ЛАПТЕВА Е.Н. ПРИМЕНИМОСТЬ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ УЗКИХ МЕСТ ПРОИЗВОДСТВА


ЛАПТЕВА Е.Н. ПРИМЕНИМОСТЬ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ УЗКИХ МЕСТ ПРОИЗВОДСТВА


Рубрика: 05.00.00 ТЕХНИЧЕСКИЕ НАУКИ

Библиографическая ссылка на статью:
// Современные научные исследования и инновации. 2012. № 12 [Электронный ресурс]. URL: http://web.snauka.ru/issues/2012/12/19009 (дата обращения: 02.06.2017).

Информатизация современного общества ставит, в частности перед руководителями промышленных предприятий, задачи не решаемые традиционными алгоритмическими методами.  Такие задачи, как принятие управленческих решений в сложных ситуациях, традиционно решаются  при помощи накопленного опыта, интуиции, более присущих  не машинной логике, а человеческому мышлению. Однако объемы информации, на основе которой требуется принимать такие решения, выходят за рамки возможностей отдельного человека.

Решение интеллектуальных задач подобного типа возможно автоматизировать  с помощью применения новых информационных технологий. Принято выделять два основных подхода к разработке искусственного интеллекта. Нисходящий, семиотический подход подразумевает создание экспертных систем.  Построение таких систем требует тщательного предварительного анализа мыслительного процесса экспертов, реконструкции логических цепочек рассуждений для каждого из возможных случаев развития событий. Такая система сможет давать ответы только на заранее прописанный круг вопросов.

Восходящий, биологический подход заключается в построении искусственных аналогов биологических нейронных сетей. Такие программные или аппаратные  реализации математических моделей процессов, протекающих в мозге человека, позволяют  решать задачи классификации, кластеризации, прогнозирования. В настоящее время приложения, использующие вычислительные возможности искусственных нейронных сетей, активно используются  в экономике, медицине, для проведения научных расчетов.

В каждом конкретном случае топология сети, тип и характеристики отдельных нейронов, методики и параметры обучения выбираются на основании анализа предметной области, сложности поставленной задачи, количества и качества имеющейся входной и требуемой выходной информации.

Рассмотрим обобщенную структуру процесса промышленного производства.  Заказчик проекта предоставляет заводу технико-экономическое обоснование (ТЭО), в которое как правило входит проект организации строительства, генеральный график работ и конструкторская документация.

Завод на основе предоставленной документации разрабатывает укрупненный график работ, на основании которого разрабатывается график подготовки производства и рабочая конструкторская документация, которая, в свою очередь служит основанием для разработки технологической документации. Затем составляются рабочие графики для основных блоков работ.

Для каждого проекта разрабатывается укрупненный график работ  (УГ) и множество рабочих графиков (РГ).  К каждому графику привязываются события, являющиеся началом и концом работ соответствующего графика. Работам РГ соответствуют техкомплекты.

Как правило, предприятие одновременно ведет работы по нескольким проектам. Большое количество работ, относящееся к одному участку, ведет к повышению вероятности срыва сроков.  Возможность своевременного, еще на этапе проектирования,  определения таких «узких мест» позволит предприятию оптимизировать свою деятельность.  Такая класификационно-прогнозная задача успешно решаема при помощи нейронных сетей.

Рассмотрим нелинейную монотонно возрастающую функцию у1j, характеризующую общую загруженности участка j.

y1j = f (x1w1j+ x2w2j  +…+xnw1j)= f (NET1j)

где хi  – i-тая работа выполняемая j-тым участком, входной сигнал.

wij- числовой коэффициент важности хi, его вес,

f  - некоторая нелинейная функция, характеризующая зависимость загруженности участка от общего количества выполняемых им работ.

 

В свою очередь загруженность цеха является нелинейной функцией загруженности отдельных его участков.

y2k = f (y11w1k+ y12w2k  +…+ y1mwmk)= f (NET2k)

 где у1i  – выходное значение загруженности  i-того участка j-того цеха,

wik- числовой коэффициент важности у1i, его вес.

 

Выходной слой сети содержит единственный нейрон, выход которого – сигнал OUT – показывает загруженность завода по рассматриваемому сетевому графику в целом

OUT= y = f (y21w1+ y22w+…+ y2pwp)= f (NET)

 где у2i  – выходное значение загруженности   j-того цеха,

wI- числовой коэффициент важности у2i, его вес.

Искусственная нейронная сеть, решающая такую задачу, будет представлять собой многослойную (в данном случае трехслойную) сеть прямого распространения сигнала. Каждый отдельный искусственный нейрон будет способен воспринимать, обрабатывать и формировать  непрерывный (аналоговый) выходной сигнал в диапазоне [0; 1] . В качестве активационной функции для нейронов ненулевого слоя предлагается сигмоид. Такая функция позволит ввести некоторую нелинейность в работу сети, но при этом не слишком сильно изменить результат её работы. К другим достоинствам сигмоидальной активационной функции относятся простота, высокая сходимость и устойчивость реализации обучения нейронов методом обратного распространения ошибки, линейная вычислительная сложность процесса обучения. Данный метод рекомендуется, например, ГОСТ Р 526335-2011 «Защита информации. Техника защиты информации. Автоматическое обучение нейросетевых преобразователей биометрия-код доступа».

Сигмоид, называемый логистической, или сжимающей функцией, сужает диапазон изменения NET так, что значение выходной величины лежит между нулем и единицей. Многослойные нейронные сети обладают большей представляющей мощностью, чем однослойные, только в случае присутствия нелинейности. Сжимающая функция обеспечивает требуемую нелинейность.

Структура полученной сети постоянная при постоянстве структуры предприятия. Весовые коэффициенты первого слоя (матрица W1) зависят от трудоемкости каждого входного техкомплекта. Веса остальных слоев настраиваются при обучении сети и остаются постоянны при постоянной структуре предприятия.

Входными данными сети являются техкомплекты (их длительность, исполнитель).

нейронная сеть

Такая структура нейронной сети позволяет получать выводы по загруженности не только предприятия в целом, но и каждого отдельного подразделения, что важно для проведения управленческого анализа в различных срезах.

Реализация данной сети не требует специального аппаратного обеспечения. Получаемое при  программной эмуляции нейронной сети быстродействие в данном случае достаточно для решения поставленных задач.

Применение неалгоритмических методов обработки и анализа информации, таких как фреймовая модель представления данных, имитационное моделирование поведения производственной системы, нейросетевое прогнозирование вероятности срыва сроков по отдельным участкам и в системе в целом позволит создать программный комплекс, возможности которого будут опережать имеющиеся информационные потребности предприятия, что безусловно послужит толчком к переходу на новый этап развития.



Все статьи автора «lapteva»


© Если вы обнаружили нарушение авторских или смежных прав, пожалуйста, незамедлительно сообщите нам об этом по электронной почте или через форму обратной связи.

Связь с автором (комментарии/рецензии к статье)

Оставить комментарий

Вы должны авторизоваться, чтобы оставить комментарий.

Если Вы еще не зарегистрированы на сайте, то Вам необходимо зарегистрироваться: