Конкурс «Молодой кораблестроитель – Инженер года-2023»
Автор: Инженер-технолог 3 категории АО «51 ЦКТИС» Трапезникова Д. А.
Введение
Повсеместное расширение сегмента информационных технологий за последние несколько лет влияет практически на каждую профессиональную область жизнедеятельности человека в современном мире. Из-за того, что прогресс не стоит на месте, а нынешние технологии быстро развиваются, становясь с каждым днем все сложнее и совершеннее, встает вопрос о создании новых способов упрощения процесса эксплуатации. Поэтому наиболее важным и актуальным направлением создания цифровых средств является улучшение и интеграция различных интеллектуальных систем, которые позволяют решать трудно-вычислимые задачи с использованием самообучающихся алгоритмов на базе искусственных нейронных сетей для дальнейшего изменения, упрощения и улучшения качества жизни человечества. Одной из актуальных и претерпевающих значительные изменения в аспекте внедрения информационных технологий является сфера, сопровождающая нас каждый день – электроника и электротехника.
Основной целью представленной статьи является произведение обзора, изучения, а также анализа актуальных исследований в вопросах разработки и дальнейшей интеграции современных интеллектуальных систем на базе исследуемого материала в электротехнической отрасли. Была предпринята попытка произвести комплексный анализ и систематизацию знаний, касающихся технических аспектов применения искусственных нейронных сетей в электротехнике, рассмотрены особенности различных типов ИНС и методов обучения, показаны основные проблемы при проектировании ИНС.
Научная значимость работы заключается в дальнейшей возможности использования полученных материалов в качестве теоретической базы для будущих научных исследований, направленных на разработку и совершенствование современных инновационных цифровых решений в электротехнической отрасли.
Информационные технологии находят свое применение в абсолютно разных областях деятельности человека. Активное использование наблюдается в электротехнике, архитектуре и строительстве, экономике, военно-промышленной и иных актуальных на сегодняшний день профессиональных сферах. Именно поэтому в современном мире уделяется колоссальное внимание не только на повсеместную интеграцию цифровых решений, но и активное развитие самого инструментария информационных технологий. Именно инновационный потенциал данных технологий способен привести к качественным изменениям в сферах своей интеграции.
Становление сегмента информационных технологий предопределило вектор развития современных бытовых и профессиональных сфер жизнедеятельности человека. Активная интеграция и использование ИТ в жизни современного человека уже давно не является чем-то уникальным или удивительным. Современные цифровые решения стали частью жизни людей, помогая рационализировать и повысить эффективность выполнения тех или иных производственных задач.
Цифровизация приводит к множеству необратимых и качественно меняющих жизнь населения процессов. Появляются множество профессий и исчезают другие, увеличивается платежеспособность населения, а товары и услуги становятся значительно доступнее. При этом растет внутриотраслевая конкуренция, происходит расширение рынков. Основным результатом данного развития является рост национальных экономик. Именно те страны, которые активно и повсеместно осваивают информационных технологии и цифровые решения получают намного большие экономические выгоды.
Тренды цифровой трансформации в корне меняют классические модели отраслевых рынков. На основе интеграции цифровых инструментов значительно повышается конкурентоспособность участников рынков. Исходя из этого, стоит подчеркнуть, что именно на основе цифровизации определяются перспективы роста компаний, а также отраслей и национальной экономики в целом. Появление и активное развитие ИТ уже изменило модели целых отраслей, к примеру, туристической, строительной, пассажирских перевозок, отдельных видов промышленности и иных.
Методы и материалы
Основой работы являются такие теоретические методы исследования, как анализ и синтез. Для более детального анализ и получения наиболее объективных и актуальных данных в работе использовались результаты научных исследований таких авторов, как: McCullochW.S., Жиленков А.А., Заиграева Ю.Б., Антоненков А.В., Колесников А.А., Вычужанин В.В., Вольман М.А., KhusnutdinovR.R., HisameevA.M., Юнусова Л.Р., Магсумова А.Р. и других.
В каждой из данных работ затрагиваются фундаментальные вопросы, необходимые с целью воспроизведения общего анализа, касающегося информационной безопасности в рамках среды умного города. Так, в используемой литературе более подробно раскрывается отдельные вопросы, необходимые для выполнения анализа по вопросам применимости и использования интеллектуальных технологий в электротехнической сфере.
