Застосування нейромережевих технологій у системах неруйнівного контролю
Приведено результати використання нейронних мереж для вирішення задач неруйнівного контролю виробів з композиційних матеріалів. Описано структуру, алгоритми навчання та роботи нейронної мережі Кохонена, багатошарового персептрону, гібридної нейронної мережі, а також мереж адаптивної резонансної теор...
Збережено в:
| Опубліковано в: : | Техническая диагностика и неразрушающий контроль |
|---|---|
| Дата: | 2012 |
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Інститут електрозварювання ім. Є.О. Патона НАН України
2012
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/102503 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Застосування нейромережевих технологій у системах неруйнівного контролю / В.С. Єременко, А.В. Переїденко, О.В. Монченко // Техническая диагностика и неразрушающий контроль. — 2012. — № 1. — С. 35-41. — Бібліогр.: 12 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-102503 |
|---|---|
| record_format |
dspace |
| spelling |
Єременко, В.С. Переїденко, А.В. Монченко, О.В. 2016-06-12T02:47:04Z 2016-06-12T02:47:04Z 2012 Застосування нейромережевих технологій у системах неруйнівного контролю / В.С. Єременко, А.В. Переїденко, О.В. Монченко // Техническая диагностика и неразрушающий контроль. — 2012. — № 1. — С. 35-41. — Бібліогр.: 12 назв. — укр. 0235-3474 https://nasplib.isofts.kiev.ua/handle/123456789/102503 621.120.30 Приведено результати використання нейронних мереж для вирішення задач неруйнівного контролю виробів з композиційних матеріалів. Описано структуру, алгоритми навчання та роботи нейронної мережі Кохонена, багатошарового персептрону, гібридної нейронної мережі, а також мереж адаптивної резонансної теорії. Use of neural networks for nondestructive testing of composite materials was introduced and investigated. Structures and principles of operation of Kohonen neural network, multilayer perceptron, hybrid neural network and neural networks of adaptive resonanse theory are described. uk Інститут електрозварювання ім. Є.О. Патона НАН України Техническая диагностика и неразрушающий контроль Научно-технический раздел Застосування нейромережевих технологій у системах неруйнівного контролю Application of neural network technologies in NDT systems Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Застосування нейромережевих технологій у системах неруйнівного контролю |
| spellingShingle |
Застосування нейромережевих технологій у системах неруйнівного контролю Єременко, В.С. Переїденко, А.В. Монченко, О.В. Научно-технический раздел |
| title_short |
Застосування нейромережевих технологій у системах неруйнівного контролю |
| title_full |
Застосування нейромережевих технологій у системах неруйнівного контролю |
| title_fullStr |
Застосування нейромережевих технологій у системах неруйнівного контролю |
| title_full_unstemmed |
Застосування нейромережевих технологій у системах неруйнівного контролю |
| title_sort |
застосування нейромережевих технологій у системах неруйнівного контролю |
| author |
Єременко, В.С. Переїденко, А.В. Монченко, О.В. |
| author_facet |
Єременко, В.С. Переїденко, А.В. Монченко, О.В. |
| topic |
Научно-технический раздел |
| topic_facet |
Научно-технический раздел |
| publishDate |
2012 |
| language |
Ukrainian |
| container_title |
Техническая диагностика и неразрушающий контроль |
| publisher |
Інститут електрозварювання ім. Є.О. Патона НАН України |
| format |
Article |
| title_alt |
Application of neural network technologies in NDT systems |
| description |
Приведено результати використання нейронних мереж для вирішення задач неруйнівного контролю виробів з композиційних матеріалів. Описано структуру, алгоритми навчання та роботи нейронної мережі Кохонена, багатошарового персептрону, гібридної нейронної мережі, а також мереж адаптивної резонансної теорії.
Use of neural networks for nondestructive testing of composite materials was introduced and investigated. Structures and principles of operation of Kohonen neural network, multilayer perceptron, hybrid neural network and neural networks of adaptive resonanse theory are described.
