Сравнительный анализ качества работы искусственных нейронных сетей для оценки технического состояния стального каната

Введение. В настоящее время искусственные нейронные сети (ИНС) успешно применяются для технического диагностирования стальных канатов. Зачастую при этом используют дорогостоящие программные продукты с адаптированной средой реализации нейронных сетей, такие как STATISTICA, Amygdala, MATLAB Simulink. Наиболее доступным способом построения и обучения ИНС с финансовой точки зрения является написание собственного программного кода с использованием интерактивных библиотек, таких как TensorFlow, PyTorch, Scikit-learn. Однако такие библиотеки не являются полноценными адаптированными средами построения ИНС, и для их использования необходимо владеть первичными навыками программирования. Поэтому качество ИНС зависит не только от архитектуры, объема и состава обучающих выборок, но и от метода (среды) построения ИНС. Целью данного исследования является сравнение качества работы ИНС, построенных и обученных различными методами, по критерию тестовой производительности сети, доверительным уровням оценки технического состояния каната, а также трудоемкости и скорости обучения. В связи с этим создано новое программное обеспечение для решения задачи оценки технического состояния стального каната по комбинации различных браковочных показателей.
Материалы и методы. Основой для обучения ИНС послужили статистическая база данных типовых повреждений стальных канатов, экспертная оценка их технического состояния. Программное обеспечение написано на языке программирования Python. Приведены различные методы программирования нейронной сети: ИНС, построенной на базе программного комплекса STATISTICA, и ИНС, построенной с использованием интерактивной библиотеки Scikit-learn. Для проверки работы ИНС было подготовлено 10 тестовых выборок. Оценка качества работы ИНС проводилась по тестовой производительности сети и доверительным вероятностям (уровням активации «победившего» нейрона) определения технического состояния каната.
Результаты исследования. Построение ИНС с использованием интерактивной библиотеки Scikit-learn показало сравнительно большую трудоемкость построения и сравнительно небольшую скорость обучения. Тестовая производительность сети при объеме тестовой выборки 10 оказалась одинаковой для обеих построенных ИНС. При этом обнаружилась разница в показателе среднего доверительного уровня определения технического состояния стального каната по результатам работы ИНС, построенной на базе программного комплекса STATISTICA, и ИНС, построенной с использованием интерактивной библиотеки Scikit-learn.
Обсуждение и заключение. Полученные результаты показали, что ИНС, построенная с использованием программного комплекса STATISTICA, при одинаковой архитектуре и параметрах обучения сети имеет более оптимальные программные алгоритмы по критериям доверительной вероятности и скорости обучения сети по сравнению с ИНС, построенной с использованием бесплатной библиотеки Skicit-learn. Однако показатель тестовой производительности ИНС оказался одинаковым для обеих ИНС. Такой результат обосновывает использование ведущими мировыми научно-исследовательскими и коммерческими центрами в области искусственного интеллекта библиотек TensorFlow, PyTorch, Scikit-learn. Полученный научный результат позволит численно оценить и сравнить качество искусственных нейронных сетей, имеющих одинаковые архитектуру и параметры обучения, но построенных различными методами, он будет полезным как для будущих научных исследований в этой области, так и для выбора оптимальной среды построения ИНС в промышленной сфере деятельности.

1. Жернаков С.В. Применение технологии нейронных сетей для диагностики технического состояния авиационных двигателей. Интеллектуальные системы в производстве. 2006;2(8):70–83.

2. Панфилов А.В., Николаев Н.Н., Хван Р.В. Короткий А.А. Оценка возможных аварий канатных дорог по компетенциям работников с использованием нейронных сетей. Научно-технический вестник Брянского государственного университета. 2023;(1):79–86. https://doi.org/10.22281/2413-9920-2023-09-01-79-86

3. Горева Т.И., Портнягин Н.Н., Пюкке Г.А. Нейросетевые модели диагностики технических систем. Вестник КРАУНЦ. Физ.-мат. науки. 2012;1(4):31–43.

4. Beskopylny AN, Shcherban EM, Stelmakh SA, Mailyan LR, Meskhi B, Razveeva I, et al. Discovery and Classification of Defects on Facing Brick Specimens Using a Convolutional Neural Network. Applied Sciences. 2023;13(9):5413. https://doi.org/10.3390/app13095413

5. Stelmakh SA, Shcherban EM, Beskopylny AN, Mailyan LR, Meskhi B, Razveeva I, et al. Prediction of Mechanical Properties of Highly Functional Lightweight Fiber-Reinforced Concrete Based on Deep Neural Network and Ensemble Regression Trees Methods. Materials. 2022;15(19):6740. https://doi.org/10.3390/ma15196740

6. Beskopylny AN, Stelmakh SA, Shcherban EM, Mailyan LR, Meskhi B, Razveeva I, et al. Concrete Strength Prediction Using Machine Learning Methods CatBoost, k-Nearest Neighbors, Support Vector Regression. Applied Sciences. 2022;12(21):10864. https://doi.org/10.3390/app122110864

7. Beskopylny AN, Shcherban EM, Stelmakh SA, Mailyan LR, Meskhi B, Razveeva I, et al. Detecting Cracks in Aerated Concrete Samples Using a Convolutional Neural Network. Applied Sciences. 2023;13(3):1904. https://doi.org/10.3390/app13031904

8. Воронцов В.А., Федоров Е.А. Разработка прототипа интеллектуальной системы оперативного мониторинга и технического состояния основных бортовых систем космического аппарата. Труды МАИ. 2015;2:1–35.

9. Панфилов А.В., Месхи Б.Ч., Короткий А.А., Юсупов А.Р., Хван Р.В. Программно-аппаратный комплекс визуально-измерительного контроля стальных канатов на основе компьютерного зрения и искусственного интеллекта. Монография. Ростов-на-Дону: Донской государственный технический университет; 2023. 131 с.

10. Панфилов А.В., Николаев Н.Н., Юсупов А.Р., Короткий А.А. Интегральная оценка риска при диагностике стальных канатов с использованием компьютерного зрения. Безопасность техногенных и природных систем. 2023;(1):56–69. https://doi.org/10.23947/2541-9129-2023-1-56-69

11. Seyed Reza Ghoreishi, Tanguy Messager, Cartraud P, Davies P. Validity and Limitations of Linear Analytical Models for Steel Wire Strands under Axial Loading, Using a 3D FE Model. International Journal of Mechanical Sciences. 2007;49(11):1251–1261. https://doi.org/10.1016/j.ijmecsci.2007.03.014

12. Frikha A, Cartraud P, Treyssède F. Mechanical Modeling of Helical Structures Accounting for Translational Invariance. Part 1: Static Behavior. International Journal of Solids and Structures. 2013;50(9):1373–1382. https://doi.org/10.1016/j.ijsolstr.2013.01.010

13. Короткий А.А., Панфилов А.В., Хван Р.В., Юсупов А.Р. Интегральный метод оценки дефектов на работоспособность стального каната с использованием искусственных нейронных сетей. Транспортное, горное и строительное машиностроение: наука и производство. 2023;8:73–79. https://doi.org/10.26160/2658-3305-2023-18-73-79

14. Foti F, De Luca di Roseto A. Analytical and Finite Element Modelling of the Elastic–Plastic Behaviour of Metallic Strands under Axial–Torsional Loads. International Journal of Mechanical Sciences. 2016;115–116:202–214. https://doi.org/10.1016/j.ijmecsci.2016.06.016

15. Spak K, Agnes G, Inman D. Cable Modelling and Internal Damping Developments. Applied Mechanics Reviews. 2013;65(1):010801. https://doi.org/10.1115/1.4023489