Тернопільський державний економічний університет

Медзатий Дмитро Миколайович

УДК 004.891.3

НЕЙРОМЕРЕЖНА МОДЕЛЬ ТА МЕТОД ПРОГНОЗУВАННЯ РОБОТОЗДАТНОСТІ МІКРОПРОЦЕСОРНИХ ЗАСОБІВ

05.13.06 - автоматизовані системи управління та

прогресивні інформаційні технології

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Тернопіль - 2006

Дисертацією є рукопис.

Робота виконана у Хмельницькому національному університеті Міністерства освіти і науки України.

Науковий керівник - доктор технічних наук, професор

Локазюк Віктор Миколайович,

Хмельницький національний університет,

завідувач кафедри системного програмування.

Офіційні опоненти:

доктор технічних наук, професор Дрозд Олександр Валентинович, Одеський Національний політехнічний університет, професор кафедри комп‘ютерних інформаційних систем та мереж;

доктор технічних наук, професор Головко Володимир Адамович, Брестський державний технічний університет, завідувач кафедри інтелектуальних інформаційних технологій.

Провідна установа:

Науково-виробнича корпорація “Київський інститут автоматики” Мінпромполітики України та НАНУ, м. Київ.

Захист відбудеться “_6_” червня 2006 р. о 14-00 годині на засіданні спеціалізованої вченої ради К58.082.02 у Тернопільському державному економічному університеті за адресою: 46004, м. Тернопіль, вул. Львівська, .

З дисертацією можна ознайомитись у бібліотеці Тернопільського державного економічного університету за адресою: 46004, м. Тернопіль, вул. Львівська, .

Автореферат розісланий “4” травня 2006 р.

Вчений секретар

спеціалізованої вченої ради ____________________________ Яцків В.В.

Загальна характеристика роботи

Актуальність теми. Сучасні технології виробництва цифрової та мікропроцесорної техніки дозволяють забезпечити високий рівень надійності. Однак, висока надійність окремих компонентів ще не свідчить про таку ж надійність кінцевих пристроїв, які з них складаються. Крім того, надійність зібраного пристрою визначається формулами, що не гарантують точного часу напрацювання до відмови та не враховують взаємовплив компонентів. Пристрій, зібраний на високонадійних інтегральних схемах, може мати набагато менший час напрацювання до відмови, ніж його компоненти. Однак не завжди можна віднайти необхідну складову системи з бажаними показниками надійності (необхідно враховувати, що фактичний показник надійності, який вказується виробником, не дає 100% гарантії про те, що цей пристрій не вийде з ладу раніше). Таке положення потребує додаткових витрат на забезпечення необхідного рівня надійності та ефективності (дублювання, надлишкове кодування, кодування з виправленням помилок і таке інше).

Підвищити надійність мікропроцесорних пристроїв (МПП) та систем (С) дозволяє прогнозування їх технічного стану. Використання прогнозування надає такі переваги:

1) з‘являється можливість уникнення простоїв за рахунок вчасної заміни ненадійних вузлів, визначених у процесі прогнозування;

2) у разі ж виникнення несправності зменшується час відновлення роботи. За рахунок сформованого раніше прогнозу, щодо стану окремих компонентів, процес діагностування починається з компонентів, які за прогнозом мали вийти з ладу в першу чергу;

3) використовуючи систему прогнозування, обслуговувати складні системи зможуть спеціалісти з нижчим рівнем кваліфікації;

4) в системі прогнозування використовуються раніше набуті знання експертів та формуються нові знання;

5) система прогнозування дозволяє проводити обслуговування комп‘ютерних систем за станом (на противагу обслуговуванню за ресурсом чи за строками);

6) розроблення системи прогнозування з відповідними математичними моделями робить її корисною не тільки в процесі функціонування, але й на етапі проектування і виробництва;

7) на етапі серійного виробництва використання системи прогнозування дозволяє віднести кінцеві пристрої до певної групи надійності (є можливість не відбраковувати менш надійні, а збувати їх за меншою ціною).

Відомі методи прогнозування, що ґрунтуються на теорії надійності, є доволі громіздкими. Їх складність збільшується зі збільшенням кількості параметрів прогнозування. В той же час, лише використання достатньої їх кількості гарантує високу точність прогнозу. В більшості відомих практичних методів прогнозування стану МПП та С в якості прогностичних параметрів використовують фізико-хімічні властивості пристроїв (температуру, рівні напруги, величину струму, опір та ін.), але зі збільшенням ступеня інтеграції сучасних пристроїв зникає можливість контролю у всіх необхідних точках схеми, крім того, виникає необхідність контролю пристроїв у динамічних режимах. Такий стан знижує ефективність відомих і вимагає розроблення нових, більш ефективних, методів та засобів прогнозування роботоздатності мікропроцесорних засобів, як основних компонентів сучасних комп‘ютерних систем. Недостатня увага цій проблемі та відсутність ефективних методів прогнозування на сьогодні робить задачу розроблення моделей та методів прогнозування роботоздатності мікропроцесорних засобів вельми актуальною.

Зв’язок роботи з науковими програмами, планами, темами. Представлені в дисертації дослідження проводились в рамках держбюджетних НДР Хмельницького національного університету №1Б-2001 “Методологія тестового комбінованого діагностування мікропроцесорних пристроїв та систем на базі компонентів штучного інтелекту” (номер держреєстрації 0101U5058) та №1Б-2005 “Теорія нейромережних і нечітких моделей та методологія створення інтелектуальних систем діагностування комп'ютерних пристроїв” (номер держреєстрації 0101U000725).

