ДИАГНОСТИРОВАНИЕ И УПРАВЛЕНИЕ СОСТОЯНИЕМ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ ГОРНЫХ МАШИН С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ тема диссертации и автореферата по ВАК РФ 05.13.06, доктор наук Шпрехер Дмитрий Маркович

• Шпрехер Дмитрий Маркович
• доктор наук
• 2016

Оглавление диссертации доктор наук Шпрехер Дмитрий Маркович

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМЫ ДИАГНОСТИРОВАНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ В ПРОЦЕССЕ ЭКСПЛУАТАЦИИ

1.1 Основы и содержание эксплуатации и процедур контроля электромеханических систем

1.1.1 Объект исследования - электромеханическая система

1.1.2 Основы и содержание, этапы и режимы эксплуатации электромеханических систем

1.1.3 Содержание процедур контроля технического состояния деталей и узлов электромеханических систем

1.1.4 Анализ существующих способов контроля технических состояний электромеханических систем

1.2 Анализ и классификации методов прогноза технических состояний и поиска отказов

1.3 Характер и топология взаимосвязей причин и следствий отказов в электромеханических системах

1.4 Классификация методов поиска отказов в электромеханических системах

1.5 Принципы построения автоматизации процессов систем технического диагностирования электромеханических систем на основе нейросетевых методов

1.5.1 Характеристика объекта диагностирования

1.5.2 Автоматное представление системы диагностирования

1.5.3 Построение системы диагностирования электромеханической системы на основе конечного автомата

1.5.4 Организация работы автомата

1.5.5 Построение системы диагностирования на основе нейросетей

1.6 Выводы и задачи исследования

ГЛАВА 2. РАЗРАБОТКА МЕТОДОВ И МОДЕЛЕЙ НЕЙРОСЕТЕВОГО КОНТРОЛЯ ТЕХНИЧЕСКИХ СОСТОЯНИЙ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

2.1 Классификация и динамика контролируемых параметров электромеханических систем горных машин

2.2 Взаимосвязь задач контроля электромеханических систем с задачей распознавания вида их технического состояния

2.3 Обоснование метода контроля технических состояний электромеханических систем

2.4 Обоснование структуры системы нейросетевого контроля электромеханических систем

2.5 Теоретическое обоснование модели распознавания технических состояний, архитектуры и параметров нейросетевого классификатора

2.6 Разработка модели распознавания технических состояний на основе MLP-классификатора с избыточным количеством нейронов в слоях

2.7 Разработка модели нейронной сети, повышающей производительность при переобучении и достоверность контроля

ТЕХНИЧЕСКИХ СОСТОЯНИЙ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

2.8 Выводы

ГЛАВА 3. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МЕТОДОВ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКИХ СОСТОЯНИЙ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

3.1 Обоснование применения нейронных сетей для прогнозирования технических состояний электромеханических систем

3.2 Разработка нейросетевых моделей прогнозирования технических состояний электромеханических систем

3.2.1 Модели прогнозирования технических состояний электромеханических систем

3.2.2 Обоснование метода обучения экстраполяции параметров электромеханических систем как формализованного процесса накопления априорных данных

3.2.3 Нейросетевая реализация модели прогнозной экстраполяции в пространстве признаков прецедентов

3.3 Метод прогнозирования работоспособности ЭМС на основе предварительного преобразования измеряемых сигналов и последующей селекцией прогнозных признаков картой Кохонена

3.3.1 Распознавание выходных сигналов ЭМС как разбиение в пространстве признаков прогнозного технического состояния

3.3.2 Структура нейросетевого прогнозирующего классификатора

3.4. Выводы

ГЛАВА 4. РАЗРАБОТКА НЕЙРОСЕТЕВЫХ МЕТОДОВ И МОДЕЛЕЙ УСКОРЯЮЩИХ ПОИСК НЕИСПРАВНОСТЕЙ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

4.1. Разработка метода адаптивного выбора измеряемых параметров электромеханических систем

4.2 Методика расчета оптимальных частот опроса выбранных параметров непрерывных процессов в ЭМС

4.3 Разработка алгоритма оптимальной по времени последовательности проверок параметров электромеханических СИСТЕМ НА ОСНОВЕ КАРТЫ КОХОНЕНА

4.4 Метод поиска причин внезапных отказов электромеханических систем с использованием динамических нейронных сЕтЕЙ

4.4.1 Построение функциональной модели развития неисправности электромеханической системы на основе технологий деревьев отказов

4.4.2 Моделирование в нейросетевом базисе процесса развития отказа посредством решения обратной задачи прогнозирования

4.5 Выводы

ГЛАВА 5. РЕАЛИЗАЦИЯ РАЗРАБОТАННЫХ МЕТОДОВ И МОДЕЛЕЙ ДИАГНОСТИРОВАНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

5.1 Разработка аппаратуры диагностирования технических состояний электромеханических систем

5.1.1 Требования к оценке показателей эффективности контроля технического состояния ЭМС в нейросетевом базисе

5.1.2 Блок-схема аппаратуры диагностирования технических состояний электромеханической системы222

5.1.3 Архитектура нейросетевого блока аппаратуры диагностирования технических состояний электромеханических систем

5.2 Разработка аппаратного комплекса для диагностирования электромеханических систем

5.3 СТРУКТУРА СПЕЦИАЛЬНОГО ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ ДИАГНОСТИРОВАНИЯ ТЕХНИЧЕСКИХ СОСТОЯНИЙ

ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

5.4 Выводы по главе

ГЛАВА 6. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ РАЗРАБОТАННЫХ МЕТОДОВ И МОДЕЛЕЙ

ДИАГНОСТИРОВАНИЯ ТЕХНИЧЕСКИХ СОСТОЯНИЙ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

6.1 ЭКСПЕРИМЕНТАЛЬНАЯ УСТАНОВКА И МЕТОДИКА ИССЛЕДОВАНИЙ

6.1.1 Описание экспериментальной установки

6.1.2 Методика экспериментальных исследований

6.2 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МОДЕЛИ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АСИНХРОННОГО ЭЛЕКТРОДВИГАТЕЛЯ

6.3 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МОДЕЛИ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ТРАНСФОРМАТОРА

6.4 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МОДЕЛИ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ РЕДУКТОРА

6.5 ЭКСПЕРИМЕНТАЛЬНОЕ ИССЛЕДОВАНИЕ МОДЕЛИ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ОЧИСТНОГО КОМБАЙНА

6.5.1 Постановка задачи

6.5.2 Результаты экспериментальных исследований модели контроля технического состояния электромеханической системы

6.6 ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ МОДЕЛИ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СИСТЕМЫ УПРАВЛЕНИЯ

электропривода

6.6.1 Объект экспериментальных исследований и его модель

6.6.2 Экспериментальное исследование модели прогнозирования технических состояний с помощью прогнозирующего классификатора

6.6.3 Результаты экспериментальных исследований модели прогнозирования технических состояний с помощью прогнозирующего классификатора

6.7 Разработка методики выбора структуры и параметров предлагаемых нейронных сетей для диагностирования ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

6.7.1 Решение задачи контроля технического состояния электромеханической системы

6.7.2 Решение задачи прогнозирования технического состояния

6.7.3 Методика выбора архитектуры и параметров нейронной сети при диагностировании технического состояния электромеханической системы

6.8 ОЦЕНКА повышения надежности электромеханических систем при нейросетевом диагностировании

6.8.1. Влияние повышения достоверности контроля электромеханических систем на уровень вероятности их правильного функционирования

6.8.2 Влияние достоверности прогнозирования на безотказность электромеханических систем

6.8.3 О влиянии достоверности диагностирования на ресурс восстанавливаемой электромеханической системы, как показатель ее долговечности

6.8.4 О влиянии достоверности диагностирования на безопасность эксплуатации

6.9. Анализ экономической эффективности применения нейросетевых методов и средств диагностирования состояний ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ

6.10. Реализация результатов исследований

6.11. Выводы

ЗАКЛЮЧЕНИЕ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

П Р И Л О Ж Е Н И Я

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ

АД - асинхронный двигатель

АРМ - автоматизированное рабочее место

БД - база данных

БПНСА - блок приема и нейросетевого анализа БСПС - блок сбора и его передачи сигнала ГМ - горные машины

ДПА - датчико-преобразующая аппаратура ИИ - искусственный интеллект

ИИТ - интеллектуальные информационные технологии ИП - измеряемые параметры МК - механизированный комплекс НС - нейронная сеть

ППР - планово - предупредительный ремонт

СУ - система управления

СПО - специальное программное обеспечение

ТМИ - телеметрическая информация

ТМП - телеметрируемый параметр

ТО - техническое обслуживание

ТС - техническое состояние

ФВС - факторы внешней среды

ЭД - электрический двигатель

ЭМК - электромеханический комплекс

ЭМС - электромеханическая система

ЭП - электропривод

Введение диссертации (часть автореферата) на тему «ДИАГНОСТИРОВАНИЕ И УПРАВЛЕНИЕ СОСТОЯНИЕМ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ ГОРНЫХ МАШИН С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ»

ВВЕДЕНИЕ

Актуальность темы исследования. Важной проблемой в горнодобывающих отраслях промышленности в настоящее время является повышение эффективности процессов диагностирования горных машин (ГМ), имеющих в своем составе сложные электромеханические системы (ЭМС), решаемая в настоящей работе путем внедрения нейросетевых технологий.

Согласно ГОСТ 20911-89 основными задачами автоматизированных систем технического диагностирования контролируемых объектов считают следующие этапы: контроль технического состояния (ТС) (определение вида ТС), прогнозирование ТС, поиск места и определение причин отказа.

Условия эксплуатации ЭМС горных машин являются тяжелыми, характеризуются высокими динамическими нагрузками случайного характера, напряженными режимами работы: от повторно-кратковременного до продолжительного, агрессивными условиями среды (пыль, высокая влажность и температура), постоянным перемещением в стесненных рабочих пространствах. В процессе эксплуатации горных машин в результате внутренних и внешних воздействий: изменения нагрузки, внешней среды, износа и старения, в элементах ЭМС возникают повреждения и дефекты, приводящие к отказу ЭМС и частичной или полной потере работоспособности. Опыт эксплуатации горных машин показывает, что отказы электрооборудования составляют около 40% от всего количества неисправностей. При этом большая часть отказов, около 35% приходится на ЭМС.

Выполнение все возрастающих требований к ЭМС горных машин невозможно обеспечить без оснащения их различными системами автоматического управления и эффективными системами технического диагностирования.

В современных условиях возросла значимость проблем, связанных с ограничением психофизиологических возможностей человека-оператора при формировании управляющих воздействий и физическом перемещении за быстродвижу-щимся очистным комбайном. Для их решения требуется применение малолюдных технологий, что невозможно без интеллектуализации систем управления и диаг-

6

ностирования.

Современные системы эксплуатационного обслуживания ЭМС многодвигательных машин являются сложными иерархическими системами, которые включают системы диагностирования, выполняющие анализ состояний технологического процесса, оборудования и систем управления. Решение проблемы создания эффективного обслуживания промышленных производств со сложными ЭМС находится в стадии развития. При этом необходимо решить целый ряд теоретических и практических задач диагностирования таких ЭМС не свойственных другим системам.

Теоретические исследования и практические результаты методов и средств диагностирования ТС технологического оборудования отражены в работах Беля-нина П.Н, Биргера И.А., Глебова Н.А., Давыдова П.С., Деева А.И., Клюева В.В., Короткого А.А., Мозгалевского А.В., Нахапетяна Е.Г., Пархоменко П.П., Согомо-няна Е.С., Фельдмана В.Д., и других ученых [77,82].

Традиционный подход в контроле и прогнозировании состояний ЭМС в текущем времени, заключающийся в сравнении параметров реального объекта и его разработанной детерминированной математической модели имеет существенные недостатки: сложность точного описания, как правило, нелинейной ЭМС; невозможность учета всех факторов, влияющих на ЭМС в процессе эксплуатации. Поэтому эти методы имеют низкую точность при контроле, малую достоверность при прогнозировании и низкое быстродействие при поиске отказов.

