ДОНЕЦЬКИЙ НАЦІОНАЛЬНИЙ УНІВЕРСИТЕТ

Асланов Олексій Євгенович

УДК 004.942+534-7

ІНТЕРПРЕТАЦІЯ АКУСТИЧНИХ ДАНИХ У ЗАДАЧАХ

МОНІТОРИНГУ ВИРОБНИЧИХ ШУМІВ

05.13.06 – автоматизовані системи управління

та прогресивні інформаційні технології

Автореферат дисертації на здобуття наукового ступеня

кандидата технічних наук

Донецьк – 2005

Дисертацією є рукопис.

Робота виконана в Донецькому національному університеті Міністерства освіти і науки України.

Науковий керівник: доктор технічних наук, професор

Каргін Анатолій Олексійович,

завідувач кафедри комп'ютерних технологій

Донецького національного університету,

м. Донецьк.

Офіційні опоненти: доктор технічних наук, професор

Войлов Юрій Григорович,

директор Науково-дослідного і проектно-конструкторського інституту “Іскра”

Міністерства освіти і науки України

м. Луганськ.

доктор технічних наук, професор

Слєпцов Анатолій Ілліч,

професор кафедри інформаційних систем

управління Донецького національного

університету, м. Донецьк.

Провідна установа: кафедра автоматизації проектування

обчислювальної техніки, Харківський

національний університет радіоелектроніки

Міністерства освіти і науки України,

м. Харків.

Захист відбудеться “ 10 ” червня 2005 р. о 13.00 годині на засіданні спеціалізованої вченої ради К 11.051.08 у Донецькому національному університеті за адресою: 83055, м. Донецьк, пр. Театральний, 13, корп. 4, ауд. 416.

З дисертацією можна ознайомитися в бібліотеці Донецького національного університету за адресою: 83055, м. Донецьк, вул. Університетська, 24, головний корпус.

Автореферат розісланий “ 10 ” травня 2005 р.

Вчений секретар спеціалізованої

вченої ради К 11.051.08

кандидат технічних наук, доцент _______________ Шевцов Д.В.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Забезпечення якості продукції на підприємствах при високих показниках ефективності виробництва залишається актуальною проблемою на сучасному етапі. Для її вирішення в системах управління підприємствами ставиться і розв’язується ряд задач, серед яких:

1) вибір оптимальних режимів роботи основних підсистем;

2) забезпечення стабільності обраних режимів протягом усього періоду роботи;

3) ідентифікація ситуацій, що призводять до аварій, пожеж, вибухів, а також до зниження якості продукції.

Розв’язання третьої задачі (ідентифікації) вимагає моніторингу виробничих ситуацій.

Відомі виробництва, у яких ідентифікація ситуацій як і раніше здійснюється людиною на основі особистого досвіду і власних відчуттів: слуху, зору, смаку, нюху і дотику.

Так, інтерпретація звукової інформації широко використовується:–

у борошномельній промисловості для запобігання аварійним ситуаціям у відділеннях для розмелювання обхідники періодично прослухують звуки, що видають вальцювальні верстати;–

на теплоелектростанціях (ТЕС) машиністи котлів і турбін прослухують звуки котлів, турбін і допоміжних агрегатів, про що потім записують свої висновки в спеціальний журнал під час здачі зміни;–

на вугільних млинах ТЕС обхідники за характерними звуками роблять висновки про наповненість млинів і про ступінь зносу металевих куль;–

на шахтах існують спеціальні експерти, що прослухують шуми у виробітках з метою запобігання вибухам і обвалам;–

на автомобільних станціях технічного обслуговування (СТО) експерти за характерним звуком роботи двигуна роблять висновок про його працездатність.

Автоматизація моніторингу як підсистеми автоматизованої системи контролю (АСК) на вказаних виробництвах пов’язана з такими труднощами:–

ланка АСК, що відповідає за інтерпретацію даних, важко піддається автоматизації, тому до сьогоднішнього дня функції знімання і наступної переробки інформації на багатьох виробництвах виконує людина, що пов'язано з певними недоліками;–

інтерпретацію виробничих ситуацій може виконувати тільки висококваліфікований персонал (експерти), підготовка якого вимагає тривалого періоду часу, а персонал з малим досвідом роботи не здатний комплексно охопити всю ситуацію, виділити необхідні фрагменти і на їхній основі дати якісну інтерпретацію ситуації;–

постійна присутність людини на робочих місцях регламентована згідно з санітарно-гігієнічними вимогами через шкідливість виробництва, високий рівень шумів, запиленості, статичної електрики та ін.

Удосконалювання системи контролю і моніторингу може відбуватися двома шляхами. Перший – це усунення людини з контура моніторингу виробничих ситуацій (розробка нової технології). Другий – автоматизація функції моніторингу виробничих ситуацій за рахунок нових інформаційних технологій, наприклад, інтерпретації даних.

Перший шлях більш тривалий і витратний, який потребує проектування і виробництва принципово нового обладнання, систем автоматизації тощо. Другий шлях менш витратний.

Таким чином, удосконалювання АСК, що входять до складу автоматизованих систем управління (АСУ) підприємств, шляхом розробки нових методів та інформаційних технологій інтерпретації звукових даних є актуальною задачею.

Зв'язок роботи з науковими програмами, планами, темами.

Дисертаційна робота виконана за період з 1998 по 2004 роки відповідно до наукової тематики кафедри комп'ютерних технологій Донецького національного університету в рамках держбюджетних тем: рег.№ 0101U005380 “Технології ситуаційних нечітких динамічних процесів для створення систем штучного інтелекту” і рег.№ 0104U002161 “Інтелектуальні машини, основані на інтегрованих знаннях”.

