ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ і актуальність

В даний час на території країн СНД, зокрема України, використовується велика кількість аналогової обчислювальної техніки, як новітньої, так і морально застарілої. Заміна аналогових приладів, що виходять з ладу, новими є дорогою, тому виникає необхідність в їх діагностуванні і ремонті. Аналіз вітчизняного ринку і країн СНД показує відсутність діючих систем діагностування аналогових пристроїв з функцією локалізації несправностей. На світовому ринку такі системи наявні, але їх вартість є дуже високою. Тому задача розробки таких систем діагностування є актуальною.

Нейронні мережі являються одним з напрямків досліджень у галузі штучного інтелекту. Найважливіша їх особливість — це те, що вони можуть змінювати свою поведінку в залежності від зовнішнього середовища. На сьогоднішній день існує багато алгоритмів навчання нейронних мереж.

Нейронні мережі являються незамінними для вирішення деяких задач, з якими погано або взагалі не справляються звичайні обчислювальні системи. В даній роботі пропонується декілька алгоритмів навчання нейронних мереж, орієнтованих на вирішення задачі ідентифікації параметрів елементів аналогових пристроїв з метою виявлення в них помилок.

1. Мета і задачі дослідження та заплановані результати

Метою дослідження є розробка методу навчання нейронних мереж, орієнтованих на вирішення задачі ідентифікації параметрів елементів лінійних аналогових пристроїв.

Для досягнення заданої мети, в роботі вирішуються наступні задачі:

В рамках магістерської роботи, у якості практичних результатів, планується розробка експериментальної підсистеми навчання нейронних мереж на FPGA, яка буде орієнтована на роботу з аналоговими пристроями.

2. Огляд досліджень та розробок

Проблеми аналогової діагностики на базі нейронних мереж широко досліджені американськими, європейськими, японськими та російськими вченими. В Україні досліджень на дану тематику не проводилось.

2.1 Огляд міжнародних джерел

Діагностика аналогових схем на базі нейронних мереж досліджена П. Кабісатпаті, А. Баруа та С. Сінха у статті Fault detection and diagnosis in analog integrated circuits using artificial neural network in a pseudorandom testing scheme [1].

Питанню аналогової діагностики на базі нейронних мереж також присвячені роботи К. Ангелі [2], Ж. Жанга та С. Озєва [3], М. Стосовіча та В. Літовскі [4], Ж. Ксіанга та Кс. Деюна [5], К. Джемельніака [6], Б. Бабу та М. Шайлеша [7].

Огляд нейронних мереж та методів їх навчання найбільш детально описаний у книзі С. Хайкіна Нейронні мережі: повний курс [8].

Також огляд нейромереж та статей на цю тематику проведений С. Яковлевим [9].

Нейрокібернетиці, нейроінформатиці та нейрокомп’ютерам присвячена книга А.Н. Горбаня, В.Л. Дуніна-Барковського, А.Н. Кірдіна [10].

Методам навчання нейронних мереж присвячені роботи Є. Борисова та В. Шустова [11] та [12].

2.2 Огляд національних джерел

В Україні не знайдено подібних досліджень.

2.3 Огляд локальних джерел

Аналоговій діагностиці в ДонНТУ присвячені магістерські роботи Є. Масякіна [13], А. Шигімагіна [14], А. Мєдгауса [15].

3. Класифікація діагностичних процесів аналогових пристроїв та складнощі їх діагностування

По призначенню діагностичні процеси для аналогових схем можна розділити на наступні основні три категорії:

У теперішній час переважним є функціональне діагностування аналогових схем без використання певної моделі несправності.

Існують наступні основні підходи діагностування аналогових схем [16].

Тестування, засноване на специфікації. Тести генеруються безпосередньо по специфікаціях схеми, без використання моделей несправностей. Цей підхід легко адаптується до широкого спектра схем, однак при використанні великої кількості специфікацій, що є типовим для більшості аналогових об'єктів, тестування стає досить дорогим. Тестова послідовність може бути скорочена шляхом виявлення залежностей між специфікаціями й відкиданням повторюваних тестових впливів.