Усложнение современных технологий требует совершенствование систем диагностирования. Существенных сдвигов в формах и методах управления эксплуатацией горного оборудования можно достигнуть, заменив существующие информационные системы на новые, опираясь при этом на использование интеллектуальных информационных технологий (ИИТ).

В последнее время интенсивно развиваются интеллектуальные методы контроля и прогнозирования ТС: экспертные, на базе нечеткой логики и искусственных нейронных сетей (НС). Из указанных методов наиболее перспективным является нейросетевой метод, так как при его применении разрабатывается непара-

7

метрическая модель сложной нелинейной ЭМС, которая может в результате обучения воспроизвести любые исправные и неисправные ТС, аппроксимировать свою идентификацию на различные типы ЭМС, которые недостаточно изучены, он обладает высоким быстродействием и возможностью самообучения в процессе эксплуатации.

Базой для таких работ могут послужить теоретические исследования и практические результаты, отраженные в работах Палюха Б.В, Семенова Н.А., Виноградова Г.П. и других ученых [18].

Системы диагностирования с применением ИИТ позволяют следить за скоростью изменения эксплуатационных характеристик ЭМС, прогнозировать время наступления необходимых ремонтных работ для продления их безопасной эксплуатации и предотвращать неминуемый отказ оборудования.

Кроме того использование ИИТ позволяет исключить эффект «человеческого фактора» при управлении процессом (это такие свойства человеческого организма как: усталость, недостаточно быстрая реакция, недостаточная психологическая устойчивость, сонливость при монотонной работе, незначительный опыт работы молодых операторов и другие причины).

Нейросетевой контроль и прогнозирование технических состояний является новым направлением в диагностировании ГМ в процессе эксплуатации, потому, что при исследовании и разработке традиционных диагностических методов и средств отсутствовал системных подход, и решались частные задачи для отдельных элементов ЭМС, причем без учета тяжелых условий эксплуатации, высоких динамических нагрузок, структурной сложности и нелинейности ЭМС.

Поэтому научное обоснование и практическое подтверждение методологии применения новых методов, моделей, алгоритмов и программного обеспечения на базе распространенных архитектур нейронных сетей, обеспечивающее повышение эффективности процессов диагностирования состояний сложных ЭМС, является актуальной научной проблемой.

Работа выполнена в соответствии с целевыми планами и программами, из которых можно выделить следующие:

• Основные положения (Концепция) технической политики в электроэнергетике России на период до 2030 г (АО РАО « ЕЭС России» 2008 г.)

• Долгосрочной программы развития угольной промышленности на период до 2030 года (Распоряжение Правительства РФ от 21 июня 2014 г. N 1099-р)

• Научное направление кафедры «Информационные системы» ТвГТУ «Надежность и отказоустойчивость технических систем. Диагностика технического состояния и испытания»- 08-603.

Объектом исследования являются процессы систем диагностирования современных электромеханических комплексов (ЭМК) и их систем.

Предмет исследования - методы, модели и алгоритмы решения задач диагностирования технических состояний ЭМС, принятия решений при идентификации нештатных ситуаций.

Цель работы и задачи исследования. Целью работы является повышение эффективности процессов диагностирования состояний сложных ЭМС путем научного обоснования и практического подтверждения методологии применения новых методов, моделей, алгоритмов и программного обеспечения на базе распространенных архитектур нейронных сетей.

В соответствии с изложенной целью были сформулированы и решены следующие задачи:

1. Анализа существующих методов контроля и прогнозирования технических состояний электромеханического оборудования и обоснования целесообразности создания интеллектуальной системы диагностирования сложных ЭМС на базе распространенных архитектур нейронных сетей

2. Разработки концепции совершенствования систем диагностирования сложных ЭМС с учетом применения нейронных сетей в условиях нестационарности и многофакторности воздействий внешней среды

3. Разработки методов и моделей контроля технических состояний сложных ЭМС в нейросетевом базисе при иерархической системе распознавания

4. Разработка методов, моделей и алгоритмов для решения задачи прогнозирования технических состояния ЭМС на основе экстраполяции в пространстве возможных прецедентов их эксплуатации

5. Разработки алгоритмического и программного обеспечения и создание аппаратного комплекса технического диагностирования ЭМС в режиме эксплуатации

6. Экспериментальной проверки, разработанных методов, моделей и алгоритмов диагностирования состояний ЭМС

Научная проблема состоит в разработке методологических основ построения методов диагностирования сложных ЭМС на основе нейросетевых технологий, обосновании и экспериментальной проверки в условиях действующего горного производства их информационного, математического и программного обеспечения.

Методы исследования. Метод системного анализа, теория вероятности и математической статистики, теория дифференциальных уравнений, нейроинфор-матика, теория информации, теория распознавания образов, метод математической статистики и линейной алгебры, имитационное моделирование, объектно -ориентированное программирование.

Достоверность и обоснованность основных научных положений и практических результатов исследования подтверждаются совпадением результатов аналитических исследований и имитационных экспериментов; результатами апробации и внедрения разработанного теоретического подхода и математического аппарата на практике. Достоверность новизны технических решений подтверждается 9 патентами на полезные модели.

Научная новизна

1. На основе анализа событийных процессов смены технических состояний (автоматного подхода) поставлена и решена проблема построения интеллектуальной схемы диагностирования ЭМС, реализующая методы контроля и прогнозирования состояний, оптимизации поисковых диагностических процедур на основе

использования нейронных сетей, обеспечивающая управление эксплуатацией ЭМС по фактическому техническому состоянию;

2. Предложена концепция построения интеллектуальной системы диагностирования сложных ЭМС с учетом применения нейронных сетей при иерархической системе распознавания, отличающаяся возможностью анализа состояний функционально связанного множества элементов, позволяющая, тем самым, повысить уровень эффективности диагностирования;

3. Разработан новый метод прогнозирования технических состояний, отличающийся преобразованием сигналов операторами Лежандра и последующей селекцией признаков картой Кохонена, позволяющий распознавать сигналы, приводящие к разным прогнозам, но не различимые на периоде основания прогноза, что повышает достоверность прогнозирования в условиях неопределенности параметров ЭМС и внешней среды и недостатке априорной информации

4. Предлагается новый метод выбора наиболее информативных параметров, основанный на совпадении моментов смен состояний на множестве подпространств характеристик ЭМС, отличающийся оригинальным нейросетевым алгоритмом кластеризации, содержащим специальную форму функции латерального торможения

5. Разработан новый метод поиска причин внезапных отказов ЭМС, отличающийся нейросетевым моделированием пути их развития с учетом свойств надежности функционально связанных объектов, с последующим занесением в базу данных, что позволяет в дальнейшем быстрее определять первопричину отказа

6. Предлагается новая модель классификатора состояний ЭМС, отличающаяся оригинальным правилом учета выходных невязок и искусственно введенной избыточностью нейронов во внутренних слоях классификатора

7. Предлагаются нейросетевые модели прогнозирования степени работоспособности ЭМС, отличающиеся более высокой информативностью процессов диагностирования и возможностью оценивать области работоспособности ЭМС с большей точностью, чем допуски на измеряемые параметры за счет постоянного

учета старения информации и возможности непрерывного дообучения

11

8. Предлагается нейросетевой алгоритм синтеза оптимальной по времени программы проверок параметров ЭМС на основе карты Кохонена, отличающийся оптимизацией последовательности измерений контролируемых параметров.

Практическое значение работы заключается в следующем:

- Предложено новое техническое решение, повышающее достоверность распознавания образов на основе реализации обобщающей способности многослойной нейронной сети, что повышает эффективность процедуры контроля технических состояний применительно к ЭМС;

- Разработано объектно-ориентируемое алгоритмическое и программное обеспечение аппаратуры диагностирования, предназначенное именно для ЭМС горных машин, с учетом специфики процессов в них происходящих;

- Разработан аппаратный комплекс для диагностирования ЭМС, имеющий трехуровневую иерархическую структуру;

- Разработана методика выбора структуры и архитектуры нейронной сети, применяемая в аппаратуре диагностирования.

Основные научные положения, выносимые на защиту:

1. Концепция развития интеллектуальной системы диагностирования состояний сложных ЭМС, заключающаяся в реализации нейросетевых методов контроля и прогнозирования и обеспечивающая переход на техническое обслуживание с большей эффективностью диагностирования;

2. Метод прогнозирования технических состояний ЭМС, заключающийся в предварительном преобразовании измеряемых сигналов на интервале наблюдения операторами Лежандра и последующей селекцией прогнозных признаков картой Кохонена, позволяющий распознавать сигналы, приводящие к разным прогнозам, но не различимые на периоде основания прогноза

3. Нейросетевой метод выбора из состава измеряемых параметров наиболее информативных, основанный на мажоритарном совпадении смен значений множества характеристик ЭМС в данном режиме функционирования и условиях внешней среды

4. Метод поиска причин внезапных отказов ЭМС, заключающийся в нейро-

12

сетевом моделировании пути развития обнаруженного отказа и, позволяющий для систем большой размерности в условиях жестких временных ограничений быстро находить вышедший из строя узел, приведший к данному отказу

5. Нейросетевой алгоритм синтеза оптимальной по времени программы проверок параметров ЭМС на основе моделей карт Кохонена, заключающийся в нахождении минимальной временной последовательности измерений контролируемых параметров

6. Модель нейросетевого классификатора, позволяющая повысить достоверность распознавания видов ТС ЭМС. за счет повышенной обобщающей способности, основанной на оригинальном правиле учета выходных невязок и искусственно введенной избыточности нейронов во внутренних слоях классификатора

Согласно паспорту специальности в диссертационной работе предложены методы и алгоритмы диагностирования (пункт14)

Внедрение результатов работы. Основные результаты работы внедрены на предприятиях Тульской области: ООО «ПромЭнергоСбыт», ООО «КБ Электроавтоматика», г. Апатиты: на Апатито-нефелиновой обогатительной фабрики № 2, г. Твери в ООО «Проектно конструкторское бюро автоматизации производств» в виде программно-аппаратного комплекса, специального программного обеспечения и нейросетевых методов диагностирования технических состояний ЭМС, а также в учебный процесс Мурманского государственного технического университета и Санкт-Петербургского государственного университета аэрокосмического машиностроения.

Апробация работы. Основные результаты докладывались и получили одобрение на XXVII научной конференции НИ РХТУ им. Д.И. Менделеева (г. Новомосковск, 2009), XXII Международной научная конференции «Математические методы в технике и технологиях ММТТ-22» (г. Псков, 2009), XXXIX Всероссийской научно практической конференции с международным участием по электрификации «Повышение эффективности электрического хозяйства потребителей в условиях ресурсных ограничений» (г. Москва, 2009), VIII Всероссийском

школе-семинаре "Прикладные проблемы управления макросистемами" (г. Апати-

13

ты, 2010), XXIII Международной научной конференции «Математические методы в технике и технологиях ММТТ-23» (г. Саратов, 2010), XIII Международной научно-практической конференции « Природные и интеллектуальные ресурсы Сибири - Сибресурс 2010» (г. Кемерово, 2010), VI Международной (XVII Всероссийской) конференции по автоматизированному электроприводу - «АЭП-2010» (г. Тула, 2010),Трудах Новомосковского института РХТУ им. Д.И. Менделеева (г. Новомосковск. 2009, 2011), VII Международной научно - практической конференции «Научный прогресс на рубеже тысячелетий - 2011» (г. Прага, 2011), II Международная научно-практическая конференция «Экономика и технология: инновация и модернизация» (г. Чехов, Московская область, 2011), Международной научно-практической конференции «Научные исследования и их практическое применение. Современное состояние и пути развития 2011» (г. Одесса, 2011), XXIV Международной научной конференции «Математические методы в технике и технологиях ММТТ-24» (г. Саратов, 2011), III Международной научно-практической конференции «Актуальные вопросы науки» (г. Москва, 2011), II Международной конференции «Автоматизация управления и интеллектуальные системы и среды» (г. Нальчик, 2011), XXVIII научной конференции профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева (г. Новомосковск, 2011), VII Международной (XVIII Всероссийской) конференции по автоматизированному электроприводу «АЭП-2012» (г. Иваново, 2012), 6-й Всероссийской научно-практической конференции «Системы управления электротехническими объектами» (г. Тула, 2012), XXXI конференции «Актуальные проблемы электроэнергетики» (г. Нижний Новгород, 2012), XXIX научной конференции профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева (г. Новомосковск, 2014) , Всероссийской научно-технической конференции «Актуальные проблемы электроэнергетики» (г. Нижний Новгород, 2015).

