Прогнозирование характеристик технологических процессов промышленного производства с использованием искусственных нейронных сетей и вейвлет-преобразований


Скачать 237,62 Kb.
НазваниеПрогнозирование характеристик технологических процессов промышленного производства с использованием искусственных нейронных сетей и вейвлет-преобразований
страница1/2
Лушавин Андрей Петрович
Дата конвертации20.08.2012
Размер237,62 Kb.
ТипАвтореферат
СпециальностьСистемный анализ, управление и обработка информации (промышленность)
Год2012
На соискание ученой степениКандидат технических наук
  1   2


На правах рукописи


Лушавин Андрей Петрович


ПРОГНОЗИРОВАНИЕ ХАРАКТЕРИСТИК ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ ПРОМЫШЛЕННОГО ПРОИЗВОДСТВА С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ И ВЕЙВЛЕТ-ПРЕОБРАЗОВАНИЙ


Специальность: 05.13.01 – Системный анализ, управление

и обработка информации (промышленность)


АВТОРЕФЕРАТ

диссертации на соискание ученой степени
кандидата технических наук


Самара – 2012


Работа выполнена на кафедре «Вычислительная техника» Федерального государственного бюджетного образовательного учреждения высшего профессионального образования «Самарский государственный технический университет»



Научный руководитель:

Заслуженный деятель науки РФ,

доктор технических наук, профессор

Семенов Владимир Семенович







Официальные оппоненты:

БАТИЩЕВ Виталий Иванович,

доктор технических наук, профессор

ФГБОУ ВПО «Самарский государственный технический университет», г. Самара,

зав. кафедрой «Информационные технологии»





НЕБОЖЕНКО Виктор Александрович,

кандидат технических наук

ОАО «Институт «Гипровостокнефть», г. Самара, главный специалист отдела «Информационные технологии»







Ведущая организация:

Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования «Самарский государственный архитектурно-строительный университет» г. Самара


Защита состоится « 28 » мая 2012 г. в 11 часов на заседании диссертационного совета Д 212.217.03 ФГБОУ ВПО «Самарский государственный технический университет» по адресу:

г. Самара, ул. Галактионовская, 141, корпус 6, аудитория 33.


С диссертацией можно ознакомиться в библиотеке ФГБОУ ВПО «Самарский государственный технический университет» по адресу:

г. Самара, ул. Первомайская 18.


Отзывы на автореферат (в двух экземплярах, заверенные печатью) просим направлять по адресу: 443100, г. Самара, ул. Молодогвардейская, 244, СамГТУ, главный корпус, на имя ученого секретаря диссертационного совета Д 212.217.03.; факс: (846)278-44-00


Автореферат разослан «26» апреля 2012 г.



Ученый секретарь

диссертационного совета Д 212.217.03 к.т.н., доцент


Губанов Н.Г.



Общая характеристика работы


Актуальность проблемы. Повышение эффективности обработки информации на сегодняшний момент представляет собой одну из перспективных задач в области обеспечения роста экономического потенциала страны.

Непрерывное возрастание требований к контролю состояния технологических процессов и управлению этими процессами, вызванное необходимостью повышения эффективности, надежности и безопасности эксплуатации технических установок нефтяной, газовой, химической и нефтехимической промышленности, обусловило широкое применение современных информационных систем, автоматических и автоматизированных систем управления, передовых информационных технологий и средств вычислительной техники.

Систематизированное научно обоснованное развитие прогнозирования осуществляется с первой половины 50-х годов прошлого века. Ключевые вопросы разработки и исследования методов прогнозирования разрабатывались российскими учёными Матросовым Н.Д., Вишнёвым С.М., Панасюк Б., Мосиным В.О., Яновым Я.И., Адирим И.Г., Сутягиным В. В развитие методологии прогнозирования большой вклад внесли отечественные и зарубежные учёные И.В. Бестужев-Лада, Л. Клейн, В. Гольдберг.

