Plik PDF - Pomiary Automatyka Robotyka
Transkrypt
Plik PDF - Pomiary Automatyka Robotyka
Pomiary Automatyka Robotyka 2/2009 dr Maria Meler-Kapcia Politechnika Gdaska ZASTOSOWANIE SIECI NEURONOWEJ DO WSPOMAGANIA PROJEKTOWANIA WSTPNEGO STATKU W referacie zaprezentowano struktur oraz algorytm uczenia sieci neuronowej ze wsteczn propagacj bdów do wspomagania projektowania wstpnego dla doboru mocy silnika gównego statku na podstawie jego parametrów ogólnych. Algorytm zaimplementowany zosta w jzyku Visual Basic w systemie Access i moe by zastosowany dla dowolnej liczby parametrów, którymi mog by pola bazy danych statków zbudowanych. Uzyskane wyniki mog suy do weryfikacji projektu wstpnego, w którym nie wykorzystuje si podobiestwa statków. ON APPLICATION OF NEURAL NETWORK FOR AIDED CONCEPTUAL SHIP DESIGN In the paper the structure and error back-propagation neural network algorithm was presented to aid conceptual design for choosing of power output of ship’s main engine (ME) based on the general ship’s parameters (mainly its dimensions). This algorithm was elaborated in Visual Basic language and may be used for every parameters number as ship’s constructed database fields. Obtained results may be used for project’s verification in which similarity of ships is not used. 1. WSTP W literaturze znale mona przykady zastosowania sztucznej inteligencji, w tym sieci neuronowych, do wspomagania projektowania statków [1, 2, 9] zwaszcza na etapie wstpnym, w którym na podstawie szczegóowych wymaga armatora okrela si gówne parametry statku. Dla zapewnienia optymalnych wymiarów gównych statku w jego projekcie czsto stosuje si podejcie oparte na znajdowaniu statków o podobnych charakterystykach i ewentualnym dokonaniu modyfikacji zastosowanych rozwiza projektowych. Wykorzystanie informacji dotyczcych wczeniej wykonanych podobnych projektów umoliwiaj zarówno systemy ekspertowe za pomoc metody wnioskowania na podstawie przypadków [9], co uatwia zaprojektowanie statku o wysokiej efektywnoci w moliwie krótkim czasie, jak i sieci neuronowe [11, 14], które mona uczy w oparciu o reprezentatywne przykady oraz wyniki uzyskane z innych róde (np. podczas eksploatacji statku). W ten sposób przetwarzanie charakterystyczne dla tradycyjnych systemów ekspertowych jest komplementarne wzgldem rozproszonego przetwarzania równolegego, jakim odznaczaj si sieci neuronowe. Oba te klasyczne narzdzia sztucznej inteligencji wraz z relacyjn baz danych zostay zastosowane do wspomagania projektowania wstpnego statku w zakresie doboru mocy silnika gównego (SG) na podstawie parametrów wejciowych: nonoci, dugoci cakowitej, szerokoci, zanurzenia oraz prdkoci przy uyciu metod obliczania podobiestwa w aplikacji bazy danych (z funkcj trapezow, Gaussa, trójktn oraz z doln granic). Oceny skutecznoci i prawidowoci tych metod dokonano poprzez ich analiz porównawcz w zestawieniu z wynikami uzyskanymi z sieci neuronowej. Wartoci parametrów statków o zbyt maym stopniu podobiestwa mog by weryfikowane przez sie neuronow. ze wsteczn propagacj bdów, która zaimplementowana zostaa automation 2009 587 Pomiary Automatyka Robotyka 2/2009 w jzyku Visual Basic i moe by zastosowana dla dowolnej liczby parametrów wejciowych i wyjciowych w postaci pól tabeli bazy danych statków zbudowanych. Ma to miejsce wówczas, gdy nie znaleziono statku podobnego, a w tworzonym projekcie wystpuj elementy projektów pochodzce z rónych statków lub zosta on utworzony samodzielnie przez projektanta (bez korzystania z podobiestwa statków). 