Структурне діагностування з використанням моделей несправностей — застосовується для виявлення певного виду несправностей, що моделюються. Це дозволяє розбити набір аналогових тестів на групи по степені покриття несправностей, завдяки чому тестовий набір може бути ранжований. Це дає можливість скоротити довжину тестової послідовності завдяки тому, що тест, що покриває несправності, уже виявлені попередніми тестами, може бути відкинутий. Однак прихильники структурного діагностування не змогли знайти зв'язок між ступенем покриття несправностей і задоволенням вимог специфікацій схеми. Через це розроблювачі з небажанням застосовують структурне аналогове діагностування. У той же час цей підхід є прийнятним на етапі експлуатації АЦ-пристроїв.

Основні складнощі при діагностуванні аналогових пристроїв:

У теперішній час на світовому ринку й ринку СНД пропонуються автоматизовані системи діагностики (АСД), які можна підрозділити на 2 більших класи:

4. Нейронні мережі та методи їх навчання

Нейронні мережі — це один з напрямків досліджень у галузі штучного інтелекту, який заснований на спробах відтворити нервову систему людини. А саме: здатність нервової системи навчатися та виправляти помилки, що повинно дозволити змоделювати, хоча й достатньо грубо, роботу мозку людини.

Модель нейрона, що лежить в основі штучних нейронних мереж, приведена на рис. 1 [17].

Модель штучного нейрона

Рисунок 1 — Модель штучного нейрона

У цій моделі нейрона можна виділити 3 основних елемента:

Найважливішою властивістю нейронних мереж є їх здатність навчатися на основі даних навколишнього середовища і в результаті навчання підвищувати свою продуктивність. Підвищення продуктивності відбувається з часом відповідно до певних правил. Навчання нейронної мережі відбувається за допомогою інтерактивного процесу коригування синаптичних ваг і порогів. В ідеальному випадку нейронна мережа отримує знання про довкілля на кожній ітерації процесу навчання.

Існують два концептуальні підходи до навчання нейронних мереж: навчання з учителем і навчання без учителя.

Навчання нейронної мережі з учителем припускає, що для кожного вхідного вектора з навчальної множини існує необхідне значення вихідного вектора, званого цільовим. Разом вони називаються навчальною парою. Зазвичай мережа навчається на деякому числі таких навчальних пар. Пред’являється вихідний вектор, обчислюється вихід мережі і порівнюється з відповідним цільовим вектором. Далі ваги змінюються відповідно до алгоритму, що прагнуть мінімізувати помилку. Вектори навчальної множини пред’являються послідовно, обчислюються помилки і ваги підлаштовуються для кожного вектора до тих пір, поки помилка по всьому навчальному масиву не досягне прийнятного рівня. На рис. 2 показана блокова діаграма, що ілюструє алгоритм навчання зворотного поширення з учителем [8].

Блокова діаграма навчання з учителем

Рисунок 2 — Блокова діаграма навчання з учителем

Навчання нейронної мережі без вчителя є набагато більш правдоподібною моделлю навчання з точки зору біологічних коренів штучних нейронних мереж. Навчальна множина складається лише з вхідних векторів. Алгоритм навчання нейронної мережі підлаштовує ваги мережі так, щоб виходили узгоджені вихідні вектори, тобто щоб пред’явлення досить близьких вхідних векторів давало однакові виходи (рис. 3) [8].

Блокова діаграма навчання без учителя

Рисунок 3 — Блокова діаграма навчання без учителя

Необхідно зазначити, що навчання без учителя набагато більш чутливо до вибору оптимальних параметрів, ніж навчання з учителем. По-перше, його якість сильно залежить від початкових вагових величин синапсів. По-друге, навчання критично до вибору радіуса навчання і швидкості його зміни. І, нарешті, зрозуміло, дуже важливий характер зміни власне коефіцієнта навчання. У зв’язку з цим потрібно провести попередню роботу з підбору оптимальних параметрів навчання мережі.