Важной особенностью исследуемых в работе систем и их моделей является изменение их параметров во времени, которое может происходить с самой разной скоростью. Оно может характеризоваться временными диаграммами (временными рядами). Модели, описывающие временные ряды значений технологических параметров, представляют собой сложные зависимости с множеством локальных особенностей и отсутствием периодичности. Для обработки таких рядов необходимо использовать математический аппарат, способный выявлять эти зависимости с целью прогнозирования их изменений. Особенно важно обнаруживать незначительные изменения в параметрах промышленных процессов, которые свидетельствуют о высокой вероятности возникновения критических или аварийных состояний технологических установок. Исследование временных рядов является актуальной задачей анализа и прогнозирования динамики технологических и других производственных процессов, а также поведения систем управления.

Целью исследования является разработка методов и средств анализа временных рядов для прогнозирования параметров производственных процессов, имеющих нестационарные и непериодические характеристики.

Объектом исследования являются технологические процессы нефтяной, газовой, химической и нефтехимической промышленности.

Предметом исследования служит совокупность алгоритмов и моделей описания технологических процессов и оценка возможности их использования для решения задач прогнозирования, а также структуры интеллектуальных систем, позволяющих реализовать эти алгоритмы.

Для достижения поставленной цели необходимо решение следующих задач.

  1. Исследование временных рядов, характеризующих технологические процессы нефтяной, газовой, химической и нефтехимической промышленности;

  2. Разработка моделей и алгоритмов анализа временных рядов для прогнозирования критических состояний исследуемых технологических процессов;

  3. Разработка структуры интеллектуальной системы на базе нейронных сетей для реализации предлагаемых алгоритмов;

  4. Разработка метода настройки прогнозирующей системы для эффективного решения задач описания и прогнозирования технологических процессов, имеющих нестационарные и непериодические характеристики;

  5. Оценка эффективности предлагаемых алгоритмов и методов по результатам обработки данных, полученных от предприятий соответствующих отраслей.

Основными методами исследования являются методы теории множеств, теории вероятностей, математической статистики, линейной алгебры, а также теории нейронных сетей и нечеткой логики.

Научная новизна работы характеризуется следующими результатами:

  1. Разработан алгоритм анализа и прогнозирования технологических процессов, имеющих нестационарные и непериодические характеристики, отличающийся сочетанием методов вейлет-преобразования и нечеткой логики, что позволяет более точно оценить характеристики процессов.

  2. Предложен метод построения интеллектуальной системы, отличающийся использованием нейронных сетей и систем нечеткой логики, обеспечивающий оперативный анализ и прогнозирование временных рядов технологических процессов, характеризующих критические состояния производственного оборудования.

  3. Разработан алгоритм настройки нейронных сетей, отличающийся тем, что, в качестве бифуркационного критерия используется показатель Херста, обеспечивающего повышенную точность описания и прогнозирования временных рядов произвольного вида.

Практическая полезность диссертации заключается в возможности применения полученных моделей и алгоритмов для решения задач анализа и прогнозирования технологических процессов нефтяной, газовой, химической и нефтехимической промышленности.

На защиту выносятся следующие основные положения.

  1. Алгоритм описания и прогнозирования технологических процессов, имеющих нестационарные и непериодические характеристики, основанный на сочетании методов вейлет-преобразования и нечеткой логики.

  2. Метод построения интеллектуальной системы, обеспечивающей реализацию разработанного алгоритма и базирующийся на использовании нейронных сетей.

  3. Алгоритм настройки нейронных сетей, использующий в качестве бифуркационного критерия показатель Херста.

Реализация результатов работы Разработанная методика анализа временных рядов внедрена в системе технологического контроля газокомпрессорной станции (Сызранское ЛПУМГ ООО «Газпром трансгаз Самара»). Полученные научные результаты использованы в учебном процессе на кафедре «Вычислительная техника» ГОУ ВПО Самарский государственный технический университет.