Публикации. По теме диссертации опубликовано 66 печатных работ, в числе которых 30 из списка ВАК России, 2 в издании, входящем в систему цитирования SCOPUS, 1 монография, 24 статьи в материалах конференций, 1 свиде-

14

тельство о регистрации программы для ЭВМ, зарегистрированной в РОСПАТЕНТЕ, 8 патентов на полезную модель.

Структура и объем работы. Диссертация состоит из введения, шести глав, заключения, списка использованной литературы и приложений. Работа изложена на 360 страницах машинописного текста, содержит 116 рисунков, 25 таблиц, 13 приложений. Список литературы содержит 233 наименования.

ГЛАВА 1. АНАЛИЗ ПРОБЛЕМЫ ДИАГНОСТИРОВАНИЯ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ В ПРОЦЕССЕ

ЭКСПЛУАТАЦИИ

1.1 Основы и содержание эксплуатации и процедур контроля электромеханических систем

1.1.1 Объект исследования - электромеханическая система

Для современного производства, в том числе горного, характерно использование технологического оборудования с высокой степенью электрификации и автоматизации. Одной из основных составляющих технологического оборудования ЭМС являются электромеханические комплексы (ЭМК), в составе которых есть такие устройства как: электродвигатели (ЭД), источник электрической энергии, преобразователи, предназначенные для управляемого преобразования электрической энергии в поток механической энергии [132].

На рис. 1.1 изображена типовая ЭМС, к которой можно отнести большой класс рабочих машин, применяющихся в самых разнообразных отраслях: в промышленности, сельскохозяйственном производстве, строительстве, на транспорте, горной промышленности др. Сложная ЭМС в составе, например, угледобывающего комплекса [39], включает ЭМС машин, входящих в комплекс: ОК, скребковый конвейер, гидравлическую систему и т.д. Взаимодействие ЭМС машин осуществляется через технологический процесс. На рис.1.1 ЭМС машин имеют индекс от 1 до N. Основные элементы ЭМС, составляющих ЭМК, это исполнительный орган (ИО), ЭД, источник электрической энергии, преобразователи электрической и механической энергии, система управления. Назначение и виды элементов ЭМС общепромышленного оборудования и горных машин представлены в [78].

Следует отметить, что рассматриваемые ЭМС имеют среднюю установленную мощность от 100 до несколько тысяч кВт, напряжение питания 660, 1140, и

3000 В. Источником электрической энергии являются трансформаторы ограниченной мощности, а кабельные электрические сети имеют ограниченную пропускную способность.

Рис. 1.1. Структурная схема ЭМС: =канал передачи электрической энергии; -о - канал передачи механической энергии; - канал передачи информации

Укрупнено проблема диагностирования ЭМС в процессе эксплуатации включает две крупные задачи: первая - непрерывная оценка технического состояния ЭМС, вторая - оценка правильности функционирования (выполнение всех заданных функций) ЭМС.

Неработоспособное (неисправное) техническое состояние ЭМС может быть установлено путем выявления соответствующих отказов, нарушающих исправность и правильность функционирования ЭМС и относящихся к одному или нескольким узлам, деталям ЭМС.

Широкое использование ЭМС обусловлено целевым предназначением и высокими энергетическими показателями, однако данному типу техногенных систем присущи неисправности, характерные для разнородных систем, имеющих в своем

составе множество отдельных деталей и сборочных узлов [50].

Поэтому непрерывное диагностирование технического состояния таких ЭМС в процессе эксплуатации является актуальной проблемой.

1.1.2 Основы и содержание, этапы и режимы эксплуатации электромеханических систем

Основным методом оценки эффективности функционирования ЭМС является ее диагностирование.

Диагностирование ТС ЭМС является сложным и неоднозначным процессом, зачастую принять решение о типе неисправности и возможности дальнейшей эксплуатации ЭМС может только специалист очень высокой квалификации. Несовершенство методов оценки ТС приводит к тому, что с эксплуатации могут сниматься исправные элементы ЭМС, имеющие значительный запас ресурса, или не выявляются элементы, которые могут отказать в ближайшее время.

Целью диагностирования состояний является установление ТС объекта (рис.1.2). Важную роль при этом отводят определению ТС объекта, которое вследствие воздействия внешних и внутренних факторов изменяется с течением времени.

Рис. 1.2. Виды технических состояний ЭМС

В результате диагностирования ТС ЭМС она может быть исправна или неисправна (наличие отказа). В исправном состоянии ЭМС работоспособна, если выполняет заданные функции с параметрами, соответствующими технической

документации. ЭМС неработоспособна, если она не выполняет одну из функций,

18

(например, не обеспечивает заданного цикла работы), хотя бы один из ее параметров не соответствует технической документации. ЭМС может быть частично работоспособна, если она частично выполняет заданные функции или один из параметров частично не соответствует технической документации, (например, ЭМС обеспечивает производительность ниже заданной).

Эффективность использования ЭМС в технологическом процессе любого производства зависит и от того, насколько параметры выбранного решения соответствуют условиям, в которых протекает технологический процесс. К таким условиям относятся: производительность, длина и направление перемещения грузов, условия загрузки и разгрузки механизмов; размеры груза, его форма, удельная плотность, влажность, температура, ритм и интенсивность периодического действия, а также различные местные факторы [53,120].

Следовательно, в условиях постоянного и нестационарного во времени изменения ТС ЭМС становится актуальным создание многопараметрических и интеллектуальных систем диагностирования, в основе принятия решений которых, лежит не только эксплуатационная (фактографическая) информация, но и сведения по различным аспектам эксплуатации и жизненного цикла ЭМС.

Состояния системы эксплуатации ЭМС характеризуются совокупностью значений выбранных переменных состояний, позволяющих сравнивать состояния системы в различные моменты времени и тем самым определять изменение состояний системы эксплуатации ЭМС при ее функционировании.

К таким переменным, в частности, относят:

- время, необходимое для подготовки оборудования к применению;

- материальные, временные и энерго - затраты, требуемые для проведения соответствующих эксплуатационных процессов;

- время и средства необходимые для доставки материалов, обеспечивающих эксплуатацию и др.

С точки зрения воздействия различных переменных и реакции на них - систему эксплуатации ЭМС можно представить следующей моделью (рис.1.3).

Управляющие воздействия, для обеспечения требуемого состояния системы эксплуатации ЭМС

Возмущающие воздействия, препятствующие нормальному функционированию системы эксплуатации

Выходные величины, характеризующие реакцию системы эксплуатации на управляющие и возмущающие воздействия

Рис.1.3. Внешние воздействия и реакции в системе эксплуатации

оборудования ЭМС

Функционирование сложных ЭМС, в структурах управления оперативно-функциональными объектами, весьма чувствительных к внешним влияниям (излучение, температура, влажность, механические воздействия, биологическая агрессивность, и т.д.), с течением времени может не только изменять свои параметры в допустимых пределах, но катастрофически приводить их к таким значениям, которые не только не совместимы с их нормальной работой (работоспособностью), но опасны для окружающей среды и могут явиться причиной самоликвидации (разрушения). Распознавание и прогнозирование таких ситуаций выходит за пределы простой оценки ТС. Во-первых, это сопряжено с неточностью получаемой информации и ограниченностью числа параметров оценки ТС по мере старения системы или несанкционированного доступа к ней. Во-вторых, с недостаточностью точек контроля системы, в особенности в условиях кратных дефектов. В-третьих, отсутствием своевременного мониторинга и прогнозирования поведения окружающей среды, влияющей на процесс работы системы в режиме реального времени. В-четвертых, для систем оценки ТС, встроенных в комплексы управления, важной составляющей является временной фактор, то есть скорость принятия решения. В-пятых, любое усложнение системы оценки ТС приводит к "нежелательным", со стороны заказчика, финансовым вложениям в их разработки и производство. ЭМС обязательно взаимодействует с внешней средой. Поэтому

Список литературы диссертационного исследования доктор наук Шпрехер Дмитрий Маркович, 2016 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Адаптивные системы сбора и передачи информации / И.Д.Калашников, В.С. Степанов, А.В. Чуркин.- М.: Энергия, 1975. - 239 с.

2. Адлер Ю.П. Планирование эксперимента при поиске оптимальных условий /Ю.П. Адлер, Е.В. Маркова, Ю.В. Грановский - М.: Наука, 1976. - 247 с.

3. Аксенов Ю.П. Диагностика изоляции статорных обмоток генераторов непосредственно под нагрузкой / Ю.П. Аксенов, А.Г. Ляпин //Приборы и системы. Управление, контроль, диагностика. - 2000. - №6. - С. 65-67.

4. Акулич И.Л. Математическое программирование в примерах и задачах / И.Л. Акулич - М.: Высшая школа, 1986. - 319 с.

5. Александров М.П. Грузоподъемные машины / М.П. Александров -М.: Изд-во МГТУ им. Баумана: Высшая школа, 2000. - 550 с.

6. Атабеков В.Б. Ремонт трансформаторов, электрических машин и аппаратов / В.Б. Атабеков - М.: Высшая школа, 1994. - 396 с.

7. Бабокин Г.И. Нейросетевой контроль электромеханических систем / Г.И. Бабокин, Д.М. Шпрехер // Изв. вузов Электромеханика.-2010.-№4.- С. 18-20.

8. Бабокин Г.И. Управление электромеханической системой в нейросе-тевом базисе /Г.И. Бабокин, Д.М. Шпрехер //XXII Международная научная конференция «Математические методы в технике и технологиях ММТТ-22»: сб. трудов. - Псков, 2009. - Т.6. - С.4-6.

9. Бабокин Г.И. Математические основы контроля электромеханических систем /Г.И. Бабокин, Д.М. Шпрехер //XXIII Международная научная конференция «Математические методы в технике и технологиях ММТТ-23: сб. трудов. -Саратов, 2010. - С. 198 -201.

10. Бабокин Г.И. Контроль технического состояния электромеханических систем при помощи нейросетевых схем распознавания /Г.И. Бабокин, Д.М. Шпрехер //Известия Тульского государственного университета. Сер. Технические науки. Тула, 2010. - Вып.1. - С. 109-114.

11. Бабокин Г.И. Разработка алгоритма поиска и обнаружения мест отказов электромеханической системы /Г.И. Бабокин, Д.М. Шпрехер //Известия вузов Электромеханика. - 2010. - №6. - С. 52-57.

12. Бабокин Г.И. Алгоритмы выбора измеряемых параметров при диагностике электромеханических систем горных машин /Г.И. Бабокин, Д.М. Шпрехер //VI Международная (XVII Всероссийская) конференция по автоматизированному электроприводу. Известия Тульского государственного университета. Сер. Технические науки. Тула, 2010. - Вып.3. - Ч. 1. - С. 109-114.

13. Бабокин Г.И. Нейросетевая технология диагностики электромеханических систем горных машин /Г.И. Бабокин, Д.М. Шпрехер //Известия вузов Горный журнал. - 2011. - №3. - С. 39-44.

14. Бабокин Г.И. Применение нейронных сетей для диагностики электромеханических систем /Г.И. Бабокин, Д.М. Шпрехер //Сборник "Электрификация и энергоэффективность". Отдельный выпуск Горного информационно -аналитического бюллетеня (научно-технического журнала). М.: Издательство "Горная книга", 2011. - № 4. - С. 132-139.

15. Бабокин Г.И. Алгоритм определения оптимальных частот опроса параметров непрерывных процессов в компонентах электромеханических систем /Г.И. Бабокин, Д.М. Шпрехер //Известия Тульского государственного университета. Сер. Технические науки: в 2 ч. Вып.6. Тула: Изд-во ТулГУ, 2011.-Ч.1.-С. 138144.

