ПРИМЕНЕНИЕ КОМПЬЮТЕРНОГО МОДЕЛИРОВАНИЯ В РАЗРАБОТКЕ СИСТЕМЫ НЕЙРОСЕТЕВОГО МОНИТОРИНГА ПОДВОДНОГО ШУМА СУДНА Дмитриева Л.А.,Калью В.А.,Куперин Ю.А.,Смирнов Д.А.

Санкт-Петербургский государственный университет


Номер: 12-1
Год: 2015
Страницы: 7-16
Журнал: Актуальные проблемы гуманитарных и естественных наук

Ключевые слова

искусственные нейронные сети, подводный шум судна, artificial neural networks, underwater noise from vessels

Просмотр статьи

⛔️ (обновите страницу, если статья не отобразилась)

Аннотация к статье

В работе предъявлены и обоснованы преимущества использования искусственных нейронных сетей для мониторинга подводного шума судов по сравнению с классическими методами. Представлена структура входных и выходных данных для искусственных нейронных сетей. На основе статистических критериев обоснован выбор оптимальной архитектуры искусственной нейронной сети. Проведен анализ результатов, полученных в ходе отработки процедур нейросетевого мониторинга подводного шума судна.

Текст научной статьи

В настоящей работе мы используем методы и технологии искусственных нейронных сетей для реализации одного из подходов к решению важной прикладной задачи - задачи снижения шумового загрязнения Мирового океана. Эта задача привлекает возрастающее внимание со стороны экологов, биологов и инженеров-строителей; перспективы ее решения связаны с повышением технической культуры, привлечением в производство инновационных технологий, в том числе информационных. Шумовое загрязнение акватории, воздействуя на морскую фауну, наносит ей ущерб различного характера. Основными факторами негативного воздействия на морских животных являются: нарушения коммуникативных связей и репродуктивных возможностей морской фауны, прямое негативное воздействие на физиологическое состояние морских животных и их дезориентация в пространстве. Необходимо отметить, что экологические требования к судну могут стать эффективным средством конкурентной борьбы при решении вопросов о привлечении того или иного судна к участию в реализации импортно-экспортного контракта, в предоставлении преференций экологически благополучным судам, а также и при согласовании фрахтовых и арендных ставок на суда. От экологического, а в контексте этой работы, акустического состояния судна зависит и коммерческая эффективность торгового контракта, гарантированность выполнения базисных условий поставки товара. Нейросетевой мониторинг подводного шума судна Традиционными способами контроля подводного шума являются прямые измерения, обеспеченные системой измерительных средств и соответствующей методологией их использования [1,2,3], а также расчетные оценки, полученные на основе теории звукоизлучения корпусных конструкций, механизмов, машин и систем судна. Альтернативой вышеупомянутым подходам к мониторингу подводного шума судна в ходе эксплуатации может стать применение систем искусственного интеллекта, которые, обучаясь на результатах измерения подводного шума судна в ходе натурных испытаний и соответствующих этим измерениям данных о вибрациях корпуса, шуме винта, воздушном шуме в помещениях, прогнозировали бы результаты контрольных измерений в условиях эксплуатации судна [4]. Таким образом, можно было бы отслеживать степень соответствия уровней подводного шума судна предъявляемым требованиям и заранее, до выполнения контрольных измерений, увидеть несоответствие. Принципиальная схема изложенной концепции представлена на рисунке 1. Рис. 1. Принципиальная схема мониторинга подводной шумности судна с помощью нейронной сети Система мониторинга, построенная на обучаемой искусственной нейронной сети (ИНС) [5], будет работать быстрее и обойдется дешевле, чем специализированное программное обеспечение расчета подводного шума судна. Следует отметить, что такая система не содержит в себе никаких сведений, составляющих коммерческую тайну и являющихся собственностью разработчика тех или иных методик расчета подводного шума судов. Компьютерная модель подводного шума Процедура обучения ИНС проводилась с использованием компьютерной модели подводного шума движущегося судна, разработанной в Крыловском государственном научном центре для отработки