Апробация работы. Основные положения работы и результаты исследования докладывались и обсуждались на одной Международной и четырёх Всероссийских научно-технических и научно-практических конференциях, а именно: Пятая Всероссийская межвузовская научно-практическая конференция «Компьютерные технологии в науке, практике и образовании». (Самара, 2006), 65-я Всероссийская научно-техническая конференция по итогам НИР университета за 2007 год. Самарский гос. арх.-строит. ун-т. (Самара, 2007), 66-я Всероссийская научно-техническая конференция по итогам НИР университета за 2008 год. Самарский гос. арх.-строит. ун-т.(Самара, 2008), 67-я Всероссийская научно-технической конференции «Традиции и инновации в строительстве и архитектуре». / СГАСУ.- Самара, 2010, Международная научно-техническая конференция «Информационные, измерительные и управляющие системы» (ИИУС-2010)./ СамГТУ – Самара, 2010.

Публикации. По теме диссертации опубликовано 12 печатных работ, в том числе 4 работы из списка журналов, рекомендованных ВАК РФ.

Структура и объём работы: Работа состоит из введения, четырёх глав, заключения, списка литературы и трёх приложений. Основная часть изложена на 158 страницах, содержащих 48 рисунков и 5 (пять) таблиц.

Во введении обоснована актуальность темы диссертации для промышленного производства, дана общая характеристика работы, определены цели и задачи проводимого исследования, сформулированы основные результаты: научная новизна, практическая ценность и положения, выносимые на защиту. Приведены сведения о внедрении результатов, апробации, публикациях, структуре и объеме работы.

В первой главе выполнен аналитический обзор производственных процессов и дана их классификация по целому ряду основных признаков. Поставлена задача исследования систем, параметры которых изменяются во времени с разной скоростью и периодичностью. Такие системы могут характеризоваться временными диаграммами (временными рядами). Анализ временных рядов значений технологических параметров показал, что они представляют собой сложные зависимости с множеством локальных экстремумов и отсутствием периодичности. Для обработки таких рядов необходимо использовать математический аппарат, способный выявлять эти зависимости с целью прогнозирования изменений во времени.

Показано, что особенно важно обнаруживать незначительные изменения в параметрах промышленных процессов, которые свидетельствуют о высокой вероятности возникновения критических или аварийных состояний технологических установок. Исследование временных рядов является важной задачей анализа и прогнозирования динамики технологических и других производственных процессов, а также поведения систем управления. Поставлена задача системного анализа рассматриваемых рядов на предмет выявления их общих свойств с целью упрощения описания. Основными выводами главы 1 являются следующие положения.


1. Временные ряды, описывающие производственные процессы могут иметь нециклическую, нестационарную природу, включающую шумовую компоненту. Особенно важно обнаруживать незначительные изменения в параметрах промышленных процессов, которые свидетельствуют о высокой вероятности возникновения критических или аварийных состояний технологических установок.

2. Анализ временных рядов необходимо проводить в два этапа. На первом требуется выполнить отделение регулярной составляющей от случайных, а на втором - исследовать нерегулярные составляющие.

Во второй главе выполнен анализ методов описания и прогнозирования временных рядов и предложен алгоритм анализа и прогнозирования технологических процессов, имеющих нестационарные и непериодические характеристики, отличающийся сочетанием методов вейвлет-преобразования и нечеткой логики, что позволяет более точно оценить характеристики процессов. Рассмотрены классические методы Фурье, ARIMA и экспоненциального сглаживания, а также методы математической статистики. Самый известный их них – ARIMA использует алгоритмы, разработанные Г.Е.П. Боксом (G.Е.P. Box) и Г.М. Дженкинсом (G.M. Jenkins) [4]. Существует целая иерархия моделей Бокса-Дженкинса, которую можно представить в виде следующей схемы:

, (1)

где AR(p) - авторегрессионная модель порядка p.

Компьютерные эксперименты, выполненные с помощью системы STATISTICA, результаты которых приведены на рисунке 1, показали ограниченность применения метода ARIMA для прогнозирования характеристик технологических процессов общего вида.