|
| issn |
0235-3474 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/102503 |
| citation_txt |
Застосування нейромережевих технологій у системах неруйнівного контролю / В.С. Єременко, А.В. Переїденко, О.В. Монченко // Техническая диагностика и неразрушающий контроль. — 2012. — № 1. — С. 35-41. — Бібліогр.: 12 назв. — укр. |
| work_keys_str_mv |
AT êremenkovs zastosuvannâneiromereževihtehnologíiusistemahneruinívnogokontrolû AT pereídenkoav zastosuvannâneiromereževihtehnologíiusistemahneruinívnogokontrolû AT mončenkoov zastosuvannâneiromereževihtehnologíiusistemahneruinívnogokontrolû AT êremenkovs applicationofneuralnetworktechnologiesinndtsystems AT pereídenkoav applicationofneuralnetworktechnologiesinndtsystems AT mončenkoov applicationofneuralnetworktechnologiesinndtsystems |
| first_indexed |
2025-11-24T04:04:58Z |
| last_indexed |
2025-11-24T04:04:58Z |
| _version_ |
1850841294245462016 |
| fulltext |
УДК 621.120.30
ЗАСТОСУВАННЯ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ
У СИСТЕМАХ НЕРУЙНІВНОГО КОНТРОЛЮ
В. С. ЄРЕМЕНКО, канд. техн. наук, А. В. ПЕРЕЇДЕНКО, инж., О. В. МОНЧЕНКО, канд. техн. наук (Нац. авіац. ун-т)
Приведено результати використання нейронних мереж для вирішення задач неруйнівного контролю виробів з ком-
позиційних матеріалів. Описано структуру, алгоритми навчання та роботи нейронної мережі Кохонена, багато-
шарового персептрону, гібридної нейронної мережі, а також мереж адаптивної резонансної теорії.
Use of neural networks for nondestructive testing of composite materials was introduced and investigated. Structures and
principles of operation of Kohonen neural network, multilayer perceptron, hybrid neural network and neural networks of
adaptive resonanse theory are described.
Вироби з композиційних матеріалів, що викорис-
товуються в сучасному авіабудуванні, можуть мати
різноманітні дефекти, які важко піддаються діагнос-
тиці, особливо на початкових стадіях їх розвитку.
На процес діагностики композиційних матеріалів ве-
ликій вплив мають випадкові чинники, що обумов-
лені змінами властивостей композитів, які виника-
ють внаслідок складності процесів виготовлення,
великої кількісті типів можливих дефектів, що не
піддаються формалізованому опису, недосконалості
методик контролю та дефектоскопічного обладнан-
ня та ін. Проблемою при контролі виробів з ком-
позиційних матеріалів є складність виготовлення
еталонних зразків об’єктів.
За таких умов достовірність діагностики компо-
зиційних матеріалів визначається не лише викорис-
таними фізичними методами отримання інформації
про технічний стан виробу, але і математичними
моделями, покладеними в основу методів діагнос-
тики, методиками обробки одержуваної інформації
з метою формування просторів параметрів і прий-
няття діагностичних рішень.
В сучасних приладах і системах НК компо-
зиційних матеріалів використані, в основному, де-
терміновані моделі і відповідні їм методи обробки
інформативних сигналів і прийняття діагностич-
них рішень, які не забезпечують необхідну зава-
достійкість, точність вимірювань і достовірність
діагностики. Однак отримані під час контролю
інформаційні сигнали несуть набагато більше
інформації про стан об’єкту контролю (ОК), ніж
використовується сучасними методами контролю
для прийняття рішення про наявність або
відсутність дефекту та його класифікації.
Одним з можливих напрямів підвищення ефек-
тивності систем НК виробів авіаційного призна-
чення з композиційних матеріалів є аналіз мно-
жини інформативних параметрів сигналів, тобто
проведення багатопараметрового контролю. Але
статистичні критерії, що використовуються на да-
ний час при багатопараметровому контролі, приз-
водять до формування надмірних і складних
вирішальних правил. Якщо для побудови кла-
сифікаційного правила використовуються гіпер-
площини, то у випадку багатомірних лінійно не-
подільних просторів розподілу діагностичних оз-
нак такі розділяючі гіперплощини будуються шля-
хом вирішення системи нелійних рівнянь, що є
занадто складним (з обчислювальної точки зору)
і знижує ефективність роботи інформаційно-
вимірювальної системи або в деяких випадках вза-
галі неможливим.
Альтернативним шляхом обробки експеримен-
тальних даних та побудови правил прийняття
рішень при багатопараметровому контролі ви-
робів з композиційних матеріалів є застосування
штучних нейронних мереж (НМ). Існує багато на-
укових праць, що описують та підтверджують
ефективність застосування нейронних мереж для
первинної обробки інформаційних сигналів в НК:
виділення сигналів на фоні завад або розділення
сигналів тощо [1–3]. Проте це не єдиний напрямок
їх можливого застосування в задачах НК: навчена
нейронна мережа не тільки вміє розпізнавати (кла-
сифікувати) отримані під час контролю сигнали
з датчиків, але і зберігає важливу інформацію про
закономірності та взаємозв’язок форми сигналу і
стану ОК. Це дозволяє нейронній мережі правиль-
но класифікувати нові сигнали та можливі дефек-
ти, що не були їй відомі раніше і не зустрічались
під час навчання, дозволяє динамічно розширю-
вати власну базу знань. Тому одним із напрямків
застосування нейронних мереж є їх використання
при багатопараметровому контролі для прийняття
рішення про придатность виробу або кла-
сифікацію його дефектів, інтерпретацію експери-
ментальних даних та формування вирішального
правила діагностики.