Результаты и обсуждение
На сегодняшний лень актуализируются тенденции, связанные с разработкой и использованием аппарата искусственных нейронных сетей в профессиональных областях жизнедеятельности человека. Именно данные технологии позволяют решать одни из наиболее сложных и трудоемких задач. Активное использование наблюдается в экономике, строительстве, электроэнергетике и иных отраслях деятельности человека.
История развития теории искусственных нейронныхсетей (ИНС) началась с работы Мак-Каллока и Питца [1]. Затем, благодаря ряду преимуществ, среди которых наиболее значимыми являются: способность обучаться, адаптироваться, самонастраиваться, возможность реализации принципа параллельных вычислений и т.д. – нейронные сети получают повсеместное применение в решении задач моделирования, временного прогнозирования, обработки изображений, самоорганизации, анализа независимых компонентов. При этом использование ИНС в электротехнике ограничено следующими направлениями: экспертные системы поддержки принятия решений в аспекте управления фильтро-компенсирующими устройствами [2], системы адаптивного управления электростанциями [3], [4], синтез управляющих устройств для систем со стохастически изменяющимися параметрами [5], прогнозирующие модели управления асинхронными двигателями [6], [7], [8], моделирование и оптимизация эксплуатации судовых систем [9].
Однако, ещё одной проблемой, решение которой в перспективе может быть основано на применении ИНС, является подготовка обслуживающего персонала электроэнергетических систем. Действительно, как указано в [8], в настоящее время всё более остро проявляется возрастающая потребность в высококвалифицированном обслуживающем персонале. Оптимизация подготовки выпускников возможна путём применения компьютерного моделирования и обучающих тренажеров. Сходная трактовка данной проблематики дана в [10]: сложность принятия оптимальных решений в критических условиях при нечеткой информации создаёт необходимость в привлечении экспертов для решения нестандартных задач, однако, низкое количество таких экспертов обусловлено невысокой степенью передачи опыта высококвалифицированных специалистов.
Одним из решений данной проблемы может быть применение информационных экспертных систем, использующих эвристический подход, формализацию нечетких данных в сложных задачах с неполной входной информацией. Если говорить о перспективах методик проектирования современных образовательных программ, то, согласно [11] и [12], логическим продолжением компетентностного подхода является контекстно-модульный подход.
На основании проведённого анализа можно выделить следующие песпективные направления в данной сфере: применение моделирования и искусственных нейронныхсетей, использование кейс-задач и интерактивных методов обучения и контроля, развитие института дистанционного обучения, создание единой информационной образовательной системы, применение игровой основы для повышения мотивации студентов, использование компьютерных систем обучения (КСО) для освоения иностранных языков. Перспективность данных исследований основана на модульности структуры и доступности КСО, их высокой производительности и возможности применения интерактивного графического интерфейса, адаптивности и нелинейности ИНС и компетентностно-модульных систем образования. В [13] приведены результаты сравнительного анализа несколько типов ИНС (рис. 1).
Рис. 1. Сравнение различных типов ИНС
Можно отметить, что для решения задач прогнозирования, построения ЭС наиболее подходят два типа ИНС: MLP и RBF.
Также одним из наиболее распространенных инструментов является рекуррентная нейронная сеть (RNN). Данная модель зачастую используется для преобразования входной последовательности одной области в выходную последовательность другой. Данная рекуррентная сеть была создана с целью обработки длинных последовательностей данных и решения задач, связанных с распределением данных во времени. Модель RNN производит обработку одного элемента в последовательности на одном временном шаге. Именно на основе данной технологии представляется возможным эффективное решение задачи прогнозирования распределения электроэнергии [13].
В результате вычисления обновленное состояние поступает на следующий шаг во времени для облегчения вычисления следующего элемента (рис. 2). Развернутая версия иллюстрирует, что происходит во времени: s от t-1, s от t и s от t + 1 - это одна и та же единица с разными состояниями на разных временных шагах t - 1, t и t + 1.
Рис. 2. Рекуррентная нейронная сеть с одним скрытым элементом и ее
разворачивающейся версией во времени
Однако простые персептронные сети могут легко потерять долгосрочные зависимости. Для решения данной проблемы был разработан специальный нейрон, имеющий более сложную внутреннюю структуру для запоминания долгосрочного контекста (рис. 3). Данный инструмент имеет название LongshortTermMemory (LSTM). Данный нейрон имеет возможность анализировать данные, чтобы узнать, как долго необходимо запоминать старую информацию, а также, когда необходимо использовать новые данные и как объединить старую память с новой.
