Требования к базовому (фирменному) программному обеспечению.
В качестве базового выбрано ПО фирмы Siemens SIMATIC STEP7, так как объект модернизации с точки зрения АСУ входит в одну единую модель управления ТП и находится под управлением ПЛК, реализующего процесс управления различных подсистем.
Для программирования систем автоматизации SIMATIC S7/C7/WinAC может быть использовано три языка: STL, LAD и FBD.
Язык STL (Statement List) позволяет создавать наиболее компактные программы, обладающие наиболее высоким быстродействием. Язык поддерживает выполнение следующих функций:
Поиск. Любая точка программы может быть быстро найдена по указанию символьного имени, оператора и т.д.
Возможность ввода данных в пошаговом или свободном текстовом режиме.
Программа может вводиться с проверкой синтаксиса каждой строки или набираться в текстовом редакторе с последующим преобразованием.
Требования и характеристики используемых операционных систем верхнего и нижнего уровней АСУ ТП
ПО верхнего уровня
операционной системы (MS Windows XP);
коммуникационных протоколов (Ethernet 802.3, TCP/IP);
форматов файлов (TXT, DOC, XLS);
интерфейсов с СУБД (ODBC, SQL);
интерфейсов динамического обмена данными DDE, NetDDE.
Программное обеспечение информационного сервера:
операционная система MS Windows 2003 Server (SP2);
«мастер» приложение на базе SCADA-системы InTouch (Wonderware, США)
InTouch Runtime;
Сервер базы данных Microsoft SQL Server 2005.
ПО нижнего уровня
Программное обеспечение автоматизированных рабочих мест, входящих в АСУ ЦППН, основывается на следующих базовых средствах:
Операционная система MS Windows XP Professional (SP2);
«подчиненное» приложение на базе SCADA-системы Wonderware InTouch:
InTouch Runtime для АРМ управления;
FactoryFocus для АРМ наблюдения за технологическим процессом;
ActiveFocus для осуществления связи с базой данных Industrial SQL Server.
Windows XP – многопользовательская, многозадачная сетевая ОС с графическим
интерфейсом. В ней использовано 3 варианта файловой системы (FAT 16, FAT32, NTFS)
Основные характеристики:
32 – разрядная архитектура, вытесняющая многозадачность
Многопоточность (позволяет одновременно выполнять несколько, несвязанных друг с другом, участков программы)
Возможность подключения новых устройств по Plug and Play
Совместимость с ранними версиями
Наличие коммуникационных программ
Возможность использования виртуальной памяти
Требования и характеристика используемых пакетов программной поддержки обмена данными.
Именное обозначение SIMATIC NET объединяет полностью все семейство коммуникационных продуктов и сетей фирмы Siemens для промышленной автоматизации. Различные сети удовлетворяют широкому кругу требований к эксплуатационным характеристикам применительно к различным задачам, которые стоят перед проектировщиком систем автоматизации:
SIMATIC NET предоставляет решения, отвечающие запросам современной промышленной связи;
SIMATIC NET занимает центральное место в системе автоматизации SIMATIC;
SIMATIC NET обеспечивает однотипный интерфейс между системами и другими компонентами автоматизации;
способ коммуникации SIMATIC NET полностью интегрируется в проект системы автоматизации благодаря использованию своей собственной технологии связи S7, которая легко интегрируется со всеми известными топологиями и видами сетей.
Коммуникационные сети семейства SIMATIC NET являются компонентами концепции TIA (Полностью интегрированная автоматизация) от Siemens. Шинные системы SIMATIC NET и их функции вписываются в пирамидообразную модель автоматизации.
Industrial Ethernet (IEEE 802–3 и IEEE 802.3u) – международный стандарт организации обмена данными на верхних уровнях управления через локальные или глобальные информационные сети. Это мощная коммуникационная сеть, специально предназначенная для работы в промышленных условиях.
