Дистанционный ультразвуковой контроль воздушного потока на основе искусственной нейронной сети

Тип работы:
Реферат
Предмет:
Кибернетика


Узнать стоимость новой

Детальная информация о работе

Выдержка из работы

УДК 697. 921. 4:537. 871.7. 08 ББК З766: З873−5
В О. СУЧКОВ, О Н. ЯДАРОВА, Л.А. СЛАВУТСКИЙ
ДИСТАНЦИОННЫЙ УЛЬТРАЗВУКОВОЙ КОНТРОЛЬ
ВОЗДУШНОГО ПОТОКА НА ОСНОВЕ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ*
Ключевые слова: искусственная нейронная сеть, вентиляторная установка, ультразвук, доплеровские сигналы, нестационарный воздушный поток. Экспериментально исследуется возможность дистанционного ультразвукового контроля неоднородного воздушного потока. Исследования проводились в стационарных и нестационарных режимах работы вентилятора. Показано, что для обработки рассеянных в воздушном потоке ультразвуковых сигналов может эффективно использоваться аппарат искусственных нейронных сетей. Описана экспериментальная установка, методика измерений и результаты использования нейронной сети на основе многослойного персептрона. Показано, что использование нейронной сети позволяет дистанционно контролировать работу вентилятора с точностью не ниже единиц процентов.
V. SUCHKOV, O. YADAROVA, L. SLAVUTSKII ULTRASONIC REMOTE CONTROL OF AIRFLOW BASED ON ARTIFICIAL NEURAL NETWORK
Key words: artificial neural network, ventilator system, ultrasound, Doppler signals, non-stationary airflow.
The article deals with experimental investigation of the possibility of remote ultrasonic control of inhomogeneous airflow. The studies were conducted in stationary and non-stationary modes of operation of the ventilator system. It is shown that artificial neural networks can be effectively usedfor the ultrasonic signal proceedings. The article also describes an experimental installation, measurement techniques and the results of using the neural network based on multilayer perceptron. It shows that the use of a neural network allows the remote control of the ventilator system with an accuracy of less than few percent.
Аппарат искусственных нейронных сетей (ИНС) основан на принципах когнитивной науки [2, 4, 5, 10] и может использоваться в широком круге задач регистрации и обработки экспериментальных данных [5]. В настоящей работе приводятся результаты применения ИНС для контроля воздушных потоков вентиляторной установки [1, 6, 7]. С помощью ИНС при использовании доплеровских ультразвуковых сигналов устанавливается зависимость между режимом работы привода вентилятора и параметрами генерируемого потока воздуха.
На рис. 1 приведены схема экспериментальных измерений и структура используемой НС. Обратное рассеяние УЗ сигнала на неоднородном воздушном потоке имеет пространственно-распределенный характер. Рассеяние происходит в области пересечения потока и диаграммы излучения ультразвуковых преобразователей (см. рис. 1). Плотность потока и, соответственно, локальная скорость рассеивающих ультразвук неоднородностей меняются в пространстве как по направлению, так и по абсолютной величине. Поэтому ультразвуковой сигнал в приемном тракте прибора является суперпозицией сигналов с разной амплитудой, фазой и доплеровским частотным сдвигом. Главной особенностью экспериментальных измерений является одновременный контроль скоро-
* Исследование выполнено при финансовой поддержке РФФИ в рамках научного проекта № 14−08−31 271 мол а.
сти вращения вентилятора при помощи датчика Холла (ДХ) и интегральной скорости потока воздуха при помощи нового ультразвукового доплеровского прибора. Это устройство обладает повышенной чувствительностью и позволяет дистанционно осуществлять контроль движения рассеивающих ультразвук объектов в широком диапазоне скоростей [6, 7]. Рабочая частота ультразвуковых преобразователей (УЗП) составляет 40 кГц [7].
/& quot-Л
в
Рис. 1. Схема использования нейронной сети: УЗП — ультразвуковые преобразователи- ПДК — прибор доплеровского контроля, В — промышленный вентилятор Dospel WK200- ДХ — датчик Холла
Длина экспериментальных записей сигналов с датчика Холла и системы доплеровского контроля составляла от 2 до 20 с с частотой оцифровки до 7 кГц. При характерных частотах доплеровского сдвига до 300 Гц такая оцифровка позволяет с высокой степенью точности проводить цифровой анализ спектральной плотности сигналов обратного рассеяния УЗ сигнала. Пример таких записей показан на рис. 2.
Использована рекуррентная сеть на основе многослойного персептрона, показанная на рис. 1. В общем случае модель нелинейной авторегрессии с внешними входами (nonlinear autoregressive with exogenous inputs model -NARX) описывается рекуррентным уравнением:
У (t +1) = ?(x (t)… x (t — nx), y (t)… y (t — ny)), (1)
где x (t) — входной сигнал- y (t) — выходной сигнал-? — некоторое нелинейное преобразование- nx и ny — максимальное число задержек по входному и выходному сигналам, соответственно. Одним из вариантов реализации NARX-модели является NARX-сеть (рис. 1), использующая в качестве нелинейного преобразования? многослойный персептрон [9, 14].
NARX-сеть относится к классу рекуррентных нейронных сетей. Наличие обратных связей позволяет NARX-сети принимать решения, основываясь не только на входных данных, но и с учетом предыстории состояний динамического объекта [8, 11−13]. Это свойство делает NARX-сеть удобной моделью для описания динамических процессов. Модель NARX хорошо подходит для моделирования нелинейных систем, нелинейных колебательных процессов [9, 14]. Обучение нейронной сети, показанной на рис. 1, проводилось в разгонных режимах и режиме выбега вентилятора. На вход сети подавались доплеровские сигналы обратного рассеяния, а на выходе фиксировалась скорость вращения привода вентилятора, полученная при помощи датчика Холла.
На рис. 2 приведены примеры записи сигналов с датчика Холла (средняя осциллограмма б) и ультразвукового прибора доплеровского контроля (верхняя осциллограмма а). Нижняя зависимость рис. 2, в соответствует изменению скорости вращения в режиме выбега привода вентилятора.
2,0
б
4.0 Л с
Рис. 2. Осциллограммы сигналов с прибора доплеровского контроля (а), датчика Холла (б) и изменение скорости вращения привода вентилятора в режиме выбега (в)
а
в
Обучение Н С проводилось по нескольким аналогичным записям в диапазоне скорости вращения привода вентилятора 400−2500 об. /мин. При частоте вращения вентилятора менее 400 об. /мин средняя скорость потока воздуха оказывается ниже порога чувствительности ПДК (порядка 0,2 м/с).
Для реализации нейросетевого алгоритма использовалась среда МЛТЬЛБ [3]. На рис. 3 показан пример обучения и тестирования нейронной сети. Обучение сети требовало не более нескольких десятков циклов (эпох), и ошибка при тестировании не превышала 50 об. /мин, что соответствует единицам процентов от скорости вращения привода вентилятора. При этом погрешность увеличивается с уменьшением скорости вращения (см. рис. 3, б).
Это связано с тем, что увеличивается интервал между соседними импульсами с датчика Холла.
100
200
300
400 500 600 Цикл обучения
— Ошибка
— Целевые значения Выходные значения
1,5 2,0 2,5 3,0
б
по
и О -50
1,5 2,0 в
3.5 Г, с
Рис. 3. Обучение и тестирование нейронной сети.
Зависимость ошибки от цикла обучения (а) и тестирование сети (б)
В работе были проведены экспериментальные оценки минимальной длины записи сигнала, которая позволяет получить значение скорости вращения по данным как с прибора доплеровского контроля, так и с датчика Холла. Обнаружено, что достаточно длины записи, соответствующей двум оборотам привода вентилятора (десятки мс). При использовании нейронной сети для восстановления значений скорости достаточно пх входных значений с прибора доплеровского контроля и пу выходных значений (в нашем примере пх и пу были равны 2).
В пределах обозначенного диапазона аппарат ИНС обеспечивает восстановление скорости вращения привода вентилятора по доплеровским сигналам с точностью не ниже единиц процентов. На рис. 4 приведены примеры соответствующих зависимостей. Для получения скорости вращения с помощью обученной НС использовались записи ультразвуковых сигналов длительностью 100−150 мс.
а
М 2200
|
& lt-§ 2000
? 1800
В
I 1600
н
g 1400
а,
^ 1200 1000
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1,6 1.8 I, с
Рис. 4. Временные зависимости скорости вращения вентилятора в разгонном режиме и режиме выбега: сплошная кривая — сглаженные данные с датчика Холла- звездочки — данные, полученные с использованием ИНС
При испытаниях и эксплуатации вентиляторных, насосных установок контролируемым параметром является скорость потока воздуха. В нестационарных режимах работы параметры воздушного потока меняются нелинейно в зависимости от скорости вращения привода вентилятора. Таким образом, предлагаемая в работе система контроля на основе доплеровских ультразвуковых измерений и аппарата ИНС может быть использована для создания замкнутой системы регулирования вентиляторной установкой.
Литература
1. Алексеев А. П., Ядарова О. Н. Доплеровский ультразвуковой контроль производительности вентиляторной установки // Вестник Чувашского университета. 2013. № 3. С. 307−310.
2. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия-Телеком, 2001.
3. Медведев В. С. Нейронные сети. MATLAB 6 / под. ред. В. Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002.
4. Розенблатт Ф. Принципы нейродинамики. Перцептроны и теория механизмов мозга: пер. с англ. М.: Мир. 1965.
5. Хайкин С. Нейронные сети: полный курс: 2-е изд.: пер. с англ. М.: Вильямс, 2006.
6. Ядарова О. Н., Алексеев А. П., Славутский Л. А. Контроль нестационарного воздушного потока вентиляторной установки // Вестник Чувашского университета. 2014. № 3. С. 148−153.
7. Ядарова О. Н., Славутский Л. А. Контроль воздушного потока на основе доплеровского рассеяния ультразвука // Приборы и системы. Управление, контроль, диагностика. 2013. № 3. С. 55−59.
8. Billings S.A. Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio-Temporal Domains. Wiley, 2013, 574 p.
9. Chen S., Billings S., GrantР. Non-linear system identification using Mural networks. International Journal of Control, 1990, уо1. 51, рр. 1191−1214.
10. Hebb D. Organization of behavior. N.Y., 1961.
11. Leontaritis I.J. and Billings S.A. Input-output parametric models for non-linear systems. Part I: deterministic non-linear systems. Int'-l J. of Control, 1985, vol. 41, pp. 303−328.
12. Leontaritis I.J. and Billings S.A. Input-output parametric models for non-linear systems. Part II: stochastic non-linear systems. Int'-l J of Control, vol. 41, pp. 329−344.
13. Nelles O. Nonlinear System Identification. Berlin, 2000.
14. Venkataraman S. Оп encoding nonlinear oscillations in Mural networks for locomotion. Proc. of the 8th Yаlе Workshop оп Adaptive and Learning Systems. New Наvеn, 1994, pр. 14−20.
References
1. Alekseev A.P., Yadarova O.N. Doplerovskii ul'-trazvukovoi kontrol'-proizvoditel'-nosti venti-lyatornoi ustanovki [Doppler ultrasound control of throughput of the fan system]. Vestnik Chuvash-skogo universiteta, 2013, no. 3, pp. 307−310.
2. Kruglov V.V., Borisov V.V. Iskusstvennye neironnye seti. Teoriya i praktika [Artificial neural networks. Theory and practice]. Moscow, Goryachaya liniya-Telekom Pibl., 2001.
3. Medvedev V.S. Neironnye seti. MATLAB 6 [Neural networks. MATLAB 6]. Moscow, DI-ALOG-MIFI Publ., 2002.
4. Rosenblatt F. Principles of neurodynamics. Perceptrons and the theory of brain mechanisms Washington, Spartan Books Publ., 1962 (Russ. ed.: Rozenblatt F. Printsipy neirodinamiki. Pertsep-trony i teoriya mekhanizmov mozga. Moscow, Mir Publ., 1965.
5. Haykin S. Neural Networks: A Comprehensive Foundation. 2nd ed. Prentice-Hall, 1999 (Russ. ed.: Khaikin S. Neironnye seti: polnyi kurs: 2nd ed. Moscow, Vil'-yams Publ., 2006.
6. Yadarova O.N., Alekseev, A. P., Slavutskii L.A. Kontrol'- nestatsionarnogo vozdushnogopo-toka ventilyatornoi ustanovki [Control of nonstationary air flow of the fan system]. Vestnik Chuvash-skogo universiteta, 2014, no. 3, pp. 148−153.
7. Yadarova O.N., Slavutskii L.A. Kontrol'- vozdushnogo potoka na osnove doplerovskogo ras-seyaniya ul'-trazvuka [Control of air flow based on Doppler ultrasound diffusion]. Pribory i sistemy. Upravlenie, kontrol'-, diagnostika [Instruments and systems. Control, monitoring, diagnostics], 2013, no. 3, pp. 55−59.
8. Billings S.A. Nonlinear System Identification: NARMAX Methods in the Time, Frequency, and Spatio-Temporal Domains. Wiley, 2013, 574 p.
9. Chen S., Billings S., Grant P. Non-linear system identification usingural networks. International Journal ofControl, 1990, vоl. 51, рp. 1191−1214.
10. Hebb D. Organization of behavior. N.Y., 1961.
11. Leontaritis I.J. and Billings S.A. Input-output parametric models for non-linear systems. Part I: deterministic non-linear systems. Int'-lJ. ofControl, 1985, vol. 41, pp. 303−328.
12. Leontaritis I.J. and Billings S.A. Input-output parametric models for non-linear systems. Part II: stochastic non-linear systems. Int'-l J ofControl, vol. 41, pp. 329−344.
13. Nelles O. Nonlinear System Identification. Berlin, 2000.
14. Venkataraman S. Оn encoding nonlinear oscillations inural networks for locomotion. Proc. of the 8th Yale Workshop on Adaptive and Learning Systems. New Наvеn, 1994, pр. 14−20.
СУЧКОВ ВЛАДИСЛАВ ОЛЕГОВИЧ — магистрант кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lainx@mail. ru).
SUCHKOV VLADISLAV — master'-s program student of Automatics and Control in Technical Systems Chair, Chuvash State University, Russia, Cheboksary.
ЯДАРОВА ОЛЬГА НИКОЛАЕВНА. См. с. 34.
СЛАВУТСКИЙ ЛЕОНИД АНАТОЛЬЕВИЧ. См. с. 34. _

ПоказатьСвернуть
Заполнить форму текущей работой