HIBAVIZSGÁLATOK - USING ARTIFICIAL INTELLIGENCE METHODS FÜVESI Viktor 1 , KOVÁCS Ern ő 2

USING ARTIFICIAL INTELLIGENCE METHODS FÜVESI Viktor 1 , KOVÁCS Ern ő 2

5. HIBAVIZSGÁLATOK

A hibavizsgálatok során számos hibát vizsgáltunk, amelyekből ennek a cikknek a keretein belül két hibafajta detektálását ismertetjük: a) a jeladó szenzor minden körülfordulás alatt előforduló rendszeres hibáját valamint b) a motor armatúrájában bekövetkező változás okán létrejövő feszültség emelkedésből fakadó hibajelenséget fogjuk megvizsgálni és kimutatni.

Annak érdekében, hogy minősíteni lehessen a detektálás jóságát, a hibás jelsorozatokat mesterségesen generáltuk a mérésekből. A hibák számának és az előfordulások pontos idejének ismeretében vizsgálható a detektáló-képesség. Vizsgáljuk a módszer képességeit és korlátait, valamint a használt hálóstruktúrák hatását az egyes esetekben.

5.1 A szenzor rendszeres hibája

A jeladó olyan hibáját keressük, amikor egy körülfordulás alatti impulzusok száma nem egyezik meg a gépkönyvben közöltekkel. Látszólag teljesen hibátlanul működik a jeladó, adja az impulzusokat a kimenetén, de nem a megfelelő számban. Ezt a hibatípust okozhatja a jeladó elektronikája vagy éppen a jeladó kódtárcsájának gyártási hibájából adódó pontatlanság.

Feltételezzük, hogy a hibás jeladó négy impulzussal kevesebbet ad le fordulatonként és a hiba egy körülfordulás alatt két alkalommal ismétlődik. Így egy hibázás alkalmával kettő impulzus hiányzik az eredetihez képest. Ha hibamentes és a hibásan működő jeladó impulzusszámának különbségét képezzük egy lépcsőzetesen változó függvényt kapunk. Egy körülfordulás alatt két lépcső születik.

A hibadetektálást végző neurális hálózat betanításához és teszteléséhez három független mintakészlet született. Egy a hálózat tanításához, egy a tanítás leállításához, ami azért fontos, hogy a hálózat elsajátítsa a tanító mintakészletbe foglaltakat, de képes legyen még extrapolációra is. A harmadik készlet a teszt mintakészlet volt, ami különféle hálózattípusok összehasonlításához volt szükséges.

A mintakészletek a kocsi különféle sebessége és gyorsulása mellett született mérésekből származó, előfeldolgozott jelsorozatok összefűzéséből születtek. A szimulációkban változtattuk a hiba első megjelenésének időpontját is.

Több hálózatkonfigurációt teszteltünk, hogy mennyire sikerül a hibajelet előállítani. A vizsgált struktúrákban változtattuk a rejtett rétegben elhelyezett neuronok számát és a struktúra bemeneti konfigurációját is. Hat bemeneti konfigurációt teszteltünk és öt rejtett neuron számot használtunk a vizsgálat során. A különféle hálókonfigurációk, a hálózat típusok és a hálózat által megvalósított átviteli függvényt az 1. táblázat tartalmazza.

STRUKTÚRA TÍPUS MEGVALÓSÍTOTT FÜGGVÉNY

1. Konfig. NNFIR ^y^e^{( )}^t ⁼^f^{( )}^u^{( )}^t 2. Konfig. NNFIR ye( )t =f(u( ) ( )t^,ut−¹)

3. Konfig. NNFIR ^y^e^{( )}^t ⁼^f⁽^u^{( ) ( )}^t^,^u^t⁻¹^,^u⁽^t⁾⁻^u^{( )}^t⁻¹⁾ 4. Konfig. NNARX ^y^e⁽^t⁾⁼^f⁽^u⁽^t^),^u⁽^t⁻¹⁾^,^y⁽^t⁻¹⁾⁾ 5. Konfig. NNARX ye⁽t⁾= f(u⁽t^),u⁽t−¹⁾^,y⁽t−¹^),y⁽t−²⁾)