Мета і задачі дослідження. Метою дисертаційної роботи є розширення можливостей АСК шляхом додавання в неї модуля моніторингу й інтерпретації виробничих шумів для запобігання аварійним ситуаціям, що дозволяє підвищити ефективність і оперативність запобігання аварійним ситуаціям на виробництві.

Досягнення сформульованої мети здійснюється шляхом розв’язання таких задач:–

дослідити сучасний стан проблеми інтерпретації аудіальних даних;–

розробити модель репрезентації аудіальних даних у вигляді нечітких прототипів;–

розробити методику порівняння нечіткого прототипу тимчасового фрагмента сигналу з прототипами бази знань;–

розробити автоматизовану систему інтерпретації виробничих шумів;–

розробити програмну реалізацію моделі репрезентації й інтерпретації аудіальних даних і апробувати її на реальних виробничих шумах.

Об'єкт дослідження – виробничі шуми.

Предмет дослідження – моделі репрезентації й обробки знань у задачах інтерпретації аудіальних даних.

Методи дослідження. У роботі використані наступні методи: математичної лінгвістики (під час розробки моделі репрезентації сигналів), дискретного перетворення Фур'є (під час розрахунку динамічних спектральних характеристик), експертних оцінок (під час розрахунку припустимих обмежень), теорії нечітких множин (під час формуванні нечітких прототипів), ситуаційного висновку (для інтерпретації аудіальних даних), програмування й оптимізації (під час розробки програмного продукту).

Наукова новизна отриманих результатів:

1) вперше запропонована і формалізована модель репрезентації звукових сигналів у вигляді нечітких прототипів, що відбиває дані когнітивної психології, зокрема сприйняття звуку людиною;

2) запропонована і формалізована нова модель інтерпретації виробничих шумів на основі нечітких прототипів;

3) запропонована модель зведення задачі інтерпретації аудіальних сигналів до задачі інтерпретації динамічних процесів.

Практичне значення отриманих результатів:

1) запропонована модель дозволила розширити функції АСК за рахунок автоматизації процедури інтерпретації з метою ідентифікації виробничих ситуацій;

2) нечіткі прототипи займають набагато менший об’єм пам'яті практично без втрати свого інформаційного наповнення на відміну від вихідних даних, і тому з'являється можливість організації баз даних для реальних виробництв;

3) запропонована методика інтерпретації є максимально наближеною до відчуттів експерта, легко піддається алгоритмізації і тому може бути просто і швидко підготовлена для програмно-апаратної реалізації, замінивши тим самим експерта на виробництві;

4) запропонована модель репрезентації й інтерпретації аудіальних даних може бути інтегрована в традиційні автоматизовані системи контролю і моніторингу реального часу;

5) результати дисертації впроваджені на ВАТ “Донецький комбінат хлібопродуктів №2”, що дозволило знизити на 17% ризик виникнення пожежо- і вибухонебезпечних ситуацій.

Особистий внесок здобувача. Всі основні ідеї, положення, теоретичні і практичні розробки, інші результати дисертаційної роботи, що виносяться на захист, отримані автором самостійно.

Апробація результатів роботи. Результати дисертаційної роботи були повідомлені, обговорені і схвалені на таких семінарах і конференціях:–

міжнародна наукова студентська конференція “Студент і науково-технічний прогрес”, 1999 р., Новосибірськ;–

четвертий міжнародний симпозіум “Інтелектуальні системи, 28 червня – 1 липня 2000 р., Москва;–

перша міжнародна науково-практична конференція “Обчислювальна техніка в інформаційних і керуючих системах”, 30 жовтня – 3 листопада 2000 р., Маріуполь;–

наукова конференція Донецького національного університету за підсумками науково-дослідних робіт за період 1999 – 2000 р., 18–20 квітня 2001 р., Донецьк;–

друга, третя, четверта і п’ята міжнародна науково-практична конференція “Сучасні інформаційні й електронні технології”, 28–31 травня 2001 р., 21–24 травня 2002 р., 19–23 травня 2003 р. і 17–21 травня 2004 р., Одеса;–

наукова конференція “Комп'ютерне моделювання й інформаційні технології в науці, економіці й освіти”, жовтень 2001 р., Кривий Ріг;–

міжнародна конференція з управління “Автоматика – 2002”, 16–20 вересня 2002 р., Донецьк;–

регіональний семінар “Актуальні питання комп'ютерних наук”, що функціонує при кафедрах комп'ютерних технологій і прикладної математики і теорії систем управління, 2004 р., Донецьк.

Публікації. За результатами досліджень опубліковано 15 робіт. З них 5 – у наукових виданнях, які входять до переліку ВАК України.

Структура й обсяг дисертації. Дисертація складається зі вступу, чотирьох розділів, висновку, списку використаної літератури з 96 найменувань і 3 додатків. Робота містить 57 малюнків, 23 таблиці. Повний обсяг дисертації складає 157 сторінок, у тому числі 126 сторінок основного тексту.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми, сформульовано мету дослідження і перераховано основні положення, винесені на захист.

