Файл: Диссертация на соискание ученой степени.docx

Наименьшая ошибка обучения наблюдается в случае использования первого варианта структуры нейро-нечеткого логического вывода (с количеством 5 функций принадлежности для каждой пары газов).

Данный пример демонстрирует возможность использования метода нечеткой кластеризации для определения вида функций принадлежностей в

задачах оценки технического состояния электросетевого оборудования. Итоги расчетов характеризуют метод нечеткой кластеризации как подходящий и дающий хорошие результаты для определения вида функций принадлежности в рамках рассматриваемой задачи.

Тип функций принадлежности и их количество оказывает существенное влияние на результаты работы системы оценки технического состояния электросетевого оборудования, поэтому для каждого объекта необходимо определить, в том числе расчетным путем, оптимальные вид и число функций принадлежности.

3. 
   Формированиеобучающей выборки
   

Как уже упоминалось, одним из преимуществ ИНС является возможность обучения. Для этого в системе нейро-нечеткого вывода формируется обучающая выборка. Репрезентативность (структурированность) обучающей выборки также влияет на результаты работы системы 87,88, поэтому, прежде чем перейти к использованию адаптивной системы нейро-нечеткого вывода, необходимо выполнить предварительный анализ обучающей выборки.

Формирование обучающей выборки для любой задачи, в том числе и задачи оценки технического состояния оборудования, сводится

---

к оптимизации этой выборки 89,90. Оптимальная обучающая выборка должна обладать тремя основными свойствами:

• 
  быть достаточной - число обучающих примеров должно быть достаточным для обучения;
  
• 
  быть разнообразной – иметь большое число разнообразных комбинаций вход-выход при учете, что все классы, характерные для исходного множества, будут представлены;
  
• 
  быть равномерной – примеры должны быть представлены приблизительно в одинаковых пропорциях.
  

Рассмотрим задачу формирования обучающей выборки на примере использования диагностических данных о состоянии оборудования. В этом случае обучающая выборка – это совокупность данных, полученных в ходе эксплуатации оборудования при участии экспертов для постановки диагнозов.

Для любого вида оборудования существует три варианта формирования обучающей выборки:

1. 
   В случае отсутствия достаточной ретроспективной информации в виде диагностических данных о рассматриваемом объекте (неполная и недостоверная информация) обучающая выборка формируется на основе диагностических данных по аналогичным объектам сопоставимой мощности и однотипной конструкции.
   
2. 
   При наличии диагностических данных о рассматриваемом объекте (неполная достоверная информация) обучающая выборка формируется на основе имеющихся диагностических данных с использованием диагностических данных по аналогичным объектам сопоставимой мощности и однотипной конструкции.
   
3. 
   Если информация представляется не диагностическими данными, а данными измерений без постановки диагнозов, например с датчиков (вибрации, газосодержания и влагосодержания в масле и т. п.) без алгоритмов контроля параметров (полная недостоверная информация), то такую информацию необходимо предварительно проверить на наличие «выбросов».
   

---

При обработке информации, полученной с различных измерительных приборов, зачастую приходится иметь дело с выбросами – измерениями, которые резко выделяются среди всей совокупности и не подчиняются теоретическому нормальному распределению. Природа таких выбросов может быть любая – неточность приборов, неправильный способ измерения и т. д,. Наблюдаются односторонние и двухсторонние отклонения, соответственно в меньшую и большую стороны 91.

Количество данных в выборке заранее неизвестно, так как в зависимости от объекта оно может варьироваться от десятков до сотен, поэтому анализ влияния данных обучающей выборки на результат работы системы выполнялся на основе нескольких наиболее часто используемых критериев 92:

1. 
   Критерий Романовского
   

---

Критерий "трех сигм" применяется для результатов измерений, распределенных по нормальному закону 92.

В ходе выполнения диссертационной работы оценивалось влияние каждого из критериев на результат работы системы нейро-нечеткого логического вывода. Результаты приведены в Табл. 15. Для анализа были выбраны данные, полученные с датчика газосодержания в масле силового трансформаторов мощностью 40 МВА и напряжением 110 кВ, состоящие из

78 измерений. В ходе анализа принимались во внимание следующие показатели:

• 
  количество выбросов в зависимости от критерия;
  
• 
  число пар случаев в выборке после исключения выбросов (обучающая выборка);
  
• 
  число элементов в тестовой выборке;
  
• 
  ошибка обучения и ошибка тестирования.
  

---

Тестовая выборка состояла из 40 случаев с датчика газосодержания в масле силового трансформаторов мощностью 40 МВА напряжением 110 кВ . Кроме перечисленных критериев рассматривалась также первоначальная выборка исходных значений.

В подразделе 3.3 данной работы уже был выполнен анализ функций принадлежности для представленной модели и в ходе практических расчетов было определено, что оптимальными функциями принадлежности для структуры нейро-нечеткого логического вывода на основе данных хроматографического анализа растворенных в масле газов являются пи- подобные функции принадлежности (Табл. 14).

Анализ влияния различных критериев на оценку фактического состояния электрооборудования показывает, что лучшие результаты по настройке системы (наименьшая ошибка обучения) и при проверке тестовой выборки наблюдаются при использовании критерия Романовского.

Худшие результаты, как и ожидалось, наблюдаются при использовании исходной выборки без применения каких-либо критериев, что еще раз

подчеркивает необходимость предварительной работы с данными перед использованием в системе оценки фактического состояния.

Таблица 15 – Влияние различных критериев на результат работы системы нейро-нечеткого логического вывода

№	Критерий	Выбросы, шт.	Число пар в выборке после исключ. выбросов, шт.	Число пар в тестируемой выборке, шт.	Ошибка обучен., %	Ошибка тест., %
1	Романовского	12	66	40	0,00006	0,83
2	Ирвина	1	77	40	0,05570	1,47
3	Смирнова	7	71	40	0,00360	0,97
4	3	7	71	40	0,00360	0,97
5	Исходная выборка		78	40	0,05640	2,23

---