6. Konfig. NNARX ^y^e⁽^t⁾⁼ ^f⁽^u⁽^t^),^u⁽^t⁻¹^),^y⁽^t⁻¹^),^y⁽^t⁻²^),^y⁽^t⁻¹⁾⁻^y⁽^t⁻²⁾⁾ 1. táblázat Vizsgált hálózatkonfigurációk, hálóstruktúra

Általában neurális hálózat eredményét az átlagos négyzetes hibával (MSE) értékelik. Jelen esetben különféle hálóstruktúrák értékelésére a neurális struktúra hibajelének deriváltja

használható fel. A korábban emlegetett lépcsős hibajelek a deriválás során impulzusokká fajulnak. Az így képzett jelsorozat jól kiértékelhető.

A teszt jelsorozat 66 hibát tartalmazott összesen. Az aktuálisan vizsgált hálózat teljesítményét három tény határozta meg. Az egyik, hogy amikor valós rendszeren hiba történik akkor ad hibajelet, vagyis felismeri a hibát a hálózat (RF). Fontos tovább hogy hány valós jelzést hibázott el (MF) a detektáló módszer. A harmadik, hogy ad-e hibaimpulzust akkor is, ha nincs a rendszerben hiba, tehát hibásan jelez-e (BA). A helyes időben képzett hibajelek számából és a hamis hibaimpulzusokból a következő képlet szerint képeztünk egy relatív hibaimpulzus számot, ami a vizsgált, betanított neurális hálózat hiba felismerő képességét (HFK) relatív hiba jellegű mennyiségként értékeli.

% MF100 BA RF HFK RF

= + (4)

A kiértékelés során, az számított jó hibajelzésnek, ahol a hálózat produkálta impulzus nagysága elérte a megkívánt impulzus nagyságának 30%-át. Az 5. bementi konfigurációval ellátott, 6 rejtett neuront tartalmazó hálózat eredményének a deriváltja illetve a hálózattól megkívánt teszt jelsorozat látható az 4. ábrán.

4. ábra Az egyik legjobb eredményt produkáló hálózat kimenete és a hálózattól megkívánt kimenet

A különféle neurális hálózatstruktúrák összesített eredményeit mutatja az 5. ábra. A vizsgált hálózatkonfigurációk közül az NNARX típusú hálóstruktúrák produkálták a legjobb eredményeket. Az NNFIR típusú hálózatoknál a négy rejtett neuron is elég volt a maximális eredmény eléréshez még az NNARX esetén inkább több neuron volt szükséges eredményességhez.

5. ábra A vizsgált hálóstruktúrák eredményeinek értékelése

5.2 Hiba a motor armatúrájában

Ezzel a hibatípussal azt szimuláljuk, amikor a motor armatúrájának ellenállása (beleértve a csatlakozókat is) megváltozik. Ez a hibatípus egyrészt a motor belső hőmérséklete megváltozásának lehet a tünete, másrészt a csatlakozók ellenállásának megváltozásából is fakadhat, ami mozgás miatti szétrázkódás következménye. Az armatúra kör ellenállásának megváltozását mesterségesen állítottuk elő a mintakészletekből. Ezt úgy értük el, hogy az armatúra feszültségek értékét változtattuk meg lineárisan. Az előállított feszültségnövekedés maximális értéke 1 - 16% között változott. Az ellenállás változás mértékének változtatása mellett, a bekövetkezés időpontját is variáltuk a szimulációk során. A 6. ábra, egy példán keresztül, mutatja be a transzformált feszültségprofil, mint bemenet hibával terhelt és hibamentes alakulását.

6. ábra Egy példa a mesterségesen előállított feszültség változtatásra

A bemenet lineáris megváltozása a korábban részletezett modell felhasználásával egy közel exponenciális különbséget produkál (7. ábra). Az ábrán a hiba bekövetkeztének időpontja is jól látható.