16. Берндт Бёме. Современные системы диспетчерского управления в газовой промышленности /Б. Берндт //2-я Международной научно-технической конференции Диском 2004: «Теория и практика разработки, промышленного внедрения компьютерных комплексов поддержки диспетчерских решений в газотранспортной и газодобывающей отраслях»: сб. трудов. М.: Издательство РГУ нефти и газа им. И.М. Губкина, 2004. - С.15-16.

17. Биргер И.А. Техническая диагностика / И.А. Биргер. - М.: Машиностроение, 1978. - 240 с.

18. Богатиков В.Н. Диагностика состояний и управление технологической безопасностью непрерывных химико-технологических процессов на основе дискретных моделей. Дис. на соискание ученой степени д-ра техн. наук /В.Н. Богатиков. - Апатиты: 2002. - 333с.

19. Браверман Э.М. Структурные методы обработки эмпирических данных /Э.М. Браверман, И.Б. Мучник. - М.: Наука, 1983. - 464 с.

20. Брюль и Къер. Мониторизация состояния машинного оборудования. ЭК БЯ 0660-11.

21. Бусленко Н.П. Моделирование сложных систем /Н.П. Бусленко. - М.: Наука, 1978. - 400 с.

22. Бывайков М.Е. Помехоустойчивый адаптивный метод прогнозирования ресурса изделий /М.Е. Бывайков //Надежность и контроль качества. - 1987. -№ 12. - С.18-26.

23. Вагнер Г. Основы исследования операций /Г. Вагнер. - М.: Мир, 1972.-349 с.

24. Вайнштейн Л.А. Выделение сигналов на фоне случайных помех / Л.А. Вайнштейн, В.Д. Зубаков. - М.: Советское радио, 1960. - С. 448.

25. Вентцель Е.С. Теория вероятностей. 0 М.: Наука, 1969. - 576 с.

26. Виброанализатор СД-21: информационный материал // «Виброакустические системы и технологии».-Щ1::р://у1Ьго:ек.сот/щ881ап/са:а1оеМс-21/тёех.Ы:т)

27. Галушкин А.И. Синтез многослойных систем распознавания образов / А.И. Галушкин. - М.: Энергия, 1974. - 367 с.

28. Галушкин А.И. Теория нейронных сетей /А.И. Галушкин. - М.: ИПРЖР, 2000. - 416 с.

29. Галушкин А.И. Некоторые исторические аспекты развития элементной базы вычислительных систем с массовым параллелизмом (80- и 90- годы) /А.И. Галушкин //Нейрокомпьютер. -2000. - №1.- С.68-82.

30. Гашимов М.А. Диагностирование неисправностей электроэнергетических машин при межфазных замыканиях в обмотке статора /М.А. Га-

339

шимов, A.M. Гусейнов //Электричество. - 1987. - № 4. - С. 47 - 49.

31. Гетопанов В.Н. Горные и транспортные машины и комплексы: Учеб. для вузов /В.Н. Гетопанов. - М.: Недра, 1991. - 303 с.

32. Гилл Ф. Практическая оптимизация: Пер с англ. /Ф. Гилл, У. Мюррей, М. Райт. - М.: Мир, 1985. - 509 с.

33. Голинкевич Т.А. Прикладная теория надежности. - М.: Высшая школа, 1977. - 160 с.

34. Гольдберг О.Д. Автоматизация контроля параметров и диагностика асинхронных двигателей /О.Д. Гольдберг, И.М. Абдуллаев, А.М. Абиев. - М.: Энергоатомиздат, -1991. -160 с.

35. Головко В.А. Нейронные сети: обучение, организация и применение. Кн.4 /В.А Головко. - М.: ИПРЖР, 2001. - 256 с.

36. Головкин Б.А. Параллельные вычислительные системы / Б.А. Головкин. - М.: Наука, 1980. - 520 с.

37. Горбань А.Н. Нейронные сети на персональном компьютере /А.Н. Горбань, Д.А. Россиев. - Новосибирск: Наука. Сибирская издательская фирма РАН, 1996. - 276 с.

38. Горбань А.Н. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей /А.Н. Горбань //Сибирский журнал вычислительной математики. РАН. Сиб. Отд. Новосибирск.-1998. - № 1. - Т.1.-С.11-24.

39. Горбатов П.А. Горные машины для подземной добычи угля /П.А. Горбатов, Г.В. Петрушкин. - Издательство: Норд Компьютер, 2006. - 669 с.

40. Горюшкин В.Н. Основы гибкого производства деталей машин и приборов /В.Н. Горюшкин, А.Ф.Прохоров. - Минск: Наука и техника, 1984. - 222 с.

41. ГОСТ 20911-89. Техническая диагностика. Термины и определения.

42. Гостев В.И. Системы управления с цифровыми регуляторами: Справочник /В.И. Гостев. - Киев: Тэхника, 1990. - 280 с.

43. Григорьев А.В. Устройства приема и обработки сигналов: Учеб. пособие / А.В. Григорьев. - Пенза: Изд-во Пенз. гос. ун-та, 2001. - 68 с.

340

44. Давиденко И.В. Разработка методик и элементов для экспертно-диагностической системы маслонаполненного оборудования: Дис. на соискание ученой степени канд. техн. наук /И.В. Давиденко. - Екатеринбург, 1998. - 194 с.

45. Девятков А.Ф. Ремонт электросилового оборудования /А.Ф Девятков, С.А. Пискунов, В.П. Путинцев, Н.М. Сланин - М.: Колос, 1971. - 276 с.

46. Евланов Л.Г. Контроль динамических систем /Л.Г. Евланов. - М.: Наука, 1979. - 432 с.

47. Ежов, А. А. Нейрокомпьютинг и его применения в экономике и бизнесе. Серия "Учебники экономико-аналитического института МИФИ" / А.А.Ежов, С.А.Шумский; под общ.ред. проф. В.В. Харитонова. - М.: МИФИ, 1998. - 224 с.

48. Ермоленко Е.Ю. Обеспечение эффективности функционирования электромеханических систем на основе параллельных моделей диагностирования: Диссертация на соискание ученой степени канд. техн. наук / Е.Ю. Ермоленко. -Владимир: 2007. - 217 с.

49. Заенцев И. В. Нейронные сети: основные модели: Учебное пособие к курсу "Нейронные сети" /И. В. Заенцев. - Воронеж: ВГУ, 1999. - 76 с.

50. Зайков В.И. Эксплуатация горных машин и оборудования /В.И. Зай-ков, Г.П. Берлявский. - М.: Издательство Московского государственного горного университета, 2006. - 257 с.

51. Заявка 96100118 RU, МПК G01H17/00. Способ диагностики и прогнозирования технического состояния машин по вибрации корпуса /В. Н. Костюков, С.Н. Бойченко, А.В. Костюков. - Заявл. 01. 03. 1996. Опубл. 37. 03 1998.

52. Заявка 9120470 RU, МПК G01M7/02, G01H17/00. Способ диагностики технического состояния механизма по параметрам вибрации /В.Г. Семичастнов, Н.И. Россеев, В.П. Христензен, А.М. Марков, А.А. Александров, В.И. Чеботарев. - Заявл. 28. 09. 1999. - Опубл. 20. 06. 2000.

53. Зенков Р.Л. Конвейеры большой мощности /Р.Л. Зенков, М.М. Петров. - М.: Наука, 1964. - 240 с.

54. Ивахненко А.Г. Долгосрочное прогнозирование и управление сложными системами /А.Г. Ивахненко. - Киев: Техника, 1975. - 312 с.

341

55. Изерманн Р. Перспективные методы контроля, обнаружения и диагностики неисправностей и их применение /Р. Изерманн //Приборы и системы управления. - 1998. - №4. - С.12-17.

56. Исследовать и установить фактические показатели надежности очистного комбайна 1КШЭ (КШ1КГУ): Отчет о НИР (заключительный) /ПНИУИ. Руководитель Е.Д. Волков.-0495006000.-Новомосковск, 1987.-48 с.

57. Испытания, эксплуатация и ремонт электрических машин: Учебник для вузов /Н.Ф. Котеленец, Н.А. Акимова, М.В. Антонов. - М.: Издательский центр «Академия», 2003. - 384 с.

58. Калан Р. Основные концепции нейронных сетей //Пер с англ. М.: "Вильямс", 2001.- 288 с.

59. Кирсанов Э.Ю. Цифровые нейрокомпьютеры: Архитектура и схемотехника / Под ред. А.И. Галушкина. - Казань: Казанский Гос.Ун-т, 1995. -С.31-32.

60. Клюев В.В. Технические средства диагностирования / В.В. Клюев, П.П. Пархоменко и др. - М.: Машиностроение, 198.- 518 с.

61. Коллакот Р.А. Диагностирование механического оборудования //Пер. с англ. Л.: Судостроение, 1980. - 347 с.

62. Комарцова Л.Г. Нейрокомпьютеры: Учеб. пособие для вузов /Л.Г. Ко-марцова, А.В. Максимов.- М.: Изд-во МГТУ им. Н.Э. Баумана, 2004. - 400 с.

63. Комплекс автоматизированного вибрационного мониторинга и технической диагностики пневматического объекта DREAM: информационный материал //«Виброакустические системы и технологии». -(http: //vibrotek.com/russian/articles/pdf/dfw4 rus web.pdf).

64. Кораблев А.А. Устройство и эксплуатация и ремонт шахтного оборудования /А.А. Кораблев, В.Л. Скрипка. - М.: Недра, 1981. - 320 с.

65. Круглов В.В. Искусственные нейронные сети. Теория и практика /В.В. Круглов, В.В. Борисов. - М.: Горячая линия, Телеком, 2001. -382 с.

66. Круглов В.В. Нечеткая логика и искусственные нейронные сети. / В.В. Круглов, М.И Дли, Р.Ю. Голунов. - М.: Физматлит, 2001. - 224 с.

67. Круглова Т.Н. Методы повышения эффективности функционирования мехатронных модулей движения горного оборудования: Диссертация на соискание ученой степени канд. техн. наук. /Т.Н. Круглова.- Новочеркасск: 2008. - 179 с.

68. Кудрицкий В.Д. Прогнозирующий контроль радиоэлектронных устройств /В.Д. Кудрицкий. - Киев: Техника, 1982. - 168 с.

69. Куликовский Л.Ф. Теоретические основы информационных процессов /Л.Ф. Куликовский, В.В. Мотов. - М.: Высшая школа, 1987. - 547 с.

70. Лисс А.А. Нейронные сети и нейрокомпьютеры: Учеб. пособие /А.А. Лисс, М.В. Степанов. - СПб.: ГЭТУ, 1997. - 64 с.

71. Логовский А.С. Технология ПЛИС и ее применение для создания ней-рочипов /А.С. Логовский //Открытые системы. - 2000. - № 10. - С.23-29.

72. Ляткер И.И. Система непрерывного контроля и диагностики синхронных машин /И.И. Ляткер, А.Г. Мордкович, A.M. Несвижский //Электротехника. - 1996. - №3. - С. 44-47.

73. Математическая теория конструирования систем управления /В.Н. Афанасьев, В.Б. Колмановский, В.Р. Носов. - М.: Высшая школа, 1998. - 573 с.

74. Месарович М. Общая теория систем: математические основы /М. Ме-сарович, Я. Такахара. Пер. с англ. - М.: Мир, 1978. - 312 с.

75. Местецкий, Л. М. Математические методы распознавания образов / Л.М. Местецкий. - М.: МГУ, 2004. - 86 с.

76. Можаев А.С. Общий логико-вероятностный метод анализа надежности сложных систем: Уч. пос. /А.С. Можаев. - Л.: ВМА, 1988. - 68 с.

77. Мозгалевский А.В. Техническая диагностика /А.В. Мозгалевский, Д.В. Гаскаров. - М.: Высшая школа, 1975. - 205 с.

78. Москаленко В.В. Электрический привод. Учебник для вузов /В.В. Москаленко - М.: Энергоатомиздат; 1986. - 416 с.

79. Мультипроцессорные системы и параллельные вычисления. /Пер. с англ. Ю.С. Голубева-Новожилова и А.Л. Щерса. - М.: Мир, 1976. - 384 с.

80. Надежность и эффективность в технике. Т.1: Методология. Организация. Терминология /Под ред. А.И. Рембезы. - М.: Машиностроение,1986. -224 с.