Незважаючи на деякі складності реалізації, алгоритми навчання без учителя знаходять велике і успішне застосування. За цими алгоритмами функціонують і найбільш складні з відомих на сьогоднішній день штучні нейронні мережі — когнітрон і неокогнітрон, які максимально наблизилися у своєму втіленні до структури мозку. Однак вони, звичайно, істотно відрізняються від розглянутих вище мереж і набагато складніші. Проте на основі вищевикладеного матеріалу можна створити реально діючі системи для діагностики аналогових пристроїв.

5. Структура методу, що розробляється

Основна ідея полягає в порівнянні схеми, що тестується, з математичною моделлю, яка не містить помилок і реалізована з використанням простої багаторівневої штучної нейронної мережі, навченої за допомогою алгоритму зворотного поширення помилок.

Тестування проводиться через головні входи і виходи схеми. Це дозволяє знизити кількість еталонних ланцюгів і ділянок, що перевіряються і, таким чином, скоротити структуру моделі, що тестується. Рисунок 4 спрощено відображає пропоновану систему діагностики несправностей аналогових ІС, що використовує виявлення помилок, що моделюються, з наступним їх ізолюванням.

Відображення запропонованої стратегії тестування

Рисунок 3 — Відображення запропонованої стратегії тестування
(анімація: 6 кадрів, 7 циклів повторення, 144 кілобайт)

Процедура запропонованої діагностики виявлення помилок, що моделюються, може бути розділена на три стадії:

  1. Генерація сигнатур.
  2. Генерація прогнозних помилок (помилкових сигналів, сигнатур, залишків).
  3. Виявлення та ізолювання несправностей.

Перша стадія включає в себе визначення різних класів несправностей. Схема, що тестується, моделюється з використанням псевдовипадкового шуму, який використовується в якості стимулювання обраного класу помилок. Вихідна відповідь схеми, що тестується, формує сигнатури для даного класу помилок.

Для генерації прогнозних помилок потрібно три типу моделей: номінальна, фактична (діюча) і модель з несправною ділянкою, що тестується. Для реального уявлення важливо промоделювати всі ефекти, які можуть вплинути на виявлення помилки. Всі моделі створюються з використанням простих багаторівневих штучних нейронних мереж, що складаються з вхідного рівня, одного або двох прихованих рівнів і одного вихідного рівня. Моделі штучних нейронних мереж навчені за допомогою алгоритму зворотного поширення з метою виведення відповідей пристрою, що тестується, при різних умовах виникнення несправностей, включаючи безпомилковий варіант. Модель нейронної мережі без помилок забезпечує допустиме відхилення параметрів компонент, представлених номінальною моделлю. Різниця між номінальною і діючою моделлю генерує необхідні прогнозні помилки. Коли несправності немає, дві моделі (номінальна і дійсна) поводяться приблизно однаково, що в результаті формує незначно малі залишки. В умовах виникнення несправностей система генерує прогнозні помилки і показує, як сильно схема, що тестується, відрізняється від схеми без помилок. Будь-яка помилка в системі, катастрофічна або параметрична, змінює сигнатуру прогнозної помилки. Ці залишкові сигнатури, відомі як помилкові сигнатури, моделюються і зберігаються в пам'яті моделі для подальшого використання [1].

6. Результати роботи

На даний момент були отримані наступні результати:

Висновки

Існуючі системи аналогової діагностики не завжди є ефективними, а повноцінних систем діагностування аналогових пристроїв ще не розроблено. Тому задача розробки такої системи є актуальною.

На основі проведених досліджень планується розробка експериментальної підсистеми навчання нейронних мереж, орієнтованих на вирішення задачі ідентифікації параметрів елементів аналогових пристроїв на базі FPGA.

Важливе зауваження

При написанні даного реферату магістерська робота ще не завершена. Остаточне завершення: грудень 2012. Повний текст роботи та матеріали за темою можуть бути отримані у автора або його керівника після зазначеної дати.

