Добавлен: 26.10.2023
Просмотров: 330
Скачиваний: 6
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
СОДЕРЖАНИЕ
Анализ влияния различных критериев на результаты работы системы нейро-нечеткого логического вывода выявил наибольшее число
«ошибочных» измерений в обучающей выборке при использовании критерия Романовского. Поэтому, несмотря на наименьшие ошибки тестирования и обучения при расчете, данный критерий не является оптимальным. При исключении «ошибочных» измерений и анализе полученной обучающей выборки стало ясно, что она не удовлетворяет требованиям равномерности и представительности.
Следующими значениями, дающими удовлетворительные результаты по критерию наименьших ошибок обучения и тестирования, являются значения, полученные в ходе использования критериев Смирнова и 3δ. Анализ обучающих выборок, полученных после исключения «ошибочных» измерений, приведенный для обоих критериев, выявил, что только при использовании критерия «3δ» выборка удовлетворяет всем трем требованиям
-
представительности, равномерности и непротиворечивости. В соответствии с изложенным, для дальнейших расчетов принимался критерий «3δ». Еще раз
напомним, что свойство равномерности характеризует равномерность распределения данных в обучающей выборке по диагнозам, свойство противоречивости – количество одинаковых объектов, принадлежащих к разным классам, свойство представительности является не только критерием наличия достаточного числа данных по каждому из диагнозов, но и критерием отсутствия повторяющихся данных.
Все вышесказанное говорит о том, что нельзя использовать в качестве критерия наилучшего решения только ошибки тестирования и обучения нейро-нечеткого логического
вывода. Дополнительно необходимо проанализировать, какие именно измерения система распознает в качестве
«ошибочных» и удовлетворяет ли полученная выборка (после исключения
«выбросов») всем перечисленным требованиям.
Удаление данных после обработки обучающей выборки выполняется только для данных третьего типа, которые относятся к классу «полная недостоверная» информация, так как эта информация является совокупностью данных, не имеющих конкретного диагноза (заключения) по каждому набору данных. Два других типа информации не нуждаются в проверке на наличие выбросов, так как условно мы принимаем, что эта информация уже обработана экспертами и выбросы уже были удалены ранее, а каждому набору данных присвоены свои диагнозы.
Представленный принцип формирования обучающей выборки применим для любой доступной информации об анализируемом объекте.
-
Сравнительныйанализснейроннойсетью
С целью оценки эффективности функционирования разработанной системы нейро-нечеткого логического вывода реализовано альтарнативное решение, основанное на искусственной нейронной сети типа трехслойного персептрона. Конфигурация модели подразумевает первый и третий слои для ввода и вывода информации, второй для ее хранения и обработки.
В качестве входных параметров приняты отношения концентраций пар газов, признанные в качестве основных обобщенных критериев состояния
силовых трансформаторов. Кодирование входных сигналов x1, x2 ,..., xn
происходит по допустимым диапазонам отношений пар газов в зависимости от их проявления или
не проявления в определенном диагнозе работоспособности (технического состояния). Диагностическая карта включает девять диагнозов, в том числе, один диагноз, характеризующий состояние как нормальное, четыре диагноза, связанных с электрическими дефектами, и четыре диагноза, идентифицирующие термические дефекты.
В качестве функции активации используется сигмоидальная функция активации (функция Ферми) следующего вида:
f( s)
1 ,
1 e2 ks
(28)
где s– выходной сигнал сумматора нейрона; k– константа, коэффициент сжатия функции. Преимуществом сигмоидальной функции активации является ее удобство в применении на практике за счет простого определения производной в аналитическом виде 93,94:
f'( s)
f( s)(1
f( s)).
(29)
Выходной сигнал сумматора каждого нейрона представляет собой скалярную величину суммарно взвешенного входного сигнала:
M
s f( s)
uw ,
(30)
i1
i i
где M– количество входов, ui
-
входной сигнал со входа i, wi -
вес входа i.
Итогом работы нейронной сети является нелинейная модель вида
1 2 n
Y F x, x,..., x,W1 ,W1...WK,
(30)
где K – количество матриц весовых коэффициентов связей между нейронами разных слоев.
При наличии Vпар входных и выходных параметров, представляющих собой обучающую выборку задача, обучение нейронной сети сводится в решению оптимизационной задачи минимизации суммы квадратичных отклонений:
v1
F xv v
n
,..., xv
,W1 ,W1...WK
yˆ v2
min ,
(31)
, x
1 2
где
yˆv
-
требуемое эталонное значение выходного сигнала 95.
Оптимизация выполнена методом градиентного спуска путем определения приращений пространства весовых коэффициентов и движения в направлении противоположном градиенту.
Показатели эффективности применения системы нейро-нечеткого логического вывода и нейронной сети приведены в Табл. 16
Таблица 16 – Показатели эффективности работы системы нейро-нечеткого логического вывода и нейронной сети
| Отношение концентраций газов | Нейро-нечеткий логический вывод | Нейронная сеть | ||
| Средняя ошибка обучения, % | Средняя ошибка обучения, % | |||
| Электрич. дефект | Термич. дефект | Электрич. дефект | Термич. дефект | |
| С2Н2/С2Н4 | 0,046 | 0,047 | 1,300 | 0,900 |
| СН4/Н2 | ||||
| С2Н4/С2Н6 | ||||
Как видно из Табл. 16 наименьшая ошибка обучения наблюдается в случае использования в разработанной моделе структуры нейро-нечеткого логического вывода (как в случае определения электрического, так и термического дефектов в трансформаторе). Расчетные показатели свидетельствуют о преимуществе использования нейро-нечеткого логического вывода над методом искусственных нейронных сетей.
-
Определениерезультирующейоценкитехническогосостоянияпростогообъекта электрическойсети
В результате оценки технического состояния каждого элемента оборудования на основе расчета средневзвешенных оценок и с помощью функций принадлежности формируется итоговая оценка для определения состояния подобъекта
Рассмотрим общий принцип формирования оценки технического состояния подобъекта. В данном случае функции принадлежности LR-типа
(треугольной формы):
i( x) R a; c , где R- множество действительных
чисел, a, c
-
диапазон изменения параметров переменной, b- наиболее
возможное значение переменной, которое задается аналитической формулой:
0, x a
x a
x b a
i c x
, a x b
(32)
, b x c
c b
0, c x
В результате оценки состояния объекта определяется принадлежность объекта к одному из трех состояний (Рис. 38):
-
исправное состояние D1 , когда объект полностью отвечает всем
техническим требованиям. Исправное состояние всегда является работоспособным;
-
неисправное, но работоспособное состояние D2 , когда техническим
требованиям соответствуют лишь те свойства объекта, которые характеризуют его способность выполнять заданные функции;
-
предельное состояние D3 – состояние объекта, при котором его
дальнейшая эксплуатация недопустима или нецелесообразна по причинам опасности, экономическим или экологическим [50].
В разработанной системе оценки состояния оборудования алгоритм Такаги-Сугено используется для предварительной классификации неисправностей объекта или определения его состояния. Обобщенная оценка состояния подобъекта определяется на основе средневзвешенной балльной оценки его элементов (частные оценки) с применением шкалы относительной