Секция 4 - Нейросетевые технологии (1250001), страница 8
Текст из файла (страница 8)
2, максимальный ток достиг 340 кА) — их можнобудет использовать для следующих итераций по предложенной методике.Шаг 5: Принять решение об остановке или повторить процедуру.На этом решение рассматриваемой задачи было прекращено. Конечный результат — увеличение дополнительного тока почти в 7 раз. К сожалению,проверка результатов по точной модели на данный момент не представляется возможной, хотя рассматривается такая возможность в перспективе.Визуальная среда, реализованная в MATLABДля многократного применения данной методики была создана программа с графической оболочкой на основе пакета численных вычисленийMATLAB 6.5.
Она поддерживает все этапы, связанные с построением нейросетевой модели, выбором экстремальных значений и визуализациейданных. Кроме того, добавлена возможность визуализации многомерныхданных с помощью сетей Кохонена. Для этого использовался дополнительный пакет для MATLAB (Som Toolbox), который распространяетсябесплатно [3].1270Секция 4. Нейро-сетевые технологииРис. 4.
Визуальная среда. Выделено четыре набора операций: действия с входнымиданными, с нейросетью, оптимизация и обработка выходных данных.Рис. 3. Визуальная среда. Отображение целевого функционала, четырех входных параметров и матрицы расстояний по двумерной карте Кохонена, обученной на входныхданных.На сегодняшний день, нейросети успешно применяются для моделирования зависимостей, не имеющих аналитического выражения [4, 5]. Вданной статье, приводятся пример, показывающий пользу применениянейросетей при работе с уже известными математическими моделями.1271Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»Также излагается общая схема применения нейронных сетей для оптимизации параметров со ссылками на функции, реализованные в системеMATLAB.Предложенная методика полностью оправдала себя как с точки зрения существенной экономии машинных ресурсов и времени, затраченногона эксперименты, так и с точки зрения полученных результатов — удалось повысить величину дополнительного тока в 6.8 раза по сравнению сисходной величиной и на 29% по сравнению с максимумом, найденнымвручную.Автор выражает свою признательность проф.
Ф. С. Зайцеву иА. А. Лукьянице за обсуждение настоящей работы.Литература1. Днестровский Ю. Н., Костомаров Д. П. Математическое моделирование плазмы.— М.: Наука, Гл.ред.физ.-мат.лит., 1982.— 320 с.2. Самарский А. А., Михайлов А. П. Математическое моделирование: Идеи.Методы. Примеры.— М.: Физматлит, 2001.— 320 c.3. http://www.cis.hut.fi/projects/somtoolbox/4. Magnus Nφrgaard, Charles C. Jorgensen, James C.
Ross, Neural NetworkPrediction of New Aircraft Design Coefficients // NASA Technical Memorandum 112197.— May 1997.5. Jürgen Van Gorp, Steel Plant Modelling and Analysis Using a Neural Network // ANNIE `99, Intelligent Engineering Systems through Artificial Neural Networks.— November 1999.1272Секция 4. Нейро-сетевые технологииУДК 519.7СИСТЕМА ДИАГНОСТИКИ ШТАНГОВОЙГЛУБИННО-НАСОСНОЙ УСТАНОВКИ НА ОСНОВЕНЕЙРОННОЙ СЕТИЗюзев А.
М., Костылев А. В.Уральский государственный технический университет УПИ, Екатеринбург,e-mail:zuzev@ep.etf.ustu.ru1. Постановка задачиШтанговая глубинно-насосная установка является промышленнымобъектом, характер работы которого можно описать с помощью динамограммы, характеризующей зависимость усилия в подвеске полированногоустьевого штока от перемещения или хода штока. При обработке динамограммы появляется возможность определить количественные и качественные показатели работы ШГНУ:– нагрузки и напряжения в полированном штоке;– длину хода плунжера и полированного штока;– коэффициент наполнения насоса;– герметичность приемной и нагнетательной частей насоса;– влияние газа;– правильность посадки плунжера;– наличие утечек в нагнетательной колонне труб;– отвороты и обрывы штанг или штанговых муфт;– заклинивание плунжера.По динамограмме работы станка-качалки в среде, содержащей свободный газ, также определяют давление у приема насоса, дебит жидкостии дебит газа.Как правило, динамометрирование должны проводить в первый жедень после спуска насоса в скважину и при изменениях режима откачки иподачи насоса, а также в процессе его работы для своевременного выявления различных неполадок.