343

81. Надежность и эффективность в технике: Справочник в десяти томах. Т.6: Экспериментальная отработка и испытания /Под общ.ред. Р.С. Судакова, О.И. Тескина. - М.: Машиностроение, 1989. - 376 с.

82. Надежность и эффективность в технике: Справочник в десяти томах. Т.9: Техническая диагностика /Под общ. ред. В.В. Клюева, П.П. Пархоменко. -М.: Машиночтроение,1987. -352 с.

83. Надежность технических систем: Справочник /Под ред. И.А.Ушакова.

- М.: Радио и связь, 1985. - 608 с.

84. Назаров А. В. Нейросетевые алгоритмы прогнозирования и оптимизации систем /А.В. Назаров, А.И. Лоскутов.- СПб.: Наука и техника, 2004. - 384 с.

85. Нахапетян Е.Г. Квалиметрия и диагностирование механизмов /Е. Г. Нахапетян. - М.: Наука, 1979. - 264 с.

86. Нахапетян Е.Г. Контроль и диагностирование автоматического оборудования /Е. Г. Нахапетян. - М.: Наука, 1990. - 272 с.

87. Нейроматематика. Кн.6. /А.Д. Агеев, А.Н. Балухто, А.В. Бычков и др.

- ИПРЖР, 2002. - 448 с.

88. Никиян Н. Г. Способ и установка для диагностики короткозамкну-тых клеток электрических машин /Н.Г. Никиян, М.П. Саликов //Электрические станции. - 1999. - №3. - С.60-62.

89. Новоселов О.Н. Основы теории и расчета информационно-измерительных систем /О.Н. Новоселов, А.Ф. Фомин. - М.: Машиностроение, 1980. - 280 с.

90. Орлов А.И. Теория принятия решений: Учебное пособие /А.И. Орлов.

- М.: Издательство «Март»», 2004. - 656 с.

91. Осипов О.Н. Техническая диагностика автоматизированных электроприводов /О.Н. Осипов, Ю.С. Усынин. - М.: Энергоатомиздат, 1991. - 160 с.

92. Основы технической диагностики. Кн. 1. Модели объектов, методы и алгоритмы /В.В. Карибский, П.П. Пархоменко, Е.С. Согомонян, В.Ф. Халчев. -М.: Энергия, 1976. - 464 с.

93. Основы технической диагностики. Теория распознавания: учеб. пособие /А.Е.Стецюк, Я.Ю. Бобровников. - Хабаровск. Изд-во ДВГУПС, 2012. - 69 с.

94. Осовский С. Нейронные сети для обработки информации /С. Осов-ский. Пер с польского. - М.: Финансы и статистика, 2002. - 344 с.

95. Павлович С.Н. Ремонт и обслуживание электрооборудования /С.Н. Павлович, Б.И. Фираго. - М.: Спецтехнология, 2002. - 247 с.

96. Пархоменко П.П. Основы технической диагностики /П.П. Пархоменко. - М.: Энергия, 1976. - 347 с.

97. Пат. 699906 SU, МПК G01M13/02. Способ виброакустического диагностирования зубчатых передач /П.Д. Вильнер, Ф.В. Голов. - Заявл. 07.06. 1978. Опубл. 10. 11. 2005.

98. Пат. 2202105 RU, МПК G01H11/00. Устройство для виброакустической диагностики машин /А.Б. Качоровский, В.Ю. Переяслов. - Заявл. 05. 03 2001. Опубл. 10. 04. 2003.

99. Пат. 2284021 RU, МПК G01M7/02, G01M13/00. Многофакторный способ диагностирования роторных, механических, подшипниковых и редук-торных узлов /В.Ю. Тэттэр, В.И., Щедрин В.С., Барайщук, Н.Г. Макаренко. -Заявл. 11.04. 2004. Опубл. 20. 09.2006.

100. Пат. 2300116 RU, МПК G01R31/34. Способ диагностики электродвигателей переменного тока и связанных с ними механических устройств /В.С.Петухов, В.А.Соколов, О.А.Григорьев, С.Н. Великий, А.А. Михель. -Заявл. 13. 04 2005. Опубл. 27. 05. 2007.

101. Пат. 2133952 RU, МПК G01M15/00. Способ контроля и диагностирования состояния гидропневматического объекта /А.С. Васин, Э.В. Венгерский, А.Ю. Малиновский, Г.Л. Усов, А.В. Шостак. - Заявл. 16. 04.1998. Опубл. 27. 04. 1999.

102. Пат № 2177607 RU, МПК G01M13/04. Способ и устройство диагностирования циклически функционирующих объектов /В.Ю. Тэттер, В.И. Щедрин, А.А. Горохов. - Заявл. 27. 07. 2000. Опубл. 27. 12.2001.

103. Петухов В.С. Диагностика состояния электродвигателей на основе спектрального анализа потребляемого тока // Труды двенадцатой науч. -техн. конф. «Электроприводы переменного тока». - Екатеринбург. УГТУ, 2001.

104. Половко А.М.,Гуров С.В. Основы теории надежности. Практикум. -СПб.: БХВ-Петербург, 2006. - 560 с.

105. Портнягин Н.Н. Применение метода исключения варьируемого параметра при решении задач диагностирования /Н.Н. Портнягин, Г.А. Пюкке. -М.: Издательство «Академия Естествознания». 2009. - 165 с.

106. Проблемы построения и обучения нейронных сетей /Под ред. А.И.Галушкина и В.А.Шахнова. - М. Изд-во Машиностроение. Библиотечка журнала Информационные технологии №1. 1999. - 105 с.

107. Прогностика. Термины и определения /Комитет научно-технической терминологии. Вып. 109. - М.: Наука, 1990. - 56 с.

108. Пронников А.С. Надежность машин /А.С. Пронников. -М.: Машиностроение, 1978. - 592 с.

109. Протокол приемки опытного образца (опытной партии)очистного узкозахватного комбайна КШЭ (2КШЗ) с бесцепной тиристорной системой подачи. -Междуреченск.1983.-57с.

110. Протокол приемочных испытаний опытной партии узкозахватных очистных комбайнов 1КШЭ с бесцепной тиристорной системой подачи.- Между-реченск. 1985.-108с.

111. Пугачев В.С. Статистические методы в технической кибернетике /В.С. Пугачев.- М.: Сов. радио, 1971. - 186 с.

112. Растригин Л.А. Экстраполяционные методы проектирования и управления /Л.А. Растригин, Ю.П. Пономарев. - М.: Машиностроение, 1986. - 120 с.

113. Ратникова Н.А. Теоретические основы, аппаратные средства и программно-математическое обеспечение информационной системы мониторинга и контроля по состоянию воздушных судов: Дис. на соискание ученой степени д-ра техн. наук /Н.А. Ратникова. - Москва: 2005. - 401с.

114. Расчёт и конструирование горных транспортных машин и комплексов /Под ред. И.Г. Штокмана. - М.: Недра, 1975. - 464 с.

115. Розенблатт, Ф. Аналитические методы изучения нейронных сетей / Ф. Розенблатт: [пер. с англ.] // Нейрокомпьютер, 1997 - №3,4 - С.49-65.

116. Рубцов Ю.Ф. Системы мониторинга и диагностики /Ю.Ф. Рубцов //Приборы и системы. Управление, контроль, диагностика.-2000.-№5.-С.68-70.

117. Рубцов Ю.Ф. Вибродиагностические экспертные системы /Ю.Ф. Рубцов //Приборы и системы. Управление, контроль, диагностика. -2000. -№6. - С. 61-62.

118. Рябинин И.А. Надежность и безопасность структурно-сложных систем /И.А. Рябинин.-СПб.: Издательство Санкт-Петербургского университета, 2007. - 278 с.

119. Рябинин И.А., Черкесов Г.Н. Логико-вероятностные методы исследования надежности структурно-сложных систем /И.А. Рябинин, Г.Н. Черкесов. -М.: Радио и связь, 1981.- 264 с.

120. Свечарник Д.В. Электрические машины непосредственного привода /Д.В. Свечарник. - М.: Энергоатомиздат, 1988. - 208 с.

121. Семыкина И.Ю. Испытательный комплекс для оценки режимов работы электроприводов горных машин /И.Ю. Семыкина, А.В. Киселев, Р.А. Кольцов //Журнал научных публикаций аспирантов и докторантов.- 2012.-№ 9. - С. 82-87.

122. Серов Л.А. Результаты стендовых испытаний механизма подачи комбайна КШ1КГУ с частотно-регулируемым электроприводом /Л.А. Серов, Г.И. Ба-бокин, Д.А. Ветчинкин, Е.Б. Колесников // Сборник научных трудов. ПНИУИ. -Новомосковск, 1991. С.40-10.

123. Смирнов В.И. Функциональная диагностика электрических машин на основе их полей рассеяния /В.И. Смирнов, В.В. Жарков, Д.В. Чернов //Приборы и системы. Управление, контроль, диагностика. -2004.- №8. С. 49-52.

124. Смирнов В.И. Автоматизированный комплекс для диагностики функционального состояния электрических машин /В.И. Смирнов, В.В. Жарков, М.Г. Ильин //Приборы и системы. Управление, контроль, диагности-

347

ка.- 2000. - №7. - С.81-83.

125. Современная телеметрия в теории и на практике /А.В. Назаров, Г.И. Козырев, И.В. Шитов и др. - СПб.: Наука и Техника, 2007. - 672 с.

126. Современные методы обеспечения безотказности сложных технических систем /Л.Н. Александровская, А.П. Афанасьев, А.А. Лисов: Учебник. - М.: Логос, 2001. - 208 с.

127. Сотник С.Л. Конспект лекций по курсу «Основы проектирования систем искусственного интеллекта» /С. Л. Сотник. - 1998. - 70 с.

128. Справочник по специальным функциям. Пер с англ. /Под ред. В.А. Диткиной, Л.Н.Карамзиной. - М., Наука, 1979. - 253 с.

129. Справочник по эксплуатации электроустановок /В. П. Таран, В.К. Ан-дриец, А.В. Синельник. - М.: Колос, 1983. - 221с.

130. Стариков А. Нейронные сети как средство добычи данных. -(www.basegroup.ru) .

131. Стариков Б.Я. Асинхронный электропривод очистных комбайнов /Б.Я. Стариков, В.Л. Азарх, З.М. Рабинович. - М.: Недра, 1981. - 288 с.

132. Теория автоматизированного электропривода /М.Г. Чиликин, В.И.,

A.С. Сандлер. - М.: Энергия, 1979. - 616 с.

133. Теория передачи сигналов / М.В. Назаров, Б.И. Кувшинов, О.В. Попов. - М.: Связь, 1970. - 368 с.

134. Терехов В.А. Нейросетевые системы управления /В. А. Терехов, Д. В. Ефимов, И.Ю. Тюкин. - СПб.: СПГУ, 1999. - 265 с.

135. Терехов С.А. Лекции по теории и приложениям искусственных нейронных сетей. Типовые задачи для информационного моделирования с использованием нейронных сетей. - (http://alife.narod.ru/lectures).

136. Техническая эксплуатация авиационного оборудования. / Под ред.

B.Г.Воробьева. - М.: Транспорт. - 1990. - 296 с.

137. Техническое обслуживание и ремонт горного оборудования: Учебник для нач. проф. образования /Ю.Д. Глухарев, В.Ф. Замышляев, В.В. Кармазин. -М.: «Академия», 2003. - 400 с.

138. Технологии искусственного интеллекта в задачах диагностики информационных подсистем АСУТП /А.И. Репин, Н.И. Смирнов, В.Р. Сабанин //Сборник трудов конференции Control 2005. - М.: МЭИ, 2005. - С. 19-25.

139. Тихонов А.Н. Методы решения некорректных задач /А.Н. Тихонов, В.Я. Арсенин. - М.: Наука, Гл.ред.физ.-мат. лит., 1979. - 288 с.

140. Трегубов Н.М. Ремонт горных машин /Н.М. Трегубов, Л.Ф. Акасте-лов. - М.: Недра, 1978. -176 с.

