XI Международная научно-техническая конференция ”ВЫСОКИЕ ТЕХНОЛОГИИ В ПРОМЫШЛЕННОСТИ РОССИИ”

XVII Международный симпозиум “Тонкие пленки в электронике”

РАЗРАБОТКА КОНТРОЛЛЕРА НА ОСНОВЕ НЕЙРОННОЙ СЕТИ ДЛЯ ДИАГНОСТИРОВАНИЯ ТРИБОСОПРЯЖЕНИЙ В ВАКУУМЕ

М.В. Коровин, Р.А. Невшупа

МГТУ им. Н.Э. Баумана,

Российская Федерация, 105005, г. Москва, ул. 2-я Бауманская, 5,

EXECUTOR-1@rambler.ru

Предложен и разработан контроллер на основе нейронной сети для использования в системе диагностики вакуумных механизмов, позволяющей оценить состояние механизма без его разбора и остановки технологического процесса. Приведены результаты моделирования и их сопоставление с экспериментальными данными.

Development of neural network controller for monitoring of tribocontacts in vacuum (M.V. Korovin, R.A. Nevshupa). A controller based on a neural network is developed and analyzed. The controller to be used for diagnosing of vacuum mechanisms in situ, i.e. without disassembling of the whole mechanism only using the analysis of the desorbed gas. Results of modeling are presented and compared with experimental data.

ВВЕДЕНИЕ

С развитием технологий электронной техники, нанотехнологий, космической техники все большее значение приобретает обеспечение надежности механических систем этого оборудования, на долю которых приходится до 25% всех отказов оборудования. В отличие от других систем высоковакуумных установок, например электрических и электронных систем, обеспечение надежности механических узлов связано с рядом трудностей, главными их которых являются особенности конструкции, сниженная по сравнению с обычными «атмосферными» механизмами радиальная жесткость, в силу необходимости использования герметизирующих элементов, сложные условия работы трибосопряжений в условиях сухого трения в вакууме и др. Практикуемые в настоящее время способы контроля параметров технического состояния трибосопряжений предполагают полную или частичную разборку оборудования. Однако эта процедура приводит к экономическим потерям, как следствию остановки технологического процесса, а также может нарушать приработку узлов, тем самым сокращая срок безаварийной работы.

Отечественный и зарубежный опыт показывает, что применение систем диагностики, позволяет устранить демонтаж и разборку оборудования [1]. В настоящее время существует ряд систем диагностики, основанных на измерении вибрации, шума, нагрева узлов трения, контроля состояния смазочного масла и наличия в нем частиц износа. К сожалению, большинство из этих методов не применимо или лишь частично применимо к высоко- и сверхвысоковакуумному оборудованию из-за отсутствия жидких смазок, вакуумной среды, труднодоступности трибоузлов. Альтернативой существующим системам диагностики может стать разрабатываемая в настоящее время в МГТУ им. Н.Э. Баумана система вакуумной диагностики. Эта система основана на анализе десорбирующихся газов из трибоузла, таким образом, система вакуумной диагностики не требует дополнительных датчиков кроме имеющихся штатных вакуумметров и масс-спектрометров. Одной из основных сложностей при разработке системы вакуумной диагностики является анализ и обработка сигналов давления, что связано со стохастической природой газовыделения при механическом взаимодействии. Попытки создать эмпирические модели газовыделения на основе аппроксимации экспериментальных данных полиномами либо другими функциями с постоянными коэффициентами нельзя признать успешными, поскольку состояние системы описывается скорее нечеткой логикой, нежели четкими алгоритмами. Альтернативой аппроксимационным моделям является использование нейронных сетей.

Нейронные сети - системы, позволяющие сформировать описание характеристик случайных процессов и их совокупности, имеющие, в отличие от общепринятых, сложные, зачастую много модальные или вообще априори неизвестные функции распределения [3]. Они являются универсальными структурами, позволяющими аппроксимировать функции, описывающие поведением систем без знания физики происходящих в системах процессов.

Целью данной работы является анализ применимости математического аппарата «нейронных сетей» для решения задачи оценки состояния вакуумного механизма. Для достижения данной цели необходимо решить следующие задачи: разработать модель, учитывающую геометрические, технологические, вакуумные и др. характеристики системы при анализе функциональных параметров и проверить полученную модель с использованием имеющихся массивов экспериментальных данных.

1. РАЗРАБОТКА НЕЙРОННОЙ СЕТИ

   1. ВЫБОР ПАРАМЕТРОВ

Для проведения эксперимента на применимость нейронной сети для аппроксимации функции, описывающей процесс работы подшипника ввода в вакуумной системе с неизвестной физикой, решено использовать в качестве входных параметров: максимальный поток газовыделения, средний поток газовыделения, максимальное значение виброускорения, максимальное значение амплитуды вибросигнала, эксцесс.

В качестве выходного параметра используется момент сопротивления, выбранный в качестве критерия работоспособности механизма. Данные параметры функционирования выбраны не в силу их наилучшего соответствия задаче, а в силу доступности данных, снятых в ходе эксперимента с реально действующей системы.

