Современная электроника №5/2022

ПРОЕКТИРОВАНИЕ И МОДЕЛИРОВАНИЕ 43 WWW.SOEL.RU СОВРЕМЕННАЯ ЭЛЕКТРОНИКА ◆ № 5 2022 машинного обучения (ML) для ранне- го прогнозирования неисправностей центробежного насоса в нефтегазовой отрасли [5]. Cheng H. , Kong X. , Chen G. , Wang Q. и Wang R. предложили метод для прогнозирования оставшегося сро- ка полезного использования при мно- жественных отказах системы, используя переносимуюсверхточнуюнейронную сеть (TCNN) для изучения инвариантных функций домена [12]. Atma Ram Sahu , Sanjay Kumar Palei продемонстриро- вали подход к прогнозированию неис- правностей в системе с использовани- еммногослойного персептрона (MLP) в ИНС, а также данных о причинах, сим- птомах и неисправностях за последние два года, записанных с помощьюдатчи- ка, журнала и визуального осмотра [13]. Методы, применённые при разработке системы прогнозирования В реальных системах сбор и обработ- ка данных, используемых для машин- ного обучения, исторически должны выполняться относительно интересую- щей проблемы, например, сбоя обору- дования. Определяя, когда конкретное оборудование вышло из строя, можно собрать предварительный набор дан- ных, содержащий данные датчиков. Далее обрабатываются данные для получения подходящей выборки для обучения нейронной сети. В этой работе представлены 3 вида данных для обучения нейронной сети: линейные данные, нелинейные данные, исключающие «или» данные с 15 пара- метрами и более 7000 показаний [14]. Использовалось 3 вида оптимизации: метод роя частиц, алгоритм светлячков, стохастический градиентный спуск. Цель данной работы – сравнить результаты алгоритмов и найти более подходящие алгоритмы для обучения нейронной сети при небольшом объ- ёме данных, что позволяет применять методы прогнозирования в технологи- ческих процессах. Метод роя частиц Оптимизация роя частиц (PSO) – это метаэвристика, введённая Кеннеди и Эберхартом [15]. PSO поддерживает набор решений, которые итератив- но обновляются для перемещения в пространстве поиска. Математиче- ские формулы применяются к скоро- сти и положению каждой частицы. Ско- рость частицы определяет, насколько быстро частица перемещается в про- странстве поиска, в то время как поло- жение частицы представляет собой решение исследуемой проблемы. Рас- чёты на каждой итерации основаны на двух ранее найденных позициях. Ско- рость частицы вычисляется на каждой итерации по следующему уравнению: , где t – текущая итерация, x i ( t ) – текущее положение частицы в измерении i , v i ( t ) – текущая скорость частицы в размер- ности i , y i (t) – лучшее положение теку- щей частицы в измерении i , – лучшая позиция в измерении i , ω – инерцион- ный член, который применяет часть предыдущей скорости к следующей скорости, c 1 – когнитивный компонент, который влияет на эффект личного наи- лучшего найденного положения, c 2 – обобщённый компонент, который вли- яет на эффект глобального наилучшего найденного положения, а r 1 и r 2 – слу- чайные значения в диапазоне [0, 1]. [19] Алгоритм светлячка Алгоритм светлячка (FA) был осно- ван на образцах мигания и поведении светлячков [13]. FA использует следую- щие три идеализированных правила: ● cветлячки однополые, поэтому одно- го светлячка привлекают другие свет- лячки независимо от их пола; ● привлекательность пропорциональ- на яркости, и оба параметра умень- шаются по мере увеличения рассто- яния. Таким образом, для любых двух мигающих светлячков более яркий будет двигаться к более яркому. Если нет более яркого светлячка, чем кон- кретный светлячок, он будет переме- щаться случайным образом; ● яркость светлячка определяется ланд- шафтом целевой функции. Поскольку привлекательность свет- лячка пропорциональна интенсивно- сти света, наблюдаемого соседними светлячками, можно определить изме- нение привлекательности β с расстоя- нием r следующим образом: β = β 0 e −γ r 2 , где β 0 – привлекательность при r = 0. Движение светлячка i , притягиваю- щегося к другому, более привлекатель- ному (более яркому) светлячку j , опре- деляется следующим образом: ,(2.3) где вторая часть обусловлена притяже- нием. Третья часть – это рандомизация, где α t является параметром рандомиза- ции, а – вектор случайных чисел, взя- тых из распределения Гаусса или рав- номерного распределения в момент времени t . Если β 0 = 0, это становит- ся простым случайным блужданием. С другой стороны, при γ = 0 FA сводит- ся к варианту оптимизации роя частиц. Кроме того, рандомизациюможно лег- ко распространить на другие распреде- ления, такие как рейсы Леви [17]. Стохастический градиентный спуск Это итерационный метод оптимиза- ции целевой функции с подходящими свойствами гладкости. Его можно рас- сматривать как стохастическое прибли- жение оптимизации градиентного спу- ска, поскольку оно заменяетфактический градиент (вычисленный из всего набо- ра данных) его оценкой (вычисленной из случайно выбранногоподмножества данных). Это снижает вычислительную нагрузку, особенно в задачахоптимиза- циибольшойразмерности, обеспечивая более быстрые итерации для более низ- кой скорости сходимости [18, 19]. Результаты работы В ходе исследования были созданы и обучены разные нейронные сети для разных задач (прогнозирование, линейные и нелинейные задачи) и получены следующие результаты. Было выявлено, что метод роя частиц обучается быстрее (требует меньше итераций), чем остальные два метода в линейных задачах с маленьким про- странством, но при использовании метода для обучения модуля прогнози- рования результаты PSO были намно- го хуже, чем результаты FA и SGD. По результатам исследования PSO является плохим вариантом при обучении с боль- шим количеством характеристик (вхо- дов) и маленькой обучающей выборкой. FA дал лучшие результаты для таких задач, как исключающие «или». Разни- ца увеличивается при большом количе- стве входов, при маленьком наборе дан- ных FA не смог обучиться. Для задачи прогнозирования FA обучался быстрее и давал более точные результаты. Заключение Всё чаще в промышленности ищут более эффективные способы плани- рования обслуживания. Прогнозиро- вание сбоев помогает создавать более эффективный график обслуживания оборудования, что снижает затраты. В интеллектуальной индустрии более точное предсказывание наблю- (2.1)