Рис. 3. Структура LSTM нейрона
Генеративно-состязательная сеть (GAN) является одним из типов глубоких генеративных моделей, активно использующихся для прогнозирования цен акций (рис. 4). На основе данной технологии представляется возможным создание новых примеров по результатам изучения реальных данных. Этот инструмент включает в себя две модели, которые конкурируют между собой в игровой системе с нулевой суммой [14].
Рис. 4. Архитектура генеративно-состязательной сети
При этом стоит отдельно подчеркнуть виды искусственных нейронных сетей. Однослойные нейронные сети. Данный вид сетей представляет из себя структуру взаимодействия нейронов, сигналы в которой со сходного слоя сразу же направляются на выходной, который, в свою очередь, обрабатывает сигнал и выдает результата. Первый слой производит сбор и распределение сигналов (результатов измерений и показатели двигателей), а второй производит нужные вычисления и выдает ответ.
Многослойная нейронная сеть. В данном случае помимо двух ранее описанных слоев существует ряд скрытых (промежуточных) слоев. Число данных слоев напрямую зависит относительно сложности нейронной сети. Прогнозирование технического состояния электротехники и решение задач ее диагностики, в частности, является намного эффективней ввиду наличия больших возможностей при использовании данного вида нейронной сети. В таких нейронных сетях обработка информации производится на каждом промежуточном слое, что позволяет получать наиболее точные результаты работы системы.
Также выделяются нейронные сети прямого распространения и рекуррентные нейронные сети. В первом случае сигнал перемещается строго по направлению от входного к выходному слою. Движение сигнала в другом направлении не представляется возможным. Но стоит отметить, что ввиду простоты реализации именно данный вид нейронных сетей получил наибольшее распространении при разработке интеллектуальных систем прогнозирования технического состояния электротехники. В рекуррентных нейронных сетях сигнал может двигаться, как в прямом, так и в обратном направлении. Преимуществом систем, работающих на данном виде нейронных сетей при решении задач, описываемых в рамках данной статьи, является возможность восстановления и дополнения сигналов во время их обработки и получения более точной и полной информации о техническом состоянии приборов.
Последующая тенденция развития использования искусственных нейронных сетей из области электротехники заключается в создании аппаратно-программного обеспечения, выполняющего роль прогнозирования аварий. На рис. 5 представлен алгоритм работы нейронных сетей для решения данной задачи [15].
Рис. 5. Алгоритм работы нейронных сетей для мониторинга
аварийности
Данное направление находится только на начальном этапе своего развития. Некоторые исследования уже производились зарубежными авторами, однако в нашей стране данный вопрос находится в стадии ожидания.
Заключение
Таким образом, основной целью представленной статьи являлось изучение актуальных исследований в вопросах разработки и интеграции интеллектуальных систем в электротехнической отрасли. В рамках работы были рассмотрены такие ключевые аспекты, как: актуальность развития информационных технологий и цифровизации профессиональных областей жизнедеятельности человека; необходимость цифровизации электротехнической отрасли и ее направления; необходимость и особенности использования искусственных нейронных сетей для решения задач из области электротехники; основные виды и технические аспекты используемых нейронных сетей.
В современном мире, включая нашу страну, активно производится разработка и интеграция в различных профессиональных областях множество перспективных и инновационных цифровых решений. Несмотря на высокий потенциал и возможность повышения эффективности работы компаний, данные процессы сдерживаются рядом причин, связанных с политическими и иными организационными проблемами. Государством предпринимаются активные попытки решения данных проблем и разработки плана по развитию и поддержки цифровых проектов. Мировые тренды цифровизации и цифровой трансформации включают в себя множество аспектов, технологий и направлений интеграции инновационных ИТ-решений. В современном мире наблюдается интенсивная динамика развития и создания абсолютно новых цифровых решений и технологий. Именно тренды цифровизации задают основные векторы развития современных компаний, которые успешно реализуют и поддерживают интеграцию перспективных цифровых технологий, и определяют их уровень конкурентоспособности на глобальном рынке.
В заключение необходимо отметить, что электротехническая отрасль претерпевает колоссальные изменения, выражающиеся в недавно начатом процессе цифровизации данной отрасли. Современные информационные и цифровые технологии выводят данную отрасль на совершенно новый в качественном аспекте уровень развития. Особая роль принадлежит технологии искусственных нейронных сетей, основе которых представляется возможным решение ранее нерешаемых средствами обычных электронно-вычислительных машин задач.