Мета і задачі дослідження. Метою дисертаційної роботи є підвищення надійності мікропроцесорних засобів за рахунок підвищення достовірності процесу прогнозування їх технічного стану.

Наукова задача полягає у підвищенні точності прогнозування технічного стану мікропроцесорних пристроїв та систем. Наукова задача вирішується шляхом використання апарату теорії штучного інтелекту, зокрема штучних нейронних мереж.

Задачі дослідження формулюються в роботі наступним чином:

1) провести аналіз сучасних мікропроцесорних пристроїв та систем з метою виявлення їх особливостей щодо прогнозування технічного стану;

2) проаналізувати відомі методи та підходи до прогнозування стану складних технічних об‘єктів та виявити їх недоліки щодо МПП та С;

3) виявити можливість та особливості інтелектуалізації процесу прогнозування за рахунок використання компонентів штучного інтелекту;

4) розробити концептуальну модель прогнозування технічного стану МПП та С;

5) розробити модель мікропроцесорних засобів як об‘єкта прогнозування;

6) розробити модель процесу прогнозування на базі ШНМ;

7) розробити нейромережний метод прогнозування технічного стану мікропроцесорних засобів;

8) розробити засоби реалізації нейромережного методу;

9) реалізувати нейромережний метод прогнозування технічного стану МПП та С у вигляді програмних додатків та впровадити їх у виробництво з метою підвищення надійності та ефективності експлуатації мікропроцесорних засобів.

Об’єкт дослідження – це процес прогнозування роботоздатності мікропроцесорних засобів.

Предмет дослідження – це нейромережний метод прогнозування роботоздатності мікропроцесорних засобів.

Методи дослідження базуються на основних положеннях технічної діагностики та теорії штучних нейронних мереж, котрі є визначальними в досягненні мети дисертаційної роботи. Концептуальна модель прогнозування, модель мікропроцесорних пристроїв та систем, модель процесу прогнозування розроблені на основі теорії моделювання та штучного інтелекту. Нейромережний метод прогнозування роботоздатності мікропроцесорних засобів базується на теорії штучного інтелекту, теорії множин, теорії алгоритмів та теорії прикладного програмування.

Наукова новизна одержаних результатів:

- вперше запропонована концепція прогнозування роботоздатності мікропроцесорних засобів, суть якої полягає у застосуванні ШНМ як засобу моделювання прогнозу. Новим є те, що розширено клас параметрів прогнозування, що дало змогу використати одну і ту ж ШНМ не тільки до поодинокого об‘єкта прогнозування (ОП), а й до класу об‘єктів;

- дістав подальшого розвитку процес прогнозування роботоздатності МПП та С на основі вперше одержаної діагностичної моделі, в основу котрої покладена штучна нейронна мережа, що дало можливість врахувати взаємовплив компонентів ОП та зменшити похибку прогнозування;

- розроблено новий нейромережний метод прогнозування роботоздатності мікропроцесорних засобів, відмінністю якого від відомих є те, що він не потребує моніторингу та накопичення значень параметрів. Це дало можливість прогнозувати технічний стан ОП тільки за поточними значеннями параметрів за умови, що відомо клас МПП та С, до якого він входить;

- удосконалено нейромережний метод прогнозування роботоздатності мікропроцесорних засобів, новизна якого полягає у тому, що прогнозується імовірність знаходження у роботоздатному стані конкретного пристрою з врахуванням взаємовпливу компонентів. Це дало можливість підвищити точність прогнозування у порівнянні з нейромережним методом, що не враховує взаємовплив компонентів.

Обгрунтованість і достовірність наукових положень, висновків і рекомендацій. Наукові положення висновки і рекомендації дисертації обґрунтовані коректним використанням математичного апарату, успішною програмною реалізацією розробленого нейромережного методу прогнозування роботоздатності мікропроцесорних засобів, методик та алгоритмів визначення необхідних параметрів прогнозування та архітектури ШНМ, ефективним практичним впровадженням результатів дисертаційних досліджень на підприємствах, що експлуатують мікропроцесорні пристрої та системи, яке продемонструвало збігання теоретичних досліджень з реальними результатами.

Практичне значення одержаних результатів. Дослідження проводились з врахуванням наступної їх практичної реалізації. Використання одержаних в роботі результатів дозволило розробити та впровадити нову автоматизовану систему прогнозування роботоздатності мікропроцесорних засобів. Результати експериментальних досліджень з використанням розробленого програмного забезпечення підтверджують вірність наукових положень запропонованого методу.

Основні результати дисертації знайшли застосування при розробці та експлуатації автоматизованої системи прогнозування роботоздатності мікропроцесорних засобів на підприємстві “Релком-Поділля”, а також в навчальному процесі Хмельницького національного університету при викладанні дисциплін “Технічна діагностика обчислювальних пристроїв і систем”, “Моделювання ЕОМ”, “ Надійність, контроль та експлуатація ЕОМ ”.

Особистий внесок здобувача. Всі основні результати дисертаційного дослідження, які представлені до захисту, одержані автором особисто. У друкованих працях, опублікованих у співавторстві, автору належить: визначення переваг та недоліків відомих методів прогнозування технічного стану МПП та С [1, 7, 8]; встановлення шляхів підвищення точності та достовірності прогнозування [2]; розроблення моделі прогнозування технічного стану МПП та С на базі ШНМ [3, 5]; розроблення нейромережного методу прогнозування технічного стану МПП та С, формування вимог та рекомендацій щодо вихідної інформації [3, 5].

