5. Интеллектуализация измерительной информации

Важным результатом исследований, связанных с повышением качества функционирования  измерительных систем, является создание специальных интеллектуальных датчиков [1] , [8] . Традиционные направления совершенствования таких датчиков реализуются как путем улучшения конструкции и элементов аппаратной части, так и за счет разработки методов формального описания и анализа измерительных процедур. Развитию аналитического подхода при синтезе интеллектуальных датчиков способствует создание  алгоритмов оптимальной обработки данных на основе все более сложных статистических моделей входных воздействий на датчик. В качестве конкурирующей стратегии рассматривается способ реализации интеллектуального датчика на основе искусственных нейронных сетей (ИНС).

       Архитектура отказоустойчивой измерительной системы экспериментального комплекса с <интеллектуальным> датчиком представлена на рис.3.4. Система содержит два логических блока, Первый блок устанавливает неисправность и настраивает моделируемую систему обеспечения функционирования нужного датчика. В частности, для интеллектуального датчика на основе ИНС осуществляется настройка весовых коэффициентов нейронных связей. Второй логический блок обеспечивает достоверность информации интеллектуальных датчиков  ИД₁,:,ИД_N. Интеллектуальный контроллер ИК устанавливает факт возникновения отказа датчиков Х₁,:,Х_N.

               Рис.3.4 Схема отказоустойчивой измерительной системы.

        Алгоритмы функционирования интеллектуальных датчиков разрабатываются с учетом реальных данных, характеризующих поведение исследуемого динамического объекта в заданных условиях эксплуатации, В частности, для получения информации о колебательном движении плавучего динамического объекта разработана интеллектуальная система (ИС)  обеспечения режимов работы датчиков бортовой, килевой и вертикальной качки на реальном морском волнении различной интенсивности. Система способна настраиваться на условия развивающегося шторма, тяжелого обледенения, затопления отсеков и других экстремальных ситуаций в практике эксплуатации судов и плавучих технических средств освоения океана [1].

         При разработке алгоритмов предусматривается определенная последовательность операций:

·       составляется спецификация режимов работы измерительной системы комплекса  в различных условиях, в том числе и в экстремальных ситуациях;

·       производится обучение интеллектуального датчика в зависимости от принципа его организации (на основе математического моделирования или теории ИНС);

·       формируется логика функционирования диагностической системы при отказе конкретного датчика и замене его выходного сигнала соответствующим выходом ИНС.

 При применении самоорганизующейся ИНС каждому входному параметру x_i (i=1,...,n) сопоставляется измерение многомерного пространства. Размерность этого пространства равна числу параметров n, возможные значения которых задаются специальной шкалой. Задача состоит в определении свойств точек xj=(x_j1,:,x_jn) n-мерного пространства. Величина характеризует значение входного параметра i точки j в примерах, используемых при обучении ИНС. Точки многомерного пространства образуют класс связанных областей точек, обладающих определенными свойствами. При обучении ИНС этот класс запоминается и используется при функционировании ИС для решения задачи контроля и управления.

         Таким образом, создается искусственная интеллектуальная среда, включающая в себя множество функциональных подсистем в виде совокупности интеллектуальных датчиков. Обучение ИНС осуществляется в составе ИС (рис.3.5). Входными значениями ИНС Х являются характеристики сигналов с датчиков. Выходы обученной ИНС Y совпадают со значениями сигналов с датчиков. Если разность сигналов Е превышает допустимый уровень, блок диагностики выдает сигнал об отказе датчика, После этого в качестве выходного сигнала датчиков принимается его значение на выходе нейронной сети.

Рис.3.5. ИС управления динамическим объектом с интеллектуальным датчиком

       Система принятия решений по использованию интеллектуального датчика реализуется на основе нечеткого логического базиса. Нечеткий вывод осуществляется с помощью специальных таблиц принятия решений [8]. Разработка таких таблиц ведется для нормальных условий эксплуатации и при отказе датчиков (нештатные режимы).                                        

       Сравнительный анализ моделей сигналов, реализуемых интеллектуальным датчиком на основе ИНС, и фактическими результатами и используемыми в процессе экспериментальных исследований ИС, проводится на основе статистического критерия:

 (3.17)

        Этот критерий выражает в стандартизированном масштабе степень устойчивости исследуемых динамических процессов: отношение  среднеквадратического отклонения  к среднему уровню .

       Эксперименты, проведенные с использованием реальных данных о функционировании ИС обеспечения безопасности мореплавания с помощью датчиков колебательного движения плавучего динамического объекта при бортовой и килевой качке, свидетельствуют о практической реализуемости разработанного подхода. Замена датчика бортовой качки интеллектуальным датчиком, генерирующим случайный существенно нелинейный процесс, позволила на основе специально разработанного алгоритма:

·       восстанавливать статистически характеристики морского волнения и параметров качки;

·       обеспечивать работу механизма логического вывода при идентификации ситуаций, связанных с возникновением резонансных режимов качки при движении плавучего ДО с различными курсовыми углами на волнении в условиях развивающегося шторма.

       Преимущества нейросетевых моделей в подобных задачах состоит также в том, что их модификация и настройка  ведется по мере получения новых данных наблюдений. Важная особенность применения моделей ИНС в ИС заключается в обеспечении работы системы на основе временных последовательностей с малым интервалом наблюдений.  Для надежного функционирования интеллектуальных датчиков важное значение имеет информация, накапливаемая в процессе эксплуатации бортовой ИС. На базе этой информации производится окончательная корректировка алгоритмов, заложенных в формализованную систему знаний при построении интеллектуальных датчиков. При  этом для повышения надежности работы ИС в экстремальных условиях целесообразно использовать данные динамических измерений, близкие к предельным значениям характеристики в непрерывно изменяющихся внешних условиях. Практическая реализация разработанного подхода связана с проблемой старения информации, что требует непрерывного поддержания работоспособности ИС на базе фактической информации о поведении  плавучего динамического объекта в различных условиях эксплуатации.