Московский экономический журнал 2/2021

image_pdfimage_print

DOI 10.24412/2413-046Х-2021-10082

Использование нейронных сетей для расчета маршрута выработки породы

Using neural networks to calculate the route of rock production

Патачаков Игорь Витальевич, ассистент, кандидат технических наук, Институт горного дела, геологии и геотехнологий ФГАОУ ВПО «Сибирский федеральный университет»

Руденко Екатерина Александровна, Институт горного дела, геологии и геотехнологий ФГАОУ ВПО «Сибирский федеральный университет»

Бархатов Денис Владимирович, Институт горного дела, геологии и геотехнологий ФГАОУ ВПО «Сибирский федеральный университет»

Абдуллаева Анна Анатольевна, Институт горного дела, геологии и геотехнологий ФГАОУ ВПО «Сибирский федеральный университет»

Разин Антон Игоревич, Институт горного дела, геологии и геотехнологий ФГАОУ ВПО «Сибирский федеральный университет»

Putchkov Igor V., assistant, candidate of technical Sciences, Institute of mining, Geology and Geotechnology of FSAEI of HPE “Siberian Federal University”

Rudenko Ekaterina Aleksandrovna, Institute of mining, Geology and Geotechnology of FSAEI of HPE “Siberian Federal University»

Barkhatov Denis Vladimirovich, Institute of mining, Geology and Geotechnology of FSAEI of HPE “Siberian Federal University»

Abdullayeva Anna Anatolyevna, Institute of mining, Geology and Geotechnology of FSAEI of HPE “Siberian Federal University»

Razin Anton Igorevich, Institute of mining, Geology and Geotechnology of FSAEI of HPE “Siberian Federal University»

Аннотация. Искусственные нейронные сети (ИНС), навеянные вычислительными и коммуникативными способностями мозга человека, являются значительной парадигмой в машинном обучении. Как таковые они послужили основой для множества мощных алгоритмов с применением в распознавании образов, запоминании, отображении и др. С точки зрения структуры, ИНС могут быть разделены на две основные категории: сети прямой передачи, в которых вычисления выполняются послойно, уровень за уровнем от входных параметров сети к выходным; и рекуррентные сети, в которых имеется обратная связь- от логически более удалённого элемента, к менее удалённому. Основные операции большинства ИНС затрагивают стадию обучения и стадию отзыва (воспоминания). На этапе обучения весов, сети корректируются так, чтобы соответствовать так называемому подручному применению. В случае с перцептроном, это связано с использованием обратного распространения алгоритма на классифицированной обучающей выборке; в случае ассоциативной памяти, это включает в себя настройку весов для обеспечения действий желаемых отзывов в качестве местных аттракторов (возбудителей). На стадии отзыва, вводятся новые входные данные и сеть остается уравновешиваться (однопроходная прямая подача персептрона и эволюция к равновесию ассоциативной памяти, например).

Summary. Artificial neural networks (INS), inspired by the computational and communication abilities of the human brain, are a significant paradigm in machine learning. As such, they have served as the basis for many powerful algorithms with applications in pattern recognition, memory, display, etc. In terms of structure, INS can be divided into two main categories: direct transmission networks, in which calculations are performed in layers, level by level from the input parameters of the network to the output parameters; and recurrent networks in which there is feedback-from a logically more remote element to a less remote one. The main operations of most INS involve the learning stage and the recall stage (memories). During the training phase of the scales, the networks are adjusted to fit the so-called improvised application. In the case of the perceptron, this is due to the use of a back propagation algorithm on a classified training sample; in the case of associative memory, this involves setting up weights to ensure that the desired feedback acts as local attractors (exciters). At the recall stage, new input data is introduced and the network remains balanced (single-pass direct perceptron feed and evolution to associative memory equilibrium, for example).

Ключевые слова: нейросеть, модифицировать, нейроны, структура, процесс.

Keywords: neural network, network, neurons, structure, process.

Для проектирования, обучения и проверки работы нейросети использована среда NeurophStudio. Это бесплатная программа для проектирования нейросетей разного типа. Данная программа позволяет отслеживать процесс обучения, модифицировать структуру нейросети, определять множество тренировочных значений, визуализировать результаты обучения и тому подобное [7]. В качестве нейросети был выбран многослойный парсептрон.

В среде NeurophStudio была спроектирована нейросеть, которая состоит из 4-х входных нейронов и одного балансирующего, 6-ти внутренних нейронов и одного балансирующего нейрона. Исходный слой содержит 4-ри нейроны (рис.1.).

Каждый из нейронов имеет связи с соседними уровнями. Внутри среды можно исследовать структуру и связи между нейронами [5]. Для корректного обучения нейросети рекомендовано разбивать множество на 2 части. Первая часть используется для обучения нейросети, в то время как вторая часть является контрольным множеством, с помощью которого можно проверить работу нейросети на новых данных [3]. В данном случае обучение нейросети происходит на 80% множества данных.

Обучение нейросети многослойного Персептрона происходит методом обратного распространения погрешности.