2. SIE NEURONOWA DLA DOBORU MOCY SILNIKA GÓWNEGO STATKU W zastosowaniach sieci neuronowych wymagane jest posiadanie moliwie licznego zbioru uczcego. Obliczenia przeprowadzono na wybranych parametrach kilkuset statków zbudowanych w polskich stoczniach. W przeprowadzonych badaniach poszukiwano zalenoci mocy silnika gównego od parametrów wejciowych takich jak: nono (DWT [t]), dugo cakowita (LOA [m]) i szeroko statku (B [m]), jego zanurzenie (D [m]) oraz prdko (V [w]). Fragment bazy danych tych statków przedstawiono w tab. 1. Tab. 1. Przykadowy fragment bazy danych statków zbudowanych Lp. 2 4 6 8 9 10 11 12 13 15 17 18 DWT [t] 15300 15300 7200 41600 41450 16500 550 210 1480 1564 18500 2209 LOA [m] 148.9 148.9 169.9 206.5 205 149 60.21 30.25 90.63 88.88 141.35 102.6 B [m] 23 23 28 30 30 23 10.5 10.2 15.02 15.22 22.5 17.07 D [m] 8.5 8.5 12.3 11.5 11.48 8.5 3.15 4.72 5.4 5.4 9.47 5.7 V [w] 14 14 20.5 14.3 14.6 18 11 5 15 16 13 16.5 Moc SG [kW] 6800 6800 8600 11330 8338 7230 1200 600 3600 3600 6650 5200 W obliczeniach zastosowano sie dwuwarstwow z cig unipolarn funkcj aktywacji i klasyczny algorytm propagacji wstecznej bdu zmiany wag. Zbiór statków podzielono na dwa podzbiory: uczcy i testujcy. Do zbioru testujcego wylosowano 25 % statków. Jako fragment zbioru uczcego wykorzystano dane z tab. 1. Wszystkie parametry statków przed rozpoczciem oblicze zostay znormalizowane do wartoci z zakresu [0, 1]. W tym przypadku jeden cykl obliczeniowy skada si z wprowadzenia na wejcie sieci kolejno parametrów wszystkich statków ze zbioru uczcego. Zakoczenie uczenia sieci nastpowao wtedy, gdy redni bd kwadratowy -ec w cyklu przyjmowa warto mniejsz od zadanej. Bd ten dotyczy rónicy pomidzy rzeczywist moc SG a moc wyliczon przez sie dla tego samego statku. Zbieno procesu uczenia wyraon zalenoci ec od liczby cykli obliczeniowych lc przedstawiono na rys. 1. Dane te uzyskano dla sieci o nastpujcych cechach: pi wej (DWT, LOA, B, D, V), 25 neuronów w warstwie ukrytej, jeden neuron wyjciowy, wspóczynnik uczenia K1 = 0,5, parametr funkcji aktywacji E = 1,5. 588 automation 2009 Pomiary Automatyka Robotyka 2/2009 0,035 0,030 ec 0,025 0,020 0,015 0,010 0,005 0 50 100 150 200 250 lc Rys. 1. Zbieno procesu uczenia sieci neuronowej Po zakoczeniu uczenia sieci na zbiorze uczcym statków, przeprowadzono obliczenia (z uzyskanymi wagami sieci) wykorzystujc parametry statków ze zbioru testujcego. W obliczeniach testujcych okrelono take redni bd wzgldny w procentach wyraony wzorem: n e ¦ i 1 M ri M oi 100 M ri n (1) gdzie: Mr i Mo odpowiednio moc rzeczywista i moc obliczona przez sie, n – liczba statków, i – numer statku. Uzyskano nastpujc warto tego bdu: e = 23,13 %, która w przypadku zastosowania metody regresji [14], dla tych samych danych, wyniosa 25,61 %. Wnioski ogólne dotyczce zastosowanej metody uczenia sieci neuronowej mona sformuowa nastpujco: zbieno procesu uczenia za pomoc algorytmu propagacji wstecznej bdu i ze staym wspóczynnikiem uczenia jest stosunkowo saba znaczna rozbieno wyników dla zbioru testujcego (due wartoci bdu) wynika z duej rónorodnoci rozpatrywanych statków gradientowy algorytm uczenia ze staym wspóczynnikiem uczenia K1 charakteryzuje si szybk zbienoci w fazie pocztkowej i sabsz zbienoci w dalszej czci oblicze. 