У першому розділі розглядається місце автоматизованих систем контролю, у яких, поряд з датчиками, знімання інформації здійснюється робочим персоналом “вручну” (техніки контролю якості, оператори, машиністи й інші робітники). На прикладі зернопереробного виробництва і ТЕС показано, що існують підприємства, де до сьогоднішнього дня не подолані труднощі на шляху автоматизації збору і первинної реєстрації інформації. Вони зумовлені фізичною природою інформації. Ця інформація сприймається людиною через органи слуху, зору, нюху, дотику й іноді навіть смаку. Результати інтерпретації таких даних оператором реєструються у вигляді словесного опису виробничої ситуації. Одержувачі інформації – виробничі підрозділи (служби головного механіка, головного інженера, головного енергетика, інженера з техніки безпеки, інженера з протипожежної безпеки) – здійснюють інтерпретацію другого, більш високого рівня, що є остаточними результатами контролю виробничої ситуації. Показано, що багато виробничих ситуацій, у тому числі й аварійні, контролюються на основі звукової інформації.

Аналіз основних виробничих вібраційних процесів показав, що акустичні шуми можуть породжуватися у вигляді: 1) неспотвореної синусоїдальної вібрації; 2) квазігармонійної вібрації; 3) спотвореної синусоїди; 4) гармонійної вібрації з перехідним процесом; 5) гармонійної вібрації з биттями.

Установлено зв'язок між основними класами передаварійних і аварійних ситуацій і класами акустичних шумів.

Показано, що на сучасному етапі в основному вимірюють рівень загальних шумів з метою виявлення їхніх згубних впливів на персонал обслуги і можливості зниження гучності цього шуму. Для цього вдаються до частотного аналізу, намагаються визначити внутрішню структуру шумів з метою виявлення можливих неполадок виробничих агрегатів. Однак усі ці дії виконує, в основному, людина. Автоматизованої ланки інтерпретації виробничих шумів поки не існує.

У другому розділі описано модель процесу інтерпретації аудіальних даних за схемою, поданою на рис.1.

На рис.1 цифрами позначено: 1) джерело звуку (ДЗ); 2) пристрій, що реєструє, (ПР); 3) пристрій відцифровки (ПВ); 4) система спектрального перетворення і попередньої підготовки динамічного спектра; 5) – система репрезентації сигналу у вигляді нечіткої моделі аудіального прототипу; 6) система нечіткої інтерпретації.

Рис.1. Операції перетворення вихідного сигналу

Виходом блока №3 на рис.1 є відцифрована послідовність відліків, представлена *.WAV-файлом, записаним за допомогою імпульсно-кодової модуляції (ІКМ) з частотою дискретизації 44100 Гц, відцифровкою 16 біт і організованим як файл структури RIFF:

, (1)

де Pt – послідовність відліків за час t; Pt – значення відліку в момент часу t; t – kT – k-й дискретний момент часу; T – крок дискретизації, який дорівнює 1/Fд; Fд – частота дискретизації; t – поточний момент часу.

Виходом блока №4 є послідовність миттєвих спектрів, отриманих за допомогою дискретного перетворення Фур'є в окремі моменти часу – динамічний спектр:

, (2)

де – амплітуда i-ї частотної складової спектра в k-й момент часу; n – кількість частотних складових у спектрі; Tо – дискретний крок зсуву вікна аналізу; t, t – kTо – моменти часу, у яких відбувається розрахунок миттєвого спектра.

У когнітивній психології є експериментально підтвердженою клітинно-баркова модель сприйняття людиною аудіальних даних. На підставі цього в блоці №5 відбувається перетворення отриманого в блоці №4 динамічного спектра в динамічний “клітинний” спектр, що складається з послідовності миттєвих “клітинних” спектрів. Під “барками” і “клітинами” в дисертаційній роботі розуміються частотні діапазони з границями, розрахованими з урахуванням експериментально отриманих даних дослідниками в когнітивній психології. В основу моделі покладені такі дані когнітивної психології: весь чутний діапазон від 20 Гц до 20 кГц покривається 24 барками; до 500 Гц ширина барків “приблизно однакова”, а після 500 Гц – змінюється “приблизно логарифмічно”; на весь частотний діапазон реагують близько 3500 волоскових кліток органа Корті; у кожному барку міститься постійна кількість волоскових клітин (144 – 150 шт.); у кожному барку спостерігається постійна кількість ступенів розходження однотональних сигналів за висотою (34 – 36 шт.); кожному ступеню розходження відповідає постійна кількість волоскових клітин (4 – 5 шт.).

Крім цього, були використані результати досліджень, отриманих Георгом фон Бекеші для однотональних сигналів (“теорія місця”). У рамках цієї теорії для репрезентації однотональних сигналів автором був запропонований алгоритм: 1) за миттєвим “клітинним” спектром у поточний момент часу можна виявити у якій клітині знаходиться максимальний пік частотних складових однотонального сигналу; 2) вибирається значення отриманої амплітуди в цій клітині і за допомогою кривих однакової гучності розраховується, якому “чутному” значенню рівня гучності (фон) відповідає отримана амплітуда в цій клітині; 3) залежно від значення “чутного” рівня гучності будується крива прогину базилярної мембрани з максимумом в обраній клітині.

Для багатотональних сигналів у дослідженні зроблене припущення, що кожен пік частотних складових сигналу прогинає базилярну мембрану так само, якби він був один у сигналі. Це припущення підтверджене дослідами, проведеними Фабіо Маммані і Ренато Нобілі у Венеціанському інституті молекулярної медицини. Тому для кожного виділеного піка в багатотональному сигналі повторюються кроки 1), 2) і 3) алгоритму для однотональних сигналів, а наприкінці здійснюється операція максимізації за всіма отриманими кривими прогину для кожної клітини за формулою:

, , , (3)

де i – номер волоскової клітини; j – номер піка в миттєвому “клітинному” спектрі; NВ – кількість волоскових клітин, в роботі застосовувалось NВ = 3456 шт. (24 барка 144 клітини в барці = 3456 клітин); NП – кількість піків у вказаному спектрі; Pi,j – значення кривої прогину базилярної мембрани для j-го піка в i-ій волосковій клітині.