Апробація результатів дисертації. Основні положення та результати проведених досліджень у дисертаційній роботі доповідалися та обговорювалися на міжнародних та всеукраїнських конференціях, а саме: 9-та Міжнародна науково-практична конференція “Вимірювальна та обчислювальна техніка в технологічних процесах” (м. Хмельницький); Міжнародна науково-практична конференція “Мікропроцесорні пристрої та системи в автоматизації виробничих процесів - 2002” (м. Хмельницький); Міжнародна науково-практична конференція “Мікропроцесорні пристрої та системи в автоматизації виробничих процесів - 2003”; Міжнародна науково-практична конференція “Мікропроцесорні пристрої та системи в автоматизації виробничих процесів - 2004”; Міжнародна науково-практична конференція “Комп‘ютерні системи в автоматизації виробничих процесів - 2005”; конференція молодих вчених та студентів “Наукові розробки молоді на сучасному етапі – 2003” (м. Київ); VIII Міжнародна конференція “Контроль і управління в складних системах” (м. Вінниця); Міжнародна науково-практична конференція “Динаміка наукових досліджень” (м. Дніпропетровськ); ІІІ Міжнародний молодіжний форум “Інформаційні технології в ХХІ столітті – 2005” (м. Дніпропетровськ), а також на міжкафедральних семінарах факультету комп’ютерної інженерії та радіоелектроніки.

Публікації. Основні матеріали дисертації викладено в 11 наукових публікаціях, серед яких 6 статей у фахових виданнях, що входять до переліку фахових видань ВАК України.

Структура дисертації. Дисертація складається із вступу, чотирьох розділів та висновків, викладених на 145 сторінках основного тексту, списку використаних джерел (134 найменування). Робота містить 37 рисунків; 8 таблиць та 5 додатків.

Основний зміст роботи

У вступі обґрунтована актуальність тематики, визначено об’єкт та предмет досліджень, сформульовані мета і задачі, визначена наукова новизна та практична цінність одержаних результатів, а також відомості про апробацію роботи.

В першому розділі проведено аналіз відомих методів прогнозування стану складних технічних об‘єктів, особливостей сучасних мікропроцесорних пристроїв та систем, а також можливостей інтелектуалізації процесу прогнозування засобами компонентів теорії штучного інтелекту.

Розглянуто прогнозування роботоздатності мікропроцесорних засобів, як третю задачу технічної діагностики. Наголошено на значимості прогнозування, саме як однієї із задач технічної діагностики. Кожна наступна реалізація діагностування буде значно ефективніша, якщо почнеться з аналізу попередніх прогнозів, адже це дозволить локалізувати місце прояву несправності та визначити компонент, на якому слід сконцентрувати увагу.

Проведено аналіз сучасних мікропроцесорних пристроїв та систем як об‘єктів прогнозування. Виділено основні проблеми прогнозування технічного стану, пов‘язані з їх особливостями, серед яких найвагомішими є: проблема отримання вихідних даних про стан МПП та С; проблема визначення законів зміни стану системи; проблема кореляції зміни технічного стану системи зі зміною контрольованих параметрів.

Проведено аналіз методів прогнозування стану складних технічних об‘єктів. Виділено недоліки відомих методів щодо прогнозування роботоздатності сучасних мікропроцесорних засобів на етапі експлуатації.

Проаналізовано можливість використання експертних систем, систем на базі нечіткої логіки та штучних нейронних мереж як засобів інтелектуалізації процесу прогнозування роботоздатності мікропроцесорних пристроїв та систем.

У першому розділі також виконана постановка задачі, яка вирішується в наступних розділах.

В другому розділі запропоновано концепцію прогнозування роботоздатності мікропроцесорних засобів, суть якої полягає у застосуванні штучної нейронної мережі як засобу моделювання прогнозу. Розроблено моделі мікропроцесорних пристроїв та систем як об‘єктів прогнозування та нейромережну діагностичну модель процесу прогнозування роботоздатності мікропроцесорних засобів.

Запропоновано концептуальну модель прогнозування роботоздатності мікропроцесорних засобів. Визначено, що основним етапом життєвого циклу МПП та С, на якому вони розглядаються як об‘єкти прогнозування, є етап експлуатації, і всі необхідні данні для процесу прогнозування будуть отримані відповідними засобами з використанням необхідних математичних моделей та методів.

Спираючись на проведений в першому розділі аналіз сучасних мікропроцесорних засобів, було знехтувано використанням “недосяжних” електрофізичних параметрів (для зняття значень яких немає фізичних можливостей або невідомі закони їх зміни) та прийнято до розгляду інші інформативні параметри. Ці параметри повинні мати такі властивості: а) можуть бути отримані на етапі експлуатації; б) мають необхідний рівень інформативності стосовно прогнозування технічного стану відповідних засобів; в) мають необхідний рівень доступності.

Концептуально процес прогнозування, представлений на рис.1, містить дві окремі частини: синтез ШНМ прогнозування роботоздатності мікропроцесорних засобів та безпосередньо прогнозування.

