Автореферат диссертации (Организационно-технологический потенциал строительного производства кровельных конструкций жилых многоэтажных зданий), страница 4

Функциональная модель ИНСP представлена на Рисунке 3. Параметр J4«погодные условия» является внешним и не доступен для регулирования, в связи сэтим он вынесен из слоя параметров j, и его влияние учитывается в виде порогаактивации bP нейрона P. В каждом сенсоре g происходит определение абсциссыточки ввода с помощью теории нечетких множеств. Полученный таким образомвектор значений ОТФ строительного процесса ( xg ) = ( xg , xg ,...xg ) является121013Порог активациинейрона PОтносительная сменнаяпроизводительностьтруда одного рабочегоРисунок 3 - Функциональная модель ИНСPвектором входных сигналов ИНС. Функцией активации выступает логистическаяфункция. Обучение ИНСP произведено по методологии «с учителем» с помощьюметода обратного распространения ошибки.

Для его реализации в результатенаучного наблюдения за строительным производством кровельных конструкцийизвлечена выборка длиной N = 854 прецедента, которую запишем в виде(2)L = {( xg );YP ,( p)}nN=1 ,где YP - фактическая относительная сменная производительность труда одногорабочего при зафиксированных ( xg ) ,( p) = ( p1 , p2 , p3 ) - зафиксированный вектор вероятностей получениястроительной продукции для данного набора ( xg ) , относящейся к классам( K1 , K 2 , K 3 ) из Таблицы 2, соответственно.Выборка L случайным образом разбивается на обучающую выборку Ltrainи на контрольную Ltest в отношении 9 /1 . В качестве функции потерь для ИНСPпринята квадратическая ошибка.

Обучение модели производится по технологиибэггинг. С помощью операции статистического бутстрэпа на основании Ltrainсформированы отдельные бутстрэп-выборки LBi длиной равной Ltrain. Затемпроизводено обучение ИНС по каждой LBi отдельно, итогом которого является iобученных моделей ИНС (i - количество бутстрэп-выборок), которые затемобъединяются в одну путем усреднения данных. Обучение ИНС на одной бутстрэпвыборке называется циклом.

Обучение ИНСP выполнено отдельно для двухведущих производственных потоков: ИНСP-1, прогнозирующей относительнуюсменную производительность труда одного рабочего YP по первомупроизводственному потоку (устройство конструкции кровли до ЦПСвключительно), и ИНСP-2, прогнозирующей YP по второму производственномупотоку (гидроизоляционные работы). Динамика уменьшения среднейквадратической ошибки на контрольной выборке MSEtest от количества цикловобучения ИНСP-1 представлена на Рисунке 4.На 26-м цикле достигнута MSEtest = 0,042 , что соответствует ошибке  = 0,205дальнейшее обучение показывает, что уменьшение MSEtest практически не14происходит, так на 42-м цикле установлена MSEtest = 0,038 .

Проверка качестваобучения произведена по методу 10-ти кратной перекрестной проверки, врезультате которой получена средняя квадратическая ошибка MSEcross = 0,0465 .Определен доверительный интервал результатов прогнозирования через оценкуверхнего предела математического ожидания ошибки  при уровне надежности0,95, который составилyP1 − 0,145 YP1 yP1 + 0,145 .(3)Аналогично было проведено обучение ИНСP-2.

Здесь сходимость достигнута на 22м цикле, на котором получена MSEtest = 0,034 , что соответствует ошибке = 0,184 . По результатам 10-ти кратной перекрестной проверки установлено, чтопроверка 9-ти моделей на разных контрольных выборках дала средний результатРисунок 4 - Сходимость ИНСP-1 на контрольной выборкеMSEcross = 0,0418 ,что свидетельствует об успешном обучении ИНС P-2.Доверительный интервал результатов прогнозирования ИНСP-2, в которомнаходится истинное значение относительной сменной производительности трудаодного рабочего, равенyP 2 − 0,135 YP 2 yP 2 + 0,135 .(4)Вторая модель ИНСQ описывает строительный процесс по критерию«качество строительной продукции». А именно, выход ИНСQ представляет собойвектор вероятностей (q1 , q2 , q3 ) классификации результатов строительного процессапо устройству кровельных конструкций согласно разделению, выполненному вТаблице 2.

В отличие от предыдущей модели в ИНСQ выходной слой представлентремя нейронами K1, K2, K3 - по одному нейрону на каждый лингвистический термварьирования переменной Q. Функцией активации нейронов K i является функцияsoftmax. Обучение ИНСQ производится по выборке прецедентов (2). Для обученияиспользован алгоритм обратного распространения ошибки, только в данном случаеза функцию потерь принята функция перекрестной энтропии, полученной израсхождения Кульбака-Ляйбнера. Выполнено обучение ИНСQ по технологииописанной выше. Достижение стабильной средней квадратической ошибкиMSEtest = 0,013 за несколько последних эпох обучения произошло на 32 цикле, что15соответствует ошибке  = 0,11.