Заключним кроком в одержанні миттєвого “спектра прогинів” є об'єднання піків кривих прогинів, відстань між якими є меншою за один барк.

У роботі запропоновано модель аудіального сигналу у вигляді прототипу. Для побудови прототипу необхідне накопичування однорідних статистичних даних, а у випадку з аудіальними сигналами це може бути тільки тоді, коли ці сигнали відповідають умовам строгої стаціонарності, тобто математичне очікування і дисперсія цих сигналів не залежать від часу. Але в реальному житті такі сигнали зустрічаються дуже рідко. Тому в роботі вводиться поняття квазістаціонарних аудіальних сигналів, для яких допускається коливання математичного очікування і дисперсії в якомусь невеликому, вибраному заздалегідь, проміжку. Уводиться поняття кусково-квазістаціонарних аудіальних сигналів, що складаються з послідовності квазістаціонарних ділянок і перехідних ділянок між ними. Показано, що автоматично виділити перехідні і ділянки квазістаціонарності важко, хоча на слух всі інтервали достовірно виявляються експертом. Тому методика побудови прототипів окремих квазістаціонарних ділянок ґрунтується на тому, що інтервали квазістаціонарності у визначеному класі аудіальних сигналів апріорно виділяє експерт.

Як прототип у роботі пропонується використовувати пари нечітких множин, що відповідають за ступінь стаціонарності і ступінь значимості баркових інтервалів на квазістаціонарній ділянці вхідного сигналу. Побудова прототипу відбувається в два етапи: 1) побудова двох нечітких множин; 2) виділення з них прототипу.

Перший етап. Нечітка множина, що характеризує “ступінь стаціонарності”:

, (4)

, (5)

де bi – i-й барковий інтервал; NБ – кількість баркових інтервалів у частотному діапазоні, в даній роботі прийнять NБ = 24 шт.; mi – кількість піків, що потрапили в інтервал bi за час збору статистики; – функція приналежності для інтервалу bi, вона же – “ступінь стаціонарності” i-го барку; mmax – максимально можлива кількість піків в одному інтервалі за час збору статистики.

Нечітка множина, що характеризує “ступінь значимості”:

, (6)

де ci – i-й барковий інтервал; – функція приналежності для інтервалу ci, вона ж – “ступінь значимості” ci барка, розрахована за такою формулою:

(7)

де Li – рівень гучності в i-му барковому інтервалі.

Другий етап. Для побудови нечіткого аудіального прототипу запропоновано використовувати не весь набір елементів множин і , а тільки ті, котрі одночасно відповідають умовам:

, (8)

(9)

, (10)

(11)

де і – нечіткі множини “ступеня стаціонарності” і “ступеня значимості” відповідно, що описують прототип цього виду аудіальних сигналів; і – функції приналежності (5) і (7) відповідно; K1 – коефіцієнт для нечіткої характеристики “стаціонарність”; K2 – коефіцієнт для нечіткої характеристики “значимість”. З (9) і (11) очевидно, що і .

Поданий таким способом прототип квазістаціонарної ділянки аудіального сигналу названий у роботі динамічним прототипом.

У третьому розділі запропоновано моделі й алгоритми побудови узагальненого прототипу для класу однотипних аудіальних сигналів, порівняння двох нечітких прототипів і подання кусково-квазістаціонарних сигналів у вигляді нечітких динамічних процесів.

Модель узагальненого нечіткого прототипу є узагальненням набору динамічних прототипів квазістаціонарних сигналів (чи ділянок), що належать до одного класу, і складається з двох нечітких множин: перша характеризує впевненість у необхідності внесення баркового інтервалу в єдиний прототип; друга – усереднений ступінь значимості баркових інтервалів.

Алгоритм побудови узагальненого динамічного прототипу складається з двох етапів: 1) побудова повної нечіткої множини; 2) виділення підмножини, що характеризує узагальнення.

Перший етап. Нечітка множина, що характеризує впевненість у необхідності внесення цього барка в єдиний прототип, подається як:

, (12)

, (13)

де di – i-й барковий інтервал; ki – кількість піків, що увійшли в інтервал di на всьому наборі прототипів; – функція приналежності для інтервалу di; kmax – максимально можлива кількість піків в одному інтервалі на всьому наборі прототипів.

Другий етап. Нечітка підмножина, що характеризує “узагальнену частину”:

, (14)

(15)

де – функція приналежності для інтервалу узагальненого прототипа; – функція приналежності, розрахована за формулою (13); K3 – коефіцієнт “приналежності” i-го баркового інтервалу узагальненому прототипові. З (15) очевидно, що .

Друга множина узагальненого прототипу подається як:

, (16)

, (17)

де ei – i-й барковий інтервал; – функція приналежності для інтервалу ei; ki – кількість піків, що потрапили в інтервал ei на всьому наборі прототипів; – функція приналежності i-го баркового інтервалу з tj-ї нечіткої множини “значимості” (tj-го прототипу з загального набору прототипів), що розраховується за формулами (10) і (11).

Поданий у такому вигляді узагальнений прототип для класу однотипних квазістаціонарних сигналів заноситься в базу знань і називається в роботі статичним прототипом.

