उद्योग में तंत्रिका नेटवर्क भविष्यवाणी प्रणाली

अनुकूलन को संसाधित करने के लिए अधिक से अधिक ध्यान दिया जा रहा है, मुख्य रूप से कम उत्पादन लागत के रूप में। उपकरणों को अपग्रेड करके लागत में कमी लाई जा सकती है, लेकिन यह दृष्टिकोण डिजाइन, खरीद, पुनर्निर्माण, आदि के लिए बहुत अधिक लागतों को मजबूर करता है, और पुनर्निर्मित वस्तु के निष्क्रिय समय के दौरान खोए हुए मुनाफे के साथ भी है। लेकिन तकनीकी प्रक्रिया में अक्षमताओं की खोज के लिए गणितीय दृष्टिकोण का उपयोग करना भी संभव है, और इस पर बाद में चर्चा की जाएगी।

संक्षेप में तंत्रिका नेटवर्क के बारे में

एक तंत्रिका नेटवर्क कनेक्टेड और इंटरेक्टिंग सिंपल प्रोसेसर (न्यूरॉन्स) की एक प्रणाली है।

चित्र 1. तंत्रिका नेटवर्क का संरचनात्मक आरेख (हरा - न्यूरॉन्स की इनपुट परत, नीला - न्यूरॉन्स की छिपी हुई (मध्यवर्ती) परत, पीला - न्यूरॉन्स की उत्पादन परत)।


न्यूरॉन एक तंत्रिका नेटवर्क का एक मूल तत्व है, जो सिग्नल को प्राप्त करने, परिवर्तित करने और वितरित करने में सक्षम एक एकल सरल कंप्यूटिंग प्रोसेसर है, बदले में, एक नेटवर्क में बड़ी संख्या में न्यूरॉन्स के संयोजन से हमें काफी जटिल समस्याओं को हल करने की अनुमति मिलती है।

चित्रा 2. न्यूरॉन की योजना।



तंत्रिका नेटवर्क दृष्टिकोण मॉडल बाधाओं से मुक्त है, यह रैखिक और जटिल nonlinear समस्याओं के साथ-साथ वर्गीकरण समस्याओं के लिए भी उतना ही उपयुक्त है। तंत्रिका नेटवर्क को सीखना मुख्य रूप से न्यूरॉन्स के बीच कनेक्शन की "ताकत" को बदलना है। तंत्रिका नेटवर्क स्केलेबल हैं, वे एक उपकरण के ढांचे के भीतर और समग्र रूप से पौधों के पैमाने पर दोनों समस्याओं को हल करने में सक्षम हैं।

ब्रीफिंग

लक्ष्य उत्पाद में सल्फर सामग्री की सबसे बड़ी सटीकता के साथ भविष्यवाणी करना है, जो बदले में आपको उत्पाद की गुणवत्ता और प्रक्रिया अनुकूलन के दृष्टिकोण से दोनों में मुख्य तकनीकी मानकों को इष्टतम मूल्यों में रखने की अनुमति देगा।
इकाइयां पीपीएम (एक शेयर का दसवां हिस्सा) हैं।
इनपुट डेटा - ऑब्जेक्ट के तकनीकी मापदंडों का ऐतिहासिक मूल्य।
नेटवर्क पूर्वानुमान सत्यापन डेटा - सल्फर सामग्री का दैनिक प्रयोगशाला विश्लेषण।

नेटवर्क प्रशिक्षण और परीक्षण

कुल 531 टिप्पणियों का उपयोग किया गया, कुल नमूने को निम्नानुसार विभाजित किया गया: नेटवर्क प्रशिक्षण के लिए 70% नमूना टिप्पणियों का उपयोग किया गया, नेटवर्क प्रशिक्षण की गुणवत्ता का आकलन करने और आपस में नेटवर्क की तुलना करने के लिए 30% का उपयोग नियंत्रण नमूने के रूप में किया गया। सभी टिप्पणियों में औसत सल्फर सामग्री 316.7ppm थी।
कुल मिलाकर, 4 नेटवर्क को प्रशिक्षण के परिणामों के आधार पर चुना गया, नेटवर्क में निम्नलिखित कॉन्फ़िगरेशन हैं:
नेटवर्क नंबर 1: 20-22-1
नेटवर्क नंबर 2: 20-26-1
नेटवर्क नंबर 3: 20-27-1
नेटवर्क नंबर 4: 20-16-1

नेटवर्क कॉन्फ़िगरेशन एए-बीबी-सी के रूप में प्रस्तुत किया जाता है, जहां एए इनपुट परत में न्यूरॉन्स की संख्या होती है, बीबी छिपी हुई परत में न्यूरॉन्स की संख्या होती है, सी आउटपुट परत में न्यूरॉन्स की संख्या होती है।

नेटवर्क प्रशिक्षण विशेष पैकेजों में किया गया था, इस समय उनमें से कई (एसपीएसएस, स्टेटिस्टिका, आदि) बहुत सारे हैं, टिप्पणियों के पूरे सेट पर प्रशिक्षित नेटवर्क की त्रुटियों के वितरण के हिस्टोग्राम नीचे दिए गए हैं:

चित्रा 3. नेटवर्क नंबर 1 के लिए त्रुटि वितरण का एक हिस्टोग्राम।

चित्रा 4. नेटवर्क नंबर 2 के लिए त्रुटि वितरण का एक हिस्टोग्राम।

चित्रा 5. नेटवर्क नंबर 3 के लिए त्रुटि वितरण का हिस्टोग्राम।

चित्रा 6. नेटवर्क नंबर 4 के लिए त्रुटि वितरण का हिस्टोग्राम।


प्राप्त हिस्टोग्राम के आधार पर, हम यह निष्कर्ष निकाल सकते हैं कि नेटवर्क त्रुटि सामान्य वितरण कानून का पालन करती है, अर्थात। त्रुटि आकार को 3 क्षेत्रों में विभाजित करना संभव है (सरलीकरण के लिए, वितरण को सामान्यीकृत माना जाता है):


± error1 (क्षेत्र 1 सिग्मा - 68% प्रतिशत पूर्वानुमान में त्रुटि इस सीमा में है);
± error2 (क्षेत्र 2 सिग्मा - 95% प्रतिशत पूर्वानुमान में त्रुटि इस सीमा में है);
± errors3 (क्षेत्र 3 सिग्मा - सकल त्रुटियां, 5% से कम मामलों में याद आती हैं, त्रुटि की मात्रा क्षेत्र ± )2 से अधिक है)।

वितरण क्षेत्र द्वारा त्रुटियां:
नेटवर्क नंबर और s σ1 (पूर्वानुमान का 68%)
नेटवर्क नंबर 1: pp 16.4ppm
नेटवर्क नंबर 2: ± 18.3ppm
नेटवर्क नंबर 3: m 19ppm
नेटवर्क नंबर 4: .6 18.6ppm

नेटवर्क नं और No. (2 (पूर्वानुमान का 95%)
नेटवर्क नंबर 1: pp 43.9ppm
नेटवर्क नंबर 2: ± 47.6ppm
नेटवर्क नंबर 3: ± 42.8ppm
नेटवर्क नंबर 4: ± 41ppm

± the3 क्षेत्र में सकल त्रुटियों (ओवरसाइट्स) का कारण उन आंकड़ों से नेटवर्क ऑपरेशन है जो प्रशिक्षण नमूने में मौजूद थे।
इसके अलावा एक तंत्रिका नेटवर्क सीखने की गुणवत्ता का एक महत्वपूर्ण संकेतक औसत पूर्ण त्रुटि का परिमाण है।

औसत निरपेक्ष त्रुटि का आकार:
नेटवर्क नंबर 1 - 14.4ppm
नेटवर्क नंबर 2 - 13.4ppm
नेटवर्क नंबर 3 - 14.3ppm
नेटवर्क नंबर 4 - 13.6 पीपीएम

नीचे उत्पाद (प्रयोगशाला विश्लेषण) में सल्फर सामग्री की निर्भरता और पूर्ण त्रुटि की भयावहता के रेखांकन दिए गए हैं:

चित्रा 7. सल्फर सामग्री का ग्राफ और नेटवर्क नंबर 1 के लिए पूर्ण त्रुटि।

चित्रा 8. सल्फर सामग्री का ग्राफ और नेटवर्क नंबर 2 के लिए पूर्ण त्रुटि।

चित्रा 9. सल्फर सामग्री का ग्राफ और नेटवर्क नंबर 3 के लिए पूर्ण त्रुटि।

चित्रा 10. सल्फर सामग्री का ग्राफ और नेटवर्क नंबर 4 के लिए पूर्ण त्रुटि।

सॉफ्टवेयर कार्यान्वयन

वास्तविक समय में पूर्वानुमानों को देखने के लिए, हमने C # में अपने स्वयं के विकास का उपयोग किया, डेटा ओपीसी सर्वर से प्राप्त किया गया था, शुरुआत में क्षमताओं के न्यूनतम सेट (ग्राफिक्स, एक्सएमएल आयात, ग्राफ के निर्यात, ग्राफ में एक मनमाना पैरामीटर जोड़ने) के साथ विकसित किया गया था, भविष्य में हम इतिहास की बचत को जोड़ने की योजना बना रहे हैं डेटाबेस में, दिए गए समय टिकटों के लिए वास्तविक ऐतिहासिक मूल्यों के साथ नेटवर्क पूर्वानुमानों की तुलना करना, अपने पैकेज में पहले से ही प्रशिक्षण नेटवर्क, आपस में नेटवर्क की तुलना करना और न केवल।

चित्र 11. पहले संस्करण का स्क्रीनशॉट

निष्कर्ष

नेटवर्क के लिए अनुकूल परिस्थितियों:

नेटवर्क सबसे छोटी त्रुटि पैदा करता है जब अंतिम उत्पाद में सल्फर सामग्री 240-250ppm est 400-410ppm की सीमा में होती है (प्रयोगशाला विश्लेषण के परिणामस्वरूप प्राप्त सल्फर सामग्री, नेटवर्क पूर्वानुमान नहीं), यह इस तथ्य के कारण है कि इस सीमा में अधिकांश माप किए गए थे। और, वास्तव में, नेटवर्क को उन पर प्रशिक्षित किया गया था। तंत्रिका नेटवर्क में सूचना को सामान्य करने की क्षमता होती है, अर्थात। वे एक पूर्वानुमान देने में सक्षम हैं, जिसमें डेटा पर आधारित है, जिसके साथ नेटवर्क ने अब तक काम नहीं किया है, प्रशिक्षण नमूने के पैटर्न का उपयोग करते हुए, लेकिन इस मामले में, नेटवर्क की इस तरह की सुविधा के बावजूद, यह याद रखना चाहिए कि अंतिम परिणाम थोड़ा कम होगा, लेकिन यह निश्चितता के साथ कहा जा सकता है कि त्रुटि बढ़ जाएगा।
सुविधा में बड़े बदलाव के मामले में, नेटवर्क को वापस लेना चाहिए।

सुधारने के तरीके:

• प्रतिक्रिया समय लेखा
  इस तथ्य के कारण कि प्रतिक्रिया चक्र (कच्चे उत्पाद की विशेषताओं को मापने के क्षण और अंतिम स्थापना के अंतिम बिंदु की विशेषताओं को मापने के लिए पूरी स्थापना के माध्यम से) की एक निश्चित अवधि है, तो डेटा के एक उच्च सहसंबंध में उत्पाद के मापदंडों के साथ कच्चे माल के मापदंडों की सटीक तुलना की आवश्यकता होती है, जो पूर्वानुमान सटीकता को बढ़ाएगा। ।
• शोर छानना
  सिग्नल के उपयोगी घटक के अलावा सेंसर द्वारा मापी गई रीडिंग में शोर भी शामिल है। यह शोर नगण्य है, लेकिन यह नेटवर्क प्रशिक्षण की प्रक्रिया को विकृत करता है और, तदनुसार, प्रशिक्षण के परिणामस्वरूप इसके बाद के पूर्वानुमान, इसके लिए तंत्रिका नेटवर्क इनपुट के सामने फिल्टर के अतिरिक्त जोड़ के साथ शोर घटक को ध्यान में रखना पड़ता है। पूर्वानुमान में एक चिकनी बदलाव के लिए तंत्रिका नेटवर्क के आउटपुट को फ़िल्टर करना भी संभव है। फ़िल्टर्स का स्पेक्ट्रम आज काफी व्यापक है: सरलतम फ़िल्टरों के मध्यस्थों और प्रतिपादकों से लेकर तरंगिकाओं तक।
• विश्लेषण आवृत्ति बढ़ाएँ
  दिन के दौरान सल्फर सामग्री की माप में वृद्धि, जो नेटवर्क को प्रशिक्षित करने के लिए डेटा की मात्रा में वृद्धि करेगी और बदले में, एक बेहतर नेटवर्क प्रदान करेगी।
• प्रयोगशाला विश्लेषण सटीकता में सुधार
  यदि तकनीकी क्षमता है, तो विश्लेषण की सटीकता बढ़ाना (परिमाण के एक क्रम से सटीकता बढ़ाना) डेटा को नेटवर्क के लिए अधिक लचीला बना देगा, जैसे कि एक ही सल्फर मूल्य के लिए, स्वतंत्र मापदंडों का एक बड़ा बिखराव है, जो बदले में तंत्रिका नेटवर्क त्रुटि में वृद्धि को दर्शाता है।
• इनपुट चर की संख्या बढ़ाएँ
  मैं यह नोट करना चाहूंगा कि वास्तव में, लक्ष्य पैरामीटर के साथ डेटा का मामूली सहसंबंध भी काफी महत्वपूर्ण है, इसलिए, आपको ऑब्जेक्ट पर अधिकतम संभव संख्या में पैरामीटर का उपयोग करना चाहिए, और यह भी, उस ऑब्जेक्ट से डेटा का उपयोग करना संभव है जो प्रक्रिया श्रृंखला में वर्तमान एक से पहले है।

सारांश

संक्षेप में, मैं कह सकता हूं कि काम का अनुभव उत्पादक और बेहद दिलचस्प था। हालांकि परिणामों की कई तुलनाएं और विश्लेषण किए गए हैं, लेकिन अंतिम निष्कर्ष निकालना जल्दबाजी होगी। लेकिन एक वास्तविक वस्तु पर तंत्रिका नेटवर्क के परीक्षण के परिणामस्वरूप, हम एक अस्पष्ट निष्कर्ष निकाल सकते हैं कि इस दृष्टिकोण को जीवन का अधिकार है और वास्तव में समृद्ध क्षमता है।