НЕЙРОСЕТЕВАЯ ОБРАБОТКА СИГНАЛОВ: ЗАДАЧИ БЕЗ «ГЛУБОКОГО ОБУЧЕНИЯ»

DOI: 10.47026/1810-1909-2023-2-151-160

УДК 621.316.91

ББК 31.247

Л.А. СЛАВУТСКИЙ, Е.В. СЛАВУТСКАЯ

Ключевые слова

искусственные нейронные сети, прямое распространение, обработка сигналов в электротехнике, аппроксимация, погрешность в определении параметров, переходные процессы

Аннотация

Цель исследования – для обработки электротехнических сигналов проанализировать некоторые возможности использования аппарата искусственных нейронных сетей.

Методы. Рассматривается применение для этих целей многослойного персептрона, как простейшей нейросети прямого распространения. Его отличие, как основы нейросетевых алгоритмов, заключается в том, что при анализе динамических процессов обработка сигналов должна проводиться в скользящем временном окне.

Результаты. Показано, что нейросетевая обработка позволяет с высокой точностью аппроксимировать форму сигнала и определять его параметры в режиме реального времени. На примере периодических сигналов и переходных процессов в электрических цепях делаются оценки точности и анализируются особенности нейросетевой обработки. Обсуждаются необходимые размеры обучающей выборки сигналов и уровень ошибок, возникающих при тестировании нейронной сети. Приводятся оценки необходимой частоты дискретизации сигнала, длительности «скользящего окна», диапазона варьирования параметров сигнала при создании обучающей выборки.

Выводы. Показано, что предлагаемый подход не требует «глубокого обучения» нейронных сетей со сложной архитектурой, дает возможность создавать обучающую выборку сигналов на основе простых аналитических формул, контролировать качество работы нейросетевого алгоритма на промежуточных этапах вычислений.

