Применение карт Кохонена при диагностике состояния трубопровода и состава его содержимого

Бабурин Сергей Васильевич,

кандидат технических наук, доцент кафедры электротехники, электроэнергетики, электромеханики,

Асадов Расим Тарих оглы,

студент кафедры электротехники, электроэнергетики, электромеханики.

Национальный минерально-сырьевой университет «Горный».

С развитием новых технологий в промышленности мы ярко видим процесс роста производительности и эффективности труда. Для увеличения производительных сил появляется автоматизация. Это новая и перспективная модель производственного процесса. Благодаря автоматизации мы сводим к минимуму участие человека в процессах получения, преобразования, использования материалов, энергии, информации. Но, чтобы полностью исключить человека из производственного процесса, надо чтобы в производстве, весь цикл описывался точно заданной последовательностью однозначно понимаемых операций. Однако есть и процессы, в которых присутствие человека неизбежно, так как необходим разум, умение ориентироваться в условиях и находить решение неформализуемых задач. Фомализованные задачи выполняют непосредственно автоматы, а неформализованные – человек.

На данный момент стоит проблема автоматизации сложных процессов, которые, как правило, не имеют адекватного математического описания, зашумлены, из-за чего традиционные методы подходов малоэффективны. Однако, имея методы и алгоритмы, мы сталкиваемся с такой проблемой как скорость и качество обработки информации данных. Рассмотрим для примера нефтедобычу. Как мы знаем, чтобы определить состав и качество нефти надо ее исследовать (исследует человек, беря пробу), тем самым эффективность времени падает. Проблема заключается в нехватке математического описания, алгоритма. В данном случае, чтобы минимизировать человеческий труд и потери на время, предлагается рассмотреть нейронные сети, самоорганизующиеся карты Кохонена.

Введение

В настоящее время мы видим, что искусственные нейронные сети используются во многих областях, но прежде чем применить их, мы должны хорошенько подумать и предоставить максимально точные данные. В данной статье мы рассмотрим самоорганизующиеся карты Кохонена, ее возможности, так же положительные и отрицательные стороны.

Самоорганизующаяся карта Кохонена – одна из разновидностей нейронной сети, которая обучается без учителя (используют неконтролируемое обучение), выполняющая задачу визуализации и кластеризации. Можно сказать, она учится понять структуру данных. Идея сети предложена финским учёным Таево Калеви Кохоненом. Является методом проецирования многомерного пространства в пространство с более низкой размерностью, применяется также для решения задач моделирования, прогнозирования и др. Является одной из версий нейронных сетей Кохонена [1].

Задачи, решаемые при помощи карт Кохонена

Самоорганизующиеся карты могут использоваться для решения таких задач, как прогнозирование, моделирование, поиск закономерностей в массивах данных, выявление наборов независимых признаков. Наиболее распространенное применение сетей Кохонена - решение задачи классификации без учителя, т.е. кластеризации.

Напомним, что при такой постановке задачи нам дан набор объектов, каждому из которых сопоставлена строка таблицы (вектор значений признаков). Требуется разбить исходное множество на классы, т.е. для каждого объекта найти класс, к которому он принадлежит. В результате получения новой информации о классах возможна коррекция существующих правил классификации объектов.

Два из распространенных применений карт Кохонена: разведочный анализ данных и обнаружение новых явлений.

Разведочный анализ данных.

Сеть Кохонена способна распознавать кластеры в данных, а также устанавливать близость классов. Таким образом, пользователь может улучшить свое понимание структуры данных, чтобы затем уточнить нейросетевую модель. Если в данных распознаны классы, то их можно обозначить, после чего сеть сможет решать задачи классификации. Сети Кохонена можно использовать и в тех задачах классификации, где классы уже заданы, - тогда преимущество будет в том, что сеть сможет выявить сходство между различными классами.

Обнаружение новых явлений.

Сеть Кохонена распознает кластеры в обучающих данных и относит все данные к тем или иным кластерам. Если после этого сеть встретится с набором данных, непохожим ни на один из известных образцов, то она не сможет классифицировать такой набор и тем самым выявит его новизну.

Обучение сети Кохонена

Сеть Кохонена, в отличие от многослойной нейронной сети, очень проста; она представляет собой два слоя: входной и выходной. Ее также называют самоорганизующейся картой. Элементы карты располагаются в некотором пространстве, как правило, двумерном. Сеть Кохонена изображена на рисунке 1.

Рис. 1. Сеть Кохонена.

Сеть Кохонена обучается методом последовательных приближений. В процессе обучения таких сетей на входы подаются данные, но сеть при этом подстраивается не под эталонное значение выхода, а под закономерности во входных данных. Начинается обучение с выбранного случайным образом выходного расположения центров.

В процессе последовательной подачи на вход сети обучающих примеров определяется наиболее схожий нейрон (тот, у которого скалярное произведение весов и поданного на вход вектора минимально). Этот нейрон объявляется победителем и является центром при подстройке весов у соседних нейронов. Такое правило обучения предполагает «соревновательное» обучение с учетом расстояния нейронов от «нейрона-победителя».

Обучение при этом заключается не в минимизации ошибки, а в подстройке весов (внутренних параметров нейронной сети) для наибольшего совпадения с входными данными.

Основной итерационный алгоритм Кохонена последовательно проходит ряд эпох, на каждой из которых обрабатывается один пример из обучающей выборки. Входные сигналы последовательно предъявляются сети, при этом желаемые выходные сигналы не определяются. После предъявления достаточного числа входных векторов синаптические веса сети становятся способны определить кластеры. Веса организуются так, что топологически близкие узлы чувствительны к похожим входным сигналам. В результате работы алгоритма центр кластера устанавливается в определенной позиции, удовлетворительным образом кластеризующей примеры, для которых данный нейрон является «победителем». В результате обучения сети необходимо определить меру соседства нейронов, т.е. окрестность нейрона-победителя [2].

Применение карт Кохонена в нефтеазопроводе

В данном разделе рассмотрим способы диагностики нефтегазопровода с применением нейронных сетей, в частности самоорганизующихся карт Кохонена. Решение этой задачи дает возможность снизить временные и материальные затраты на эксплуатацию трубопроводов, повысить надежность контроля за состоянием трубопровода (рисунок 2).

Рис. 2. Структура работы системы с использованием карт Кохонена.

На трубопроводе с шагом в 10 км. будут устанавливаться датчики для определения расхода, состава нефти, целостности трубопровода, утечек. Далее датчики снимают показания, и с помощью GSM модуля посылают его на устройство согласования, который в свою очередь преобразует сигнал и выдаст его на ПК, где выполняется обработка данных и вычисление спектров. Эти данные поступят на «обучение» самоорганизующихся карт Кохонена. Сеть Кохонена будет обучаться методом последовательных приближений, и на выход подаются данные, которые были подстроены не под эталонное значение, а под закономерности во входных данных. Далее информация подается на вывод в ПК диспетчера. Диспетчер, исходя из полученных данных, может исправить поломку, выслав на место аварии специальную ремонтную группу.

Литература

1.                  Кохонен Т. Самооранизующиеся карты / Т.Кохонен – М.: БИНОМ. Лаборатория знаний, 2008-655с.

2.                  Лочмеле Р.Р. Государственное управление. Электронный вестник. Выпуск №1, 23 сентября 2003г.

Поступила в редакцию 27.05.2015 г.