У роботі показано, що характеристика стаціонарності необхідна лише для виявлення тих барків, що найбільш часто представлені в сигналі, тобто, тільки для побудови нечіткого прототипу, а подальше порівняння двох нечітких прототипів необхідно робити за характеристикою ступеня значимості. Тобто під час порівняння двох прототипів, динамічного і статичного – будуть застосовуватись тільки множини і . Порівняння виконується за критерієм, що крім класичної відносної відстані Хеммінга враховує відносну відстань між “центрами ваги” двох порівнюваних нечітких множин. Критерій подібності двох прототипів має вигляд формули Гаусса:

, (18)

де – відносна відстань Хеммінга для двох порівнюваних прототипів і ; – відносна відстань між “центрами ваги” для цих прототипів.

На основі комп'ютерних експериментів доведено, що під час прослуховування спеціально підготовлених багатотональних сигналів людина більш чутлива до відносної відстані між “центрами ваги”, ніж до відносної відстані Хеммінга. Тому у роботі було запропоновано прийняти  ,5, а = 0,083 в (18). Це дало можливість отримати значення при відстані між “центрами ваги” у два барки, що відповідає результатам когнітивної психології.

Кусково-квазістаціонарний сигнал поданий у вигляді послідовності динамічних прототипів:

, (19)

де – нечіткий динамічний процес на інтервалі часу [0, t], представлений динамічними прототипами; – нечіткий динамічний прототип у момент часу t – kT (); T – тривалість тимчасового інтервалу, необхідна для виявлення статистичних характеристик квазістаціонарного фрагмента вхідного сигналу.

Процес інтерпретації кусково-квазістаціонарного сигналу полягає в тому, щоб послідовності (19) поставити у відповідність послідовність статичних прототипів:

, (20)

де – нечіткий статичний процес на інтервалі часу [0, t], представлений статичними прототипами з бази знань; – нечіткий nk-й статичний прототип у момент часу t _kT (); n – номер статичного прототипу в базі знань; T – тривалість тимчасового інтервалу, необхідна для виявлення статистичних характеристик квазістаціонарного фрагмента вхідного сигналу.

База знань представлена множиною статичних прототипів:

, (21)

де NБЗ – кількість статичних прототипів у базі знань.

Після порівняння одного, наприклад k-го, динамічного прототипу з послідовності (19) із усіма статичними прототипами з бази знань (21) за критерієм (18), у результаті виходить нечітка множина другого роду, що буде містити в собі інформацію про те, як k-й динамічний прототип співвідноситься з усіма статичними прототипами з бази знань:

, (22)

де – нечітка множина другого роду для k-го динамічного прототипу з послідовності (19); – n-й статичний прототип з бази знань (21); – функція приналежності, розрахована за формулою:

, (23)

де – k-й нечіткий динамічний прототип з послідовності (19); – n-й нечіткий статичний прототип, для якого розраховується функція приналежності; значення F визначається формулою (18).

Показано, що в (22) можна додати можливість розрахунку функції приналежності для перехідних ділянок за формулою:

, , (24)

де П0 – позначення перехідної ділянки; – функція приналежності перехідної ділянки; – функція приналежності n-го статичного прототипу з бази знань, розрахована за формулою (23).

Тоді, позначивши П0 як , множина (22) перетвориться таким образом:

, (25)

(26)

де – узагальнена функція приналежності; – функція приналежності n-го нечіткого статичного прототипу (23).

Таким чином, для кожного динамічного прототипу з (19), ставиться у відповідність динамічний процес:

. (27)

З (27) може бути отриманий вираз (20), шляхом знаходження на кожній k-ій ділянці кусково-квазістаціонарного сигналу , у якого , де n – номер шуканого статичного прототипу з бази знань; – шуканий статичний прототип; – функція приналежності n-го прототипу (26); якщо n = 0, то означає перехідну ділянку.

Таким чином, робиться висновок, що будь-який кусково-квазістаціонарний аудіальний сигнал можна подати у вигляді нечіткого динамічного процесу, і звести задачу інтерпретації аудіальних сигналів до задачі інтерпретації динамічних процесів.

У четвертому розділі наведено й обґрунтовуються результати комп'ютерних експериментів. Експерименти проведені з набором промислових шумів: шум роботи вальцювального верстата (зернопереробне виробництво); шум роботи кульових вугільних млинів (ТЕС); шум роботи вентиляторів промислових електронних пристроїв. Для кожного з наведених класів виробничих шумів виділялося від 4 до 6 режимів роботи, які сприймалися експертом на слух. Для кожного з режимів досліджувалися набори від 100 до 300 квазістаціонарних ділянок.

Результати показали, що розбіжності в судженнях експерта й інтерпретації за допомогою системи складали від 5 до 20 %.

Крім того, були проведені експерименти й розраховані усереднені значення коефіцієнтів K1 і K2 у (8) – (11).

Запропоновано два можливі способи побудови системи інтерпретації виробничих шумів: схема загальної інтерпретації і схема роздільної інтерпретації.

Схема роздільної інтерпретації характеризується тим, що на об'єкті управління для кожного з кількох джерел звукових коливань, які необхідно інтерпретувати, установлюється свій власний пристрій реєстрації. У такому випадку для кожного джерела необхідно будувати свою власну базу знань і застосовувати апаратно чи програмно реалізовану інтерпретацію за схемою, запропонованою в дисертації.

Схема загальної інтерпретації може застосовуватися в ситуаціях, коли за якихось причин неможливе застосування системи роздільної інтерпретації. Однією з таких причин може бути неможливість встановлення пристрою реєстрації на всі джерела звукових коливань, що знаходяться на об'єкті управління, чи тільки на деякі з них. Іншою – висока ціна системи роздільної інтерпретації.