Она обладает следующими основными свойствами:
объединяет в единую сеть различные уровни предприятия, например, офис и производственный цех;
надежность конструкции и электромагнитная устойчивость;
высокая скорость передачи даже при большом количестве узлов благодаря общедоступным сетевым компонентам, соответствующим стандарту Fast Ethernet (быстрая сеть Ethernet) и поддерживающим скорость 100 Мбит/с.;
поддержка различных сред передачи (например, промышленная витая пара (ITP), волоконно-оптический кабель);
возможность расширения системы с использованием технологии коммутации;
высокая степень надежности сетевых топологий с резервированием.
TCP/IP (TransmissionControlProtocol/InternetProtocol) – набор сетевых протоколов, служащий для обмена данных между двумя узлами. Он обеспечивает приемлемую скорость передачи данных. Однако в последнее время протокол TCP/IP стал использоваться в качестве транспортного протокола для обмена информацией между узлами гибридных систем автоматизированного управления технологическими процессами.
СРАВНЕНИЕ АЛГОРИТМОВ ОБУЧЕНИЯ МНОГОСЛОЙНОГО ПЕРСЕПТРОНА ДЛЯ ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ГИПЕРБОЛИЧЕСКОГО ТРЕНДА
Поршнев С. В., Пономарева О.А., Осинцев И. В.
Институт радиоэлектроники и информационных технологий - РТФ УрФУ.
Выбор алгоритма обучения для нейронной сети является важной нетривиальной задачей. В данной статье приведено экспериментальное обоснование преимущества алгоритмов байесовской регуляризации и Левенберга-Марквардта для задачи прогнозирования гиперболического тренда. Для перехода к описанию эксперимента и его результатов необходимо рассмотреть основы временных рядов и нейронных сетей, описание разновидности нейросетевой архитектуры, использовавшейся при сравнении, – многослойного персептрона, а также алгоритмы его обучения.
Временные ряды и прогнозирование
Временной ряд определяется как последовательность упорядоченных во времени числовых показателей, характеризующих уровень состояния и изменения изучаемого явления [1]. Временной ряд включает два элемента: время и конкретное значение показателя, или уровень ряда. Основной тенденцией, или трендом, называется характеристика процесса изменения явления за длительное время, освобожденная от случайных колебаний. Колеблемостью следует называть отклонения уровней отдельных периодов времени от тенденции динамики (тренда) [1]. Временные ряды широко применяются в статистике, обработке сигналов, распознавании образов, прогнозировании погоды, электроэнергетике. Возможной причиной их применения может являться необходимость предсказания значений величин в этих областях. Такая задача может быть выполнена при представлении этих значений в виде временного ряда.
Для прогнозирования временных рядов используются различные математические методы и алгоритмы: экстраполяции экспериментальных данных и статистические, использующие параметрические модели.
В последнее время для прогнозирования широко применяются нейронные сети. Преимуществами такого подхода по сравнению с другими существующими методами являются устойчивость к частым изменениям среды, а также большая результативность при решении неформализованных или плохо формализованных задач, при работе с большим объемом противоречивой информации и при работе с неполной информацией [2]. Рассмотрим, что представляют собой нейронные сети, и почему они позволяют добиться описанных преимуществ.
Основы нейронных сетей
В работе МакКаллока и Питса, изданной в 1943 году предлагалась схема компьютера, основанного на аналогии с работой человеческого мозга. Они создали упрощенную модель нервной клетки - нейрона.
Искусственный нейрон имитирует в первом приближении свойства биологического нейрона. На вход искусственного нейрона поступает некоторое множество сигналов, каждый из которых является выходом другого нейрона. Каждый вход умножается на соответствующий вес, аналогичный синаптической силе, и все произведения суммируются, определяя уровень активации нейрона.
Рис. 1. Искусственный нейрон
Искусственный нейрон имеет структуру, представленную на рис. 1. Каждый j-й нейрон сети вычисляет взвешенную сумму своих входов:  где w0 - порог нейрона.
Обычно для удобства входной вектор расширяется до x = (1, x0, … xd) и порог w0 вносится под знак суммы
 (1)
Выходной сигнал нейрона определяется пороговой функцией. Наиболее распространены функции гиперболического тангенса, сигмоидная  , линейная и пороговая.