Преобразование Фурье в традиционном виде не приспособлено для анализа нестационарных сигналов, локализованных на некотором временном интервале, т.к. оно не позволяет получить информацию о временных характеристиках сигнала. В качестве альтернативы в процессе исследования выбрано вейвлет-преобразование. Оно дает возможность анализировать частотные компоненты данных в плоскости вейвлет-коэффициентов (масштаб- время- уровень).



(а) (b)

Рисунок 1- Результаты прогнозирования, полученные в системе прогнозирования STATISTICA при применении метода ARIMA для рядов с разными характеристиками.


Принципиальное отличие вейвлет- спектрограммы от обычной спектрограммы Фурье заключается в том, что первые дают чёткую привязку различных особенностей сигнала ко времени. На рисунке 2 представлены Фурье- спектрограммы (рис. 2, а) и вейвлет- спектрограммы (рис.2, б) одного и того же временного ряда.







а) б)

Рисунок 2. Спектрограммы, полученные на основе различных видов

преобразования.


В работе исследованы различные методы вейвлет-анализа, такие как, дискретное вейвлет-преобразование, пакетное вейвлет-разложение и кратномасштабный вейвлет-анализ. Результаты исследования показали, что наиболее предпочтительным для описания и прогнозирования временных рядов произвольного вида является кратномасштабный вейвлет- анализ, который позволяет выявлять незначительные изменения в значениях временного ряда.

В работе выполнены эксперименты с использованием кратномасштабного анализа и частотных фильтров, которые позволяют отделить основной сигнал от шума. При этом представляется целесообразным применять кратномасштабное разложение вейвлетов Хаара. Предлагаемая в работе методика заключается в следующем.

Пусть функция Хаара определяется на основе прямоугольной волны и аналитически записывается следующим выражением:



(2)

Функция называется масштабирующей, если она может быть представлена в виде: . При этом . Набор называется масштабирующим фильтром. Произведём преобразование Фурье масштабирующего соотношения . Если принять, что , тогда , при этом функция будет называться частотной функцией масштабирующей функции .

Подробное изложение теоретической методики кратномасштабного вейвлет –разложения приведено в работе [3]. Здесь приводятся лишь результаты преобразований и даются практические рекомендации по нахождению масштабирующих фильтров.

Частотные функции Hk(ω) удовлетворяют свойству унитарности матрицы:

,

(3)

где .

Для функции Хаара масштабирующее соотношение порядка N имеет вид:

(4)

где .

Найдем вейвлет-функции Пусть при этом , где - ортонормированный базис в , ортонормированные базисы подпространств вейвлетов, причём имеет место разложение в прямую сумму ортогональных подпространств . Пространство входит в , следовательно функции также раскладываются по базису пространства . Для любой функции имеем:

. (5)

Тогда условие ортогональности к принимает вид:

. (6)

Так как ортонормированный базис, то получаем:

, (7)

где коэффициенты фильтры вейвлетов

Условие ортогональности вейвлетов следующее : В результате получаем систему уравнений:





(8)

Она имеет множество решений. В простейшем случае, соответствующем минимальному набору ненулевых коэффициентов, решение находится неоднозначно, т. е. решением будет любой набор из N-1 ортогональных векторов , в плоскости , заданной уравнением:

(9)

Решением будет матрица порядка N c ортогональными строками, первая строка которой есть вектор . Например, можно использовать матрицу Адамара (в этом случае должно выполняться условие существования таких матриц, а именно, её порядок N должен быть кратен 4, кроме того значения N, N/12 или N/20 должны быть степенью 2). Другим примером служит матрица, которая может быть получена из (9)

(10)

путем нормирования строк. Следует отметить, что методика нахождения кратномасштабного разложения Хаара не является единственной.

Эффективность предлагаемой методики исследования временного ряда с помощью кратномасштабного вейвлет- анализа демонстрируется на примерах компьютерных экспериментов, результаты которых приведены ниже. Для сравнения взяты два временных ряда, существенно отличающихся шумовой составляющей, вид которых приведен на рисунке 3. Первый из них (ряд С) отображает значения температур химического процесса, а второй (
ряд D) – коэффициенты его вязкости, измеряемые один раз в час.