Продемонстровано можливість застосування запропонованих автором двох систем інтерпретації в реальному часі. Подається оцінка часу реакції для однієї ділянки інтерпретації:

tзаг = Ts + tдпф + tлі + tі, (28)

де Ts – квазістаціонарна ділянка сигналу, на якому збирається статистичні дані; tдпф – час реакції модуля дискретного перетворення Фур'є; tлі – час реакції модуля лінійної інтерполяції; tі – програмний час реакції модуля інтерпретації.

У роботі експерименти ставилися для Ts = 1 сек., і ґрунтувалися на тому факті, що коли людина відчуває однорідний (квазістаціонарний) сигнал більше 1 сек., то відбувається звикання до нього, а потім забування його відмітних характеристик. Аналіз алгоритму, що реалізує модель інтерпретації, показав, що tі 2 сек. При допущенні tдпф + tлі 1 сек., дійшли висновку, що система інтерпретації може працювати в реальному часі, якщо тривалість ділянок інтерпретованих сигналів (наприклад: “нормальний стан”, “передаварійний стан” і “перехід в аварійний стан”) буде більше 4 сек., причому на цих проміжках сигнал повинний бути квазістаціонарним.

Результати дисертаційної роботи впроваджені як допоміжний програмний продукт і як підсистема комплексу автоматизованої системи інтерпретації виробничих ситуацій (АСІВС) на ВАТ “Донецький комбінат хлібопродуктів №2”.

У додатках подано огляд деяких комп'ютерних експериментів, фрагменти програмної реалізації алгоритмів попередньої обробки й інтерпретації аудіальних сигналів, а також акти впровадження.

ВИСНОВКИ

У дисертаційній роботі подано теоретичне узагальнення і нове вирішення актуальної проблеми інтерпретації виробничих шумів в автоматизованих системах управління. Основні результати роботи сформульовано в загальних висновках.

1. Виявлено зв'язок нормальних, передаварійних і аварійних ситуацій з контрольованими людиною-оператором виробничими шумами. Встановлено, що інтерпретація виробничих шумів на сучасному етапі є доступною тільки людині. Доведено, що для досліджуваних в роботі виробництв шуми можуть бути віднесені до класу кусково-квазістаціонарних процесів.

2. Використання знань про внутрішню структуру звукової інформації дозволяє розширити функції автоматизованих систем контролю: визначення непрямими методами шляхом інтерпретації виробничих шумів режимів роботи устаткування; класифікація причин порушення режимів роботи; моніторинг технічного стану виробничого обладнання; визначення часу зупинки на ремонт.

3. Проаналізовано моделі сприйняття аудіальних даних у когнітивній психології. На основі аналізу існуючих шкал сприйняття обрана клітинно-баркова, і на ній побудована нечітка модель репрезентації фрагментів кусково-квазістаціонарного аудіального сигналу. Це дає можливість порівняти структуру інтерпретованого сигналу з думкою експерта, що сприймає сигнал.

4. Модель репрезентації аудіального сигналу формалізована на основі моделі прототипу, введеної в когнітивних науках. Прототип квазістаціонарної ділянки аудіального сигналу представлений двома нечіткими множинами, що характеризують ступінь стаціонарності і ступінь значимості кожного з 24 баркових (частотних) інтервалів. Значимість баркового інтервалу виражена функцією приналежності максимуму рівня прогину базилярної мембрани, що розраховується за кривими однакової гучності, отриманими у когнітивній психології.

5. Запропонована клітинно-баркова модель прототипу дозволяє формально представляти як одно-, так і багатотональні аудіальні сигнали.

6. Обґрунтовано, що інтерпретація в часі поточного фрагмента квазістаціонарної ділянки аудіального сигналу є процедурою порівняння динамічного прототипу цього фрагмента зі статичними прототипами з бази знань. Продемонстровано проблематичність такого порівняння на основі тільки одного критерію, наприклад, відносної відстані Хеммінга. Для порівняння двох моделей сигналів запропонований спосіб порівняння на основі комплексного критерію – відносної відстані Хеммінга і відносної відстані між “центрами ваги”. Такий спосіб найбільшою мірою враховує психологічні і фізіологічні відчуття людини.

7. Показано, що інтерпретація кусково-квазістаціонарного аудіального сигналу є задачею інтерпретації нечіткого динамічного процесу. Якщо подати кусково-квазістаціонарний аудіальний сигнал у вигляді послідовності динамічних прототипів квазістаціонарних ділянок сигналу, розділених перехідними ділянками, то задача інтерпретації буде мати вигляд багатокрокової процедури інтерпретації квазістаціонарних ділянок.

8. Проведено комп'ютерні експерименти з реальними виробничими шумами. Запропонована методика інтерпретації наведених шумів, що були наслідком різних режимів роботи обладнання, дала похибку від 5 до 20 % порівняно з думкою експерта. Адаптивність системи шляхом настроювання параметрів за даними експериментів дозволяє зменшити похибку автоматичної інтерпретації.

9. Розроблені і запропоновані в дисертаційній роботі дві схеми автоматизованої інтерпретації виробничих шумів (загальної і роздільний) розширюють можливості АСК. Були зроблені рекомендації щодо застосування однієї чи іншої схеми залежно від цілей і можливостей конкретного підприємства.

10. Розроблена програма, що реалізує запропоновані схеми інтерпретації виробничих шумів (загальної і роздільної), використовується на кафедрі Комп'ютерних технологій Донецького національного університету як основний дослідницький комплекс квазістаціонарних виробничих шумів. Модуль загальної інтерпретації впроваджений в АСІВС борошномельного заводу ВАТ “Донецький комбінат хлібопродуктів №2”, на якому вся система пройшла дослідну експлуатацію, продемонструвавши при цьому підвищення ефективності запобігання аварійним ситуаціям на 17 %.