Перелік посилань

  1. Kabisatpathy P. Fault detection and diagnosis in analog integrated circuits using artificial neural network in a pseudorandom testing scheme / Kabisatpathy P., Barua A., Sinha S. / / 3rd International Conference on Electrical & Computer Engineering ICECE 2004, 28-30 December 2004, Dhaka, Bangladesh, — pp. 52-55.
  2. Angeli C. On-Line Fault Detection Techniques for Technical Systems: A Survey. [Електронний ресурс] — режим доступу: http://www.tmrfindia.org/ijcsa/v1i12.pdf
  3. Zhaobo Zhang, Sule Ozev. Parametric Fault Diagnosis for Analog Circuits Based on Neural Networks. [Електронний ресурс] — режим доступу: http://people.ee.duke.edu/~zz18/data/NATW08.pdf
  4. Miona Andrejevic Stosovic, Vanco Litovski. Electronic Circuits Diagnosis using Artificial Neural Networks. [Електронний ресурс] — режим доступу: http://cdn.intechopen.com/pdfs/6641/InTech-Electronic_circuits_diagnosis_using_artificial_neural_networks.pdf
  5. Zhao Xiang, Xiao Deyun. Fault diagnosis based on the fuzzy-recurrent neural network. [Електронний ресурс] — режим доступу: http://www.ajc.org.tw/pages/paper/3.2PD/2FN-00-2.PDF
  6. Krzysztof Jemielniak. Tool Wear Monitoring by Means of Artificial Neural Networks. [Електронний ресурс] — режим доступу: http://www.eng.utoledo.edu/pmmc/issue7-4.pdf
  7. Babu B.V., Shailesh M. Adaptive networks for fault diagnosis and process control. [Електронний ресурс] — режим доступу: http://discovery.bits-pilani.ac.in/~bvbabu/Annbpcc2k.pdf
  8. Хайкин С. Нейронные сети: полный курс, 2-е изд., Испр.: Пер. с англ. — М.: ООО «И.Д. Вильямс », 2006. — 1104с.
  9. Яковлев С.С. Линейность и инвариантность в исскуственных нейронных сетях. [Електронний ресурс] — режим доступу: http://www.tachome.times.lv/Articles/Linejnost&Invariantnost_2006/Invariantnost.pdf
  10. Горбань А.Н., Дунин-Барковский В.Л., Кирдин А.Н. Нейроинформатика. [Електронний ресурс] — режим доступу: http://www.ict.edu.ru/ft/003873/neiro.pdf
  11. Борисов Е.С. Нейронные сети: обучение с учителем. [Електронний ресурс] — режим доступу: http://www.scorcher.ru/neuro/science/perceptron/mem32.htm
  12. Шустов В.А. Алгоритмы обучения нейронных сетей распознавания изображений по равномерно критерию. [Електронний ресурс] — режим доступу: http://www.computeroptics.smr.ru/KO/PDF/KO25/KO25334.pdf
  13. Магистерская работа Масякина Е.А. — «Разработка и исследование методов и структур аппаратного генерирования аналоговых тестов на базе FPGA». [Електронний ресурс] — режим доступу: http://masters.donntu.ru/2010/fknt/masyakin/diss/index.htm
  14. Магистерская работа Шигимагина А.В. — «Разработка и исследование методов и структур аппаратного анализа аналоговых тестовых реакций на базе FPGA». [Електронний ресурс] — режим доступу: http://masters.donntu.ru/2010/fknt/shigimagin/diss/index.htm
  15. Магистерская работа Медгауса А.В. — «Разработка и исследование метода моделирования неисправностей аналоговых устройств на базе языка описания аналогово-цифровых устройств PSpice». [Електронний ресурс] — режим доступу: http://masters.donntu.ru/2011/fknt/medgaus/diss/index.htm
  16. Agrawal V.D. Essentials of electronic testing for digital, memory and mixed-signal VLSI circuits / VD Agrawal, M. L. Bushnell / / Boston: Kluwer Academic Publishers, — 2000, 650p.
  17. Предыстория искусственного интеллекта. Часть IV. Неврология. [Електронний ресурс] — режим доступу: http://www.aiportal.ru/articles/neural-networks/model-neuron.html