3. ALGORYTM UCZENIA SIECI NEURONOWEJ DLA DOBORU MOCY SG Opracowany algorytm uczenia sieci neuronowej ze wsteczn propagacj bdów, zastosowany dla doboru mocy SG zaimplementowany zosta w jzyku Visual Basic i moe by zastosowany dla dowolnej liczby parametrów wejciowych i wyjciowych w postaci pól tabeli bazy danych statków zbudowanych. W algorytmie tym wymagane jest wskazanie bazy danych, a nastpnie tabeli, z której pochodz pola przyjte jako parametry dla sieci, w wyniku czego nastpuje przywoanie odpowiednich danych do wgldu. Po okreleniu liczby cykli oraz wstpnej wartoci bdu, jak równie wspóczynników uczenia K1 i korekcji wag K2 uruchamiany jest proces uczenia sieci. Uzyskane wyniki z sieci neuronowej zapisywane s w osobnym polu „Oblicz” tabeli ródowej. Wartoci wszystkich parametrów algorytmu uczenia sieci wprowadzane s za porednictwem formularza przedstawionego na rys. 2. automation 2009 589 Pomiary Automatyka Robotyka 2/2009 Rys. 2. Formularz do wprowadzania wartoci parametrów sieci neuronowej W procesie uczenia sieci naley uwzgldni nastpujce problemy: 1. dobór zbioru uczcego o odpowiedniej wielkoci 2. okrelenie wartoci wspóczynników K1 jako wspóczynnika uczenia oraz K2 jako wspóczynnika korekcji wag 3. zdefiniowanie czasu uczenia. Istotn rzecz jest umiejtny wybór wspóczynnika uczenia K1, który ma ogromny wpyw na stabilno i szybko caego procesu. Wspóczynnik K1 jest mnoony przez propagowany wstecz bd i odpowiada za szybko uczenia. Zbyt maa warto tego parametru powoduje, i uczenie i zbieno sieci jest bardzo wolne, przy zbyt duej jego wartoci proces poszukiwa optymalnego wektora wag jest rozbieny i algorytm moe sta si niestabilny [5]. Wspóczynnik K2 mnoony jest przez wielko zmiany wag w poprzednim kroku, „wygadzajc” zbyt gwatowne skoki wag pocze. Wartoci wspóczynnika K2 naley dobiera na zasadzie pewnego kompromisu, tak aby kolejne przyrosty wag stanowiy ma cz ich aktualnych wartoci (np. kilkuprocentow). W literaturze [12] proponowana warto wspóczynnika K1 zawiera si w przedziale [0,05, 0,25]. Inni autorzy [13] podaj jako wartoci „klasyczne” tych wspóczynników: odpowiednio K1 = 0,9, a K2 = 0,6, przy czym zaznacza si, e w przypadku duych sieci naley przyjmowa wartoci mniejsze, lecz o podobnych proporcjach wzgldem siebie. Podczas uczenia wartoci te powinny by zmniejszane, lecz proponowane jest równie rozpoczynanie procesu uczenia sieci prawie od zerowych wartoci wspóczynników K1 i K2 oraz stopniowe ich zwikszanie a do osignicia pewnej ustalonej wartoci. Badania rozpoczto od pewnych maych wartoci wspóczynników, stopniowo je zwikszajc. Czas uczenia okrela si za pomoc liczby cykli prezentacji zbioru uczcego. Wybrane przykady zastosowania opracowanego algorytmu sieci neuronowej w zakresie doboru mocy SG, na podstawie wymiarów, nonoci i prdkoci statku, a nastpnie doboru mocy SG na podstawie jednego parametru wejciowego tj. prdkoci statku, przedstawiono w tab. 2. Badania w zakresie doboru mocy SG na podstawie