8. NEURONOWY KLASYFIKATOR STANU MASZYNY
8.3. Wyniki klasyfikacji neuronowej
Dla wszystkich przypadków, w których występowała liniowa separowalność punktów odpowiadających stanowi bezawaryjnemu i uszkodzonemu, do klasyfikacji wystarczyły sieci o jednym neuronie w warstwie ukrytej. Dotyczyło to rozpoznawania obu przypadków uszkodzeń w tworniku zarówno na podstawie składowych prądu twornika jak i wzbudzenia. Średniokwadratowy błąd odpowiedzi sieci, po przeprowadzeniu trenowania, wynosił dla wszystkich tych przypadków 0 i optymalizacja była bezcelowa. Podobnie sytuacja wyglądała w przypadku detekcji zwarcia oraz przerwy cewki obwodu wzbudzenia na podstawie zestawu składowych prądu wzbudzenia zawierających 0Hz i 25Hz. Jednak jak już wcześniej zostało wspomniane obie te składowe mogą służyć jedynie jako wskaźniki mogące świadczyć o podejrzeniu wystąpienia uszkodzenia i nie powinny być traktowane jako symptomy.
Dla kolejnych czterech analizowanych przypadków, tj. wykrywania zwarcia oraz przerwy cewki obwodu wzbudzenia na podstawie prądu twornika, a także detekcji obu tych uszkodzeń na podstawie prądu wzbudzenia z usuniętymi składowymi: 0Hz oraz 25Hz, w których to przypadkach nie było liniowej separowalności, sieci o jednym neuronie w warstwie ukrytej nie funkcjonowały dostatecznie dobrze i istniała potrzeba zastosowania sieci o większej liczbie neuronów oraz optymalizacji ich struktury.
Zbudowano i zoptymalizowano również klasyfikator do rozpoznawania wszystkich uszkodzeń na podstawie składników widma prądu wzbudzenia, które były charakterystyczne dla poszczególnych uszkodzeń.
8.3.1. Wyniki klasyfikacji dla zwarcia w grupie zezwojów twornika
Zarówno dla klasyfikacji na podstawie prądu twornika, jak i prądu wzbudzenia skuteczność rozpoznawania na poziomie 100% zapewniała sieć o jednym neuronie w warstwie ukrytej. Nie było potrzeby przeprowadzania procedury optymalizacyjnej.
8.3.2. Wyniki klasyfikacji dla przerwy jednej gałęzi równoległej twornika
Zarówno dla klasyfikacji na podstawie prądu twornika, jak i prądu wzbudzenia skuteczność rozpoznawania na poziomie 100% zapewniała sieć o jednym neuronie w warstwie ukrytej. Nie było potrzeby przeprowadzania procedury optymalizacyjnej.
8.3.3. Wyniki klasyfikacji dla zwarcia cewki obwodu wzbudzenia
Wyniki klasyfikacji na podstawie widma prądu twornika.
Dla tego przypadku klasyfikacyjnego zastosowana została sieć o czterech neuronach w warstwie wejściowej, na które podawane były amplitudy następujących składowych prądu twornika: 25Hz, 50Hz, 75Hz i 150Hz. Wyniki klasyfikacji oraz procesu optymalizacji klasyfikatora zestawiono w tabeli 8.1, a przebieg procesu optymalizacji w postaci zależności maksymalnej oraz średniej funkcji przystosowania od numeru pokolenia zaprezentowano na rysunku 8.7.
Tabela 8.1. Wyniki optymalizacji parametrów klasyfikatora neuronowego do diagnostyki
zwarcia cewki obwodu wzbudzenia na podstawie widma prądu twornika
Parametr Wartość
liczba neuronów w warstwie ukrytej 3
metoda treningowa Rprop
funkcje aktywacji warstwy wejściowej unipolarna liniowa z nasyceniem
funkcje aktywacji warstwy ukrytej sigmoidalna bipolarna
funkcje aktywacji warstwy wyjściowej unipolarna liniowa z nasyceniem
średniokwadratowy błąd odpowiedzi 0.1762
wartość funkcji przystosowania najlepszego osobnika 132.9085
Rys. 8.7. Zależność maksymalnej (kolor niebieski) oraz średniej (kolor czerwony) wartości
Wyniki klasyfikacji na podstawie widma prądu wzbudzenia.
W przypadku uwzględnienia pełnego widma skuteczność rozpoznawania na poziomie 100% zapewniała sieć o jednym neuronie w warstwie ukrytej i nie było potrzeby przeprowadzania procedury optymalizacyjnej. Po wycięciu składowych 0Hz i 25Hz najlepszym zestawem składowych były częstotliwości: 75Hz, 100Hz i 200Hz (dla których odległość Mahalanobisa była jednak niska i wynosiła 1,5). Dla tych składowych został zbudowany i zoptymalizowany klasyfikator o trzech wejściach. Wyniki klasyfikacji oraz procesu optymalizacji klasyfikatora zestawiono w tabeli 8.2, a przebieg procesu optymalizacji w postaci zależności maksymalnej oraz średniej funkcji przystosowania od numeru pokolenia zaprezentowano na rysunku 8.8.
Tabela 8.2. Wyniki optymalizacji parametrów klasyfikatora neuronowego do diagnostyki
zwarcia cewki obwodu wzbudzenia na podstawie widma prądu wzbudzenia
Parametr Wartość
liczba neuronów w warstwie ukrytej 2
metoda treningowa Levenberga-Marquardta
funkcje aktywacji warstwy wejściowej sigmoidalna bipolarna
funkcje aktywacji warstwy ukrytej sigmoidalna bipolarna
funkcje aktywacji warstwy wyjściowej unipolarna liniowa z nasyceniem
średniokwadratowy błąd odpowiedzi 0.1267
wartość funkcji przystosowania najlepszego osobnika 224.0241
Rys. 8.8. Zależność maksymalnej (kolor niebieski) oraz średniej (kolor czerwony) wartości
8.3.4. Wyniki klasyfikacji dla przerwy cewki obwodu wzbudzenia
Wyniki klasyfikacji na podstawie widma prądu twornika.