Проверка работы нейросети происходит на 20% данных, которые не были вовлечены во время процесса обучения [1]. Это означает, что нейросеть не была специально натренирована и результаты работы на данной выборке дают возможность проверить как функционирует нейросеть на независимых данных.

В результате проверки нейросети получены следующие результаты значение средней квадратичной погрешности является 0.032. 

После этого возможно экспортировать обученную нейросеть для реализации нейроконтроллера.

Разработка базового нейроконтроллера включает две основные части, а именно: аппаратную и программную. 

Особенности аппаратной реализации нейроконтроллера

В работе разработана структурная схема аппаратной части базового нейроконтроллера, которая включает следующие составляющие: 

  • микроконтроллер STM32-F103C8T6, который базируется на ядре: ARM 32 Cortex-M3 с рабочей частотой 72 Мгц, объемом 64 Кб памяти под программу и 20Кб флеш памяти;
  • системный таймер DS1307, который необходим для определения времени суток;
  • для отслеживания данных о микроклимате и освещении необходимо использовано ряд датчиков:
  • датчик температуры DS18B20, что позволяет отслеживать температуру в диапазоне от -10*C до 85*C с погрешностью 0.5*C;
  • датчик температуры и влажности DHT11, который дает возможность отслеживать влажность воздуха в диапазоне от 20% до 80% с погрешностью 5%. Также датчик позволяет отслеживать температуру в диапазоне от 0*C до 60*с с погрешностью 2%. Датчик DS18B20 дает значение с меньшей погрешностью, поэтому его рекомендовано использовать в отличие DHT11;
  • атчик влажности почвы, что замеряет проводимость почвы и предоставляет данные в диапазоне 0-5В в зависимости от установленного порогового значения;
  • фоторезистор, на базе которого организован датчик освещенности. Для этого использован вспомогательный балансирующий резистор. При подаче напряжения на последовательно соединенные резисторы можно отслеживать изменение отношения напряжения между балансирующим резистором и фоторезистором в зависимости от внешнего освещения.
  • в качестве исполняющих устройств использованы светодиоды, которые подключении через 4-ех канальное реле. Реле используется для того, чтобы замыкать питание на актюаторах при наличии маломощного управляющего сигнала от микроконтроллера. Для демонстрации во время замыкания контактов должен загораться светодиод. Каждый из светодиодов отвечает за одну из систем полива, вентиляции, обогрева и освещения.

Для проектирования аппаратной реализации была использована среда Fritzing. Среда разработки позволяет синтезировать схему электрическую принципиальную и схему подключения компонентов на монтажной плате. Схема электрическая принципиальная изображает структуру портов каждого из элементов и схему подключения компонентов между собой [6].

Программная реализация нейроконтроллера включает в себя несколько модулей, каждый из которых отвечает за определенный аспект работы нейроконтроллера. Программное обеспечение состоит из следующих модулей:

Модуль инициализации системы-отвечает за: предварительную инициализацию системы; инициализацию портов для работы с датчиками, актюаторами и системным таймером; загрузку начальных данных.

Модуль работы с периферией – отвечает за: работу с давачами, которая заключается в периодическом считывании данных с датчиков; работу с системным таймером, которая заключается в установлении изначально времени и периодического считывания текущего времени суток; работу с актюаторами, которая заключается в передаче управляющих сигналы на реле для изменения состояния актюаторами [4].

Модуль обработки данных на основе нейросети – отвечает за: инициализация нейросети, который заключается в загрузки размерности нейросети, типа функции нейронов и матриц с весовыми коэффициентами; ввод входных данных в нейросеть; симуляцию работы нейросети; вывод исходных данных для формирования управляющих команд для управления актюаторами.

Основной задачей данного модуля является симуляция работы нейросети. С этой целью реализовано подпрограмму, которая проводит последовательные вычисления значения каждого из нейронов с учетом типа функции нейрона и связей между нейронами. В конце работы подпрограммы есть сформированные значения каждого из элементов.

Алгоритм работы нейроконтроллера является следующим:

Шаг 1: инициализация системы.

Шаг 2: инициализация портов.

Шаг 3: Загрузка исходных данных.

Шаг 4: ожидание на оператор прерывания для запуска основного цикла. Запустился оператор прерываний? Так – переход на шаг 5. Нет — переход на шаг 4.

Шаг 5: читать данные с датчика температуры.

Шаг 6: читать данные с датчика влажности.

Шаг 7: читать данные с датчика освещенности.

Шаг 8: читать данные о текущем времени суток.

Шаг 9: Ввести входные данные в нейросеть.

Шаг 10: Запуск подпрограммы для вычисления значений нейросети.

Шаг 11: получить входные данные из нейросети.

Шаг 12: сформировать управляющие сигналы.

Шаг 13: отправить управляющие сигналы на реле.

Шаг14: установить оператор прерываний на 1 секунду, перейти на Шаг 4.