Основой для построения нейронной сети является теорема о представлении непрерывных функций нескольких переменных в виде суперпозиции непрерывных функций одного переменного и сложения, предложенная для нейронных сетей в 1987 г. Хехт-Нильсеном [2]. Эта теорема доказывает представимость функции многих переменных достаточно общего вида с помощью двухслойной нейронной сети с прямыми полными связями с n нейронами входного слоя, (2n+1) нейронами скрытого слоя с заранее известными ограниченными функциями активации, например сигмоидального вида, и m нейронами выходного слоя, с неизвестными функциями активации.

Поскольку задача состоит в получении на выходе сети только степени износа механизма, то выход сети будет представлять собой единственный параметр. Удобно выбрать сеть, работающую по асинхронному принципу, т.е. в каждый момент времени состояние меняется у целой группы нейронов – слоя. Алгоритмически ход времени в нейронной сети будет задаваться итерационным выполнением однотипных действий над нейронами, что позволяет просто реализовать механизмы обучения и функционирования сети на любом языке программирования.

Выбор структуры сети осуществляется в соответствии с особенностью и сложностью задачи [2],[3]. Для решения отдельных типов уже существуют оптимальные конфигурации, например изложенная выше теорема Хехт-Нильсена. Однако если задача не может быть сведена ни к одному из известных типов, или точность получаемые при работе сети стандартной конфигурации не являются удовлетворительными, а также в случае, если стандартная сетевая архитектура не даёт возможности получить требуемые параметры, приходиться решать сложную задачу синтеза новой конфигурации сети, руководствуясь следующими основными правилами:

1. Возможности сети возрастают с увеличением число слоёв. Достаточность числа слоёв/нейронов определяется следующим образом. Если при добавлении к сети дополнительных слоёв/нейронов значительно возрастает время обучения, а точность возрастает незначительно, или ухудшается, то сеть уже имеет оптимальную для данной задачи конфигурацию. Однако это не всегда так, и в каждом конкретном случае следует исследовать проблему эмпирически.

2. Введение обратных связей наряду с увеличением возможностей сети, поднимает вопрос о динамической устойчивости.

3. Сложность алгоритмов функционирования сети, введение нескольких типов синапсов и полных последовательных связей способствуют усилению мощности сети.

На этапе настройки выбранной структуры число входов равно размерности пространства настраиваемых коэффициентов, в котором производится поиск экстремума функционала качества нейронной сети. Поэтому уменьшение числа входов нейронной сети облегчает как настройку, так и реализацию [2],[3].

Важным вопросом является выбор наиболее существенных параметров, влияние которых на результат работы сети является решающим. Эта проблема будет рассмотрена в последующих работах.

Для нейронной сети с полными перекрёстными связями суммарное количество входов нейронов в i-м слое равно:

_j = (L_j + N) H_ij, I_j = 1, … , W. (1)

Отсюда следует выражение для суммарного количества нейронов в W-слойной сети:

W = _j=1 W _j = _j=1 W [_j=1 I H_j + N]H_j = N _j=1 W H_j + ½ H2 – ½ _j=1 W H_j, (2)

где H_j – количество нейронов в j слое сети; H – количество нейронов во всей сети.

Типовой архитектурой для задачи аппроксимации многомерной функции является многослойная сеть прямого распространения [3].

Для нейронной сети с полными перекрёстными связями суммарное количество входов нейронов в i-м слое равно:

_j = (L_j + N) H_ij, I_j = 1, … , W. (3)

Отсюда следует выражение для суммарного количества нейронов в W-слойной сети:

W = _j=1 W _j = _j=1 W [_j=1 I H_j + N]H_j = N _j=1 W H_j + ½ H2 – ½ _j=1 W H_j, (4)

где Hj – количество нейронов в j слое сети; H – количество нейронов во всей сети.

В качестве функции активации выходного нейрона будет использоваться сигмоид (логистическая функция) (Рис. 1):

; . (5)

Одно из ценных свойств сигмоидальной функции простое выражение для её производной:

f’(s) = a * f(s) [1- f(s)]. (6)

Следует также отметить, что сигмоидальная функция дифференцируема на всей оси абсцисс. Кроме того, она обладает свойством усиливать слабые сигналы лучше, чем большие, и предотвращает насыщение от больших сигналов, т.к. они соответствуют областям аргументов, где сигмоид имеет пологий наклон.

Для остальных нейронов используется сигмоидальная функция гиперболический тангенс (Рис. 2):

; . (7)

Данная функция удобна потому, что она позволяет выдавать возбуждающие (положительные) и тормозящие (отрицательные) значения [2].

Для оценки числа нейронов в скрытых слоях однородных нейронных сетей можно воспользоваться формулой для оценки необходимого число синаптических весов Lw в многослойной сети с сигмоидальными передаточными функциями:

mN/1+log2N <=Lw<=m(N/m+1)(n+m+1)+m, (8)

где n – размерность входного сигнала, m – размерность выходного сигнала, N – число элементов обучающей выборки.