Нейронні мережі являють собою нелінійні сис-
теми, що дозволяють в багатьох випадках наба-
гато краще класифікувати дані, ніж математичні
© В. С. Єременко, А. В. Переїденко, О. В. Монченко, 2012
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012 35
та статистичні методи, що застосовуються на да-
ний час. Відмінна особливість нейронних мереж
полягає в тому, що вони не програмуються — не
використовують ніяких правил виводу для прий-
няття рішення діагностики, а навчаються робити
це на прикладах. Нейронні мережі дають мож-
ливість будувати складні розділяючі гіперплощи-
ни, проводити класифікацію лінійно нероздільних
об’єктів, а також вивчати нову інформацію та до-
повнювати власну базу знань про номенклатуру
можливих класів без втрати раніше вивченої
інформації.
Застосування нейронних мереж в задачах НК
виробів із композиційних матеріалів описано ду-
же мало, зокрема це роботи [3, 4], і тому задача
розробки нейромережевого класифікатора для
інформаційно-вимірювальної системи діагности-
ки виробів з композитів є актуальною.
Для вирішення задач НК (проведення кластер-
ного аналізу, визначення стану ОК, класифікація
його дефектів, прогнозування розвитку дефекту
під час експлуатації, розпізнавання образів де-
фектів тощо) було проведено дослідження таких
архітектур нейронних мереж, як нейронна мережа
Кохонена, багатошаровий персептрон (БШП), ме-
режа радіальнобазисних функцій, гібридна ней-
ронна мережа, мережі адаптивної резонансної те-
орії. Перелічені архітектури нейронних мереж
відрізняються за алгоритмами роботи та їх нав-
чання, що визначає коло задач, для яких вони ви-
користовуються.
В даній статті представлено та описано алго-
ритми роботи і навчання, переваги та недоліки,
а також задачі, які можуть бути вирішені кожною
із вказаних нейронних мереж.
Нейронна мережа Кохонена [5–7] призначена
для вирішення задач кластерного аналізу та
об’єднання множин діагностичних ознак у групи,
формування класів дефектів ОК, визначення його
стану тощо. Мережа складається з деякої кількості
M адаптивних лінійних суматорів, що діють па-
ралельно (лінійних формальних нейронів). Всі во-
ни мають однакову кількість входів N і отримують
на свої входи один і той же вектор вхідних сиг-
налів x = (x1, …, xN). Дані, що подаються на входи
нейронної мережі Кохонена представляються у
вигляді вектора діагностичних ознак в N-вимірно-
му евклідовому просторі, а також мають бути пра-
вильно промасштабовані для подальшої їх оброб-
ки. В процесі функціонування нейрони мережі Ко-
хонена визначають функцію відстані ρk(X,Wk) [6]
між вхідним вектором та власними центрами, де
X — вхідний вектор, Wk — вагові коефіцієнти ней-
рона k. На підставі отриманого значення функції
відстані мережею приймається рішення про при-
належність даного вхідного вектору до певної гру-
пи (кластеру). Результатом роботи нейронної ме-
режі Кохонена є побудова відображення набору
вхідних векторів високої розмірності на карту
кластерів меншої розмірності, причому таким чи-
ном, що близьким кластерам на карті відповіда-
ють близькі один до одного вхідні вектори в по-
чатковому просторі. Таким чином, в результаті
функціонування (самоорганізації) на виході ме-
режі Кохонена формуються кластери (група ак-
тивних нейронів певної розмірності), що харак-
теризують певні категорії вхідних векторів, що
відповідають однаковій вхідній ситуації (наприк-
лад, певному класу можливих дефектів об’єкту
контролю).
Навчання такої мережі відбувається за алгорит-
мом навчання без учителя одним із наступних пра-
вил конкуруючого навчання [7]: WTA (winner
takes all), CWTA (conscience WTA), WTM (winner
takes most) тощо. Алгоритм роботи та формування
класів дефектів ОК за допомогою мережі Кохо-
нена можна представити наступним чином:
1) ініціалізувати вагові коефіцієнти випадко-
вими значеннями. Задати величину швидкості ε
та часу навчання tmax;
2) подати значення вхідних сигналів X = (x1,
…, xp) на вхід мережі;
3) визначити відстань ρk від вхідного сигналу
Х до кожного нейрона k мережі;
4) знайти нейрон-переможець, тобто знайти
нейрон k, для якого відстань ρk є найменшою;
5) адаптувати вагові коефіцієнти нейрона-пе-
реможця;
6) обновити величину швидкості навчання ε(t),
якщо цього передбачає алгоритм навчання;
7) якщо (t < tmax), то перейти до пункту 2,
якщо інше — СТОП.