Основной особенностью работы нейроконтроллера является его цикличность работы. Поскольку нет необходимости часто опрашивать и обновлять состояние системы, то использован оператор прерываний, который останавливает основной цикл выполнения программы и ограничивает частоту выполнения основного цикла [2]. 

Во время выполнения основного цикла, вызывается подпрограмма для симуляции работы нейросети. На основе ее ответа формируются команды для управления актюаторами:

Шаг 1: переместить счетчик на первый нейрон.

Шаг 2: достигнут ли конец нейросети? Так – переход на шаг 7, Нет – переход на шаг 3.

Шаг 3: сформировать список входящих дендритов.

Шаг 4: вычислить сумму входных сигналов нейрона.

Шаг 5: Вычислить выходной сигнал нейрона в зависимости от его типа.

Шаг 6: переместите счетчик на следующий нейрон. Переход на Шаг 2.

Шаг 7: завершить работу подпрограммы.

Подпрограмма отвечает за вычисление значений каждого из нейронов системы. В качестве входных данных подпрограмма получает показания датчиков и системного таймера. В качестве исходных данных подпрограмма выводит состояние в которое следует перевести каждый из актюаторов (включить / выключить).

Литература

  1. International Conference on Applications and Techniques in Cyber Intelligence, ATCI 2020. (2021). Advances in Intelligent Systems and Computing, 1244 AISC.
  2. Hou, B., Zhang, Y., Shang, Y., Liang, X., Liu, T., & Su, J. (2020). Research on unstructured data processing technology in executing audit based on big data budget. In Journal of Physics: Conference Series (Vol. 1650). https://doi.org/10.1088/1742-6596/1650/3/032100
  3. Hu, W., & Zhao, C. (2021). Evolution of Water Hazard Control Technology in China’s Coal Mines. Mine Water and the Environment. https://doi.org/10.1007/s10230-020-00744-0
  4. Huang, Z., Wang, F., & Zhang, S. (2020). Research on the architecture and key technologies of intelligent coal mining system [智能化采煤系统架构及关键技术研究]. Meitan Xuebao/Journal of the China Coal Society, 45(6), 1959–1972. https://doi.org/10.13225/j.cnki.jccs.ZN20.0348
  5. Li, Y., Lu, C., & Liu, Y. (2020). Medical insurance information systems in China: Mixed methods study. JMIR Medical Informatics, 8(9). https://doi.org/10.2196/18780
  6. Li, Z. (2020). Engineering Cost Information Management in Big Data Era. In Journal of Physics: Conference Series (Vol. 1533). https://doi.org/10.1088/1742-6596/1533/4/042072
  7. Ma, J., Li, P., Ma, X., & Shao, S. (2020). Research on the Overall Framework and Key Technologies of Railway Integrated Information Platform [铁路一体化信息集成平台总体架构及关键技术研究]. Zhongguo Tiedao Kexue/China Railway Science, 41(5), 153–161. https://doi.org/10.3969/j.issn.1001-4632.2020.05.18
  8. Parfenov, D., Zabrodina, L., Zhigalov, A., & Bolodurina, I. (2020). Research of multiclass fuzzy classification of traffic for attacks identification in the networks. In Journal of Physics: Conference Series (Vol. 1679). https://doi.org/10.1088/1742-6596/1679/4/042023
  9. Song, B., & Ma, Y. (2020). Intelligent school talent information fusion management and talent training system optimization based on data mining. International Journal of Performability Engineering, 16(12), 1965–1974. https://doi.org/10.23940/ijpe.20.12.p13.19651974
  10. Tang, H., Yang, W., & Zheng, S. (2021). Intelligent information recommendation algorithm under background of big data land cultivation. Microprocessors and Microsystems, 81. https://doi.org/10.1016/j.micpro.2020.103728
  11. Wu, Y. (2020). Research on Informatization Development of Minshuku in the Background of Big Data Era. In Journal of Physics: Conference Series (Vol. 1575). https://doi.org/10.1088/1742-6596/1575/1/012088
  12. Yang, F., Chen, J., Huang, Y., & Li, C. (2020). Court similar case recommendation model based on word embedding and word frequency. In 12th International Conference on Advanced Computational Intelligence, ICACI 2020 (pp. 165–170). https://doi.org/10.1109/ICACI49185.2020.9177720
  13. Zhang, S., Jiang, P., Zhang, Z., & Wang, C. (2021). WebGIS-Based Collaborative Construction Quality Control of RCC Gravity Dam Using Sensing Devices. Journal of Construction Engineering and Management, 147(3). https://doi.org/10.1061/(ASCE)CO.1943-7862.0001994
  14. Zhang, Y.-J. (2020). Research on the management information of scientific research institutes. In Journal of Physics: Conference Series (Vol. 1550). https://doi.org/10.1088/1742-6596/1550/3/032011
  15. Zhou, X. (2020). Development of Informatization Teaching Ability of College English Teachers under the Network Environment. In Proceedings – International Conference on Smart Electronics and Communication, ICOSEC 2020 (pp. 754–758). https://doi.org/10.1109/ICOSEC49089.2020.9215259