Рис.1. Формалізована схема процесу прогнозування роботоздатності

МПП та С

Він складається з таких етапів: 1 - визначення класу об‘єктів прогнозування, для яких буде розроблятися ШНМ прогнозування роботоздатності; 2 - формування множини параметрів класу ОП за критеріями оптимальної інформативності та доступності; 3 - синтез архітектури ШНМ прогнозування роботоздатності МПП та С у відповідності з введеним класом та обраними параметрами; 4 - формування навчальної вибірки необхідного об‘єму для отриманої на попередньому кроці ШНМ; 5 - навчання ШНМ; 6 - верифікація процесу навчання; 7 - завершення процесу синтезу ШНМ, визначення параметрів мережі та їх представлення для збереження і передачі на наступні етапи; 8 - збір вихідної інформації про ОП та представлення її в необхідному форматі у відповідності з етапами 1та 2; 9 - формування вхідного вектора для прогнозуючої ШНМ на основі отриманої інформації попереднього етапу та заданого інтервалу часу прогнозу; 10 - подання вхідного вектора та зняття з виходів ШНМ значень функціоналів; 11 - накопичення інформації для донавчання ШНМ. У разі накопичення достатнього об‘єму достовірної інформації та при необхідності відбувається повернення до етапу 5, на котрому корегується навчальна вибірка для донавчання. Ці дії виконуються з метою підвищення достовірності та точності прогнозу; 12 - інтерпретація отриманих результатів для користувача в залежності від рівня його кваліфікації та за необхідністю.

Розроблено модель мікропроцесорних пристроїв та систем як об‘єкта прогнозування. Необхідність розроблення моделей МПП та С зумовлена використанням інших, крім електрофізичних, інформативних параметрів та описом особливостей МПП та С як об‘єктів прогнозування. В процесі розроблення підходу до прогнозування висувається вимога щодо його універсальності відносно об‘єкта прогнозування, тобто кінцева система прогнозування повинна обмежуватись визначеним класом об‘єктів, а не конкретним пристроєм чи системою. Для цього визначимо, що ми будемо розуміти під класом об‘єктів прогнозування.

Визначення 1. Ознакою об‘єкта прогнозування будемо називати певну властивість, характеристики, параметри і таке інше, що дають можливість описати мікропроцесорний пристрій чи систему у відповідності до вимог представлення в якості об‘єкта прогнозування.

Визначення .2. Множиною головних ознак мікропроцесорного засобу будемо називати формально описані характеристики, властивості, параметри та інше, що визначають місце МПП чи С у множині класів об‘єктів прогнозування.

Визначення 3. Множиною допоміжних ознак мікропроцесорного засобу будемо називати характеристики, значення параметрів та інше, що дають можливість встановити поточний технічний стан ОП.

Мікропроцесорні засоби належать до одного класу, якщо: 1) множина виконуваних функцій мікропроцесорним пристроєм чи системою включає множину основних виконуваних функцій класу, які є спільними та обов‘язковим для всіх об‘єктів класу; 2) множина показників умов експлуатації МПП чи С складається з діапазонів, що відповідають діапазонам множини показників допустимих умов експлуатації об‘єктів прогнозування одного класу; 3) об‘єкт складається з допустимих компонентів.

Таким чином, множина головних ознак мікропроцесорного засобу представляється як: .

Множину допоміжних ознак МПП та С визначимо сукупністю їх характеристик та параметрів: де - матриця загальних та системних характеристик об‘єкта прогнозування; - матриця конкретних характеристик та значень параметрів об‘єкта прогнозування.

Матриця має вигляд: |

1 | 2 | … | i | i+1 | … | n

де - вказівник на рядок характеристик, що описують -й компонент мікропроцесорного пристрою чи системи (для випадку, коли об’єктом прогнозування є мікропроцесорний пристрій, що складається з одного компонента - ). У випадку мікропроцесорної системи дорівнює кількості всіх компонентів системи відповідного класу, що входять до її складу; - вказівник на рядок з системними характеристиками. Системні характеристики визначають тип взаємодії компонентів системи, описують інші загальні параметри, які впливають на надійність ОП, а також програмну частину і таке інше; - значення -го параметра компонента .

Кількість елементів кожного рядка матриці залежить від конкретного компонента та може приймати значення від 1 до n. Якщо набір компонентів, з яких складається МПП чи С, не змінюється, залишається постійною склад програмної частини та незмінними є виконувані функції і умови експлуатації, то значення елементів матриці цього об‘єкта прогнозування не змінюється з часом.

На відміну від загальних, конкретні параметри змінюються у часі, тому представимо їх у вигляді матриці : |

1 | 2 | … | i | i+1 | … | n

… | … | … | … | … | … | … | …–––

де - вказівник на k-й компонент системи. Кількість компонентів в обох матрицях ( та ) однакова. Кожному рядку загальних параметрів матриці відповідає рядок конкретних параметрів матриці ; - значення -го параметра компонента , в момент часу . Кількість параметрів для кожного компонента відрізняється від інших та від кількості загальних параметрів того самого компонента в матриці , вона визначається конкретною моделлю компонента та можливостями, які надані для збору значень параметрів.

Отже, мікропроцесорний пристрої та системи як об‘єкти прогнозування представляються узагальненою математичною моделлю.

У другому розділі також розроблено діагностичну модель, в основу котрої покладена штучна нейронна мережа, що дало можливість врахувати взаємовплив компонентів об‘єкта прогнозування та зменшити похибку прогнозування. Проведено вибір оптимальної архітектури штучної нейронної мережі для вирішення задачі прогнозування роботоздатності мікропроцесорних засобів на етапі експлуатації.