Оскільки для настройки параметрів нейронної
мережі Кохонена використовується алгоритм нав-
чання без учителя, то за рахунок цього мережу
можна використовувати для вирішення задач бе-
зеталонної діагностики, тому що вона не потребує
початкової інформації про ОК. Однак у випадку
складних лінійно-нероздільних просторів даних
достовірність формування класів нейронною ме-
режею Кохонена не перевищує показника
0,88…0,93 [6, 8].
Іншим поширеним класом нейронних мереж,
що може бути використана у НК, є багатошаровий
персептрон (БШП). Даний тип нейронної мережі
вирішує такі задачі, як визначення стану ОК, кла-
сифікація можливих дефектів, прогнозування роз-
витку дефекту з часом, розпізнавання образів де-
фектів, інтерполяція даних (визначення характеру
залежності між вхідними даними та станом ОК).
Багатошаровий персептрон являє собою мере-
жу з L шарами нейронів та Jl нейронами на кож-
ному шарі, l — номер шару (l ∈ l…L) та n входами
нейронів першого шару. Нейрони кожного шару
з’єднуються з нейронами попереднього і подаль-
36 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012
шого шарів за принципом «кожен з кожним». Ко-
жен шар виконує нелінійне перетворення від
лінійної комбінації вихідних сигналів попереднь-
ого шару. Таким чином, БШП формує на виході
довільну багатовимірну функцію при відповідно-
му виборі кількості шарів, діапазону зміни сиг-
налів і параметрів нейронів. За рахунок почерго-
вого розрахунку лінійних комбінацій і нелінійних
перетворень досягається апроксимація довільної
багатовимірної функції при відповідному виборі
параметрів мережі. Вихідні сигнали першого ша-
ру нейронів обмежують у попередньому набли-
женні ділянку розпізнавальних сигналів і потрап-
ляють на другий шар мережі. Нейрони другого
шару додають ще одну площину, що розділяє
інформаційний простір. Нормаль даної площини
є лінійною комбінацією нормалей першого шару
нейронів. Таким чином, кожен нейрон другого ша-
ру виділяє фрагмент інформаційного простору.
Далі сигнали потрапляють на третій шар, де ви-
конується ще більш детальне розділення простору
діагностичних ознак. За такою схемою послідовно
виконується фрагментація інформаційного прос-
тору. Вихідний нейрон здійснює об’єднання
виділених на попередніх етапах фрагментів прос-
тору. Нейронна мережа в результаті утворює мно-
жину площин, що розділяє інформаційний простір
і здатна виокремлювати ділянки простору зі
складною конфігурацією, що залежить від взаєм-
ного розташування розділяючих площин та від
послідовності накладення обмежень. Представле-
на мережа виконує нелінійне розділення та кла-
сифікацію об’єктів за набором діагностичних оз-
нак, що дуже часто мають великі розмірності. Кла-
сифікатор на основі БШП є універсальним засо-
бом апроксимації функцій, що дозволяє викорис-
товувати її для вирішення задач класифікації
різного ступеня складності.
На відміну від мережі Кохонена, БШП нав-
чається з учителем, тобто їй потрібна навчальна
вибірка, що містить набір можливих вхідних сиг-
налів (векторів даних) та відповідних їм вихідних
сигналів мережі. Через це її не можна застосовувати
для безеталонної діагностики ОК. Але БШП має по-
казники достовірності класифікації [9], що значно
перевищують показники мережі Кохонена, дозволяє
класифікувати об’єкти навіть у випадку лінійно-не-
роздільних класів, а також дозволяє працювати з
векторами діагностичних ознак великої розмірності
і класифікувати сигнали на фоні завад.
Для навчання БШП використовуються
градієнтні [7] методи, що враховують помилку
нейронів кожного шару та виконують корекцію
вагових коефіцієнтів нейронів в залежності від
їхньої помилки. В процесі навчання мережа
змінює свої параметри і вчиться давати потрібне
відображення множини вхідних векторів X у мно-
жину потрібних значень виходів мережі Y. За ра-
хунок здібності до узагальнення мережею можуть
бути отримані правильні результати, якщо подати
на вхід вектор, який не зустрічався при навчанні.
При вирішенні більшості задач для навчання БШП
використовується метод зворотнього розповсюд-
ження помилки (back propagation error) [7], згідно
з яким наступний крок направлений в сторону ан-
тиградієнта функції помилки. Відповідно до цього
методу функція помилки Е представляється у виг-
ляді складної функції і послідовно розраховують-
ся частинні похідні за формулою для складної
функції.