СПИСОК ОПУБЛІКОВАНИХ АВТОРОМ РОБІТ

З ТЕМИ ДИСЕРТАЦІЇ

Фахові видання:

1. Асланов А.Е., Каргин А.А., Борухсон В.Е., Петренко Т.Г. Редуцированные модели представления динамических нечетких процессов на примере задачи интерпретации звуковых данных. // Інформаційно-керуючі системи на залізничному транспорті. ХарДАЗТ, Харків, № 3(30), 2001, С.5–8.

2. Асланов А.Е., Каргин А.А., Борухсон В.Е., Петренко Т.Г. Интерпретация динамических процессов. // Інформаційно-керуючі системи на залізничному транспорті. ХарДАЗТ, Харків, № 4(31), 2001, С.144.

3. Асланов А.Е., Каргин А.А. Об интерпретации источников звука в ситуационных интеллектуальных машинах. // Вісник Донецького національного університету. Серія А. Природничі науки, Донецьк, ДонНУ, 2001, №1, С.297–307.

4. Асланов А.Е. О некоторых результатах компьютерного эксперимента по интерпретации источника звука. // Вісник Донецького національного університету. Серія А. Природничі науки, Донецьк, ДонНУ, 2001, №2, С.342–350.

5. Асланов А.Е. “Клеточная” модель представления аудиальной информации. // Наукові праці Донецького національного технічного університету. Серія: “Обчислювальна техніка та автоматизація”. Випуск 74 / Редкол. Башков Є.О.(голова) та ін. – Донецьк: ДонНТУ, 2004.–С.217–224.

Особистий внесок здобувача в публікаціях: [1, 3] – розробка трьох нечітких форм подання нечітких динамічних процесів і результати розрахунків; [2] – розробка моделей нечітких фазифікаторів для смугових фільтрів.

Не фахові видання:

1. Асланов А.Е. Механизмы индуктивного вывода в ситуационных системах управления реального времени. // Материалы XXXVII Международной научной студенческой конференции “Студент и научно-технический прогресс”: Информационные технологии / Новосиб. ун-т, Новосибирск, 1999.–С.125–126.

2. Асланов А.Е., Каргин А.А. Об использовании концепции нечеткого динамического процесса в задачах моделирования звуковых образов. // Интеллектуальные системы: Труды четвертого международного симпозиума. (Москва, 28 июня – 1 июля 2000)/Под ред. К.А. Пункова.–М.:РУСАКИ, 2000. С.212–214.

3. Асланов А.Е., Каргин А.А., Борухсон В.Е., Каргин В.А., Петренко Т.Г., Теньков А.В. О концепции ситуационного нечеткого динамического процесса и ее приложениях. // Сборник докладов первой международной научно-практической конференции “Вычислительная техника в информационных и управляющих системах” 30 октября – 3 ноября 2000, Мариуполь, С.89–91.

4. Асланов А.Е. Динамические модели представления знаний о звуковых пространственно-временных ситуациях. // Праці наукової конференції Донецького національного університету за підсумками науково-дослідної роботи за період 1999–2000р. (Секція фізичних і комп’ютерних наук) 18–20 квітня 2001р., Донецьк 2001, С.103–106.

5. Асланов А.Е., Каргин А.А. Особенности фаззификации звуковых сигналов при построении моделей пространственно-временных ситуаций в интеллектуальных машинах. // Современные информационные и электронные технологии: Труды второй международной научно-практической конференции, 28–31 мая 2001.–Одесса: Одесский политехнический университет, ОАО “Нептун”, 2001.–С.44–45.

6. Асланов А.Е., Котенко В.Н., Каргин А.А. Синтез ситуационных систем управления реального времени на основе концепции нечеткого управляемого динамического процесса. // Комп’ютерне моделювання та інформаційні технології в науці, економіці та освіті: Збірник наукових праць: В 2-х томах, Кривий Ріг: Видавничий відділ КДПУ, 2001.–Т.2.–С.108–113.

7. Асланов А.Е., Каргин А.А., Борухсон В.Е. Интерпретация динамических процессов с самообучением на примере источника звука. // Современные информационные и электронные технологии: Труды третьей международной научно-практической конференции, 21–24 мая 2002.–Одесса: Одесский национальный политехнический университет, ОАО “Нептун”, 2002.–С.39.

8. Асланов А.Е., Каргин А.А. СИМ технологии в задачах интерпретации акустических данных. // Матеріали Міжнародної конференції з управління “Автоматика – 2002”, 16-20 вересня 2002р., м. Донецьк, Україна: в 2-х т. Донецьк, 2002.–Т.2.–С.92–93.

9. Асланов А.Е., Каргин А.А., Борухсон В.Е., Григорьев А.В. Извлечение, представление и обработка глубинных знаний в интеллектуальных машинах в Интернет. // Современные информационные и электронные технологии: Труды четвертой международной научно-практической конференции, 19–23 мая 2003.–Одесса: Одесский национальный политехнический университет, ОАО “Нептун”, 2003.–С.93.

10. Асланов А.Е. Нечеткий “клеточный” подход к анализу аудиальных данных. // Современные информационные и электронные технологии: Труды пятой международной научно-практической конференции, 17–21 мая 2004.–Одесса: Одесский национальный политехнический университет, ОАО “Нептун”, 2004.–С.119.