Рисунок 3. Графики исследованных в работе рядов – ряд С (вверху) и ряд D (внизу).


Очевидно, что нижний ряд (ряд D) имеет очень сложную динамику с наихудшими оценками по показателю Хёрста и энтропии Шеннона, что существенно влияет на возможность прогнозирования его значений. Это подтверждается и результатами, представленными в таблице 1.


Ряд

Показатель Хёрста

Энтропия Шеннона

С

1,1870

1,2383

0,9539

-7.565444693555317e+005

-7.564407934301824e+005

D

0,4396

0,4065

-0,3181

-1.147871165128392e+005

-1.145013563577244e+005


Таблица 1 Сравнительные данные для рядов D и C


При кратномасштабном вейвлет-анализе получают графики вейвлет-коэффициентов на частотном спектре временного ряда, которые можно назвать частотными картами. Для составления частотной карты предлагается выполнить следующие операции.

  1. Выбирать уровень разложения n (для примера -4).

  2. Выполнить разложение до уровня n ( при 4 - на квартили);

  3. Получить n рядов коэффициентов: первый – представляет собой коэффициенты аппроксимации, дающие усреднение всех n уровней (четырёх квартилей); остальные n-1 – детализирующие коэффициенты: первый – разность между средними значениями первого и второго уровня (первой и второй квартили), следующий - между первыми двумя и третьей, между первыми тремя и четвёртой и т.д.

  4. При помощи преобразования Фурье найти интенсивности частотного спектра и построить их графики – получить частотную карту временного ряда, которая может быть использована для контроля протекания технологического процесса.

Вид частотной карты зависитот того, при помощи какого вейвлета получены коэффициенты и какой уровень разложения выбран. По частотной карте для каждого периода можно выделить характерные частоты этого периода.

Предлагаемая в работе методика позволяет выявить самые незначительные изменения в параметрах временных рядов, что особенно важно для оперативного анализа и прогнозирования параметров технологических процессов, приводящих к критическим состояниям производственного оборудования.

Так, если в ряду D, приведенном на рисунке 3 и состоящем из 310 отсчетов, изменить только одно значение (например, двадцатое с величины 8,6 на 9,0), как показано на рисунке 4, то это приведет к заметному изменению графика вейвлет-коэффициентов (см. рис. 4). При этом вид исходной кривой D практически не изменился. Статистические показатели коэффициентов приведены в таблице 2.

Анализ полученных данных показывает, что разница в средних квадратичных и средних абсолютных значениях исходного и изменённого рядов возрастает с увеличением уровня разложения.






Рисунок 4. Изменение графиков ряда D (вверху) и вейвлет – коэффициентов (внизу) при изменении значения одного отсчета
(место изменения на значениях ряда показано стрелкой).


Таблица 2. Статистические характеристики (ряд D) по уровням разложения


Уровень

разложения

средние квадратичные

средние

абсолютные

максимальные

8,6

9

8,6

9

8,6

9

1

0,3342

0,3339

0,1817

0,1804

2,275

2,275

2

0,2815

0,2819

0,1087

0,1099

2,275

2,275

3

0,2794

0,2803

0,1067

0,1080

2,275

2,275






Таким образом, предлагаемая методика, основанная на частотных картах, позволяет отследить самые незначительные изменения характеристик временного ряда, что особенно важно для оперативного анализа и прогнозирования параметров технологических процессов, приводящих к критическим состояниям производственного оборудования.

Другим подходом к прогнозированию характеристик временных рядов является их статистическая оценка. Общая схема процедуры получения прогноза на основе вероятностного оценивания представлена на рисунке 5. Основным элементом этой схемы является вероятностная модель, вид которой существенно влияет на точность и достоверность прогноза.






Рисунок 5. Общая схема получения прогноза с использованием методов математической статистики


Особую сложность приобретает задача прогнозирования характеристик для рядов произвольного вида, рассмотренных в главе 1. В работе показано, что методы теории нечеткой логики позволят существенно улучшить точность и достоверность прогнозов. Основоположником этой теории является американский ученый Лотфи Заде. Она получила развитие в трудах российских ученых Недосекина А.О, Орлова А.И, Орловского С.А. и других. Модели, использующие методы нечеткой логики, позволяют получить более точные прогнозы по сравнению с другими методами на монотонных участках временных рядов.