Многослойный персептрон
Рассмотрим разновидность нейросетевой архитектуры, применяемую для прогнозирования, – многослойный персептрон. Он представляет собой сеть из нейронов, расположенных на разных уровнях, причем, помимо входного и выходного слоев, имеется еще, как минимум, один внутренний, т.е. скрытый слой [4].
Рис. 2. Многослойный персептрон
На рис. 2. представлена сеть с одним скрытым слоем. Веса нейронов скрытого слоя пометим верхним индексом (1), а выходного слоя - верхним индексом (2). Выходные сигналы нейронов скрытого слоя обозначим vj (j =1,2,..К), а выходного слоя yi (i =1,2,..М). Примем, что функция активации нейронов задана в сигмоидальной форме. Будем использовать расширенное обозначение входного вектора сети в виде x = [x0, x1, … xN]. С вектором x связаны два входных вектора сети: вектор фактических выходных y = [y0,y1,… yM] и вектор ожидаемых выходных сигналов d = [d0,d1,… dM].
Установка весов происходит адаптивно без непосредственного участия эксперта во время обучения нейронной сети. Цель обучения состоит в подборе таких значений весов wij(1), wij(2) для всех слоев сети, чтобы при заданном входном векторе x получить на выходе значения сигналов yi, которые с требуемой точностью будут совпадать с ожидаемыми значениями di (i=1,2,..М). При таком подходе выходной сигнал i-го нейрона скрытого слоя удается описать функцией
 (2)
В выходном слое k-й нейрон вырабатывает выходной сигнал, определяемый как
 (3)
Из формулы следует, что на значение выходного сигнала влияют веса обоих слоев, тогда как сигналы, вырабатываемые в скрытом слое, не зависят от весов выходного слоя.
Алгоритмы обучения многослойного персептрона
Обучение многослойного персептрона основывается на алгоритме обратного распространения ошибки, предложенный в 1986 г. Румельхартом, Хинтоном и Вильямсом, представленном ниже.
0. Перед началом работы алгоритма веса wij инициализируем случайными значениями.
1. Подаем на вход персептрона вектор xn из обучающей выборки и получаем значение yn на выходе по формуле работы многослойного персептрона (1). Каждый нейрон рассчитывает взвешенную сумму своих входов; vi – это входы нейрона и соответственно выходы предыдущего слоя нейронов. Выход нейрона j – это преобразование суммы aj пороговой функцией f.
2. Вычисляем ошибки δk для выходов сети по формуле δk=f’(yk – dk), - производная пороговой функции от отклонения желаемых выходов сети d от получившихся y.
3. Вычисляем ошибки δj, для всех скрытых слоев по формуле δj =d’(aj) .
4. Находим значение градиента (4) на каждом слое i - произведение величины ошибки предыдущего i, находящегося сверху слоя j, на входное значение слоя.
 (4)
5. Корректируем значения синаптических весов по (5), где η – скорость обучения.
 (5)
6. Вычисляем значение ошибки (6). При необходимости идем на шаг 1.
 (6)
В данном алгоритме происходит оптимизация функции ошибки, для чего используется метод градиентного спуска, реализуемый в MATLAB Neural Network Toolbox при помощи функция traingd. Оптимизировать указанную функцию можно также при помощи других рассматриваемых методов. Самой быстрой функцией обучения, как правило, является trainlm [5]. Данная функция реализует алгоритм Левенберга-Марквардта – метод оптимизации, направленный на решение задач о наименьших квадратах, может рассматриваться как комбинация метода Ньютона с методом градиентного спуска или как метод доверительных интервалов. Алгоритм был сформулирован независимо Левенбергом (1944) и Марквардтом (1963). Функция trainbfg, реализующая квазиньютоновский метод, также довольно быстра. Обе этих функции (trainlm и trainbfg) имеют тенденцию быть менее эффективным для больших сетей (с тысячами весов), так как они требуют больше памяти и больше времени вычислений для этих случаев. Кроме того, trainlm показывает лучшие результаты для задач нелинейной регрессии, чем для распознавания образов [5].