141. Трюбер С.С. Новый метод диагностики дизельных двигателей /С.С. Трюбер //XX Международная научная конференция « Математические методы в технике и технологиях ММТТ-20»: сб. тр. - Ярославль: Изд-во ЯГТУ, 2007. -Т.4. - С. 117 - 118.

142. Тэнк Д.У. Коллективные вычисления в нейроподобных электронных схемах /Д.У. Тэнк, Д.Д. Хопфилд //В мире науки. - 1988. -№ 2. - С. 44-53.

143. Уоссермен Ф. Нейрокомпьютерная техника. Теория и практика /Ф. Уоссермен. - М.: Мир, 1992. - 118 с.

144. Усовершенствовать и освоить в производстве комбайны с более высокой энергонасыщенностью, тиристорным и гидравлическим приводом механизма подачи, обеспечивающие производительную, надежную и безопасную работу (Провести заводские испытания комбайна КШ1КГУ с Г412): Отчет о работе (промежуточный) /ПНИУИ. Руководитель Д.А. Ветчинкин.- 0106015000028. - Новомосковск, 1986. -50 с.

145. Установить основные показатели надежности очистного комбайна 1КШЭ (КШ1КГУ) Отчет о НИР (заключительный) /ПНИУИ. Руководитель В.Я.Ягодкин. - 0496010000. - Новомосковск,1988. - 24с.

146. Установить фактические показатели надежности, включая ремонтопригодность, серийно выпускаемых очистных комплексов узловского машзавода: Отчет о НИР (заключительный) /ПНИУИ. Руководитель В.Я. Ягодкин.-04.08.09.00.00. - Новомосковск, 1980,-38с.

147. Фатхутдинов Р.А. Разработка управленческого решения: Учебник для вузов. 2-е изд., доп. /Р.А. Фатхутдинов.-М.: ЗАО "Бизнес-школа "Интел-Синтез" 1998. - 272 с.

148. Хайкин С. Нейронные сети: полный курс, 2-е изд. Пер. с англ. /С. Хайкин. - М.: "Вильямс", 2006. - 1104 с.

149. Химмельблау Д. Прикладное нелинейное программирование /Д. Хим-мельблау. - М.: Мир, 1975. - 534 с.

150. Хеллман О. Введение в теорию оптимального поиска. Пер. с англ. Е.М. Столяровой /Под ред. Н.Н.Макеева. - М.: Наука, 1985. - 248 с.

151. Черноскутов А.И. Метод допускового контроля с использованием дискриминантных функций /А.И. Черноскутов, Н.И.Черноскутов //Надежность и контроль качества. - 1989. - № 5. - С.8-10.

152. Шахнов В.А. Нейрокомпьютеры - архитектура и реализация Часть 3. Аппаратная реализация нейровычислителей (окончание) /В.А. Шахнов, А.И. Власов, А.С. Кузнецов, Ю.А. Поляков. // Chip News (инженерная микроэлектроника), 2001, №.- С.24-29

153. Шибанов Г.П. Контроль функционирования больших систем /Г.П. Шибанов, Е.А. Артеменко, А.А. Матешкин, Н.И. Циклинский. - М.: Машиностроение, 1987. - 396 с.

154. Шпрехер Д.М. Диагностирование электроприводов с помощью нейронных сетей /Д.М. Шпрехер //XXVII научная конференция профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева. Новомосковск, 2009. -Ч. 2. - С. 99.

155. Шпрехер Д.М. Контроль работоспособности электромеханических систем на основе принципов машинного обучения /Д.М. Шпрехер //Труды Новомосковского института РХТУ им. Д.И. Менделеева. Серия Промышленная энергетика. Новомосковск, 2009. - Вып. №4 (22). - С. 90-95.

156. Шпрехер Д.М. Основные положения нейросетевого контроля электромеханических систем /Д.М. Шпрехер //Труды XXXIX Всероссийской научно

практической конференции с международным участием по электрификации «По-

350

вышение эффективности электрического хозяйства потребителей в условиях ресурсных ограничений». М.: МЭИ. Технетика, 2009. - Т.1. - С. 231-233.

157. Шпрехер Д.М. Поиск мест и причин отказов электромеханических систем на основе нейросетевых оптимизационных процедур /Д.М. Шпрехер //УШ Всероссийская школа-семинар "Прикладные проблемы управления макросистемами". Апатиты: Изд-во КНЦ РАН, 2010. - С. 84.

158. Шпрехер Д.М Некоторые аспекты поиска причин неисправностей электромеханических систем горных машин /Д.М. Шпрехер //XIII Международная научно-практическая конференция «Природные и интеллектуальные ресурсы Сибири - Сибресурс 2010». Кемерово: Изд-во ГУ КузГТУ, 2010. - С. 196-198.

159. Шпрехер Д.М. Поиск неисправностей электромеханических систем на основе моделей карт Кохонена /Д.М. Шпрехер //Вестник Тульского государственного университета. Сер. Проблемы управления электротехническими объектами. Тула: Изд-во ТулГУ, 2010. - Вып.5. - С. 68-70.

160. Шпрехер Д.М. Автоматизированный контроль электромеханических систем в нейросетевом базисе /Д.М. Шпрехер //Известия вузов Электромеханика. - 2011. - №1. - С. 49-53.

161. Шпрехер Д.М. Нейросетевые оптимизационные модели поиска неисправностей электромеханических систем /Д.М. Шпрехер //Мехатроника, автоматизация, управление. - 2011. - №3. - С. 51-55.

162. Шпрехер Д.М. Способ прогнозирования технического состояния электромеханических систем на основе нейросетевого классификатора /Д.М. Шпрехер //Известия вузов Электромеханика. - 2011. - №2 .-С. 22-27.

163. Шпрехер Д.М. Прогнозная экстраполяция параметров электромеханических систем в нейросетевом базисе /Д.М. Шпрехер //VII Международная научно-практическая конференция «Научный прогресс на рубеже тысячелетий -2011». Прага: Издательский дом «Образование и наука», 2011. - Т. 23, - С. 35-40.

164. Шпрехер Д.М. Разработка программно-аппаратного комплекса для

нейросетевой диагностики электромеханических систем горных машин /Д.М.

Шпрехер //II Международная научно-практическая конференция «Экономика и

351

технология: инновация и модернизация». Всероссийский научно-практический журнал «Народное хозяйство» - Вопросы инновационного развития. Издательство «МИИ Наука». - 2011. - №3. - С. 255-258.

165. Шпрехер Д.М. Экспериментальное исследование диагностирования электромеханических систем горных машин в нейросетевом базисе /Д.М. Шпрехер //Сборник "Электрификация и энергоэффективность". Отдельный выпуск Горного информационно-аналитического бюллетеня (научно-технического журнала). М.: Издательство "Горная книга". - 2011. - № 4. - С. 250-254.

166. Шпрехер Д.М. Техническое диагностирование электромеханических систем в нейросетевом алгоритмическом базисе /Д.М. Шпрехер //Сборник научных трудов SWorld. Международная научно-практическая конференция «Научные исследования и их практическое применение. Современное состояние и пути развития 2011». Технические науки, Юридические и политические науки. Одесса: Изд-во Черноморье, 2011. - Т. 7. - С. 20-25.

167. Шпрехер Д.М. Адаптивные алгоритмы выбора измеряемых параметров при поиске неисправностей электромеханических систем /Д.М. Шпрехер //Изв. вузов горный журнал. - 2011. - №6. - С. 87-93.

168. Шпрехер Д.М. Классификатор состояний электромеханических систем на основе взвешенной карты Кохонена /Д.М. Шпрехер //XXIV Международная научная конференция «Математические методы в технике и технологиях ММТТ-24». Саратов: 2011. - Т. 6. - С.129-130.

169. Шпрехер Д.М. Исследование диагностирования электромеханических систем в нейросетевом базисе /Д.М. Шпрехер //XXIV Международная научная конференция «Математические методы в технике и технологиях ММТТ-24». Саратов: 2011. - Т. 6. - С. 130-132.

170. Шпрехер Д.М. Экстраполятор технических состояний электромеханических систем на основе многослойных нейронных сетей /Д.М. Шпрехер //XXIV Международная научная конференция «Математические методы в технике и технологиях ММТТ-24». Саратов: 2011. - Т. 6. - С. 132-133.

171. Шпрехер Д.М. Прогнозирование технического состояния электротехнических систем нейросетевыми моделями /Д.М. Шпрехер //III Международная научно-практическая конференция «Актуальные вопросы науки». Сер. Технические науки. М.: Изд-во «Спутник», 2011. - С. 99-101.

172. Шпрехер Д.М. Сравнительный анализ методов автоматической классификации технических состояний /Д.М. Шпрехер //III Международная научно-практическая конференция «Актуальные вопросы науки». Сер. Технические науки. М., Изд-во «Спутник», 2011. - С. 102-103.

173. Шпрехер Д.М. Результаты нейросетевого контроля электромеханических систем горных машин /Д.М. Шпрехер //Изв. вузов горный журнал.-2011.-№ 8.-С.77-83.

174. Шпрехер Д.М. Поиск неисправностей электромеханических систем на базе иерархической информационной структуры /Д.М. Шпрехер //II Международная конференция «Автоматизация управления и интеллектуальные системы и среды». Нальчик: 2011. - Т.2. - С. 42-46.

175. Шпрехер Д.М. Диагностирование электромеханических систем с помощью специального программного обеспечения /Д.М. Шпрехер //XXVIII научная конференция профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева. Новомосковск: 2011. - Часть 2. - С. 111-112.

176. Шпрехер Д.М. Оценка эффективности нейросетевых систем диагностирования электромеханических систем /Д.М. Шпрехер //Известия Тульского государственного университета. Сер. Технические науки: в 2 ч. Вып.6. Тула: Изд-во ТулГУ, 2011. - Ч.1. - С. 42-47.

177. Шпрехер Д.М. Применение нейронных сетей для прогнозирования технического состояния электромеханических систем. /Д.М. Шпрехер //Известия Тульского государственного университета. Сер. Технические науки: в 2 ч. Вып.6,Тула: Изд-во ТулГУ, - 2011. - Ч.1. - С. 48-53.

178. Шпрехер Д.М. Свидетельство о государственной регистрации программы для ЭВМ №2010611531. Программа диагностирования технического со-

стояния электромеханических систем («ЭМС-НС») /Д.М. Шпрехер. - Заявл. 27.12.2010. - №2010618213. - Опубл. 16.02.2011.

179. Шпрехер Д.М. Обобщенные схемы средств нейросетевой системы диагностирования электромеханических систем /Д.М. Шпрехер //Известия Тульского государственного университета. Сер. Технические науки: в 2 ч. Вып.6, Тула: Изд-во ТулГУ, - 2011. - Ч.1. - С. 54-61.

180. Шпрехер Результаты экспериментального сравнения методов автоматической классификации на примере обогатительной центрифуги /Д.М. Шпрехер //Труды Новомосковского института РХТУ им. Д.И. Менделеева. Серия Промышленная энергетика. Новомосковск, 2011. - Вып. №5 (26). - С.77-80.

181. Шпрехер Д.М. Интеллектуальная диагностика электромеханических систем горных машин при помощи нейронных сетей /Д.М. Шпрехер //VII Международная конференция по автоматизированному электроприводу «АЭП-2012». Иваново: Изд-во Ивановск. гос. энерг. ун-та, 2012. - С.605-609.

182. Шпрехер Д.М, Оценка производительности диагностирования электромеханических систем с помощью нейронных сетей /Д.М. Шпрехер //Контроль. Диагностика. - 2012. -№6. - С.47-51.

183. Шпрехер Д.М. Разработка специального программного обеспечения для диагностирования технического состояния электромеханических систем /Д.М. Шпрехер //Изв. вузов Северо-Кавказский регион. Технические науки. - 2012. -№1. - С. 57-61.

184. Шпрехер Д.М. Исследование нейросетевого прогнозирующего классификатора состояний электромеханических систем /Д.М. Шпрехерв //Изв. вузов горный журнал. - 2012. - №4. - С. 57-62.

185. Шпрехер Д.М. Экспериментальное сравнение методов автоматической классификации по данным эксплуатации обогатительной центрифуги /Д.М. Шпрехер // Изв. вузов Северо-Кавказский регион. Технические науки. - 2012. -№2. - С. 14-16.

