УДК 539.216.3:621.382

Елизаров С.В.

Индивидуальное прогнозирование с использованием нейросетевых технологий

Самарский государственный аэрокосмический университет имени академика С.П. Королёва

(национальный исследовательский университет)

Эффективно с проблемой повышения качества радиоэлектронной аппаратуры (далее РЭА) справляется прогнозирование изменение свойств РЭА после изготовления. Наибольшую точность прогнозирования при минимальных затратах обеспечивает индивидуальное прогнозирование. Цель индивидуального прогнозирования в эксплуатации заключается в предотвращении отказов и увеличении сроков  службы изделия РЭА между профилактическими работами путем выявления и исключения из эксплуатации потенциально ненадежных экземпляров с ухудшенными значениями параметров. Предотвращение отказов, а следовательно, увеличение времени исправной работы приводят к сокращению потерь от вынужденных простоев РЭА, к тому же снижение объема профилактических работ позволяет уменьшить затраты на обслуживание. Все это способствует существенному повышению эффективности эксплуатации.

Смысл индивидуального прогнозирования заключается в том, что по результатам наблюдений за каждым конкретным экземпляром из совокупности каких-либо определенных изделий делается вывод о потенциальной надежности этого экземпляра, то есть о возможности его использования по назначению к концу заданного срока службы[1].

Прогнозирование технического состояния РЭА заключается в своевременном обнаружении неблагоприятного состояния системы,  ее отказа. В результате индивидуального прогнозирования осуществляется отбраковка потенциально ненадежных элементов после их изготовления.

Основным недостатком использования индивидуального прогнозирования является достаточно трудоемкий процесс вычислений, что приводит к увеличению технологического  и эксплуатационного цикла. Таким образом, индивидуальное прогнозирование имеет смысл  только в случае использования ЭВМ.

Постоянное развитие ЭВМ существенно расширяет возможности прогнозирования, позволяет минимальными затратами времени более детально изучить поведение объекта, выявлять наиболее информативные параметры исследуемого элемента, оценить необходимость использования  того или иного метода прогнозирования и точности математической модели объекта прогнозирования.

Проведение процедуры индивидуального прогнозирования включает в себя этапы[1,2]:

1.  Обучающий эксперимент – испытание обучающей выборки в течение некоторого длительного времени. В процессе измеряются значения всех информативных параметров и прогнозируемого параметра, затем проводится сравнение измеренного значения параметра с граничным значением и определяется фактическая принадлежность классу годности или фактическое значение прогнозируемого параметра.

2.  Обучение – обработка результатов обучающего эксперимента в соответствии с выбранным оператором прогнозирования. Определяются принадлежность к классу годности, найденному с помощью алгоритма прогнозирования.

3.  Экзамен – проверка соответствия прогнозирования состояния каждого экземпляра фактическому, известному по данным обучающего эксперимента. Эффективность распознавания оценивали по величинам вероятностей правильных решений, ошибочных решений, рисков потребителей и изготовителя, априорной вероятности принятия решения об отнесении экземпляра к годным по результатам прогноза.

4.  Прогнозирование – определение принадлежности к классу годности вновь предъявленного экземпляра по совокупности значений информативных параметров каждого экземпляра.

В качестве математического аппарата индивидуального прогнозирования, решающего задачу классификации и прогнозирования состояния экземпляров, можно использовать нейронную сеть определенного типа и определенной структуры.

После проведения обучающего эксперимента необходимо определиться с типом сети (радиально-базисная, многослойный перцептрон и т.д.); определиться со структурой сети: задать число входных нейронов (оно равно количеству информативных параметров, измеренных во время обучающего эксперимента), в случае с многослойным перцептроном определить количество скрытых слоев, задать количество нейронов каждого скрытого слоя (или одного слоя), определиться с количеством нейронов в выходном слое; выбрать тип функции активации нейронов и задать её параметры, определить ошибку обучения, количество итераций; провести инициализацию весовых коэффициентов сети (задать начальные значения весовых коэффициентов сети).

После того, как модель нейронной сети будет сформирована, можно переходить к этапу обучения. Часть выборки, как правило, необходимо использовать для проведения процедуры обучения нейронной сети. Само обучение проходит по методу «обучение с учителем». По результатам обучающего эксперимента известны данные, подаваемые на вход нейронной сети и ее оптимальный отклик сети (измеренное значение прогнозируемого параметра). После прогона данных через нейронную сеть результат сравнивается с оптимальным откликом.  Обучение проходит до тех пор, пока ошибка прогнозирования, определяемая как разность между оптимальным откликом сети и результатом работы сети, не будет удовлетворять ошибке обучения.

После того, как нейронная сеть обучена, можно переходить к экзамену нейронной сети. Часть выборки, полученной в ходе обучающего эксперимента, у которой известны значения информативных признаков и значение прогнозируемого параметра,  прогоняем через обученную нейронную сеть. Сравниваем результат работы сети с измеренным значением прогнозируемого параметра в ходе обучающего эксперимента. Определяем количество правильно и ошибочно классифицированных экземпляров. Рассчитываем риск потребителя и производителя, вероятности принятия правильных и ошибочных решений. По рассчитанным вероятностным характеристикам принимаем решение о возможности использования обученной нейронной сети для рабочего прогнозирования выборки элементов устройств того же типа.

Если по результатам экзамена нейронная сеть рекомендована для проведения рабочего прогнозирования, то проводим его.

Фактически нейронная сеть является универсальным аппроксиматором, не зависящим от предметной область. Проще всего проектировать нейронную сеть программно для персонального компьютера[3].

Литература:

1.  Пиганов М.Н. Индивидуальное прогнозирование показателей        качества элементов и компонентов микросборок. – М.: Новые технологии, 2002. – 267 с.

2.  Пиганов М.Н., Тюлевин С.В. Прогнозирование надежности радиоэлектронных средств // Научно-технические ведомости СПбГПУ. Серия «Информатика. Телекоммуникации. Управление.». – СПб.,2009, вып.1.–С.175-182.

3.  Каллан Р. Основы концепции нейронных сетей. Пер. с англ. М.: Издательский дом «Вильямс», 2001. – 291 с.