Процес синтезу штучної нейронної мережі, що є основою нейромережної діагностичної моделі, поділено на п‘ять основних етапів: 1) збір вихідних даних та їх представлення в упорядкованій формі; 2)синтез архітектури штучної нейронної мережі; 3)синтез моделі прогнозування роботоздатності МПП та С шляхом навчання штучної нейронної мережі за ситуаціями навчальної вибірки та у відповідності з критерієм придатності; 4) верифікація процесу навчання; 5) отримання прогнозу.

Для збору даних кожну ситуацію протоколу , де - кількість елементів вибірки при накопиченні вихідних даних представимо в узагальненому вигляді: , де - вектор параметрів об‘єкта прогнозування, що відповідає за визначення місця об‘єкта в класі; - вектор параметрів ОП, що визначають його поточний технічний стан; - вектор, що задає інтервал часу прогнозування ; - вектор значень функціоналу прогнозу – імовірності знаходження компонентів у роботоздатному стані на визначеному інтервалі часу .

Рис. 2. Узагальнена архітектура штучної нейронної мережі прогнозування роботоздатності мікропроцесорних засобів

Параметри архітектури обиралися виходячи з вже відомих та достатньо вивчених конфігурацій для синтезу штучних нейронних мереж з найкращою прогнозуючою здатністю. Кількість шарів нейронів обиралася згідно вимог, що висувалися до здатності штучної нейронної мережі. Узагальнена структура мережі представлена на рис.2.

Вхідний псевдошар поділений на три частини. Перша частина відповідає визначенню місця, розглядуваного на поточному етапі ОП у своєму класі. Друга частина відповідає поточному значенню технічних параметрів, необхідних для прогнозування роботоздатності МПП чи С. Значенням першої частини відповідають комірки матриці , а другої частини - .

Для вихідного шару кількість нейронів визначається кількістю компонентів системи, майбутній технічний стан яких нас цікавить. При необхідності загального прогнозування кількість вихідних нейронів відповідає кількості компонентів ОП, визначеній у матрицях та , тобто .

Функції активації для першого та другого прихованих шарів – сигмоїдні, для вихідного шару – лінійна.

Для визначення необхідних параметрів прогнозної моделі використаний алгоритм зворотного поширення помилки.

У разі виникнення потреби визначення часу виходу з ладу системи в цілому, запропоновану модель слід доповнити вихідним шаром, який складається з одного штучного нейрона. Зауважимо, що навчання останнього шару проводиться окремо, після навчання основної частини. Від нього помилка поширюється у зворотному напрямі не всією мережею до входів, а лише до значень , корекція проводиться лише для ваг , де - вага зв‘язку між та вихідним нейроном, .

Визначено оцінку достовірності процесу прогнозування, яка за аналогією до достовірності роботи обчислювальної системи визначається як властивість, що характеризує істинність прогнозування технічного стану МПП чи С. Під прогнозуванням технічного стану МПП чи С будемо розуміти визначення із заданою ймовірністю інтервалу часу, протягом якого збережеться роботоздатний (справний) стан МПП чи С.

Для визначення точності прогнозування роботоздатності МПЗ використаємо похибку прогнозування .

Визначення 4. Під відносною похибкою прогнозування будемо розуміти відношення різниці між імовірністю знаходження у роботоздатному стані, визначеною за вибіркою тестових векторів, та прогнозованою імовірністю знаходження пристрою у роботоздатному стані, до імовірності знаходження пристрою у роботоздатному стані.

В третьому розділі розроблено новий нейромережний метод прогнозування роботоздатності мікропроцесорних засобів, відмінністю якого від відомих є те, що він не потребує моніторингу та накопичення значень параметрів. Проведено практичну реалізацію методу на прикладі накопичувачів на жорстких магнітних дисках, що розглядалися як складова комп‘ютерної системи.

Визначено загальні положення та принципи нейромережного методу прогнозування роботоздатності мікропроцесорних засобів.

Деталізовано процес синтезу штучної нейронної мережі прогнозування роботоздатності мікропроцесорних засобів, з описом відповідних алгоритмів.

Зокрема запропонована структура блоку опису класу (рис.3.).

Рис. 3. Структура блока формування опису класу об‘єкта прогнозування

Запропоновано методику визначення інформативності та доступності параметрів мікропроцесорних засобів, що будуть використовуватись при прогнозуванні. Визначено можливість регулювання кількості вихідних параметрів за оптимальним співвідношенням інформативності та доступності.

Для визначення кількості нейронів в прихованих шарах використано формулу оцінки необхідної кількості синаптичних ваг в мережі. Оцінивши необхідну кількість синаптичних ваг, визначено кількість нейронів в прихованих шарах.

Детально описано алгоритм навчання штучної нейронної мережі прогнозування роботоздатності мікропроцесорних засобів.

Деталізовано процес отримання прогнозу засобами синтезованої штучної нейронної мережі. Запропоновано методики визначення структури та заповнення матриць та .

Враховано, що інтервал часу задається окремим значенням для кожного компонента об‘єкта прогнозування в умовних одиницях. Умовні одиниці часу враховують такі особливості компонентів ОП як: гарантійний термін та час напрацювання на відмову (заявлені виробником); ступінь зносу компонента і таке інше. Введення умовних одиниць викликане тим, що на етапі експлуатації компоненти ОП, особливо мікропроцесорних систем, змінюються в зв‘язку з виходом з ладу останніх. Враховуючи динаміку розроблення та впровадження сучасних МПП, заміни компонентів в ОП проводиться на аналогічні компоненти, які можуть мати інші технологічні особливості виробництва, а від так і інші показники надійності та гарантійні терміни.