При перекрестной проверке установлена средняяквадратическая ошибка MSEcross = 0,0134 , подтверждающая успешное обучение.Для ИНСQ контрольная выборка содержит N = 85 прецедентов, математическоеожидание ошибки  не превышает по модулю M ( ) 0.07 с надежностью = 0,95 . Тогда доверительный интервал прогнозирования ИНСQ, в которомнаходится истинное значение вероятности pi получения строительной продукциикласса Ki с надежностью 0,95 равенqi − 0, 07 pi qi + 0, 07 .(5)Второй этап формализации модели ОТП посвящен объединению ИНСP иИНСQ и формированию единой модели ИНСОТП, позволяющей определитьэффективность принятых ОТР для конкретного строительного проекта, то естьвозможность достижения системой поставленного результата с заданным наборомОТФ.

Для этого разработаны 4-й слои ИНСОТП, определяющий эффективностьпринятых ОТР отдельно по критериям T «продолжительность» и Q «качествостроительной продукции», и 5-й слой, сводящий оценку к одному значению.Окончательный вид ИНСОТП представлен на Рисунке 5.ОТФ строительногопроцесса - предикторымодели, входы ИНСПараметры строительногопроцесса - нейроны 2-гослоя ИНСВнешний параметрстроительного процесса«погодные условия» - порогактивации нейронов 3-го слояОтносительнаясменнаяпроизводительность трудаодного рабочегопо главнымпроизводственным потокамГлавные переменныестроительного процесса нейроны 3-го слояВероятности получениястроительной продукции,относящейся к классам K1,K2, K3ОТП строительного процессапо главным критериям T и Q нейроны 4-го слояОТП строительного процесса нейрон выходного слояРисунок 5 - Модель ИНСОТП16ОТП строительного производства кровельных конструкций определяетсоответствие принятых ОТР заданному состоянию устойчивости строительногопроцесса и может принимать два значения: «1» - система с надежностью 0,95достигнет (сохранит) заданное состояние устойчивости по выбранным критериям,«0» - система потеряет устойчивость (вероятность сбоя/отказа превысит 0,05).Данный принцип реализован в нейронах ОТПT и ОТПQ с помощью функцииХевисайда.

Для определения эффективности ОТР по критерию T сконструированнейрон ОТПT, на который поступают выходные сигналы yP1 от ИНСP-1 и yP 2 отИНСP-2,соответствующиепрогнозируемойотносительнойсменнойпроизводительности труда одного рабочего по двум основным производственнымпотокам. В этом нейроне происходит расчет прогнозируемой продолжительностистроительного процесса t в пределах рассматриваемой захватки и сравнение сзапланированной продолжительностью Tпланпо календарному графикустроительства с учетом имеющегося резерва времени R по следующей формуле = Tплан + R − t = Tплан + R − (VV++ t3 ) ,( yP1 −  ) Pнорма N чел ( yP 2 −  ) Pнорма N чел(6)где V - объем работ на захватке;N чел - количество человек в бригаде;t3 - технологический перерыв между двумя производственными потоками (наборпрочности и нормативной влажности ЦПС), в качестве относительной сменнойпроизводительностивзятнижнийпределдоверительногоинтервалапрогнозирования (3), (4) для обеспечения уровня надежности 0,95.

Таким образомнейрон ОТПT генерирует «1», если запланированная продолжительность большеили равна прогнозируемой в 95% случаев и «0» в противном случае.Нейрон ОТПQ определяет эффективность принятых ОТР по критерию Q. Поданному критерию может быть установлено одновременно два требования:недопущение состояния K3 (брак строительной продукции) и непревышениезаданного резерва времени в результате переносов сдачи-приемки, возникших попричине появления состояния K2.В различных условиях строительства в виду уровня ответственности объекта,имеющихся материальных и трудовых ресурсов, объемов работ, поставленныхсроков строительства и директив заказчика строительные компании смогутустановить допустимую вероятность получения брака строительной продукцииpcr и с помощью разработанной в диссертации модели контролировать ОТФ,чтобы не превысить данное значение (которое может быть принято «0»).Соответственно, условие сохранения устойчивости примет вид(7)p3 = q3 +   pcr ,где в качестве прогнозируемой вероятности брака строительной продукции взятверхний предел доверительного интервала (5) для обеспечения уровня надежностипрогнозирования 0,95.