Недоліком БШП є той факт, що він не може
динамічно розширювати власну базу знань і адап-
туватися до появи об’єктів, які відносяться до
невідомих раніше класів. Таким чином, при появі
сигналу, що характеризує невідомий мережі клас,
даний сигнал буде віднесено не до нового класу,
а до одного з наявних класів у пам’яті мережі
(які були сформовані при її навчанні), тобто ви-
никає помилка класифікації.
Проведені дослідження [6,8,9] показали, що ок-
ремо нейронні мережі Кохонена та БШП не мо-
жуть бути використані при діагностиці виробів з
композиційних матеріалів, оскільки для БШП
обов’язково необхідна початкова навчальна ви-
бірка (апріорна інформація про ОК та можливу
номенклатуру його дефектів, що є досить складним
у випадку композиційних матеріалів), а мережа Ко-
хонена не здатна виконати достовірну класифікацію
дефектів у випадку існування лінійно-нероздільних
просторів діагностичних ознак.
Саме в таких випадках може використовува-
тись спеціально побудована гібридна нейронна
мережа, що складається з шару Кохонена та
БШП або радіально-базисної мережі . Подібна
архітектура гібридної нейронної мережі дозво-
ляє визначати та класифікувати дефекти виробів
з композиційних матеріалів з високою дос-
товірністю, будувати нелінійні розділяючі гіпер-
площини, проводити кластерний аналіз та нав-
чатися без учителя [8].
Алгоритм роботи (рис. 1) такої мережі полягає
в наступному. Шар нейронів Кохонена групує
близькі вхідні сигнали Х, а необхідна функція
відображення множини вхідних векторів X у мно-
жину потрібних значень виходів мережі Y = F(X)
будується на основі звичайної нейронної мережі
прямого розповсюдження (БШП або радіально-ба-
зисної мережі), що приєднана до виходів нейронів
Кохонена. Нейрони шару Кохонена навчаються
без учителя, на основі самоорганізації, а нейрони
шарів, що використовуються для розпізнавання та
класифікації, навчаються з учителем ітераційними
методами. Навчальна вибірка для мережі прямого
розповсюдження формується шаром Кохонена.
Таким чином, у складі розробленої гібридної
нейронної мережі обидві її складові (шар Кохо-
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012 37
нена та БШП) функціонують як дві незалежні ней-
ронні мережі. Мережа Кохонена використо-
вується для вирішення задачі кластерного аналізу
(попереднього розбиття множини об’єктів на кла-
си) та формування навчальної вибірки для подаль-
шого навчання БШП або інших мереж прямого
розповсюдження і надає інформацію для виявлен-
ня нового об’єкту. БШП, що входить до складу
розробленої гібридної нейронної мережі, нав-
чається на основі створеної мережею Кохонена
навчальної вибірки, використовується для
вирішення задачі класифікації, дозволяє будувати
складні нелінійні розділяючі гіперплощини і фор-
мує відповідь мережі щодо результату кла-
сифікації. На рис. 2 показано розподіл діагнос-
тичних ознак від дефектних і бездефектної діля-
нок досліджуваного зразка стільникової панелі із
стільниковим заповнювачем типа ІСП-1 і обшив-
кою на основі склотканини Т42/1-76 [10], де 1 —
виділена область діагностичних ознак, що харак-
терні для конкретного класу; 2 — область діаг-
ностичних ознак, що не відносяться для даного
класу (характерні для інших класів). Із рисунка
видно, що розроблена гібридна нейронна мережа
здатна апроксимувати функцію розподілу діагнос-
тичних ознак, які характерні для кожного класу,
може проводити нелінійну класифікацію і виділя-
ти області зі складною структурою (нелінійними
границями).
Така гібридна мережа має всі переваги її скла-
дових (мережі Кохонена та БШП), а саме мож-
ливість виконувати кластерний аналіз даних, ви-
соку достовірність контролю, здатність будувати
складні нелінійні розділяючі гіперплощини, а та-
кож визначати нові об’єкти та розширювати влас-
ну базу знань (базу запам’ятованих класів). Однак
для даної мережі характерні певні недоліки: не-
обхідно більше часу для навчання, а також до-
датковий час на перенавчання (відбувається у ви-
падку формування нового класу під час контро-
лю), у випадку появи нового об’єкту (класу) відбу-
вається повне її перенавчання, тобто втрата
раніше вивченої інформації. Також для роботи да-
ної нейронної мережі необхідним є первинний
відбір діагностичних ознак (амплітуда імпульсу,
його тривалість, частота, фаза, спектральна
щільність тощо), за якими відбувається контроль
та формування діагностичного рішення.
В процесі вирішення задачі діагностики ви-
робів з композиційних матеріалів виникає дилема:
яким чином зробити так, щоб пам’ять нейронної
мережі залишалась пластичною, здатною до
сприйняття нових даних, і в той же час зберігала
стабільність, яка гарантує, що інформація про вже
відомі класи не знищиться і не зруйнується в про-
цесі функціонування.