Dla tego przypadku klasyfikacyjnego zastosowana została sieć o czterech neuronach w warstwie wejściowej, na które podawane były amplitudy następujących składowych prądu twornika: 25Hz, 100Hz, 125Hz i 950Hz. Wyniki klasyfikacji oraz procesu optymalizacji klasyfikatora zestawiono w tabeli 8.3, a przebieg procesu optymalizacji w postaci zależności maksymalnej oraz średniej funkcji przystosowania od numeru pokolenia zaprezentowano na rysunku 8.9.
Tabela 8.3. Wyniki optymalizacji parametrów klasyfikatora neuronowego do diagnostyki
przerwy cewki obwodu wzbudzenia na podstawie widma prądu twornika
Parametr Wartość
liczba neuronów w warstwie ukrytej 2
metoda treningowa Levenberga-Marquardta
funkcje aktywacji warstwy wejściowej sigmoidalna bipolarna
funkcje aktywacji warstwy ukrytej unipolarna liniowa z nasyceniem
funkcje aktywacji warstwy wyjściowej sigmoidalna unipolarna
średniokwadratowy błąd odpowiedzi 0.039944
wartość funkcji przystosowania najlepszego osobnika 848.1779
Rys. 8.9. Zależność maksymalnej (kolor niebieski) oraz średniej (kolor czerwony) wartości
Wyniki klasyfikacji na podstawie widma prądu wzbudzenia.
W przypadku uwzględnienia pełnego widma skuteczność rozpoznawania na poziomie 100% zapewniała sieć o jednym neuronie w warstwie ukrytej i nie było potrzeby przeprowadzania procedury optymalizacyjnej. Po wycięciu składowych 0Hz i 25Hz najlepszym zestawem składowych były częstotliwości: 50Hz, 175Hz i 250Hz. Dla tych składowych został zbudowany i zoptymalizowany klasyfikator o trzech wejściach. Wyniki klasyfikacji oraz procesu optymalizacji klasyfikatora zestawiono w tabeli 8.4. Przebieg procesu optymalizacji w postaci zależności maksymalnej oraz średniej funkcji przystosowania od numeru pokolenia zaprezentowano na rysunku 8.10.
Tabela 8.4. Wyniki optymalizacji parametrów klasyfikatora neuronowego do diagnostyki
przerwy cewki obwodu wzbudzenia na podstawie widma prądu wzbudzenia
Parametr Wartość
liczba neuronów w warstwie ukrytej 2
metoda treningowa gradientów sprzężonych
funkcje aktywacji warstwy wejściowej sigmoidalna bipolarna
funkcje aktywacji warstwy ukrytej unipolarna liniowa z nasyceniem
funkcje aktywacji warstwy wyjściowej sigmoidalna unipolarna
średniokwadratowy błąd odpowiedzi 0.18731
wartość funkcji przystosowania najlepszego osobnika 119.3562
Rys. 8.10. Zależność maksymalnej (kolor niebieski) oraz średniej (kolor czerwony) wartości
8.3.5. Wyniki klasyfikacji dla wszystkich badanych uszkodzeń
Na podstawie wyników selekcji na podstawie prądu wzbudzenia wytypowane zostały składowe widma, które dawały największe odległości Mahalanobisa dla poszczególnych uszkodzeń. Wybrane zostały następujące składowe: 0Hz, 25Hz, 50Hz, 100Hz, 150Hz, 200Hz i 600Hz. Dla powyższych składowych utworzony został klasyfikator neuronowy o siedmiu wejściach oraz pięciu wyjściach, które odpowiadały poszczególnym stanom awaryjnym oraz stanowi bezawaryjnemu. Dla tak zbudowanego klasyfikatora przeprowadzono optymalizację struktury, której wyniki zestawiono w tabeli 8.5. Przebieg procesu optymalizacji w postaci zależności maksymalnej oraz średniej funkcji przystosowania od numeru pokolenia zaprezentowano na rysunku 8.11. Klasyfikator bezbłędnie radził sobie z wykrywaniem uszkodzeń w uzwojeniach twornika, natomiast popełniał błędy w przypadku rozpoznawania uszkodzeń w obwodzie wzbudzenia. Należy przy tym zaznaczyć, że składowe 0Hz i 25Hz nie mogą być w pełni uznane za miarodajne i stwierdzenie wystąpienia uszkodzenia w obwodzie wzbudzenia przez klasyfikator nie zawsze musi świadczyć o tym, że rzeczywiście takie uszkodzenie miało miejsce.
Tabela 8.5. Wyniki optymalizacji parametrów klasyfikatora neuronowego do diagnostyki
przerwy cewki obwodu wzbudzenia na podstawie widma prądu wzbudzenia
Parametr Wartość
liczba neuronów w warstwie ukrytej 3
metoda treningowa Levenberga-Marquardta
funkcje aktywacji warstwy wejściowej sigmoidalna unipolarna
funkcje aktywacji warstwy ukrytej sigmoidalna bipolarna
funkcje aktywacji warstwy wyjściowej sigmoidalna unipolarna
średniokwadratowy błąd odpowiedzi 0.11445
wartość funkcji przystosowania najlepszego osobnika 258.664
Rys. 8.11. Zależność maksymalnej (kolor niebieski) oraz średniej (kolor czerwony) wartości