В третьей главе выполнен анализ современных информационных технологий, применяемых для решения задач прогнозирования. Доказано, что наиболее перспективной является технология искусственных нейронных сетей, являющихся универсальными аппроксиматорами (теорема Колмогорова-Xехт-Нильсена). Развитие этой теории связано с именами американских исследователей У.МакКаллока, Ф. Розенблатта, Д.Хебба, Дж. Хопфилда и М. Минского.

В работе рассмотрены способы построения искусственных нейронных сетей для анализа и прогнозирования различных временных рядов. Показано, что наиболее эффективной является многослойная сеть (многослойный персептрон - MLP), настройка которой должна быть выполнена методом обучения на основе обратного распространения ошибки.

Наилучшие результаты можно получить с помощью гибридной системы, использующей сочетание технологии искусственных нейронных сетей и методов нечёткой логики. Это подтверждается компьютерным экспериментом по прогнозированию значений временного ряда, который приведен на рисунке 6.



Рисунок 6. Исходные и предсказанные значения по двум моделям прогнозирования (MLP и ANFIS). Сплошная линия – исходный ряд, круги – MLP- прогноз, звёздочки – ANFIS – система.


Среднеквадратическая ошибка для MLP- модели составила 0,5474, а для ANFIS сети – 0,2242, т.е. уменьшилась в 2,44 раза. При этом структура «чистого» персептрона (MLP) была 62-13-1 (двухслойный персептрон с 62 входами). По результатам экспериментов было выявлено, что гибридная сеть ANFIS показывает худшие результаты на длительных прогнозах для временного ряда с множеством точек перегиба и является наиболее эффективной на монотонных участках. Характеристики различных методов прогнозирования приведены в таблице 3.

По результатам исследований предложен алгоритм настройки нейронных сетей для анализа и прогнозирования временных рядов произвольного вида. В качестве бифуркационного критерия этот алгоритм использует показатель Херста, который имеет вид.

(11)

где R - максимальный размах исследуемого ряда, S - среднеквадратическое отклонение и n - количество наблюдений. Важнейшими численными значениями расчёта показателя Херста H считаются следующие: H=0,5- наблюдения независимы и эффективное прогнозирование невозможно, H>0,5 – ряд персистентный, H<0,5 – ряд имеет свойство антиперсистентности.


Метод

Время вычисления

Ошибка SSE

% к наивному прогнозу


«Наивный»


-


1,6953


100%

Экспоненциальное Сглаживание (без тренда)


-


1,9835


117%

Экспоненциальное сглаживание (линейный тренд)

-


2,8859


170%

Экспоненциальное сглаживание (экспоненциальный тренд)


-


2,7840


164%

Экспоненциальное сглаживание (демпфированный тренд)


-


2,0207


119,2%

ARIMA

-

2,3369

137,85%

MLP (62-19-1)

225 с.

0,2504

14,77%

MLP-ANFIS(150 функций, 50 эпох)

36 с.

0,2175

12,83%


Таблица 3. Сравнительные характеристики различных способов прогнозирования

Предлагаемый показатель является устойчивым, требует минимальных допущений об изучаемой системе, может отделять случайные составляющие ряда от неслучайных, даже если первые не являются гауссовскими. Схема разработанного алгоритма приведена на рис. 7.

В четвёртой главе приведены результаты применения предложенного метода для анализа и прогнозирования временных рядов, описывающих технологические процессы. Они подтверждают теоретические положения, приведенные в главах 2 и 3.





Рисунок 7. Схема общего алгоритма анализа и прогнозирования временного ряда

  1   2

Разместите кнопку на своём сайте:
поделись


База данных защищена авторским правом ©dis.podelise.ru 2012
обратиться к администрации
АвтоРефераты
Главная страница