Синтез нейронної мережі для багатоканальної діагностики елементів конструкції в експлуатації

Abstract

Для виявлення пошкодження в елементах конструкцій в експлуатації запропоновано використання систем моніторингу на основі концепції SHM, які забезпечують контроль життєвого циклу об‘єкту для його надійної та безпечної експлуатації. Наведена функціональна схема комплексної інформаційної системи моніторингу, обґрунтовано сучасний підхід організації моніторингу з використанням інтелектуального компоненту – штучних нейронних мереж, які надають можливість реалізувати процес організації паралельності потоків інформації багатоканальної системи. Наведені приклад функціональної схеми системи моніторингу резервуарів з еколого- небезпечними речовинами та схема практичного використання нейронних мереж при вирішені реальної задачі класифікації та розпізнавання. Наведено загальну схему та структуру класифікатора стану системи моніторингу для вирішування завдання визначення технічного стану об’єкту контролю. Для розпізнавання стану елементів конструкції за результатами аналізу діагностичної інформації розроблено класифікатор на основі ймовірнісної нейронної мережі PNN, архітектура якої складається з двох шарів: з радіально-базисними нейронами в першому шарі та шару конкуренції. Встановлені класи для станів об’єкту контролю та відповідні параметри для кожного з них. Сформовано навчальну множину, яка покладена в основу навчання «з учителем», для кожного класу класифікатора системи діагностування. Наведено масив навчальних векторів у матричному вигляді. Сформовано різні типи тестових множин векторів, щоб визначити доцільність та ефективність використання побудованої нейронної мережі. Визначено вектор індексів класів та повну матрицю зв’язності нейронної мережі, що встановлюють приналежність вхідного масиву інформації до відповідного цільового класу. Наведено блок-схеми нейронної мережі багатоканальної діагностики в програмному середовищі Matlab, складовими якої є два шари, вхідні та вихідні масиви даних і матриці ваг. Встановлено кількість нейронів кожного шару побудованої ймовірнісної мережі PNN багатоканальної діагностики.

Для выявления повреждения в элементах конструкций в эксплуатации предложено использование систем мониторинга на основе концепции SHM, которые обеспечивают контроль жизненного цикла объекта для его надежной и безопасной эксплуатации. Приведена функциональная схема комплексной информационной системы мониторинга и обоснован современный подход организации мониторинга с использованием интеллектуального компонента . искусственных нейронных сетей, которые предоставляют возможность реализовать процесс организации параллельности потоков информации многоканальной системы. Приведены пример функциональной схемы системы мониторинга резервуаров с эколого-опасными веществами и схема практического использования нейронных сетей при решении реальной задачи классификации и распознавания. Приведена общая схема и структура классификатора состояния системы мониторинга для решения задачи определения технического состояния объекта контроля. Для распознавания состояния элементов конструкции по результатам анализа диагностической информации разработан классификатор на основе вероятностной нейронной сети PNN, архитектура которой состоит из двух слоев: с радиально-базисными нейронами в первом слое и слоя конкуренции. Установлены классы для состояний объекта контроля и соответствующие параметры для каждого из них. Сформировано обучающее множество, которое положено в основу обучения «с учителем», для каждого класса классификатора системы диагностирования. Приведены массивы обучающих векторов в матричном виде. Сформированы различные типы тестовых множеств векторов для определения целесообразности и эффективности использования построенной нейронной сети. Определены вектор индексов классов и полная матрица связности нейронной сети, устанавливающие принадлежность входного массива информации соответствующему целевому классу. Приведены блок-схемы нейронной сети многоканальной диагностики в программной среде Matlab, составляющими которой являются два слоя, входные и выходные массивы данных и матрицы весов. Установлено количество нейронов каждого слоя построенной вероятностной сети PNN многоканальной диагностики.

The process of identifying damage to the structural elements in operation proposed use of a monitoring systems based on the concept of SHM that providing the structural health monitoring for its safe and reliable operation. The functional diagram of an integrated information system for monitoring and reasonably modern approach to the organization of monitoring the use of intelligent components - artificial neural networks, which provide the opportunity to realize the process of organizing information flows parallel multi-channel system. An example of a functional circuit monitoring system tanks ecological and hazardous substances and the scheme of the practical use of neural networks for solving the real problem of classification and recognition. Provides an overview of the status and structure of the classifier monitoring system to address the problem of determining the technical condition of the object of control. To detect the state of structural elements according to the analysis of diagnostic information developed probabilistic classifier based on a neural network PNN, whose architecture consists of two layers: a radially-basic neurons in the first layer and the layer of competition. Established classes for object state control and the corresponding parameters for each of them. Formed training set, which forms the basis of learning "teacher", for each class of classifier system diagnostics. Arrays are given training vectors in matrix form. Formed by different types of sets of test vectors to determine the feasibility and effectiveness of the built neural network. Determine the vector of indices of classes and a full array of connectivity of the neural network, establish membership input array information corresponding to the target class. A block diagram of a neural network diagnostic multichannel environment Matlab software, components of which are two layers, the input and output arrays and the weight matrix. Established the number of neurons of each layer constructed probabilistic network PNN multichannel diagnostics.