innych parametrów projektowych, gównie wymiarów statku przeprowadzono dla przykadowej liczby cykli w zakresie 590 automation 2009 Pomiary Automatyka Robotyka 2/2009 100-50000, przy wartociach wspóczynników K1 i K2 równych odpowiednio 0,9 i 0,6 oraz wartociach w zakresie 3-0,1 i 1-1. W wikszoci przypadków przyjto rozwizanie polegajce na zmniejszaniu wartoci wspóczynników uczenia, co spowodowao uzyskanie bdu redniego w granicach: 0,034 – 0,06. W innych przypadkach, zastosowano te same wartoci wspóczynników, co przyczynio si do wzrostu bdu redniego, przy maej liczbie cykli nawet do wartoci równej 0,1. W jednym przypadku zastosowano zwikszanie wartoci wspóczynników, a uzyskany bd redni nie odbiega od poprzednich wartoci. Tab. 2. Wyniki zastosowania opracowanego algorytmu sieci neuronowej Wartoci wspóczynników Parametry wyjciowe Liczba cykli Liczba param. we. Moc SG K1 K2 Czas uczenia [min] Bd redni 1000 5 0,9 0,6 1 0,06 10000 5 0,9 0,6 7 0,04 30000 5 0,9 0,6 13 0,037 50000 5 0,9 0,6 20 0,034 1000 5 0,1 0,1 0.5 0,1 2000 5 1 0,1 1 0,05 4000 5 0,1 0,1 2 0,05 4000 5 1 0,1 2 0,048 4000 5 0,1 1 2 0,05 4000 5 1 1 2 0,046 4000 5 2 0,1 2 0,045 4000 5 2 0,5 2 0,.043 4000 5 3 0,1 2 0,046 10000 5 0,1 0,1 7 0,07 1000 1 0,9 0,6 0.3 0,06 10000 1 0,9 0,6 0.5 0,05 30000 1 0,9 0,6 12 0,056 Wyniki dotyczce uczenia sieci dla liczby cykli równej 100, a nastpnie 1000 przedstawiono na wykresie (rys. 3). automation 2009 591 Pomiary Automatyka Robotyka 2/2009 70000 60000 50000 Moc statków kW 40000 Moc obl 1000 30000 Moc obl 100 20000 10000 0 1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 Numery statków Rys. 3. Zalenoci mocy SG od parametrów: DWT, LOA, D, G, V Wyniki uczenia sieci dla liczby cykli równej 50000 cykli (przy tych samych pozostaych parametrach) przedstawiono na rys. 4. 25 000 50000 cykli bd redni = 0,034 20 000 15 000 kW Moc Moc_obl 10 000 5 000 0 1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 Numery statków Rys. 4. Wyniki uczenia sieci dla liczby cykli równej 50000 Dla porównania tych wyników przeprowadzono test uczenia sieci dla doboru mocy SG na podstawie jednego parametru wejciowego tj. prdkoci statku, co przedstawiono na rys. 5. Test wykonano na zbiorze statków o mocy SG >13000 kW i <25000 kW. 30000 3000 cykli 25000 kW 20000 Moc 15000 Moc obl 10000 5000 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Numery statków Rys. 5. Zaleno mocy SG od prdkoci statku dla wybranego zbioru statków Zbieno procesu uczenia dla doboru mocy SG na podstawie jednego parametru np. prdkoci statku jest nieco lepsza, anieli na podstawie wielu parametrów projektowych. 592 automation 2009 Pomiary Automatyka Robotyka 2/2009 Podobny test (na zbiorze statków o mocy SG >13000 kW i <25000 kW) wykonano dla wielu parametrów projektowych (DWT, LOA, B, D) dla K1i K2,= odpowiednio 3 i 0,1, którego wyniki przedstawiono na rys. 6. 30000 3000 cykli 25000 kW 20000 Moc 15000 Moc obl 10000 5000 0 1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73 Numery statków Rys. 6. Zaleno mocy SG od wielu parametrów projektowych dla wybranego zbioru statków - 3000 cykli W oparciu o wyniki przedstawionych przykadowych bada mona sformuowa nastpujce szczegóowe wnioski: 1. bd redni maleje ze wzrostem liczby cykli oblicze 2. zwikszanie wartoci wspóczynników uczenia nie daje lepszych rezultatów, anieli ich zmniejszanie (w drugim przypadku wzrost bdu redniego o 0,03) 3. zbieno procesu uczenia prowadzonego na wyselekcjonowanym zbiorze statków dla jednego parametru np. prdkoci statku jest nieco lepsza, anieli zbieno na podstawie wielu parametrów projektowych 4. zwikszanie liczby cykli powyej pewnej granicy (30000 dla analizowanych przykadów) nie daje znaczcej poprawy uzyskanych efektów. 4. ZASTOSOWANIE SIECI NEURONOWEJ DO PROJEKTOWANIA WSTPNEGO STATKU DLA DOBORU MOCY SILNIKA GLÓWNEGO Opracowany algorytm sieci neuronowej zastosowano do wspomagania projektowania wstpnego statku dla doboru mocy silnika gównego obok metod obliczania podobiestwa statków [7]. Wyniki tych metod zestawione zostay w tabeli 3. W przypadku, gdy wyszukane z bazy danych wartoci mocy SG statków wedug poszczególnych funkcji obliczania podobiestwa s identyczne z projektowanymi (przypadek: 2, 3, 4, 6) – tab. 3, wyniki uzyskane z sieci neuronowej s gorsze. Nie ma zatem potrzeby dokonania ich weryfikacji za pomoc sieci, która ma zastosowanie w przypadku, gdy nie znaleziono wystarczajco podobnych statków za pomoc metod obliczania podobiestwa w aplikacji bazy danych (przypadki: 1 i 5) – tab. 3. Wówczas ma miejsce proces weryfikacji tych wyników za pomoc sieci neuronowej. automation 2009 593 Pomiary Automatyka Robotyka 2/2009 Tab. 3. Wartoci mocy silnika gównego statków podobnych uzyskane przy uyciu rónych funkcji obliczania podobiestwa oraz z sieci neuronowej Moc SG statku podobnego [kW] Moc SG statku Metod z Metod z Metod z projektowane doln funkcj funkcj go granic Gaussa trapezow 3057 7000 7000 7000 4350 4350 4350 4350 5500 5500 5500 5500 7400 7400 7400 7400 12000 10800 10800 10800 13700 13700 137000 13700 Metod z funkcj Z sieci neuronowej trójktn 7000 1991 4350 2503 5500 5043 7400 7250 10800 11153 12960 13500 Porównanie uzyskanych przykadowych wyników dotyczcych statków zbudowanych w polskich stoczniach (wartoci mocy SG statków o najwikszym podobiestwie zawarte w tab. 3) przedstawiono na wykresie (rys. 7). 16000 Moc wynikowa 14000 12000 z dol gr 10000 Gaussa trap 8000 trójk 6000 z sieci Moc proj 4000 2000 0 0 2000 4000 6000 8000 10000 12000 14000 16000 Moc zadana Rys. 7. Graficzne porównanie mocy SG statków podobnych zbudowanych w polskich stoczniach wedug poszczególnych metod obliczania podobiestwa Z zaprezentowanych przykadów wynika, i uzyskane poszczególnymi metodami obliczania podobiestwa wartoci mocy statków najbardziej podobnych nie zawsze s zblione do mocy zadanej statku projektowanego. Wynika to z faktu, i statki podobne wyszukiwane s na podstawie podobiestw sumarycznych wszystkich parametrów wejciowych. Istotn rol odgrywa tu waciwe ustalenie wartoci wag parametrów, jak równie wartoci granic badanych zakresów i ich odchyle. Analiz podobiestwa przeprowadzono na podstawie statków rónych typów, zbudowanych w polskich stoczniach. Analizie poddano równie wyniki w zakresie doboru mocy SG uzyskane z sieci neuronowej. Rónice podobiestw uzyskanych przy zastosowaniu rónych funkcji wynika mog z nastpujcych powodów: 594 x mocno zrónicowana struktura badanego zbioru statków w bazie danych (róne typy, gabaryty, przeznaczenie) x zbyt maa liczba