Литература

1. Андреев О. Н., Славутский А.Л., Алексеев В.В. Структурный анализ электротехнических сигналов при рекуррентном использовании многослойного персептрона // Электротехника. 2022. № 8. С. 41–44.
2. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Горячая линия–Телеком, 2001. 382 с.
3. Минский М., Пейперт С. Персептроны. М.: Мир, 1971. 261 с.
4. Нейроинформатика / А.Н. Горбань, В.Л. Дунин-Барковский, А.Н. Кирдин и др.Новосибирск: Наука, 1998. 296 с.
5. Нейросетевой алгоритм восстановления в реальном времени сигнала промышленной частоты при нелинейных искажениях / А.Л. Славутский, Л.А. Славутский, В.В. Алексеев и др. // Электротехника. 2021. № 8. С. 21-25.
6. Петров А.П. О возможностях перцептрона // Известия АН СССР. Техническая кибернетика. 1964. № 6. C. 25–57.
7. Славутская Е.В., Славутский Л.А. О выборе структуры искусственных нейросетей и алгоритмов анализа психодиагностических данных // Казанский педагогический журнал. 2020. № 5(142). С. 202–211.
8. Хайкин С. Нейронные сети: полный курс. 2-е изд. М.: Вильямс, 2006. 1104 с.
9. Andreev O.N., Slavutskiy A.L., Slavutskii L.A. Neural network in a sliding window for power grids signals structural analysis. In: IOP Conference Series: Earth and Environmental Science, 2022, vol.  DOI: 10.1088/1755-1315/990/1/012054.
10. Antonov V.I., Naumov V.A., Fomin A.I. et al. Adaptive structural analysis of input signals of digital and relay protection and automation. Russian Electrical Engineering, 2015, vol. 86, pp. 391–397. DOI: 10.3103/S1068371215070032.
11. Basodi S., Zhang H., Pan Y. Gradient amplification: An efficient way to train deep neural networks. Big Data Mining and Analytics, 2020, vol. 3(3), pp. 196–207.
12. Billings S.A. Nonlinear system identification: NARMAX methods in the time, frequency, and spatio-temporal domains. John Wiley & Sons, 2013, 555 p. DOI 10.1002/9781118535561.
13. Bhattacharya B., Sinha А. Intelligent Fault Analysis in Electrical Power Grids. In: IEEE 29^th International Conference on Tools with Artificial Intelligence (ICTAI). Boston, 2017, pp. 985–990. DOI: 10.1109/ICTAI.2017.00151.
14. Burton B., Harley R.G. Reducing the computational demands of continually online-trained artificial neural networks for system identification and control of fast processes. IEEE Transactions on Industry Applications, 1998, vol. 34(3), pp. 589–596.
15. Bychkov A., Slavutskii L., Slavutskaya E. Neural Network for Pulsed Ultrasonic Vibration Control of Electrical Equipment. International Ural Conference on Electrical Power Engineering (UralCon), 2020, pp. 24–28. DOI: 10.1109/UralCon49858.2020.9216248.
16. Coury D.V., Oleskovicz M., Aggarwal R.K. An ANN routine for fault detection, classification and location in transmission lines. Electrical Power Components and Systems, 2002, no. 30, pp. 1137–1149.
17. Dharmendra K., Moushmi K., Zadgaonkar A.S. Analysis of generated harmonics due to transformer load on power system using artificial neural network. International journal of electrical engineering, 2013, vol. 4(1), pp. 81–90.
18. Grossberg S. A Path Toward Explainable AI and Autonomous Adaptive Intelligence: Deep Learning, Adaptive Resonance, and Models of Perception, Emotion, and Action. Neurorobot, 2020, vol. 14. DOI: https://doi.org/10.3389/fnbot.2020.00036.
19. Ince T., Kiranyaz S., Eren L., Askar M., Gabbou M. Real-Time Motor Fault Detection by 1-D Convolutional Neural Networks. IEEE Transactions on Industrial Electronics, 2016, vol. 63, vol. 11, pp. 7067-7075. DOI: 10.1109/TIE.2016.2582729.
20. Ivanov S.O., Nikandrov M., Lariukhin A. Neuro Algorithm Accuracy Evaluation for The Anomalies Detecting in Overcurrent Protection Operation. International Ural Conference on Electrical Power Engineering (UralCon), 2021, pp. 116–120. DOI: 10.1109/UralCon52005.2021.9559614.
21. He Z., Lin S., Deng Y., Li X., Qian Q. A rough membership neural network approach for fault classification in transmission lines. International Journal of Electrical Power and Energy Systems, 2014, vol. 61, pp. 429–439.
22. Jain A., Thoke A.S., Patel R.N. Fault classification of double circuit transmission line using artificial neural network. International Journal of Electrical Systems Science and Engineering, 2008, vol. 1, pp. 230–235.
23. Jamil M., Kalam A., Ansari A.Q., Rizwan M. Generalized neural network and wavelet transform based approach for fault location estimation of a transmission line. Applied Soft Computing, 2014, vol. 19, pp. 322–332.
24. Keerthipala W.L., Low Tah Chong, Tham Chong Leong. Artificial neural network model for analysis of power system harmonics. IEEE International Conference on Neural Networks, 1995, vol. 2, pp. 905–910.
25. Kozma R., Ilin R., Siegelmann H. T. Evolution of Abstraction Across Layers in Deep Learning Neural Networks. Computer Science, 2018, vol. 144, pp. 203–213. DOI: 10.1016/j.procs.2018.10.520.
26. Kulikov A.L., Loskutov A.A., Mitrovic M. Improvement of the technical excellence of multiparameter relay protection by combining the signals of the measuring fault detectors using artificial intelligence methods. In: International Scientific and Technical Conference Smart Energy Systems (SES-2019), 2019, vol. 124. DOI: 1051/e3sconf/201912401039.
27. Leroux S., Verbelen T., Simoens P. et al. Iterative neural networks for adaptive inference on resource-constrained devices. Neural Comput & Applic, 2022, 34, pp. 10321–10336. DOI: 10.1007/s00521-022-06910-5.
28. Leroux S., Bohez S., Verbelen T. et al. Resource-constrained classification using a cascade of neural network layers. International Joint Conference on Neural Networks (IJCNN), 2015, pp. 1–7, DOI: 10.1109/IJCNN.2015.7280601.
29. Niekerk C.R., Rens A.P.J., Hoffman A.J. Identification of types of distortion sources in power systems by applying neural networks. 6^th IEEE AFRICON, 2002, vol. 2(2), pp. 829–834.
30. Oh J.W., Jeong J. Convolutional neural network and 2-D image based fault diagnosis of bearing without retraining. 3^rd International Conference (ICDA 2019), 2019, pp. 134–138. DOI: 1145/3314545.3314563.
31. Osowski S. Neural network for estimation of harmonic components in a power system. IEEЕ Proceedings on Generation, Transmission and Distribution, 1992, vol. 139(2), pp. 129–135.
32. Rosenblatt F. Principles of neurodymamics. Washington, Spartan books, 1962.
33. Rumelhart D.E., Hinton G.E., Williams R.J. Learning Internal Representations by Error Propagation. Parallel Distributed Processing. Cambridge, MA-MIT Press, 1986, vol. 1, pp. 318–362.
34. Samarasinghe S. Neural Networks for Applied Sciences and Engineering: From Fundamentals to Complex Pattern Recognition. 1^st Boca Raton, Auerbach Publications, 2006, 570 p.
35. Slavutskiy A., Slavutskii L., Slavutskaya E. Neural Network for Real-Time Signal Processing: the Nonlinear Distortions Filtering. International Ural Conference on Electrical Power Engineering (UralCon), 2021, pp. 84–88. DOI: 10.1109/UralCon52005.2021.9559619.
36. Schmidhuber J. Deep learning in neural networks: An overview. Neural networks, 2015, 61, pp. 85–117. DOI:10.48550/arXiv.1404.7828.

Сведения об авторах

Славутский Леонид Анатольевич – доктор физико-математических наук, профессор кафедры автоматики и управления в технических системах, Чувашский государственный университет, Россия, Чебоксары (lenya@slavutskii.ru; ORCID: https://orcid.org/0000-0001-6783-2985).

Славутская Елена Владимировна – доктор психологических наук, профессор кафедры психологии и социальной педагогики, Чувашский государственный педагогический университет имени И.Я. Яковлева, Россия, Чебоксары (slavutskayaev@gmail.com; ORCID: https://orcid.org/0000-0002-3759-6288).

Формат цитирования

Славутский Л.А., Славутская Е.В. Нейросетевая обработка сигналов: задачи без «глубокого обучения» // Вестник Чувашского университета. – 2023. – № 2. – С. 151–160. DOI: 10.47026/1810-1909-2023-2-151-160.

Загрузить полный текст статьи