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