Дану задачу можна вирішити із застосуванням
нейронних мереж адаптивної резонансної теорії
(АРТ). Мережі й алгоритми АРТ [11, 12] зберіга-
ють пластичність, необхідну для вивчення нових
класів об’єктів, у той же час запобігаючи зміні
раніше запам’ятованих класів. Також мережі АРТ
дозволяють виконувати аналіз форми отриманих
інформаційних сигналів, тобто без попередньої
обробки вхідних даних та формування набору
діагностичних ознак, що значно розширює об-
ласть їх застосування. АРТ-мережі можуть вико-
ристовуватись для вирішення таких задач НК, як
кластерний аналіз, класифікація дефектів ОК,
розпізнавання образів тощо.
Теорія мереж АРТ включає декілька парадигм,
кожна з яких визначається формою вхідних даних
і способом їхньої обробки. АРТ-1 розроблена для
обробки бінарних вхідних векторів, а мережі АРТ-
2 і Fuzzy-ART можуть класифікувати як бінарні,
так і неперервні вектори даних.
Мережі APT являють собою векторний кла-
сифікатор. Вхідний вектор класифікується в за-
Рис. 1. Алгоритм роботи гібридної нейронної мережі
38 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012
лежності від того, на який із раніше запам’ято-
ваних мережею еталонних образів він схожий.
Рішення щодо класифікації вхідного вектору ме-
режа APT виражає у формі збудження одного з
нейронів шару розпізнавання. Якщо вхідний век-
тор не відповідає жодному із запам’ятованих об-
разів, створюється нова категорія (виділяється но-
вий нейрон та запам’ятовується новий вектор), яка
відповідає вхідному вектору. Якщо визначено, що
вхідний вектор схожий на один з раніше за-
пам’ятованих векторів за визначеним критерієм
подібності, еталонний вектор в пам’яті нейронної
мережі буде змінюватися (навчатися) під впливом
нового вхідного вектора таким чином, щоб стати
більш схожим на даний вхідний вектор.
Запам’ятований еталонний образ не буде
змінюватись, якщо поточний вхідний вектор не
виявиться схожим на нього. У такий спосіб
вирішується дилема стабільності-пластичності.
Новий образ може створювати додаткові кла-
сифікаційні категорії, однак новий вхідний образ
не може змусити змінитися або затерти існуючу
пам’ять. Алгоритм, за яким працюють розроблені
АРТ-мережі зображено на рис. 3.
Нейронні мережі АРТ-2 і Fuzzy-ART мають
такі переваги над описаними раніше гібридною
нейронною мережею, БШП та мережею Кохонена:
можливість працювати з інформаційними сигна-
лами без попередньої обробки (відбір та форму-
вання простору діагностичних ознак), в якості
інформаційного параметру може використовува-
тись форма сигналу, стабільність запам’ятованої
інформації та можливість динамічно розширюва-
ти власну базу знань, висока роздільна здатність
при класифікації даних, добра завадозахищеність,
інваріантність відносно порядку пред’явлення
вхідних векторів, існує можливість змінювати
швидкість навчання мережі, при повторному
пред’явленні навчальної вибірки нейронна мере-
жа здатна сама виправити помилки, які були до-
пущені на попередньому етапі роботи, можливість
працювати з аналоговими сигналами. Також існує
можливість навчати АРТ-мережу в процесі кон-
тролю, отже відпадає необхідність у формуванні
великої кількості еталонних зразків для первин-
ного налаштування мережі, що дозволяє викорис-
товувати її для вирішення широкого кола задач.
Характерними відмінностями нейронної ме-
режі Fuzzy-ART від АРТ-2 є наявність в ній лише
однієї матриці вагових коефіцієнтів замість двох
як у АРТ-2 та використання нечітких логічних
операцій. Таким чином, реалізація нейронної ме-
режі Fuzzy-ART на персональному комп’ютері
займає менше пам’яті ніж АРТ-2, але АРТ-2 має
кращі показники достовірності розпізнавання
вхідних векторів даних.
Для проведення НК виробів авіаційного приз-
начення з композиційних матеріалів із застосуван-
Рис. 2. Розподіл діагностичних ознак, характерних для бездефектної ділянки (а) і ділянок з різними пошкодженнями (б, в)
Рис. 3. Алгоритм роботи АРТ-мережі
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012 39
ням розроблених гібридної нейронної мережі та
мереж АРТ-2 і Fuzzy-ART було розроблено
спеціальне програмне забезпечення (рис. 4), що
дозволяє візуалізувати вхідний та еталонний сиг-
нали, відображає множину сформованих класів та
відповідь мережі щодо результату контролю.
