Учёные СФУ нашли новый способ диагностики техники

Учёные Сибирского федерального университета предложили использовать «электронных клонов» для онлайн-оценки состояния техники и представили соответствующую модель нейрокомпьютерной диагностики.

Не так давно для контроля над состоянием техники было достаточно простого осмотра. Сейчас эта задача перепоручена компьютерам, которые с помощью искусственных нейросетей (ИНС) способны решать целый комплекс задач по неразрушающему контролю и онлайн-диагностике.

Учёные СФУ предложили свой подход с опорой на разработку и обучение ИНС, а также моделирование контролируемого изделия на основе множества «паттернов» (тестовых примеров) реакции наблюдаемой системы — например, по изменению напряжённого состояния или нагрева изделия.

«ИНС и моделирование позволяют создать электронных клонов изделия (или элемента конструкции) с чтением любой информации о состоянии контролируемого объекта в режиме онлайн», — сообщили профессора Института информационных и космических технологий СФУ Владимир Кошур и Сергей Ченцов.
По их проекту, клон может быть настроен на пассивный или активный режим работы. В пассивном режиме он только отражает состояние физического объекта, не вмешиваясь в его работу, в активном — клон, «почувствовав боль», генерирует управление доступными ему параметрами физического объекта с целью «уменьшения боли» или её устранения.

«В активном режиме работы это новая интеллектуальная система, выполняющая основные функции и стремящаяся максимально сохранить „жизнеспособность“ адаптивного подстраивающегося технического устройства», — рассказал Владимир Кошур.

По его словам, настройка нейросетевых блоков ведётся по принципам минимизации контролируемой ошибки выхода нейросетевой системы и принятого ответа паттерна. Особенно важно найти глобальный минимум суммарной ошибки — оптимальные параметры, которые являются наилучшими для принятой модели.

Важно
Результаты учёных СФУ были представлены на XX Международной научно-технической конференции «Нейроинформатика-2018». На данный момент они продолжают исследовать адаптивные алгоритмы оптимизации нейросетевого управления.

Дополнительная информация для СМИ по телефону 8 (391) 2912-733, пресс-служба СФУ