Принципы построения высокоточных измерительных приборов

ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
А.И. ГАЛУШКИН
НИИ автоматической аппаратуры им. В.С. Семенихина, Москва
neurocomputer@yandex.ru
ПРИНЦИПЫ ПОСТРОЕНИЯ ВЫСОКОТОЧНЫХ
ИЗМЕРИТЕЛЬНЫХ ПРИБОРОВ НА БАЗЕ
НЕЙРОКОМПЬЮТЕРОВ
Аннотация
В данной работе представлены основные принципы построения измерительных приборов на базе нейрокомпьютеров. Принципы касаются тех
измерительных приборов, в которых зависимость оценки измеряемого
физического параметра от показателя косвенных измерений является довольно сложной нелинейной функцией, в простых измерительных задачах
заменяемой функцией тарирования шкалы измерительного прибора. Аппроксимации указанной выше сложной нелинейной функции нейронной
сетью производится в основном в целях повышения точности измерений.
1. Измерение температуры
Объективная необходимость применения нейрокомпьютеров связана с
развитием высоких технологий и постановкой сложных задач, требуемых
повышенной точности решения. Для пояснения основных принципов и
предпосылок применения нейрокомпьютеров в измерительных системах,
а также основных терминов, используемых при этом, рассмотрим простейший пример применения термопары для измерения температуры.
В этом случае косвенная оценка реального значения температуры определяется в частности положением биметаллической пластины. При этом
более или менее реальное значение температуры измеряется базовым юстировочным измерителем, точность которого значительно выше точности
проектируемого измерителя температуры. Фиксированием конкретных пар
(положение биметаллической пластины и измерения температуры, производимого базовым измерителем) позволяет тарировать шкалу разрабатываемого измерителя. В случае неравномерной или равномерной шкалы по
сути дела прибор осуществляет кусочно-линейную аппроксимацию зависимости оценки температуры от положения биметаллической пластины.
В случае построения более точных цифровых измерителей, положение
биметаллической пластины преобразуется в цифровой код определенной
разрядности, определяемой требуемой точностью измерений. При этом
УДК 004.032.26(06) Нейронные сети
129
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
функция зависимости температуры, измеряемой базовым измерителем, от
отклонения биметаллической пластины становится всё более и более существенно нелинейной.
Возможны различные методы аппроксимации этой функции в реальном измерителе, как зависимости оценки температуры от положения биметаллической пластины. Работы последних 10-15 лет показывают, что
наилучшим аппроксиматором нелинейных функций являются нейронные
сети [1-4]. Причем критерием качества аппроксимации является отношение вычислительных ресурсов к ошибке аппроксимации.
В случае необходимости построения прецизионного измерителя температуры на базе нейрокомпьютером:
1. Изготавливается конкретная физическая система косвенной оценки
температуры (например в виде биметаллической пластины с косвенной
оценкой температуры положение пластины или в виде другой физической
системы косвенной оценки температуры);
2. Физическая косвенная оценка температуры преобразуется в цифровой код с разрядностью, требуемой для обеспечения заданной точности;
3. В процессе разработки прибора собирается архив экспериментальных данных в виде пар:
 оцифрованные данные косвенной оценки температуры, как входные значения нейронной сети;
 соответствующие им значения температуры, измеренные базовым
юстировочным измерителем температуры, как «указание учителя»
нейронной сети;
4. Нейронная сеть обучается в режиме аппроксимации функции по
этой информации таким образом, чтобы её выходной сигнал минимально
отличался от сигнала базового измерителя температуры, как «указания
учителя»;
5. Нейроблок разрабатываемого измерителя температуры реализуется
либо программно, либо аппаратно, в зависимости от реальных требований
по времени измерения и требуемым габаритам измерителя.
Отметим, что приведенный выше материал, возможно, не имеет практической ценности и приведен в основном для пояснения на простом
примере принципов применения нейрокомпьютеров в прецизионных измерительных системах
УДК 004.032.26(06) Нейронные сети
130
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
2. Измерение гранулометрического состава дробленного,
окомкованного или гранулированного материала
Для оценки гранулометрического состава исследуемый материал подвергается воздействию излучения, при этом измеряют распределение интенсивности отражённого излучения. В двумерном распределении интенсивности отраженного излучения формируют одну или несколько одномерных функций распределения интенсивности для фиксированных моментов времени. Данные одномерные функции являются источников
формирования входных признаков адаптивной нейронной сети. Измеренный лаборантами гранулометрический состав является «указанием учителя» нейронной сети. Полученная таким образом верифицированная выборка используется для обучения нейронной сети, служащей впоследствии для оценки гранулометрического состава, а так же для оценки качества работы адаптивного нейросетевого гранулометра. Устройство содержит, по крайней мере, один источник излучения для облучения частиц, по
крайней мере, одно устройство измерения отражённого от частиц излучения, по меньшей мере, один адаптивный нейросетевой блок оценки гранулометрического состава. Блок оценки выполнен в виде программно или
программно-аппаратно реализованной адаптивной нейронной сети с возможностью дообучения в процессе эксплуатации системы технологом для
повышения точности измерения размеров частиц.