statków poddanych analizie x zbyt may zbiór statków w bazie danych, co rzutuje na wyniki uzyskane z sieci neuronowej. automation 2009 Pomiary Automatyka Robotyka 2/2009 5. PODSUMOWANIE W opracowanym systemie wspomagania projektowania wstpnego statku zastosowano sie neuronow dla doboru mocy oraz prdkoci obrotowej silnika gównego, na podstawie parametrów ogólnych statku m.in. jego wymiarów do wytypowania rozwizania w przypadku, gdy znalezione w bazie danych statki podobne nie speniaj oczekiwa projektanta ( nie s wystarczajco podobne). Uzyskane wyniki z sieci neuronowej porównano z wartociami wynikowymi znalezionych statków podobnych w bazie danych. Sie neuronowa, wyuczona na podstawie wczeniejszych rozwiza na statkach zbudowanych, w oparciu o ogólne dane projektowe statku moe zatem suy do uzupenienia (weryfikacji) metod okrelania podobiestwa w aplikacji bazy danych lub systemie ekspertowym w przypadku braku rozwiza podobnych. LITERATURA: 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. CEPOWSKI T., SZELANGIEWICZ T.: Sztuczne sieci neuronowe w badaniu waciwoci morskich okrtu, Budownictwo Okrtowe 2002 nr 5. CLAUSEN H.B., LUTZEN M., FRIIS-HANSEN A., BJORNEBOE N.: Bayesian and neural networks for preliminary ship design, Marine Technology 2001, No. 4. HEIAT A.: Comparison of artificial neural network and regression models for estimating software development effort, Information and software Technology, vol. 44, 2002, 911-922. HSIAO S.W., HUANG H.C.: A neural network based approach for product form design, Design Studies 2002, No. 23. KORBICZ J., OBUCHOWICZ A., UCISKI D.: Sztuczne sieci neuronowe, Podstawy i zastosowania, Akademicka Oficyna Wydawnicza, Warszawa 1994. KOWALSKI Z., MELER-KAPCIA M., ZIELISKI S.: Dobór funkcji podobiestwa w systemie eksperckim dla projektowania automatyki statków. Konferencja NT Automatyzacja – Nowoci i Perspektywy AUTOMATION 2002. KOWALSKI Z., ZIELISKI S., MELER-KAPCIA M.: Problemy sztucznej inteligencji w projektowaniu statków, Konferencja NT Automatyzacja – Nowoci i Perspektywy AUTOMATION’2003, Warszawa 2003. KOWALSKI Z., MELER-KAPCIA M., ZIELISKI S., DREWKA M.: CBR methodology application in an expert system for aided design ship’s engine room automation, Expert Systems with Applications 29, 2005, 256-263. LEE D., LEE K. H.: An approach to case-based system for conceptual ship design assistant. Expert Systems with Applications, 1999, Vol. 16, No. 2, 97-104. MELER-KAPCIA M., ZIELISKI S., KOWALSKI Z.: On application of some artificial intelligence methods in ship design. Polish Maritime Research 2005 no 1. REICH Y., BARAI S.V.: A methodology for building neural networks models from empirical engineering data, Engineering Applications of Artificial Intelligence, vol, 13, 2000, 685-694. RUTKOWSKA D., PILISKI M., RUTKOWSKI L. Sieci neuronowe, algorytmy genetyczne i systemy rozmyte, WNT, Warszawa 1999. TADEUSIEWICZ R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993. ZAKARIAN V. L., KAISER M. J.: An embedded hybrid neural network and expert system in an computer- aided design system. Expert Systems with Applications, vol. 16, 1999. URADA J., BARSKI M., JDRUCH W.: Sztuczne sieci neuronowe. Wydawnictwo Naukowe PWN, Warszawa 1996. automation 2009 595