Для установления в каждом конкретном случаехарактера осложнений целесообразно воспользоваться типовыми динамограммами [1].На рис. 1 представлены идеализированные динамограммы для основных состояний скважинного насоса, кроме аварийных. Исходя из приведенного набора типовых динамограмм, характерных для ШГНУ, приразработке системы диагностирования ставится задача распознавания указанных динамограмм средствами нейронной сети.1273Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»Рис. 1. Динамограммы основных состояний скважинного насоса: а - нормальная работа;б, в — незаполнение насоса; г, д — утечка в приемном клапане; е, ж — утечка в нагнетательном клапане; з — низкая посадка плунжера; и — высокая посадка плунжера.2.
Цифровое представление динамограммВ качестве исходных данных для подачи на вход нейросети используется информация, получаемая от стационарных или переносных средствсистемы динамометрирования, поэтому на первом этапе разработки системы диагностирования на основе нейронной сети встает задача выбора способа программного представления (оцифровки) динамограмм.
Возможныдва пути ее решения: задание точек динамограммы действительными числами (в десятичной системе счисления) и двоичными символами (в видематрицы нулей и единиц). Проанализировав реальные и идеализированныединамограммы и принимая во внимание, что вид идеальной динамограммызависит только от динамического уровня жидкости в скважине, приходимк выводу, что более универсальным будет использование двоичной системы счисления.
К тому же, данные такого типа проще обрабатывать с помощью логических операций. Выделяя характерные элементы изображения девяти основных типовых динамограмм, можно предложить матричную форму цифрового представления динамограмм в бинарном коде с разрешением 14×8. При необходимости распознавания более сложных динамограмм требуется увеличивать размер матрицы, что влечет за собой усложнение структуры нейросети, затрудняя ее реализацию.1274Секция 4.
Нейро-сетевые технологииДанные, полученные от системы динамометрирования, оцифровываются в соответствии с принятыми правилами преобразования к бинарному виду, путем наложения на изображение динамограммы координатнойсетки 14×8, как показано на рис. 2.Рис. 2. Пример оцифровки динамограммы.Далее, на основе данных, полученных в результате указанного преобразования графического изображения, путем последовательной записистрок «слева направо - сверху вниз», формируется бинарный код динамограммы, представляющий собой вектор — строку из 112 элементов.
Длядинамограммы, показанной на рис. 2, этот вектор будет иметь значение:din1 = [ 0 0 0 0 0 0 0 0 0 0 0 0 0 0…0 0 0 1 1 1 1 1 1 1 1 1 1 0…0 0 0 1 0 0 0 0 0 0 0 0 1 0…0 0 1 0 0 0 0 0 0 0 0 1 0 0…0 0 1 0 0 0 0 0 0 0 0 1 0 0…0 1 0 0 0 0 0 0 0 0 1 0 0 0…0 1 1 1 1 1 1 1 1 1 1 0 0 0…0 0 0 0 0 0 0 0 0 0 0 0 0 0 ].Значения векторов, соответствующих остальным типам динамограмм, приведены в Приложении. При выводе оцифрованного изображения динамограммы на экран компьютера вектор-строка преобразуются вматрицу необходимого размера.
Результаты работы программы визуализации SHOWDIN.M бинарного представления типовых динамограмм, реализованной в среде MATLAB 6.1 (см. Приложение), показаны на рис. 3, 4.1275Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»а)б)в)г)д)е)Рис. 3. Окна визуализации векторно-матричного представления динамограмм при работе программы SHOWDIN.M: а - нормальная работа; б, в - незаполнение насоса; г, д утечка в приемном клапане; е - утечка в нагнетательном клапане.1276Секция 4. Нейро-сетевые технологииж)з)и)Рис. 4. Окна визуализации векторно-матричного представления динамограмм при работе программы SHOWDIN.M: ж — утечка в нагнетательном клапане; з — низкая посадка плунжера; и — высокая посадка плунжера.3. Синтез нейронной сетиДля реализации задачи распознавания динамограмм выберем двухслойную сеть прямого распространения, которая отличается простотойсвязей между нейронами.
Параметры сети получаем исходя из задачи распознавания необходимого числа динамограмм (9 типов) и способа их цифрового представления (вектор-строка из 112 элементов).Сформулированные условия приводят к структуре, изображенной нарис. 5, содержащей 112 входных нейронов, 9 нейронов выходного слоя, вовнутреннем слое на основе результатов вычислительных экспериментовпредлагается использовать 26 нейронов. В качестве функций активацииприменена смещенная в положительную область сигмоидальная (логистическая) функция.1277Труды II научной конференции «Проектирование инженерных и научных приложений в среде MATLAB»На вход сети подается предварительно сформированный векторстрока dini, характеризующий вид анализируемой динамограммы.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