методов выполнения измерений, алгоритмов обработки измерительной информации и оценки составляющих методической погрешности методик выполнения измерений. В данной работе был задействован программный блок «Моделирование сигнала в точке поля - вертикальные точечные силы», предназначенный для моделирования сигнала подводного шума, формируемого на приемнике движущимся источником, в качестве которого рассматривается совокупность вертикальных точечных сил на корпусе судна. В частности программный блок позволяет на основе реальных вибрационных сигналов рассчитать 1/3-октавный спектр подводного шума судна на приемнике при заданных параметрах движения. Интерфейс программного блока представлен на рисунке 2. Рис.2 -Интерфейс программного блока «Моделирование сигнала в точке поля - вертикальные точечные силы» Геометрия движения судна относительно приемника при моделировании представлена на рисунке 3, где использованы следующие обозначения: - скорость движения судна, выраженная в м/с (метрах на секунду); - боковое отклонение судна относительно приемника, выраженное в м (метрах); - расстояние от приемника до опорной точки на судне, выраженное м (метрах). Рис. 3 -Геометрия движения судна относительно приемника при моделировании. а) вид сбоку; b) вид сверху. Подготовка данных для обучения нейронной сети Структура данных, задействованных в обучении нейронной сети, представлена на рисунке 4. Ниже описана информация, направленная на входы и на выход ИНС. Рис. 4. Входная и выходная информация в нейронной сети в режимах «обучение» и «прогноз» На рисунке 4 введены следующие обозначения: - временная последовательность текущих значений дистанций от опорной точки на судне до приемника (см. рисунок 3). - временная последовательность текущих значений дистанций от опорной точки на судне до точки траверза (см. рисунок 3). - временные последовательности уровней реальных вибрационных сигналов в выбранном треть-октавном фильтре, «взвешенные» с поправкой на положение механизмов и параметры движения (здесь обозначает номер, присвоенный судовому механизму, являющемуся источником акустического излучения). В данной работе был выбран треть-октавный фильтр №25 обладающий следующими характеристиками: средняя частота ; ширина фильтра ; нижняя граница фильтра ; верхняя граница фильтра . - временные последовательности уровней сигнала на приемнике, полученные с помощью программы моделирования подводного шума движущегося судна. Всего было смоделировано шесть галсов длительностью 124 секунды каждый. Параметры галсов сведены в Таблице 1. Таблица 1 Параметры движения судна при моделировании Галс № 1 2 3 4 5 6 v, м/с 1.7 1.7 1.2 1.2 2.2 2.2 Δx, м 0 10 0 10 0 10 Чтобы обеспечить достаточную выборку для работы с нейронной сетью, было принято решение объединить данные, смоделированные для различных галсов, что позволило увеличить временные последовательности до 744 отсчетов. Первые 500 отсчетов каждого вектора использовались как обучающее множество, следующие 100 отсчетов - как валидационное множество, последние 120 отсчетов - как тестовое множество. Пример такой структуры объединенных данных приведен на рисунке 5. Рис. 5. Структура объединенных выходных данных, полученных при моделировании шести галсов, совершенных судном. А - обучающее множество; В - валидационное множество; С - тестовое множество В дальнейшем все данные были нормированы на интервал от нуля до единицы при помощи следующего правила: (1) Результаты исследования В ходе исследований рассматривались следующие архитектуры нейронных сетей: - линейная регрессия; - сеть прямого распространения с 1 скрытым слоем; - сеть прямого распространения с 2 скрытыми слоями; - сеть прямого распространения с 4 скрытыми слоями; - рекуррентная сеть Элмана с 1 скрытым слоем; - рекуррентная сеть Элмана с 2 скрытыми слоями. В результате проделанной работы [6], основываясь на таких статистических критериях как коэффициент детерминации, коэффициент корреляции, стандартное отклонение по отношению к целевым значениям и СКО, было выявлено, что наилучшим образом для решения поставленной задачи подходит нейронная сеть прямого распространения с двумя скрытыми слоями. Использование