В загальному випадку умовна одиниця часу, що задає інтервал прогнозування для -го. У цьому ж розділі подана методика реалізації нейромережного методу прогнозування роботоздатності мікропроцесорних засобів на прикладі накопичувачів на жорстких магнітних дисках (НЖМД), що розглядалися як складові комп‘ютерної системи.

Було визначено всі необхідні параметри, структуру мережі (кількість нейронів у шарах), визначено вибірку навчання, верифікаційну та тестову вибірки. Проведено навчання та дослідження якості різних конфігурацій мережі (рис. 4).

Рис. 4. Залежність похибки прогнозування від конфігурації ШНМ

Для отримання оптимальної структури мережі проведено визначення усередненої похибки прогнозування на тестовій вибірці. Отримані результати представлені на рис.5а та 5б.

а) тестові вектори 1-52

б) тестові вектори 53-104

Рис. 5. Результати прогнозування роботоздатності НЖМД на тестовій вибірці

Проведено порівняння отриманої точності прогнозу з відомими програмними засобами та показниками надійності.

В четвертому розділі проведено опис розроблених засобів прогнозування роботоздатності МПП та С.

Розглянуто програмні засоби моделювання штучних нейронних мереж. Проведення дисертаційного дослідження було розділено на етап створення нейромереж, вивчення їх властивостей та етап використання нейромереж для вирішення задачі прогнозування роботоздатності мікропроцесорних засобів.

Серед існуючих програмних засобів моделювання ШНМ, для реалізації та дослідження моделей нейронних мереж використовувався пакет Matlab .5. На початкових етапах розробки нейромереж було використано GUI інтерфейс пакету системи Matlab, зокрема інструментальний засіб NNTool. Цей графічний інтерфейс дозволив виконати розроблення, навчання, моделювання, а також введення та виведення даних, використовуючи тільки його інструментальні можливості. У звґязку з тим, що інтерфейс NNTool допускає роботу тільки з найпростішими одно- та двошаровими нейронними мережами, у процесі подальшого дослідження були написані спеціальні М-функції, які дали змогу реалізувати розроблені у дисертаційному дослідженні структури нейронних мереж.

Проведено опис розробленої системи прогнозування роботоздатності накопичувачів на жорстких магнітних дисках. Зокрема описана реалізована модель ШНМ прогнозування роботоздатності накопичувачів на жорстких магнітних дисках (рис. 6).

Рис. 6. Модель штучної нейронної мережі прогнозування роботоздатності накопичувачів на жорстких магнітних дисках

Запропоновано структуру бази даних для накопичення параметрів, описано інтерфейс користувача за допомогою якого формувється навчальна вибірка та отримується прогноз, після чого він може бути інтерпретованим.

Висновки

В дисертаційній роботі вирішена актуальна науково-технічна задача підвищення достовірності прогнозування роботоздатності мікропроцесорних засобів. Вирішення цієї задачі має важливе значення у галузях народного господарства, де застосовуються мікропроцесорні пристрої та системи.

Основні наукові і практичні результати роботи полягають у наступному.

1. Вперше запропонована концепція прогнозування роботоздатності мікропроцесорних засобів, суть якої полягає у застосуванні ШНМ як засобу моделювання прогнозу. Новим є те, що розширено клас параметрів прогнозування, які поділені на загальні та конкретні, що дало змогу використати одну і ту ж ШНМ не тільки до поодинокого ОП, а й до класу об‘єктів. Загальні параметри та характеристики при цьому визначають місце окремого ОП у класі, а конкретні параметри інформують про поточний технічний стан ОП.

2. Для реалізації концепції прогнозування технічного стану розроблено нову модель МПП та С як об‘єктів прогнозування. Новим є те, що модель базується на описі параметрів МПП та С, які будуть використовуватись при прогнозуванні. Параметри розподілені на головні та допоміжні ознаки. Головні ознаки визначають клас до якого входить ОП, а допоміжні - місце ОП в своєму класі. Така модель дозволяє скоротити набір даних, які необхідно оновлювати для проведення нового прогнозування, оскільки оновлюється лише частина, а саме конкретні параметри допоміжних ознак.

3. Розроблена нейромережна діагностична модель процесу прогнозування технічного стану МПП та С, котра дає змогу після навчання використовувати ШНМ для прогнозування технічного стану пристроїв та систем визначеного класу. Відмінністю від відомих моделей та методів є врахування взаємовпливу компонентів, можливість покращення достовірності прогнозування за рахунок покращення процесу навчання ШНМ та відсутність необхідності розробляти математичну модель для кожного окремого пристрою, достатньо однієї моделі для цілого класу.

4. Розроблено новий нейромережний метод прогнозування роботоздатності мікропроцесорних засобів, відмінністю якого від відомих є те, що він не потребує моніторингу та накопичення значень параметрів. Це дало можливість прогнозувати технічний стан ОП тільки за поточними значеннями параметрів за умови, що відомо клас МПП та С до якого він належить. При цьому прогнозування роботоздатності всієї системи визначається з врахуванням стану її окремих компонентів. У випадку прогнозування стану лише окремого пристрою він також розглядається як частина системи з врахуванням необхідних параметрів.

