Reliability of Robotics System Software on Basis of Artificial Intelligence / S.A. Sheptunov, M.V. Larionov, N.V. Sukhanova, M.R. Salakhov, Y.M. Solomentsev, I.S. Kabak // IEEE Conference on Quality Management, Transport and Information Security, Information Technologies. - 2016. - R. 220-224.
16. Solomentsev, Yu.M. Assessing the Reliability of CAD Software by Means of Neural Networks / Yu.M. Solomentsev, I.S. Kabak, N.V. Sukhanova // Russian Engineering Research. - 2015. - № 12.
17. Tihonov, V.I. Statisticheskaya radiotehnika / V.I. Tihonov. - 2-e izd., pererab. i dop. - M.: Radio i svyaz', 1982. - 624 s.
18. Nikiforov, I.V. Primenenie kumulyativnyh summ dlya obnaruzheniya izmeneniya harakteristik sluchaynogo processa / I.V. Nikiforov // Avtomatika i telemehanika. - 1979. - № 2. - S. 48-58.