186. Шпрехер Д.М. Программный продукт для диагностирования технического состояния электромеханических систем /Д.М. Шпрехер //Электротехника. -2012. - № 7. - С. 34-37.

187. Шпрехер Д.М. Основы организации поиска причин отказов электромеханических систем при помощи нейронных сетей /Д.М. Шпрехер //6-я Всероссийская научно-практическая конференция «Системы управления электротехническими объектами Суэто- 6». Тула: Изд-во ТулГУ, 2012. - С. 194-195.

188. Шпрехер Д.М. Поиск причин внезапных отказов электромеханических систем с использованием нейросетевых моделей /Д.М. Шпрехер //ХХХ1 конференция «Актуальные проблемы электроэнергетики». Нижний Новгород: Изд-во Нижегородского гос. тех. ун-та, 2012. - С. 130-134.

189. Шпрехер Д.М, Диагностика и прогноз технических состояний горных машин с использованием нейронных сетей /Д.М. Шпрехер //Известия Тульского государственного университета. Сер. Технические науки. Вып.12. Тула: Изд-во ТулГУ, 2012. - Ч.3. - С. 140-146.

190. Шпрехер Д.М. Разработка методов и средств диагностирования электромеханических систем в нейросетевом базисе /Д.М. Шпрехер, Г.И. Бабокин //Монография. М: Издательство РХТУ им. Д.И. Менделеева, 2012. - 212 с.

191. Шпрехер Д.М. Создание программно-аппаратного комплекса для ней-росетевой системы диагностирования электромеханических систем горных машин /Д.М. Шпрехер //Изв. вузов горный журнал. - 2012.- №5. - С. 98-101.

192. Шпрехер Д.М. Диагностика технических состояний горных машин на основе интеллектуального анализа данных /Д.М. Шпрехер //Изв. вузов Электромеханика. - 2013. - №2. - С. 69-73.

193. Шпрехер Д.М. Оценка работоспособности электромеханических систем с помощью интегрального показателя качества функционирования /Д.М. Шпрехер, Г.И. Бабокин //Известия Тульского государственного университета. Сер. Технические науки. Вып.12. Тула: Изд-во ТулГУ, 2013. - Ч.2. - С. 140-147 .

194. Шпрехер Д.М. Обоснование параметров контроля работоспособности

электромеханических систем подземных горных машин /Д.М. Шпрехер, Г.И. Ба-

355

бокин //Известия Тульского государственного университета. Сер. Технические науки. Вып.12. Тула: Изд-во ТулГУ, 2013. - Ч.2. - С. 156-163.

195. Шпрехер Д.М. Классификация контролируемых параметров электромеханических систем /Д.М. Шпрехер //XXIX научная конференция профессорско-преподавательского состава и сотрудников НИ РХТУ им. Д.И. Менделеева. Новомосковск, 2014. - Ч. 2. - С. 86-87.

196. Шпрехер Д.М. Разработка методики выбора структуры и параметров нейросети для оценки работоспособности электромеханических систем /Д.М. Шпрехер, Г.И. Бабокин //Известия Тульского государственного университета. Сер. Технические науки. Вып.2. Тула: Изд-во ТулГУ, 2014. - С. 199-205.

197. Шпрехер Д.М. Устройство диагностирования технического состояния электромеханических систем. Патент на полезную модель №ЯШ44352, приоритет 11.04.2014, по заявке № 2014114354/28 [Текст] / Д.М. Шпрехер, В.М. Степанов, Г.И. Бабокин; заявитель и патентообладатель Шпрехер Д.М.- опубл. 20.08.2014, Бюл. №23.

198. Шпрехер Д.М. Устройство контроля работоспособности электромеханической системы очистного комбайна. Патент на полезную модель №Яи144352, приоритет 28.04.2014, по заявке № 2014116867/28 [Текст] /Д.М. Шпрехер, В.М. Степанов, Г.И. Бабокин; заявитель и патентообладатель Шпрехер Д.М. - опубл. 20.08.2014, Бюл. №23.

199. Шпрехер Д.М. Устройство диагностики работоспособности электромеханической системы. Патент на полезную модель №ЯШ46950, приоритет 28.04.2014, по заявке № 2014116868/28 [Текст] /Д.М. Шпрехер, В.М. Степанов; заявитель и патентообладатель Шпрехер Д.М. - опубл. 20.10.2014, Бюл. №29.

200. Шпрехер Д.М. Устройство прогнозирования остаточного ресурса электромеханической системы. Патент на полезную модель №ЯШ46951, приоритет 07.05.2014, по заявке № 20141181318/28 [Текст] /Д.М. Шпрехер, В.М. Степанов, Е.Б. Колесников; заявитель и патентообладатель Шпрехер Д.М. - опубл. 20.10.2014, Бюл. №29.

201. Шпрехер Д.М. Устройство адаптации распределительной системы контроля многопараметрического объекта. Патент на полезную модель № RU 146839, приоритет 20.06.2014, по заявке № 20141125060/08 [Текст] /Д.М. Шпрехер, В.М. Степанов, А.В. Назаров; заявитель и патентообладатель Шпрехер Д.М. - опубл. 20.10.2014, Бюл. №29.

202. Шпрехер Д.М. Программно-аппаратные устройства диагностирования электромеханических систем. [Текст] / Д.М. Шпрехер, В.М. Степанов, Г.И. Бабо-кин // Известия Тульского государственного университета. Сер. Технические науки. - 2014. - Вып.8. С. 80-83.

203. Шпрехер Д.М. Искусственная нейронная сеть. Патент на полезную модель № RU 151549, приоритет 08.07.2014, по заявке №2014128001/08 [Текст] /Д.М. Шпрехер, В.М. Степанов, А.В. Назаров; заявитель и патентообладатель Шпрехер Д.М. . 10.04.2015, Бюл. №10.

204. Шпрехер Д.М. Устройство прогнозирования работоспособности многопараметрических электромеханических систем. Патент на полезную модель №RU150919, приоритет 08.07.2014, по заявке № 2014128003/08 [Текст] /Шпрехер Д.М., заявитель и патентообладатель Шпрехер Д.М. -. Опубл. 10.03.2015, Бюл. №7.

205. Шпрехер Д.М. Устройство сбора и передачи диагностической информации электромеханической техники. Патент на полезную модель №RU150920, приоритет 20.06.2014, по заявке № 2014125058/08 [Текст] /Шпрехер Д.М., Назаров А.В., Степанов В.М., заявитель и патентообладатель Шпрехер Д.М. - Опубл. 10.03.2015, Бюл. №7.

206. Шпрехер Д.М. Диагностирование электромеханических систем на основе нейросетевых технологий. [Текст] / Палюх Б.В., Богатиков В.Н., Шпрехер Д.М. // Программные продукты и системы.- 2015.- № 3. С. 5-11.

207. Shprekher D.M. Model of recognition of technical condition of electromechanical systems based on parallel classification schemes with excessive number of computing elements / D.M. Shprekher, Yu.N. Matveev, V.N. Bogatikov // International

Journal of Engineering Research ISSN 0973-4352. India. -2015. - Vol.9. - No24. P. 45703-45716.

208. Shprekher D.M. Technique of classification of technical condition of electromechanical systems in multidimensional space of signs on the basis of a local metrics / D.M. Shprekher, B.V. Palyukh, V.N. Bogatikov // International Journal of Engineering Research ISSN 0973-4352. India. -2015. - Vol.9. - No24. P. 45724-45730.

209. Шпрехер Д.М. Адаптивный контроль технического состояния многопараметрического электротехнического комплекса /Шпрехер Д.М., Бабокин Г.И., Колесников Е.Б.// Труды Всероссийской научно-технической конференции «Актуальные проблемы электроэнергетики».- Нижний Новгород: Изд-во Нижегородского гос. тех. ун-та.- 2015.- С. 130-134.

210. Шпрехер Д.М. Система технического диагностирования электромеханических комплексов / Шпрехер Д.М., Бабокин Г.И.// Контроль. Диагностика. -2016.- №3. - С. 52-57.

211. Шуклин Д. Е. Применение семантической нейронной сети в экспертной системе, преобразующей смысл текста на естественном языке /Д.Е. Шуклин //Радиоэлектроника и информатика. Х.: Изд-во ХТУРЭ, 2001. - № 2. - С. 61 - 65.

212. Электроустановки: Сборник нормативных документов. М.: Из-во НЦ ЭНАС, 2006. - 688 с.

213. Anderson J.A. Cognitive and Psychological Computation with Neural Models //IEEE Transactions on Systems, Man and Cybernetics. -1983. -Vol.SMC-13. -№5. - P.799.

214. L. Breiman, J.H. Friedman, R.A. Olshen, and C.T. Stone. Classification and Regression Trees. Wadsworth, Belmont, California, 1984.

215. W. Buntine. A theory of classification rules. 1992.

216. Carpenter, G.A. (1989) "Neural network models for pattern recognition and associative memory", Neural Networks. -2. - P. 243-257.

217. Cruz S.M.A., Cardoso J. M. Rotor cage fault diagnosis in three-phases

induction motors, by the synchronous reference frame current Park's Vector

Epproach// International conference on electrical machines (ICEM-2000) /Helsenki

358

Universityof technology. - Espoo, Finland, -2000. - P. 776 - 780.

218. Day Matthew, Zien Jasn. Contrastive Hebbian learning and the traveling salesman problem //IJCNN-91: Int. Jt Conf. Neur Networks, Seattle, Wash., 8-12 July 1991, vol.2. - P. 509-511.

219. Farley,B.G., & Clark,W.A.(1954) "Simulation of self-organizing systems by digital computer", Institute of Radio Engineers-Transactions of Professional Group of Information Theory, PGIT-4. - P. 76-84.

220. Garfinkel R.S., Nembauser G.L. The set partitioning problem: set covering with equality constraints, Ops. Res., 17.-P. 848.

221. Hebb D.O. The organization of behavior, Wiley, N.Y., 1959.

222. Hecht-Nielsen, R. (1990) "Neurocomputing", Addison-Wesley Publishing Company.

223. Hopfield, J.J., & Tank, D.W. (1985) "Neural" computation of decisions in optimization problems", Biological Cybernetics, 52. - P. 141-152.

224. Kohonen, T. (1988) "An introduction to neural computing", Neural Networks 1. - pp. 3-16.

225. Kosko B. Fuzzy Cognitive Maps.//International Journal of Man-Machine Studies, January 1986. - pp.65-75.

226. Kuhn R., van Hemmen J.L., Riedel U. Complex temporal associations in neural networks. //J.Phys. A: Math. Gen. - 1989. - 20. - P. 3123-3135.

227. Lippman, R.P. (1987, April) "An introduction to computing with neural nets". IEEE Acoustic, Speech, and Signal Processing Magazine. - P. 4-22.

228. Marquardt, D. An algorithm for least squares estimation of nonlinear parameters, SIAM, 1963. - PP. 431-442.

229. Marsh W. The philosophy of failure in engineering systems. Proc.I.Mech.E., Part 3B.

230. Matsuyama Yasuo. Самоорганизация с соревнованием и комбинаторная оптимизация: применения в задаче коммивояжера. //IJCNN Int. Jt Conf Neural Networks, San Diego, Calif., 1990, vol. 3. - P. 819-824.

231. Metropolis N., Rosenbluth A., W. Etd. Equation of state calculations by

359

fast computing mashines. //J.Chem. Phys. - 1953. - 21. - P.1078-1092.

232. S.Murthy. Automatic construction of decision trees from data: A Multi-disciplinary survey, 1997.

233. Richard, M.D., Lippmann R.P. Neural network classifiers estimate Bayesi-an a-posteriori proba-bilities // Neural Computation. - 1991. - V. 3, No. 4. - PP. 461483.