5. В межах нейромережного методу прогнозування технічного стану МПП та С запропоновані методики: визначення кількості нейронів в шарах мережі та методика обмеження кількості параметрів МПП та С, що використовуються при прогнозуванні за співвідношенням інформативності та доступності, що дало можливість спростити процес вибору необхідної кількості параметрів. Запропонований принцип систематизації та збереження значень параметрів за допомогою матриць загальних та конкретних параметрів.

6. Розроблено методику реалізації нейромережного методу прогнозування роботоздатності МПП та С на прикладі накопичувачів на жорстких магнітних дисках, що розглядалися як складова комп‘ютерної системи. В ході досліджень було проведено практичне підтвердження вірності методики вибору оптимальної кількості нейронів в прихованих шарах ШНМ. Запропоновані шляхи покращення якості навчання ШНМ прогнозування технічного стану за допомогою підвищення необхідного рівня інформативності загальних параметрів. Це дало можливість підвищити достовірність процесу прогнозування, змінюючи необхідний рівень інформативності та доступності параметрів.

7. Удосконалено нейромережний метод прогнозування роботоздатності мікропроцесорних засобів, новизна якого полягає у тому, що прогнозується імовірність знаходження у роботоздатному стані конкретного пристрою з врахуванням взаємовпливу компонентів. Це дало можливість підвищити точність прогнозування в 1.26 разів у порівнянні з нейромережним методом, що не враховує взаємовплив компонентів.

8. Адаптовані відомі та нові програмні засоби дослідження ШНМ, зокрема, одно- і багатошарових прямонапрямлених, повнозв‘язних ШНМ прогнозування роботоздатності МПП та С. Для забезпечення роботи з останніми були розроблені М-функції. Вони дали можливість, в свою чергу, реалізовувати нейромережний метод прогнозування технічного стану МПП та С. На основі розроблених М-функцій на мові програмування Delphi 6.0 була сформована програмна оболонка для користувачів.

9. Розроблена структура бази даних, що використовується для накопичення інформації. На базі якої в подальшому формується необхідна навчальна вибірка, яка відображає параметричний опис комп‘ютерних систем. Отримання значень необхідних параметрів комп‘ютерних систем в запропонованому програмному забезпеченні за файлами звітів відомого діагностичного програмного забезпечення дозволяє не проводити розроблення додаткових засобів для визначення параметрів та спрошує процес накопичення інформації з довільної кількості комп‘ютерних систем.

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Локазюк В. М., Медзатий Д. М. Прогнозування стану цифрових та мікропроцесорних пристроїв, як одна із задач технічної діагностики // Вісник Технологічного університету Поділля. – 2002. – №1. – Ч.1. – С. 170-175.

2. В. М. Локазюк, Д. М. Медзатий. Концептуальна модель прогнозування технічного стану мікропроцесорних пристроїв на етапі експлуатації // Вісник Технологічного університету Поділля. – 2003. - №3. – С.36-40.

3. Локазюк В. М., Медзатий Д. М., Вихідні параметри прогнозування технічного стану мікропроцесорних пристроїв та систем на етапі експлуатації // Вісник Технологічного університету Поділля. – 2004. – №2. – Ч.1. – Т.2. – С. 117-120.

4. Медзатий Д. М. Прогнозування технічного стану мікропроцесорних пристроїв та систем // Вісник національного університету “Львівська політехніка”. Радіоелектроніка та телекомунікації. – №534. – 2005. – С. 158-165.

5. Локазюк В. М., Поморова О. В., Медзатий Д. М. Метод прогнозування технічного стану комп‘ютерних систем // Вісник Хмельницького національного університету – 2005. – №4. – Ч.1. – Т.1. – С.81-85.

6. Медзатий Д. М. Мікропроцесорні пристрої та системи як об‘єкти прогнозування. // Оптико-електронні інформаційно-енергетичні технології. – №2(10). – 2005. – С.119-123.

7. Локазюк В. М., Медзатий Д. М. Збільшення тривалості функціонування обчислювальних систем за допомогою прогнозування. // Матеріали Міжнародної науково-практичної конференції “Динаміка наукових досліджень”. Том 1. Сучасні комп‘ютерні інформаційні технології. –Дніпропетровськ: Наука і освіта, 2002. – С.25-27.

8. Медзатий Д. М., Оськола В. В. Проблеми прогнозування стану цифрових та мікропроцесорних пристроїв // Вимірювальна та обчислювальна техніка в технологічних процесах: Збірник наукових праць. – Хмельницький: ТУП. – 2002. – Т.2 – С.185-187.

9. Медзатий Д. М. Прогнозування стану мікропроцесорних пристроїв та систем з використанням нейро-фаззі системи // Матеріали VII міжнародної науково-практичної конференції “Наука і освіта 2004”. – 2004. – Т.72. – С. 21-22.

10. Медзатий Д. М. Нейромережний підхід до прогнозування технічного стану мікропроцесорних пристроїв та систем // Сборник докладов и тезисов “Информационные технологии в XXI веке”. Днепропетровск, УГХТУ – 2005. – С. 136-137.

11. Медзатий Д. М. Комп‘ютерна система як об‘єкт прогнозування // Тези доповідей VIII міжнародної конференції “Контроль і управління в складних системах”. – УНІВЕРСУМ-Вінниця. – 2005. – С.109.