Особистий внесок здобувача в публікаціях: [2] – розробка багаторівневого лінгвістичного опису звукового сигналу у вигляді набору нечітких динамічних процесів; [3] – розробка нечіткого ситуаційного керованого процесу для моделювання звукових образів; [5] – розробка моделей нечітких фазифікаторів для смугових фільтрів; [6] – результати розрахунків правил продукції; [7, 8] – розробка нечіткого фазифікатора для побудови нечітких умовних рівнів голосності звукового сигналу; [9] – розробка алгоритму розрахунку часткової і загальної гучності звукового сигналу і їхніх лінгвістичних оцінок.

АНОТАЦІЯ

Асланов О.Є. Інтерпретація акустичних даних у задачах моніторингу виробничих шумів. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – “Автоматизовані системи управління та прогресивні інформаційні технології”. – Донецький національний університет, Донецьк, 2005 р.

У дисертаційній роботі вивчено сучасний стан проблеми моніторингу виробничих ситуацій з метою запобігання аварійним, пожежо- і вибухонебезпечним ситуаціям. Установлено, що інтерпретація виробничих шумів на сучасному етапі доступна тільки людині. Уведено поняття квазістаціонарного та кусково-квазістаціонарного аудіального сигналу, що дозволило узагальнити і формально представити довільний аудіальний сигнал у вигляді нечіткого динамічного процесу. Розроблено модель репрезентації фрагментів кусково-квазістаціонарного сигналу у вигляді прототипів, що дозволило порівняти фрагменти вихідного сигналу з наявними прототипами в базі знань. Показано, що за допомогою “клітинної” моделі аудіального сигналу можна автоматично інтерпретувати багатотональні аудіальні сигнали. Продемонстровано можливість зведення задачі інтерпретації аудіальних сигналів до задачі інтерпретації динамічних процесів. Запропоновано дві автоматизовані системи інтерпретації – загальну і роздільну. Показано умови ефективного застосування кожної з систем. Досліджено часові характеристики кожної з систем і доведено можливість використання їх у реальному часі.

Ключові слова: звук, виробничі шуми, людські звукові відчуття, аудіальні сигнали, нечіткі аудіальні прототипи, порівняння нечітких прототипів, нечіткі динамічні процеси.

АННОТАЦИЯ

Асланов А.Е. Интерпретация акустических данных в задачах мониторинга производственных шумов. – Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 – “Автоматизированные системы управления и прогрессивные информационные технологии”. – Донецкий национальный университет, Донецк, 2005 г.

В диссертационной работе изучено современное состояние проблемы мониторинга производственных ситуаций с целью предупреждения аварийных, пожаро- и взрывоопасных ситуаций. Выявлена связь нормальных, предаварийных и аварийных ситуаций с контролируемыми человеком-оператором производственными шумами. Установлено, что интерпретация производственных шумов на современном этапе доступна только человеку. Показано, что в системах автоматизированного контроля не решаются задачи интерпретации данных. Выявлено, что автоматизированного звена интерпретации производственных шумов пока не существует. Введено понятие квазистационарного аудиального сигнала, что позволило расширить классическое понятие стационарности, и дало возможность исследовать более общий класс аудиальных сигналов. Введено понятие кусочно-квазистационарного аудиального сигнала, что позволило обобщить и формально представить произвольный аудиальный сигнал в виде нечеткого динамического процесса. Разработана модель представления фрагментов кусочно-квазистационарного сигнала в “клеточной” форме, что позволяет автоматически интерпретировать произвольные аудиальные сигналы. Формализована модель прототипа, введенная в когнитивных науках, для фрагмента кусочно-квазистационарного аудиального сигнала в виде пары нечетких множеств, что позволило сопоставлять фрагменты исходного сигнала с имеющимися прототипами в базе знаний. Компьютерные эксперименты показали, что при помощи “клеточной” модели представления аудиального сигнала можно автоматически интерпретировать многотональные аудиальные сигналы, что не было возможно до сих пор. Предложена методика формирования обобщенного аудиального прототипа для конкретного класса квазистационарных сигналов. Предложен новый способ сравнения двух нечетких аудиальных прототипов, на основе комплексного критерия – относительного расстояния Хемминга и относительного расстояния между “центрами тяжести”. Показана возможность сведения задачи интерпретации кусочно-квазистационарных аудиальных сигналов к задаче интерпретации динамических процессов. Предложены два способа организации автоматизированной системы интерпретации – общая и раздельная. Показаны условия эффективного применения каждой из систем. Исследованы временные характеристики каждой из систем и показана возможность использования их в реальном времени.

Ключевые слова: звук, производственные шумы, человеческие звуковые ощущения, аудиальные сигналы, нечеткие аудиальные прототипы, сравнение нечетких прототипов, нечеткие динамические процессы.

ANNOTATION

Aslanov A.E. Interpretation of the acoustic data in problems of monitoring of industrial noise. – Manuscript.

The dissertation on reception of a scientific degree of the candidate of engineering science on a speciality 05.13.06 – " The automated control systems and progressive information technologies ". – Donetsk national university, Donetsk, 2005.

In dissertational work the modern condition of a problem of monitoring of industrial situations is investigated with the purpose of the prevention emergency, fire and explosive situations. It is established, that interpretation of industrial noise at the given stage accessible only to the person. Concepts kvasistationary and piece-kvasistationary audio signal that has allowed to generalize and formally to present any audio signal as fuzzy dynamic process are entered. The model of representation of fragments piece-kvasistationary signal as prototypes that has allowed to compare fragments of an initial signal to available prototypes in base of knowledge is developed. It is shown, that with the help "cellular" models of representation audio signal automatically can be interpreted multivoice-frequency audio signals. The opportunity of data of a problem of interpretation audio