П P И Л О Ж Е Н И Я

Приложение 1

Скрипт-файл модели НС Хопфилда с непрерывной, неограниченной

функцией выхода

% Нейронная сеть Хопфилда. % Непрерывная, неограниченная функция выхода

clear;clc; WW = [

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.27 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.74 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.17 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.33 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.85 1.85 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.85 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.85 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.39 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.15 0.00 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.15 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.18 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.33 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.10 0.00 0.00 0.00 0.10 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.17 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.20 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.18 0.00 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 8.90 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 9.10 0.00 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.18 0.00 0.00 0.00 0.18;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.33 0.00 0.33;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 6.74 0.00 0.00 6.74 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 1.76 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.65 0.00;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 18.00 0.00;

0.00 0.00 0.00 0.00 0.00 10.16 10.16 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 27.16;

0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00

0.00 0.00 0.00 0.00 0.00 0.00 0.00 27.67 27.67 27.67 27.67 0.00 0.00];

% !!!!!!!!!!!!!!!!!!!!!!!! ДАННЫЕ, ОПРЕДЕЛЯЕМЫЕ ПОЛЬЗОВАТЕЛЕМ !!!!!!!!!!!!!!!!!!!!! N1=26; % размерность

N=1.4; % отношение размерности входного пространства Epoh=100; % количество шагов симуляции НС

N4=40; % процент невозбуждаемых элементов тестового вектора % !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

%for s=1:1

W=[]; X=[]; Ci=[]; C=[]; d=[]; Y=[]; Y1=[]; E1=[]; % !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!

N3=floor((N 1/100)*N4); N2=floor(N1/N); X=rand(N2,N1); X=X*1;% шумовая составляющая Ci=X(1,:)'; C=X(1,:)'; % Входной вектор for i=N1:-1:N1-N3+1 C(i)=0; end; W=WW;

% disp('Весовые коэффициенты НС Хопфилда:'); disp(W); %!!!!!!!!!!!!!!!!!!!!!!!!!!! СИМУЛЯЦИЯ НС !!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! C1 = [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 ]; for k=1:Epoh % цикл по количеству итераций симуляции НС for i=1:N1 % цикл по количеству параметров for j=1:N1

d(j)=C1(j)*W(i,j);

end;

Y(i)=sum(d,2); Y1(i)=Y(i); % линейная функция активации без ограничений end;

% Удержание компоненты входного воздействия

C1=Y1;

for i=1:N1

if C(i)>0 C1(i)=C(i); end; if C(i)<0 C1(i)=C(i); end; end;

disp(C1); end;

% disp('Вектор после релаксации сети'); disp(C1);

for i=1:N3 E1(i)=abs(C1(i+(N1-N3))-Ci(i+(N1-N3)))/Ci(i+(N1-N3))*100; end; %E(s)=sum(E 1 )/N3; % E=sum(E1)/N3;

% disp('средняя относительная погрешность восстановления неполного вектора (в %)'); disp(E); %end; % E';

% disp(mean(E)); disp(std(E,1));

disp('Вектор после релаксации сети'); disp(C1);

bar(C1);

Приложение 2

Оценка вычислительных затрат при реализации алгоритмов прогнозирования и распознавания текущего ТС использованием многослойных НС прямого распространения

Оценка вычислительных затрат проводится для случая прогнозирования и распознавания текущего ТС многослойной НС прямого распространения сигналов (рис.2.12), с числом скрытых слоев не более 2, сигмоидной функцией активации нейронов промежуточных слоев, линейной функцией активации нейронов выходного слоя.

Под вычислительными затратами на реализацию алгоритма распознавания последовательности Г параметров ЭМС будем подразумевать понятие вычислительной сложности. Определим временную функцию времени выполнения, зависящую от размерности задачи без определения емкостной сложности алгоритма (функцию необходимой памяти, зависящую от размерности задачи).

Реализация алгоритма контроля ЭМС посредством распознавания ее ТС основана на разбиении выборки на т классов, а каждый элементарный исход процедуры распознавания отождествляется с номером I класса О . Необходимо найти такое решающее правило, при котором средняя вероятность ошибки распознавания последовательности Г параметров минимальна. Процедура распознавания реализовывалась в два этапа (рис.П.2.1).

Первый этап - этап настройки распознающей модели. На данном этапе, влияющими на процедуру распознавания является скорость сходимости алгоритма настройки классификатора и локальные минимумы при настройке коэффициентов НС модели. В алгоритме настройки классификатора - алгоритме обратного распространения ошибки вычисляется вектор градиента поверхности ошибок. Этот вектор указывает направление кратчайшего спуска по поверхности из данной точки, при этом, если продвинуться вдоль этого направления, ошибка уменьшится. Последовательность таких шагов (замедляющаяся по мере приближения ко дну) приведет к минимуму того или иного типа. При большой длине шага сходимость будет более быстрой, но имеется опасность перепрыгнуть через решение или уйти в неправильном направлении, а при маленьком шаге, вероятно, будет схвачено верное направление, но потребуется много итераций.

При проверке алгоритма обучения по данным признаков ЭМС ОК найденная величина шага пропорциональной крутизне склона (так что алгоритм замедляет ход вблизи максимума) с некоторой константой ^ = 0,01, которая и называется коэффициентом скорости обучения. Эта

константа зависит от времени, уменьшаясь по мере продвижения алгоритма по закону ^ =

0,0001 1, где I - шаг обучения.

Рис. П.2.1. Иллюстрация этапа итерационной настройки классификатора

Классический метод обратного распространения относится к алгоритмам с линейной сходимостью и, кроме проблемы, связанной с невысокой скоростью сходимости, которая может привести к замирание процесса обучения, имеется проблема сходимости не к глобальному, а к локальным решениям. Функция ошибки может иметь несколько локальных минимумов, и нет гарантий, что процесс сойдется к тому из минимумов, который больше всех, т. е. является глобальным. Перечисленные недостатки компенсируются множественным запуском настройки классификатора и выбора решения, по критерию первого найденного, не превышающего порог ошибки.

Чтобы иметь хотя бы приблизительное представление о связанных с обучением вычислительных затратах, приведем качественную оценку вычислительной сложности алгоритмов обучения.

Пусть Ж - число синаптических весов матрицы м НС, а Р - число обучающих примеров. Тогда для однократного вычисления градиента функции ошибки дБ / дм требуется порядка РЖ операций. Допустим для простоты, что мы достаточно близки к искомому минимуму и можем вблизи этого минимума аппроксимировать функцию ошибки квадратичным выражением Е = (м - м ' Н (м - м ', где Н = Ж х Ж - матрица вторых производных в точке минимума. Оценив эту матрицу по локальной информации (для чего потребуется (РЖ)2 операций метода Back-propagation), можно попасть из любой точки в минимум за один шаг. На этой стра-

тегии построены методы второго порядка (метод Ньютона).

Альтернативная стратегия - найти требуемые ~ (РЖ) параметров за ~Ж шагов метода первого порядка, затратив на каждом шаге РЖ операций. Именно такую скорость сходимости (~Ж итераций) имеют лучшие алгоритмы первого порядка (например, метод сопряженного градиента). В обоих случаях оптимистическая оценка сложности обучения сети (т.к. она получена для простейшего из всех возможных - квадратичного - рельефа) составляет (РЖ) операций.

При анализе N признаков вектора состояния ЭМС, закодированных двоичными символами на входе распознающей модели имеем число примеров: Р = 2N .Число синаптических весов сети

Ш « N * 2 * N + 2 * N * 21" = 2^ + 2N * 2N

. Таким образом, верхняя граница сложности настройки классификатора определяется функцией - зависимостью числа операций сложения от размера анализируемого фрагмента вектора признаков ЭМС - экспоненциального

типа:

(2 ^2

+ 2N * 2 )) , где N - число распознаваемых признаков вектора состояний.

Следовательно, функция времени выполнения этапа настройки распознающей модели определяется как:

/(Г, N) = г(2" (2N2 + 2N * 2м ))2

где: N - число распознаваемых признаков вектора состояний ЭМС по 20 отсчетов на каждый признак, ^ - время выполнения одной операции сложения распознающей модели.

Рис. П.2.2. Схема линейного элемента распознающей модели

Второй этап - собственно, классификации определим исходя из следующей схемы (рис. П.2.2). Каждый вычислительный элемент слоя вычисляет взвешенную сумму входов сети.

Первый слой - слой распределения П составляющих х,г = 1,...,п, вектора признаков ЭМС на все Ш вычислительных элементов. Вычислительный элемент осуществляет, в общем случае, преобразование вида:

У- = / (I хм- - ¡-), - = 1, Ш, г = 1, п,

г=1

где: П - число входов сети (размер вектора признаков), в нашем случае Ы=п; х - значение г -го входа для каждого вычислительного элемента (элементы вектора признаков ЭМС); Ж - вес г -го входа для - -го вычислительного элемента; Ш - число выходов сети (число распознаваемых образов); I - смещение у-го вычислительного элемента; / -функция нормировки взвешенной суммы (функция активации).

Пусть I. = 0, а функция активации линейная, тогда:

(Мп) ___

У- = I Хг м>у, у = 1, Ш, г = 1, Ып,

г=1

где: М - число входных признаков, п - размер кодового слова, которым кодируется каждый признак.

В силу теоремы о полноте ("бесконечно большая НС с единственным скрытым слоем нейронов способна аппроксимировать любую непрерывную функцию") для распознавания используем двухслойный классификатор (два слоя весов).

Вектор У на выходе НС характеризует вид (его класс) вектора признаков ЭМС на выходе классификатора.

При анализе N признаков на входе классификатора (20 * N)s операций сложения в первом слое добавляется к 2 * М(М * Ш + N * s), где: £ - число дискретных значений, которые может принимать один вход НС; 2 * N за скобками определяет число скрытых слоев НС.

(2 * N * 2Юш

Число операция в выходном слое определяется как операций умножения и

с * ?N

£ 2 операций сложения.

Таким образом, при замене операций умножения на соответствующее количество операций сложения, верхняя граница сложности работы классификатора определяется функцией -зависимостью числа операций сложения от размера анализируемого фрагмента вектора признаков ЭМС - полиномиального типа (полином 4-й степени от N ):

П

/(г, N) = г(N * 5 + 2 * (N *(20 * N)5 + N * я) + +(2 * N * 2N)(2 * N * 2N)),

где: N - число распознаваемых признаков вектора состояния ЭМС; г - время выполнения одной операции сложения нейросетевого вычислителя.

При N = 3,.. .8 константы в формулах не оказывают влияния на порядок возрастания.

Точность аппроксимации е функций классификации биполярной последовательно-

арргох

сти, кодирующей вектор признаков ЭМС, возрастает с числом нейронов скрытого слоя. При н нейронах ошибка оценивается как 1/н . Поскольку число выходов сети не превышает, а, как правило - много меньше числа входов, основное число весов в двухслойной сети сосредоточено в первом слое, т.е. ж - ш . В этом случае средняя ошибка аппроксимации выразится через общее число весов в сети, следующим образом:

е - d / Ж

арргох

где d - размерность входов, Ж - общее число настраиваемых коэффициентов сети.

При классификации двоичного кода вектора признаков ЭМС целесообразность реализации алгоритма зависит от соответствия возможностей нейровычислителя, сложности алгоритма и оптимальности метода классификации в заданных условиях.

Сложность алгоритма рассмотрим в связи с использованием ресурсов нейровычислите-ля: сколько процессорного времени требует алгоритм для своего выполнения, сколько при этом расходуется память вычислительного устройства. Учет памяти будем вести по объему данных и не принимать во внимание память, расходуемую для записи команд программы. Время рассчитывается в относительных единицах так, чтобы эта оценка, по возможности, была одинаковой для машин с разной тактовой частотой и с незначительными вариациями в архитектуре.

Временная сложность подсчитывается в исполняемых командах: количество арифметических операций, количество сравнений, пересылок (в зависимости от алгоритма). Емкостная сложность будет определяться количеством скалярных переменных, элементов массивов, элементов записей или количеством разрядов в словах.

При анализе N признаков на входе классификатора Р = 2Ы . Число синаптических весов сети Ж « 20 * N * 2 * N + 2 * N * 20 * 2N = 40^ + 40N * 2N . При анализе 6 признаков максимальное количество хранимых слов (с точностью до 6 знака после запятой) составляет 16800. В масштабе времени функционирования нейровычислителя, заменяя операции умножения на соответствующее количество операций сложения, при N =6 признаков количество операций сложения составляет 900018.