АНОТАЦІЇ

Медзатий Д. М. Нейромережна модель та метод прогнозування роботоздатності мікропроцесорних засобів. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 - Автоматизовані системи управління та прогресивні інформаційні технології. – Тернопільський державний економічний університет, Тернопіль, 2006.

Дисертація присвячена вирішенню актуальної науково-технічної задачі – прогнозування роботоздатності мікропроцесорних засобів. В ході дослідження було виявлено недоліки та складності застосування відомих методів прогнозування роботоздатності мікропроцесорних засобів. Запропоновано нову концептуальну модель, яка за рахунок поділу параметрів мікропроцесорних пристроїв та систем на загальні та конкретні, дозволяє використовувати одну і ту ж штучну нейронну мережу для прогнозування роботоздатності не поодинокого пристрою, а класу пристроїв. На основі концептуальної моделі розроблено нейромережний метод прогнозування роботоздатності мікропроцесорних засобів, що дозволив врахувати взаємовплив компонентів та прогнозувати роботоздатність, виходячи лише з поточних значень необхідних параметрів об‘єкта прогнозування. В якості прикладу було розроблено програмну реалізацію системи прогнозування роботоздатності накопичувачів на жорстких магнітних дисках, як складової комп‘ютерної системи.

Ключові слова: роботоздатність, технічна діагностика, прогнозування, надійність, штучні нейронні мережі, нейромережний метод прогнозування.

Медзатый Д. Н. Нейросетевая модель и метод прогнозирования работоспособности микропроцессорных средств. – Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.13.06 – Автоматизированные системы управления и прогрессивные информационные технологии. – Тернопольский государственный экономический университет, Тернополь, 2006.

Диссертация посвящена решению актуальной научно-технической задачи – прогнозирование работоспособности микропроцессорных средств. В ходе исследования проведен анализ современных микропроцессорных устройств и систем как объектов прогнозирования и известных методов прогнозирования состояния сложных технических объектов. Выявлено ряд особенностей микропроцессорных средств значительно усложняющих процесс прогнозирования известными методами. Для решения задачи повышения достоверности и точности прогнозирования предложено использовать компоненты теории искусственного интеллекта, а именно искусственные нейронные сети.

Предложена концептуальная модель процесса прогнозирования работоспособности микропроцессорных средств. Процесс прогнозирования разбит на две части: синтез прогнозирующей искусственной нейронной сети и непосредственно прогнозирование с помощью последней. На этапе синтеза решаются такие задачи как: определение класса объектов прогнозирования, для которых разрабатывается нейронная сеть; выбор оптимальных параметров; синтез архитектуры сети и т.д. Для реализации предложенной концепции разработана модель микропроцессорных устройств и систем как объектов прогнозирования. С помощь разработанной модели объекты прогнозирования представляются совокупностью основных и вспомогательных признаков. Основные определяют принадлежность конкретного объекта к определенному классу, а вспомогательные разделены на общие и конкретные параметры. Общие определяют место объекта в своем классе, а конкретные – текущее техническое состояние объекта. Такой подход позволил использовать одну и ту же модель не для одиночного устройства, а для целого класса устройств или систем.

В основе разработанной диагностической модели прогнозирования находится прямонаправленная искусственная нейронная сеть с входным псевдослоем, двумя скрытыми слоями и одним выходным. Количество входов определяется количеством исходных параметров, количество нейронов выходного слоя определяется количеством компонентов объекта прогнозирования, работоспособность которых нас интересует. Для обучения нейронной сети используется процедура обратного распространения ошибки. Функционалы на выходах нейронной сети – вероятность нахождения соответствующего компонента объекта прогнозирования в работоспособном состоянии на заданном временном интервале.

Разработанный нейросетевой метод прогнозирования работоспособности микропроцессорных средств позволил учесть взаимовлияние компонентов объекта прогнозирования. Кроме того, предложенный метод позволяет прогнозировать работоспособность микропроцессорных средств одного класса без проведения мониторинга технического состояния, а лишь по текущим значениям необходимых параметров.

В качестве примера практической реализации нейросетевого метода приведено решение задачи прогнозирования работоспособности накопителей на жестких магнитных дисках. В качестве основных параметров рассматривались SMART атрибуты дисков. Приведено детальное описание процесса синтеза искусственной нейронной сети, описана её реализация в пакете Matlab. Описан также интерфейс пользователя для работы с разработанной системой прогнозирования работоспособности накопителей на жестких магнитных дисках на базе нейросетевого метода.

Ключевые слова: работоспособность, техническая диагностика, прогнозирование, надежность, искусственные нейронные сети, нейросетевой метод прогнозирования.

Medzatiy D.M. Neural network model and metod of prediction of workability of microprocessor means.

Thesis for candidate degree by speciality 05.13.06 – Automatic control system and progressive information technologies. – Ternopil State Economic University, Ternopil, 2006.

Dissertation is devoted to the decision of actual scientific and technical task – prognostication of workability of microprocessor means. A new conceptual model of process of prediction is offered. Division of parameters of microprocessor devices and systems on general and concrete allows using the same artificial neural network for prediction of workability not just of single device, but also of devices class. On the basis of diagnostic model the neural network method of prediction of workability of microprocessor means is developed. The use of neural network allowed to take into account influencing of components on each other. As example the system of prediction of workability of hard disk drivers is developed.

Key words: workability, technical diagnostics, prediction, reliability, artificial neural