Функция trainbr реализует метод байесовской регуляризации. Данный метод основан на использовании субъективных предположений относительно исследуемой функции и может применяться как на этапе структурной оптимизации ИНС, так и на этапе обучения.
Использование алгоритмов обучения для прогнозирования гиперболического тренда
Сравнение алгоритмов обучения выполнялось для задачи прогнозирования параболического тренда при помощи программного обеспечения MATLAB Neural Network Toolbox.
Для прогнозирования был взят временной ряд, имеющий вид  для t={0, 0.1, … 20}.
С помощью команды newff были созданы нейронные сети прямого распространения с одним скрытым слоем, 50 входами и 50 выходами. Данный вид сетей позволяет использовать метод скользящего окна – на вход сети подается 50 известных значений временного ряда, например, [y10, …y60], выходными значениями являются следующие значения ряда [y61 … y110]. При обучении входным значениям [y1, …y50] были поставлены в соответствие выходные значения [y51, …y100] при допустимой ошибке результатов 0,001.
>> net1.trainParam.goal=0.001;
>> net1=train(net,y(1:50),y(51:100));
Обучение первой нейронной сеть net1 происходило при помощи функции trainlm. Требуемый результат был достигнут за 1 сек и 117 итераций. После обучения на входы сети подавались значения [y1,…y50] – обучающий вектор, а также [y51,…y100] и [y100,…y150] прогнозирования ряда. Использовалась команда sim:
>> d1(51:100)=sim(net,y(1:50));
Со второй и третей сетями производились аналогичные действия. Результаты занесены в таблицу 1.
Таблица 1. Результаты прогнозирования различными нейронными сетями
Нейронная сеть
|
Функция обучения
|
Количество итераций обучения
|
Средняя ошибка [y1,…y50]
|
Средняя ошибка [y51,…y100]
|
Средняя ошибка [y101,…y150]
|
net1
|
trainlm
|
117
|
0,0023
|
0.0228
|
0.0912
|
net2
|
trainbfg
|
16
|
0.0284
|
0.1703
|
0.3538
|
net3
|
trainbr
|
585
|
1.6*10-4
|
0.0056
|
0.0202
|
net4
|
traingd
|
1000
|
0.0428
|
0.1327
|
0.2969
|
Графики временного ряда y, а также спрогнозированных значений, начиная с момента времени t=51, представлены на рис. 4.
Рис. 4. Временной ряд y(t) и прогнозы нейронных сетей net1, net2, net3, net4
Согласно приведенным данным алгоритм байесовской регуляризации (нейронная сеть net3) требует сравнительно большого количества итераций - 585 и, при этом, обеспечивает наибольшую точность, как обучающего множества, так и прогнозируемого. Алгоритм Левенберга-Марквардта (net1) требует впятеро меньше итераций и обеспечивает пропорционально большую ошибку. Квазиньютоновский алгоритму (net2) потребовалось всего 16 итераций, однако точность прогноза получилась наименьшей из всех рассмотренных. Классический метод градиентного спуска (net4) потребовал 1000 итераций при этом обеспеченная точность оказалась ненамного выше самого низкого результата сети net2.
Таким образом, данные проведенного эксперимента показывают, что для задачи прогнозирования гиперболического тренда наиболее предпочтительными являются алгоритмы байесовской регуляризации и Левенберга-Марквардта. Первый обеспечивает большую точность прогноза, а второй требует меньше времени на обучение.
Библиографический список
1. В.Н. Афанасьев, М.М. Юзбашев. Анализ временных рядов и прогнозирование. – Москва, Финансы и статистика, 2001.
2. П.Г. Круг. Нейронные сети и нейрокомпьютеры. – Москва, издательство МЭИ, 2002
3. С.В. Аксенов, В.Б. Новосельцев. Организация и использование нейронных сетей, Томск, 2006
4. Осовский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. – Москва, Финансы и статистика, 2002.
5. MATLAB Neural Network Toolbox User’s Guide. R2013a. Mark Hudson Beale, Martin T. Hagan, Howard B. Demuth.
|