Литература
1. McCulloch W.S. and Pitts W. A logical calculus of the ideas immanent in nervous activity // Bulletin of Mathematical Biophysics. – 1943. – vol. 5. – p. 115 – 133.
2. Жиленков, А.А. Автоматизированная система интеллектуальной поддержки принятия решений для управления фильтро-компенсирующими устройствами: автореф. дис. на соиск. учён. степ. канд. техн. наук (05.13.06) / Жиленков Антон Александрович; КГМТУ – Санкт-Петербург, 2014. – 18 с.
3. Заиграева, Ю.Б.Нейросетевые модели оценки и планирования потерь электроэнергии в электроэнергетических системах: автореф. дис. на соиск. учён. степ. канд. техн. наук (05.14.02) / Заиграева Юлия Борисовна; НГТУ – Новосибирск, 2008. – 20 с.
4. Кавалеров, Б.В. О задачах исследования адаптивного управления электростанциями на базе конвертированных авиационных ГТУ / Б.В. Кавалеров, И.В. Бахирев, Г.А. Килин, Е.А. Маталасова // Вестник ПНИПУ. – 2014. – No11. – С. 67 – 80.
5. Антоненков, А.В. Искусственная нейронная сеть как инструмент исследования переходных процессов в асинхронных двигателях: автореф. дис. на соиск. учён. степ. канд. техн. наук (05.09.01) / Антоненков Аркадий Валерьевич; МЭИ (ТУ) – Москва, 2009. – 20 с.
6. Диаб Ахмед АбделхамидЗакиВекторное управление асинхронными электроприводами на основе прогнозирующих моделей: автореф. дис. на соиск. учён. степ. канд. техн. наук (05.09.03) / Диаб Ахмед АбделхамидЗаки; НГТУ – Новосибирск, 2014. – 20 с.
7. Колесников, А.А. Анализ динамики и синтез систем управления стохастическими электромеханическими системами: автореф. дис. на соиск. учён. степ. канд. техн. наук (05.09.03) / Колесников Артем Аркадьевич; Сибирский федеральный университет – Красноярск, 2007. – 20 с.
8. Лукичев, Д.В. Исследование и разработка нейросетевого наблюдателя потокосцепления ротора в системе векторного управления асинхронным короткозамкнутым двигателем: автореф. дис. на соиск. учён. степ. канд. техн. наук (05.09.03) / Лукичев Дмитрий Вячеславович; СПбГУ ИТМО – Санкт-Петербург, 2005. – 20 с.
9. Вычужанин, В.В. Повышение эффективности эксплуатации судовых сложных технических систем на основе моделирования и многокритериальной оптимизации / В.В. Вычужанин, Н.О. Шибаева // Вестник ГУМРФ им. адм. С.О. Макарова – 2016. – No4 (38). – С. 223 – 231.
10. Вольман, М.А. Компьютерное моделирование и тренажеры-имитаторы в качестве инструментов оптимизации вузовской подготовки оперативного персонала АЭС / М.А. Вольман, В.К. Семенов // Вестник науки Сибири. – 2015. – No15. – С. 59 – 62.
11. Сазыкин, В.Г. Аспекты влияния изношенного электрооборудования на электрохозяйство / В.Г. Сазыкин, А.Г. Кудряков // TheWayofScience. – 2015. – No3 (13). – С. 46 – 50.
12. Кочнева, Е.Н. Модульно-компетентностный подход к созданию профессиональных образовательных программ в системе среднего педагогического образования / Е.Н. Кочнева // Сибирский педагогический журнал. – 2010. – No3. – С. 287 – 292
13. Федотова, А.Д. Контекстно-модульный подход как основа проектирования основных профессиональных образовательных программ подготовки магистров гуманитарных направлений / А.Д. Федотова // Ученые записки Забайкальского государственного университета. Серия: Профессиональное образование, теория и методика обучения. – 2014. – No 6(59). – С. 76 – 81.
14. СаймонХайкинНейронные сети: полный курс, 2-е издание. — Издательский дом Вильямс, 2008. — 1103 с.
15. Саенко, Ю.Л. Применение нейронных сетей при оптимизации режима реактивной мощности в разветвлённых электрических сетях// Ю.Л. Саенко, В.В. Любарцев// Электрификация транспорта. 2016.