Вибір необхідної архітектури мережі відбувається
за допомогою перемикача, на якому потрібно виб-
рати відповідну архітектуру НМ (гібридна НМ,
АРТ-2 або Fuzzy-ART).
Порівняльний аналіз описаних архітектур ней-
ронних мереж проводився на основі досліджень
[6, 8, 9, 11, 12] із використанням експерименталь-
них даних, отриманих при проведенні контролю
зразків стільникових панелей методом низькош-
видкісного удару [10]. Необхідно зазначити, що
розроблене програмне забезпечення для роботи з
нейронними мережами дозволяє працювати і з
іншими методами діагностики: імпедансним (в
якості інформаційних ознак використовуються
амплітуда сигналу, частота, фаза), вихрострумо-
вим (амплітуда, фаза), ультразвуковим (форма
обвідної луна-сигналу) тощо. Дослідний зразок
композитної панелі із стільниковим заповнювачем
типа ІСП-1 і обшивкою на основі склотканини
Т42/1-76 мав п’ять характерних ділянок — без-
дефектну і чотири ділянки з різним ступенем пош-
кодженості. Моделями дефектів служили ділянки,
по яким попередньо за допомогою сталевої кульки
було завдано точкового удару з нормованою
енергією Ауд, рівною 2,3 кДж (дефект 1), 2,8 кДж
(дефект 2), 3,2 кДж (дефект 3) та 5,1 кДж (дефект
4), який спричиняв руйнацію поверхні зразка в
області контакту.
Для кожного з чотирьох отриманих зразків з
дефектами та бездефектного зразка було отримано
по 100 реалізацій імпульсів ударної взаємодії. В
якості діагностичних ознак використовувались
такі параметри як амплітуда, тривалість імпульсу,
а також форма інформаційного сигналу. Зміна вка-
заних параметрів дає можливість визначати на-
явність дефекту стільникової панелі і класифіку-
вати його тип за ступінню пошкодженості.
В процесі контролю на вхід мережі в випад-
ковому порядку подавався один з отриманих сиг-
налів. Після цього він видалявся з вибірки і на
вхід мережі подавався новий сигнал з вибірки. Да-
на процедура повторювалася до тих пір, поки всі
сигнали з вибірки не були пред’явлені нейронній
мережі. Сформувавши базу класів, для досліджен-
ня достовірності формування класів та результатів
НК мережі було пред’явлено по 100 нових сиг-
налів, характерних для кожної ділянки досліджу-
ваних зразків. Після пред’явлення всієї контроль-
ної вибірки сигналів було проаналізовано отри-
мані результати роботи для кожної архітектури
нейронної мережі (таблиця).
Порівняльний аналіз розроблених нейронних мереж
Показник
Тип нейронної мережі
Мережа Кохонена БШП Гібридна мережа АРТ-2 Fuzzy-ART
Необхідність навчальної вибірки Ні Так Ні Ні Ні
Швидкість навчання, с 5,3 0,2 5,7 1,5 2,1
Достовірність контролю 0,88…0,93 0,98…0,99 0,96…0,98 0,98…0,99 0,97…0,99
Можливість визначити нові
(аномальні) об’єкти Ні Ні Так Так Так
Час класифікації вибірки, мс 1740 2210 2210 1530 2103
Обсяг пам’яті для зберігання мережі, кБ 64 81 219 203 115
Рис. 4. Інтерфейс програмного забезпечення для роботи з нейронними мережами АРТ
40 ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012
З таблиці видно, що нейронна мережа АРТ-2
має найкращі показники, може автоматично роз-
ширювати власну базу знань про можливі дефекти
досліджуваних об’єктів, а також характеризується
найбільшою достовірністю контролю — 99 %. Да-
ний тип нейронної мережі рекомендується засто-
совувати у спеціальних системах НК композитів.
Висновок
Розглянуто найбільш відомі архітектури та типи
нейронних мереж, а саме такі нейронні мережі,
як БШП, мережа Кохонена, гібридна нейронна ме-
режа та мережі сімейства АРТ, та їх можливість
застосування в системах НК. Описано їх струк-
туру, алгоритми роботи та навчання.
Зазначимо, що нейронні мережі мають такі
особливі властивості, як самоорганізація, здат-
ність до навчання в процесі роботи, узагальнення,
імітування процесів та явищ, в тому числі і
нелінійних, формування складних залежностей в
просторі діагностичних ознак і в просторі класів,
ефективність роботи з ознаками великої роз-
мірності, що обумовлюють доцільність їх вико-
ристання для вирішення задач діагностики та НК
виробів, зокрема композиційних матеріалів.