более сложных архитектур оказалось нецелесообразным, а линейная регрессия удовлетворительного результата не дала. Рассмотрим подробнее использование оптимальной нейронной сети, которой, как было отмечено, стала сеть прямого распространения с двумя скрытыми слоями. При обработке данные выбирались последовательно (одно значение за другим). Количество нейронов в каждом скрытом слое сети выбиралось последовательно из диапазона от 1 до 50. В каждый скрытый слой закладывалась одна и та же функция активации - . Визуализация результатов работы сети на тестовом множестве приведена ниже. Рис. 6. Результаты моделирования для двухслойных сетей прямого распространения образованных случайными параметрами. Выходы сетей по отдельности, среднее комитета, целевые значения. Рис. 7 . Статистические результаты моделирования для двухслойных сетей прямого распространения образованных случайными параметрами. Коэффициенты детерминации (R), корреляции (r), СО (std), CКО (RMS). Кружочками отмечены точки максимума и минимума в зависимости от коэффициента. Рис.8. Результаты моделирования для двухслойных сетей прямого распространения образованных случайными параметрами. Представлен регрессионный анализ для целевых значений против усредненного выхода комитета. Как видно из приведенных выше рисунков, комитет дает приемлемый прогноз выходов. Построенная модель объясняет 90% изменчивости данных. Принимая во внимание максимальный коэффициент детерминации, можно утверждать, что наилучший результат показала сеть с соотношением нейронов в первом и втором слое: 12 / 40. Выбранная архитектура изображена на рисунке 9. Рис. 9. Сеть прямого распространения с двумя скрытыми слоями. В дальнейшем производилось обучение комитета из 50 сетей выбранной архитектуры. После 50 эпохи (из рассмотренных 1794) ошибка обучения не превышала значение . Статистические показатели сведены в таблице 2. Графические результаты обучения сети представлены на рисунках 10 и 11. Таблица 2 Статистические показатели для архитектуры 12 / 40. R r STD RMS 0.89731 0.96123 -0.10144 0.00779 Рис. 10. Результаты моделирования для двухслойных сетей прямого распространения имеющие выбранные выше параметры. Рис. 11. Результаты моделирования для двухслойных сетей прямого распространения имеющие выбранные выше параметры. Представлен регрессионный анализ для целевых значений против усредненного выхода комитета. Данные выходов сетей и целевые значения можно перевести из относительных величин обратно в дБ, воспользовавшись формулой 1. Результаты такой перенормировки приведены на рисунке 12. Как видно из графика, погрешность прогноза лежит в коридоре ±4дБ от целевых значений. Рис. 12. Результаты моделирования для двухслойных сетей прямого распространения, имеющие выбранные выше параметры. Заключение В ходе выполнения исследования проработана идея автоматического мониторинга подводного шума движущегося судна на основе внутренних измерений вибрации с помощью искусственной нейронной сети, обучаемой по результатам предварительных натурных испытаний. Обоснованы преимущества такого подхода по сравнению с классическими методами. Представлена компьютерная модель поля звукового давления подводного шума движущегося судна, использующая натурные записи вибраций судовых механизмов, которая была задействована при подготовке данных для обучения искусственной нейронной сети. Описана структура входных и выходных данных. В работе были рассмотрены сети прямого распространения с различным числом скрытых слоев нейронов (2 и 4), а также рекуррентные сети типа Элмана с одним и двумя скрытыми слоями нейронов. На основе статистических критериев установлено, что оптимальной является сеть прямого распространения с двумя скрытыми слоями нейронов. Высокая точность прогноза, составляющая ±4 дБ, позволяет оценивать позитивно перспективность работ по применению искусственных нейронных сетей для выполнения автоматического мониторинга подводного шума судна.

Научные конференции

 

(c) Архив публикаций научного журнала. Полное или частичное копирование материалов сайта возможно только с письменного разрешения администрации, а также с указанием прямой активной ссылки на источник.