В одном из вариантов прибора измеряют одномоментное распределение интенсивностей отраженного электромагнитного излучения, добавляют к нему текущую лабораторную оценку гранулометрическую состава
и эти данные используют для обучения нейронной сети.
В другом варианте прибора источником излучения является лазер, измеряющий расстояние до облучаемой поверхности, то есть формирует
профиль поверхности на движущемся транспортере с окомкованными
и/или гранулированными частицами. При этом косвенная оценка гранулометрического состава формируется обучаемой нейронной сетью, входом которой являются характеристики получаемого лазером профиля поверхности, а указанием учителя (как и выше) – текущие лабораторные
оценки гранулометрического состава.
Окомкованный или гранулированный материал возможно облучать несколькими лазерами, размещенными определенным образом над транспортером, что приводит к более точной оценке гранулометрического состава.
Гранулометрическая система может содержать одновременно камеру и
источник излучения, а также лазерный или ультразвуковой измеритель
дальности и блок оценки.
УДК 004.032.26(06) Нейронные сети
131
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
На рис. 1 показана установка 1 для получения окатышей из железной
руды. Подлежащая окомковыванию смесь из железной руды и бентонита
подается через ленточный транспортер 5 и накопитель материала 6 на
тарельчатый окомкователь 7. Окомкованный материал отводится через
следующий ленточный транспортер 8. Тарельчатые окомкователи 7
управляются и регулируются управлением. Целью этого управления и
регулирования является получение окатышей определенного размера из
железо-рудно-бентонитной смеси. Для этого размер окатышей измеряют
измерительным блоком 2. Это измерение может производиться тогда, когда окатыши падают на ленточный транспортер 8 или когда они лежат на
ленточном транспортере 8. Измерительный блок 2 состоит предпочтительно из электромагнитного источника излучения, камеры и дальномера
(лазерного или ультразвукового). Поставляемое камерой изображение
предварительно обрабатывают и через линию данных 3 передают на промышленную ЭВМ. Оценка этого переданного сигнала происходит в ЭВМ
4 так, что там может быть получена информация о распределении размеров окатышей, которая является необходимой для регулирования тарельчатых окомкователей 7.
Рис. 1. Установка для получения окатышей
УДК 004.032.26(06) Нейронные сети
132
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
Параллельно с камерой устанавливаются лазерный измеритель дальности (один или несколько), формирующие сигналы, соответствующие
профилю поверхности окомкованного и/или гранулированного материала.
На рис. 2 показано двумерное распределение интенсивности. При этом
окатыши проявляются в качестве областей с более высокой интенсивностью света. За счет выпуклой поверхности окатышей при многомерном
облучении, например путем облучения тремя равномерно распределенными по окружности источниками света, получается различное отражение
отдельных областей окатыша. Так свет от центра окатыша отражается
сильнее, чем от краев.
На рис. 3 показано распределение интенсивности вдоль линии сечения
А-В по рис.2. Это распределение интенсивности имеет максимумы 11 и
минимумы 12. Расстояние между максимумом и его двумя соседними минимумами пропорционально физической протяженности соответствующего окатыша вдоль линии сечения А-В.
На рис. 4 представлены два способа построения измерительной системы.
Первый (обычный) – рис. 4a.
1. Производится измерение косвенных характеристик физического
объекта, например изображение окомкованного материала.
2. По данным измерений косвенных характеристик физического объекта производится расчет некоторых физических характеристик, например гранулометрического состава. При этом для расчетов используется
некоторый субъективный алгоритм, качество работы которого можно
проверить только на последующем этапе статистических испытаний.
3. Проводятся статистические испытания разработанного алгоритма
на данной выборке.
Второй (предлагаемый) – рис. 4б.
1. Проводятся статистические измерения косвенных характеристик
физического объекта с соответствующей верификацией физических параметров.
2. Проводится нейросетевая аппроксимация f(х), где х – косвенные
характеристики физического объекта; f – верифицированный физический
параметр с одновременной оценкой качества вычисления физических параметров.
3. Обученная аппроксимирующая нейросетевая система является вычислителем оценки физических параметров неверифицированных косвенных измерений физических объектов с полученной выше оценкой качества работы.