Для вибору оптимальної архітектури нейрон-
ної мережі, яку можна рекомендувати для вико-
ристання у складі класифікатора системи НК ви-
робів з композиційних матеріалів, проведено
практичний аналіз результатів застосування пе-
релічених нейронних мереж. В результаті визна-
чено, що у випадку появи невідомого раніше но-
вого об’єкту гібридній нейронній мережі потрібен
додатковий час для формування нового класу і
фактично відбувається повне її перенавчання. Зас-
тосування класифікатора на основі БШП не мож-
ливе при вирішенні задач безеталонної діагнос-
тики композиційних матеріалів, оскільки номен-
клатура можливих дефектів виробів з композитів
невідома. Для БШП необхідна початкова навчаль-
на вибірка, до того ж БШП не може динамічно
розширювати власну базу знань і адаптуватися до
появи об’єктів, які відносяться до невідомих
раніше класів. Експериментально визначена дос-
товірність роботи класифікатора на основі ней-
ронної мережі Кохонена при вирішенні задач бе-
зеталонного контролю виробів із композиційних
матеріалів не перевищує показника 93 %. Вихо-
дячи з результатів аналізу рекомендовано засто-
совувати в якості ядра класифікатора нейронні ме-
режі АРТ-2 та Fuzzy-ART, оскільки дані мережі
дозволяють усунути описані недоліки та забезпе-
чують високий показник достовірності контролю
(0,98…0,99) по відношенню до таких мереж, як
нейронна мережа Кохонена, БШП та гібридна
нейронна мережа на основі мережі, Кохонена та
БШП.
Розроблено спеціальне програмне забезпечен-
ня системи НК виробів з композиційних ма-
теріалів з використанням розглянутих нейронних
мереж, що може використовуватись з такими ме-
тодами діагностики, як метод низькошвидкісного
удару, імпедансний метод, ультразвуковий,
вільних коливань, вихрострумовий тощо.
Приведены результаты использования ней-
ронных сетей для решения задач неразрушающего
контроля изделий из композитных материалов.
Описаны структура, алгоритмы обучения и
работы нейронной сети Кохонена, многослойного
персептрону, гибридной нейронной сети, а также
сетей адаптивной резонансной теории.
1. Бархатов В. А. Обнаружение сигналов и их классифика-
ция с помощью распознавания образов // Дефектоско-
пия. — 2006. — № 4. — С. 14–27.
2. Бархатов В. А. Распознавание дефектов с помощью ис-
кусственной нейронной сети специального типа // Там
же. — 2006. — № 2. — С. 28–39.
3. Найденко А. Г. Визначення надійності різців з алмазних
композиційних НТМ шляхом реєстрації та аналізу акус-
тичної емісії: Автореф. дис. … канд. техн. наук. — Київ,
2009. — 20 с.
4. Зажицький О. В. Розпізнавання нейронними мережами
стану лопаток авіаційних двигунів у процесі віброакус-
тичного моніторингу: Автореф. дис. … канд. техн. наук.
— Київ., 2008. — 20 с.
5. Kohonen T. Self Organization and Associative Memory. —
New York : Springer—Verlag, 1989. — 147 р.
6. Переїденко А. В., Єременко В. С. Дослідження алго-
ритмів проведення кластерного аналізу для вирішення
задач неруйнівного контролю // Вост.-Европ. журн. пе-
редовых технологий. — 2010. — № 1/5(43). — С. 40–43.
7. Хайкин С. Нейронные сети: 2-е изд. / Пер. с англ. — М.:
Изд. дом «Вильямс», 2006. — 1104 с.
8. Переїденко А. В., Єременко В. С., Роганьков В. О. Нейро-
мережева система діагностики виробів авіаційного приз-
начення // Вісн. Нац. авіац. ун-ту. — 2011. — № 2(47). —
С. 88–95.
9. Переїденко А. В., Єременко В. С., Павленко Ж. О. Систе-
ма класифікації дефектів на основі штучних нейронних
мереж // Вісн. НТУУ «Київ. політехн. ін-т». — 2010. —
№ 40. — С. 72–80.
10. Еременко В. С., Мокийчук В. М., Овсянкин А. М. Обнару-
жение ударных повреждений сотовых панелей методом
низкоскоростного удара // Техн. диагностика и нераз-
руш. контроль. — 2007. — № 1. — С. 24–27.
11. Carpenter G. A., Grossberg S. ART 2: Stable self—organi-
zation of pattern recognition codes for analog input patterns /
// Applied Optics. — 1987. — № 26. — P. 4919–4930.
12. Carpenter G. A., Grossberg S., Rosen D. B. Fuzzy ART:
Fast stable learning and categorization of analog patterns by
an adaptive resonance system // Neural Networks. — 1991.
— № 4. — P. 759–771.
Надійшла до редакції
22.10.2011
ТЕХНИЧЕСКАЯ ДИАГНОСТИКА И НЕРАЗРУШАЮЩИЙ КОНТРОЛЬ, №1,2012 41
|