7. ábra Különbség- és hibajel

Három mintakészlet került kialakításra a különféle szimulációkból. A mintakészletek egymástól független szimulációkat tartalmaznak, úgy hogy hibamentes és hibás esetek keverednek bennük. A 2. táblázat a három kialakított mintakészlet főbb tulajdonságait tartalmazza, kiegészítve a később részletezett, legjobbnak bizonyult, hálózat eredményével.

PARAMÉTEREK TANÍTÓ

MINTAKÉSZLET

VALIDÁLÓ MINTAKÉSZLET

TESZT MINTAKÉSZLET

Mintakészlet nagysága 6191 6191 16511

Hibát tartalmazó

szimulációk száma 54 54 144

Hibamentes szimulációk

száma 18 18 48

Hibátlan jelzések száma

/ összes eset 72 / 72 72 / 72 192 / 192

2. táblázat A vizsgálathoz használt mintakészletek főbb tulajdonságai

A mintakészletek felhasználásával több hálóstruktúrát is elemeztünk a hibadetektáláshoz.

Az 1 táblázat struktúrái közül 5. konfiguráció bizonyult a legjobbnak. Megvizsgáltuk továbbá ebben az esetbe azt is, hogy a rejtett réteg neuronjainak típusa, hogyan befolyásolja az eredményt. Azt találtuk, hogy az Elliot-típusú aktivációs függvény jobb eredményt produkált, mint az elterjedtebb szigmaid típus.

REJTETT NEURONOK AKTIVÁCIÓS FÜGGVÉNYE

TANÍTÓ MINTAKÉSZLET

MSE ÉRTÉKE

VALIDÁLÓ MINTAKÉSZLET

MSE ÉRTÉKE

TESZT MINTAKÉSZLET

MSE ÉRTÉKE

Szigmaid 0.008874 0.009258 0.009430

Gaussian 0.006446 0.008357 0.008010

Lineáris 0.010745 0.010808 0.010811

Elliot 0.006401 0.008285 0.007805

Szinusz 0.008463 0.009053 0.009260

3. táblázat Különféle rejtett neuronok használatának hatása a kimenet MSE értékére A legjobb hálózat kimenetének eredménye a 8. ábrán látható. A módszer jó eredményt mutat paraméterek széleskörű változtatása mellett is. A neurális hálózat a megkívánt kimenet közelítésében jó eredményt ért el, a felfutó élek és a mintakészletben megkövetelt felfutó élek fedik egymást. A módszer képes volt a hibák megfelelő időben történő kimutatására.

8. ábra Hiba detektálás során a feldolgozó hálózat eredménye a teszt mintakészletre 6. ÖSSZEFOGLALÁS

A cikkben egy az olajiparban használatos eszköz nemlineáris modelljét építettük fel neurális hálózat segítségével. A modell felépítése és betanítása a rendszeren végzett mérések felhasználásával történt.

Bemutattunk egy módszert a rendszer két lehetséges hibájának detektálására. A módszer lényegében a valós rendszer vizsgált kimenetének és vele párhuzamosan futó modell kimentének különbségéből egy neurális hálózat segítségével generálja rendszerben felmerülő hiba jelzésére szolgáló hibajelet. A neurális hálózat osztályozási tulajdonságát kihasználva képesek voltunk a vizsgált kocsi kerekének körülfordulása során két alkalommal jelentkező szenzorhiba észlelésére. Szimuláltuk a motor armatúrájában jelentkező hibát a motor feszültségjelének megváltoztatása segítségével. A bemutatott módszerrel ez a hibatípus is sikeresen észlelhető volt.

A vizsgálatok során több hálózatot elemeztünk és bizonyítottuk, hogy a legjobb eredményt az NNARX struktúra szolgáltatja.

In document M Ű SZAKI TUDOMÁNY AZ ÉSZAK-KELET MAGYARORSZÁGI RÉGIÓBAN 2012 (Pldal 112-116)