УДК 004.032.26(06) Нейронные сети
133
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
Отметим, что состав работ по обоим способам построения измерительной системы практически одинаков.
На рис. 5 показана предлагаемая схема оценки гранулометрического
состава окомкованного и/или гранулированного материала.
Рис. 2. Двухмерное распределение интенсивности
Рис. 3. Распределение интенсивности вдоль линии сечения А-В из рис. 2
УДК 004.032.26(06) Нейронные сети
134
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
Субъективный
алгоритм
Физический
объект
Измерение
косвенных
характеристик
Вычисление
оценок
физических
параметров
Верификация
Статистическая
обработка
Оценка
качества
Результат
измерений
а) классический способ вычисления оценок физических характеристик
по измеряемым косвенным характеристикам физического объекта
Субъективные
параметры
нейросетевого
алгоритма
Верификация
Физический
объект
Измерение
косвенных
характеристик
Статистическая
нейросетевая
обработка
Оценка
качества
Результаты оценки
физических
параметров
б) предлагаемый способ вычисления оценок физических характеристик
по измеряемым косвенным характеристикам физического объекта
Рис. 4. Сравнение классического и предполагаемого способов вычисления оценок
гранулометрического состава окомкованного и/или гранулированного материала
Лабораторная оценка
текущего
гранулометрического
состава
Изображение с
камеры
и/или
Данные
лазерного
измерителя
дальности
Блок выборки
признаков
Нейронная
сеть
Оценка
гранулометрического
состава
Рис. 5. иллюстрация способа оценки гранулометрического состава
с помощью нейронной сети
УДК 004.032.26(06) Нейронные сети
135
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
3. Общие принципы построения прецизионных измерительных
систем на базе нейрокомпьютеров
Представленные выше материалы позволяют сформировать общие
принципы построения прецизионных измерительных систем на базе
нейрокомпьютеров, справедливые для построения измерительного
устройства любой физической величины по косвенным физическим признакам. Эти принципы представлены на рис. 4 а) и б) в виде структуры
классического а) и нейросетевого б) подходов. На рис.6 представлена
условно область применения классического и нейросетевого принципов
построения измерительных систем в координатах точности разрабатываемого и юстирующего измерительных приборов.
Для внедрения рассмотренных принципов построения измерительных
систем должны быть выбраны системы, обладающие следующими свойствами:
 достаточно сложные методы косвенной оценки измерительных физических параметров;
 необходимость увеличения точности измерений по сравнению с
классическими методами тарирования шкал измерительного прибора;
 использование в измерительном приборе микропроцессора для
возможного программирования в нем нейросетевого алгоритма оценки
измеряемой физической величины.
Заключение
1. Применение нейрокомпьютеров – это начало нового технологически более высокого этапа развития прецизионных измерительных систем.
2. Данный подход к построению измерительных систем демонстрирует отход от классического подхода от создания прецизионных измерительных систем, как коммерческих продуктов по крайней мере на первом
этапе их создания.
3. Чем сложнее (нелинейнее и многомернее) процедура косвенных
измерений физических параметров, тем более объективно применение
нейросетевых технологий.
УДК 004.032.26(06) Нейронные сети
136
ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 2
Точность разрабатываемого измерительного прибора
2/n
1/n
классический
нейросетевой
1
2
Точность юстирующего измерительного прибора
Рис. 6. Иллюстрация области применения классического
и нейросетевого принципов построения измерительных приборов
Список литературы
1. Галушкин А.И. (ред.) Нейроматематика, книга 6 серии «Нейрокомпьютеры и их
применение», ИПРЖР, М., 2002 г.
2. Castro J.L., Mantas C.J., Beniter J.M. Neural Networks with a continuous squashing function in the output are universal approximators. Neural Network (UK), vol. 13, no. t, July 2000
(p. 561-563).
3. Galuskin A.I., Tomashevich D.S., Tomasevich N.S., Muromsky M.U. Neural networks algorithms for function extrapolation and their application in call-center forecasting task, Parts
I,II,III, Neurocomputers: Design and applications, v. 1, no. 3, 4, 5, 2000.
4. Галушкин А.И. Нейроматематика: перспективы развития, М., «Нейрокомпьютер»
№1, 2003г.
5. Галушкин А.И. Теория нейронных сетей. М., ИПРЖР, 2000.
6. Заявка на патент 2004128312 Способ и система адаптивного нейросетевого определения гранулометрического состава частиц дробного, окомкованного и/или гранулированного материала / Галуза Ю.П., Галушкин А.И., Коробкова С.В., Леонов А.С., Пантелеев С.В.,
Ряжский Л.Т.
УДК 004.032.26(06) Нейронные сети
137