Главная » Наука » Научные направления

Нейросетевые технологии искусственного интеллекта

Доц., к.т.н. Гиниятуллин Вахит Мансурович

Нейросетевые технологии искусственного интеллекта находят растущее применение при разработке интеллектуальных датчиков, анализаторов данных и систем обработки информации (СОИ) в нефтегазовой и других стратегически важных отраслях промышленности. Они позволяют создавать нейросетевые модели объектов автоматизации и прикладные нейросистемы, благодаря которым существенно облегчается контроль технического состоя-ния этих объектов, их структурная и параметрическая идентификация, осуществляемая с использованием алгоритмов обучения нейронных сетей. 

Эффективность промышленных СОИ, создаваемых на базе нейронных сетей (нейросетевых СОИ и их нейронных структур), определяется: 

– степенью адекватности нейросетевых моделей объектам автоматизации, которая во многом зависит от правильного выбора структурно-функциональной организации (спецификации) используемых нейронных сетей; 
– качеством предварительной обработки информации, реализуемой нейронными сетями интеллектуальных датчиков и анализаторов данных; 
– наличием у анализаторов нейросетевых СОИ функций, необходимых для интеллектуального анализа данных реального времени (data mining); 
– возможностью эволюции (реинжиниринга) нейронных сетей при изменении структуры объектов автоматизации и появлении новых функций; 
– наличием инструментария для интеграции отдельных нейронных сетей СОИ в сообщество, имеющее единую целевую функцию, на основе которой координируются процессы обучения нейронных сетей для достижения требуемого качества контроля и диагностики состояния объектов. 

Общетеоретическим вопросам решения задач обработки информации с использованием нейронных сетей посвящены классические работы, выполненные в середине истекшего столетия Н. Винером, Э. Каянелло, С. Виноградом и Дж. Коуэном, У. Мак-Каллоком и У. Питтсом, М. Минским и С. Пайпертом, Ф. Розенблаттом, У. Эшби и др. В их работах структура нейронных сетей представляется в виде орграфа с прямыми и обратными связями между его вершинами (нейронами), обучаемыми или необучаемыми. Отдельный нейрон рассматривается как функциональный преобразователь, выполняющий линейные операции взвешенного суммирования входных сигналов и нелинейные операции формирования сигнала на выходе. Динамика нейронной сети описывается нелинейными конечно-разностными, дифференциальными или интегральными уравнениями. Однако узким местом этих работ является недостаточная проработка алгоритмов обучения нейронных сетей, что не позволяло широко использовать эти алгоритмы для идентификации параметров нейросетевых моделей объектов автоматизации. 

Алгоритмы обучения простых нейронных сетей разной структуры были исследованы в 80 – 90-х годах, что открыло новые возможности для создания СОИ, реализующих обработку информации в нейросетевом базисе. Для описания алгоритмов обучения нейронных сетей и идентификации параметров моделей объектов автоматизации введены представления о целевых функциях разных классов сетей (энергетической функции, функции полной ошибки и т.п.). В основу теории нейронных сетей, пригодных для создания нейросетевых СОИ, легла теорема А.Н.Колмогорова о представлении функций многих переменных с помощью функций, близких к линейным (композиций функций одного переменного и сложения). Большой вклад в разработку теории внесли отечественные ученые А.И. Галушкин, А.Н. Горбань, В.Л. Дунин-Барковский, А.Г. Ивахненко, А.Б. Коган, Н.В. Позин, Я.З. Цыпкин и др. 

Однако, несмотря на успехи в развитии теории нейронных сетей, принципиально не решенными являются вопросы выбора структуры нейронных сетей и вопросы автоматизации трудоемких процессов их обучения в составе СОИ. Открытым остается также вопрос о возможности обобщения свойств разных классов сетей и осуществления их согласованного обучения. 
В последние годы в практике создания и развития промышленных СОИ сложилось два направления наращивания и совершенствования их интеллектуальных функций и превращения их в интеллектуальные системы. Первое основано на частичной модернизации существующих систем путем включения в их состав интеллектуальных датчиков и анализаторов данных (Н. Н. Бахтадзе, В. И. Васильев, В. И. Городецкий, В. А. Лотоцкий, Б. Г. Ильясов, Я. С. Коровин и др.). Второе направление (в большей мере развиваемое за рубежом) исходит из необходимости придания системе еще на этапе ее проектирования (или реинжиниринга) развитых возможностей по обеспечению программной реализации и эволюции ее интеллектуальных функций, обеспечивающих обработку данных реального времени. Для реализации этих функций используются инструментальные средства, имеющиеся в составе легко масштабируемых программно-информационных платформ (NeurOn-Line в G2, Sigmafine в PI System и пр.) 

Общий недостаток этих направлений состоит в том, что акцент в них делается на традиционные информационные технологии, в которых средства искусственного интеллекта используются в усеченном виде и от случая к случаю. Как следствие, промышленные СОИ обладают «лоскутным» интел-лектом, что тормозит создание в стратегически важных отраслях, таких как нефтегазовая, промышленных систем, обеспечивающих: 

1) интеллектуальный анализ накапливаемых данных реального времени и извлечение знаний о связях между параметрами материально-энергетических потоков и параметрами состояния объектов автоматизации в составе производственных инженерных сетей; 

2) идентификацию структуры этих связей и их характеристик на основе неполных и противоречивых данных о функционировании объектов; 

3) оценку показателей доверия/недоверия к моделям технологических объектов и моделям средств измерения для управления процессами иденти-фикации их параметров при возникновении систематических погрешностей и грубых ошибок в процессе обработки данных реального времени. 

В сложившихся направлениях: 

отсутствует концепция структурно-функциональной организации нейросетевых и комбинированных технологий искусственного интеллекта в СОИ (концепция интеллектуального нейрокомпьютинга); 
не определены пути поэтапного развертывания промышленных СОИ, обеспечивающих повышение степени адекватности нейросетевых моделей объектам автоматизации, находящимся в их среде; 
не решена в целом научная проблема системной интеграции интеллекту-альных функций развитых промышленных СОИ, в основе конструкции ко-торых лежат нейронные сети. 

Основные направления работы 

1. Анализ интеллектуальных функций промышленных СОИ и обоснова-ние необходимости использования нейронных сетей для контроля, диагно-стики и управления состоянием инженерных сетей нефтегазодобычи. 

2. Разработка концепции структурно-функциональной организации нейронных структур, позволяющей свободно наращивать их функциональные возможности с целью удовлетворения постоянно растущих требований к уровню автоматизации производственных процессов. 

3. Разработка нейросетевых моделей и методов системной интеграции нейронных сетей в составе промышленных СОИ. 

4. Исследование процессов обработки информации в нейронных структурах и разработка инструментария для контроля процессов их адаптации к изменениям внешних условий их работы в реальном времени. 

5. Исследование эффективности предложенных нейросетевых моделей и основанных на них методов обработки информации в составе корпоративных информационных систем ведущих предприятий ТЭК.