Банковская система, создание информационного приложения в отделе кредитования

363 

Статья [6] описывает применение нейронной сети с обратным распространением ошибки в системе с 

программируемым  логическим  контроллером  (ПЛК)  для  управления  частотой  вращения 

асинхронным двигателем.  

В  работе [7] представлено  применение  нейронных  сетей  для  управления  движением 

промышленных роботов на базе адаптивного обучения нейронной сети. Исследование [8] посвящено 

концепции  и  реализации  настраиваемых  алгоритмов  интеллектуальной  оптимизации    в 

производственных системах с целью повышения эффективности процесса производства. В работе [9] 

описано централизованное распределение задач мульти-робота для промышленной инспекции завода 

с помощью генетических алгоритмов.  

В статье [10] рассматривается гибридная система на основе искусственных иммунных систем и 

роевого  интеллекта  для  смешанной  оптимизации  и  ее  приложение  для  решения  инженерных  задач. 

Работа [11] посвящена  разработке  нового  понятия  иммунно-инжиниринга,  для  создания 

самоорганизующихся  автономных  систем  на  основе  биологических  принципов  для  решения 

различных инженерных задач.  

Так  же  подходы  искусственного  интеллекта  широко  используются  при  диагностики  работы 

мобильных роботов. В работе [12] описывается искусственная иммунная система, которая используется в 

качестве системы обнаружения ошибок и применяется для двух различных приложений: робота Khepera 

и  робота BAE Systems RASCALTM. Исскусственная  иммунная  система  реализована  на  уровне 

программного обеспечения но может быть реализована в виде аппаратных средств.  

На  основании  вышеизложенного  следует,  что  в  настоящее  время  применение  методов 

искусственного  интеллекта  на  производстве  для  решения  инженерных  проблем  является  актуальной 

задачей. 

Постановка 

задачи 

формулируется 

следующим 

образом: 

необходимо 

разработать 

интеллектуальную  технологию  на  основе  иммунносетевого  моделирования  для  обработки 

производственных данных полученных с реального промышленного оборудования фирмы Siemens. В 

качестве математической модели объекта управления принимается временной ряд, составленный из 

информативных  признаков,  описывающих  поведения  реального  технологического  процесса  на 

предприятии  (например:  показания  температуры,  давления,  потока,  уровня  жидкости  и  т.д.).  Сбор 

данных осущесвтляется с помощью устройств измерения полевого уровня, датчиков различных фирм 

производителей.  

Под  искусственными  иммунными  системами  понимаются  информационные  технологии, 

использующие понятия теоретической иммуннологии для решения различных прикладных задач [1]. 

В  предлагаемом  подходе  ИИС  в  качестве  математической  модели [13] рассматриваются  временные 

ряды, которые соответствуют формальным пептидам (ФП) и решается задача распознавания образов 

на основе механизмов молекулярного узнавания между двумя пептидами (антигеном и антителом). 

Разработана 

интеллектуальная 

информационная 

технология 

обработки 

информации 

искусственными иммунными сетями, которая состоит из двух ключевых моментов [14]. 

Первая  задача  заключается  в  эффективном  обучении  иммунной  сети.  Включение  в  модель 

признаков, мало влияющих на выходной параметр, затрудняет  ее использование, ведет к избыточности 

информации, увеличению времени на обучение иммунной сети, возрастанию  вычислительных ресурсов 

и росту погрешностей при решении задачи распознавания образов   на основе ИИС.  Все это приводит к 

ситуации,  когда    прогнозирование  по  избыточной    модели    менее  эффективно,  чем  по  модели  из 

оптимального числа признаков, обладающих максимальной информативность.  

Вторая  большая  проблема  заключается  в  энергетических  ошибках,  которые  неизбежно 

возникают при обработке многомерной совокупности данных иммунными сетями и решении задачи 

распознавания образов на основе ИИС. Особенно эта проблема актуальна для схожих по структуре 

пептидов, которые имеют примерно одинаковые параметры и находятся на границах классов. Из-за 

энергетических  погрешностей  они  могут  быть  отнесены  по  ошибке  не  в  свой  класс,  что  может 

привести к неправильному прогнозу и вызвать аварийную ситуацию.  

Ниже приведен алгоритм 1 обработки многомерных данных на основе ИИС.  

Алгоритм 1.  

1) Формирование базы данных (БД) в которой хранится информация об объекте на основе сбора 

данных с датчиков, систем мониторинга, диспетчерского управления и т.д. 

2) Классификация решений на основе мнений экспертов.  

3)  Предварительная  обработка  данных:  нормирование,  центрирование  и  заполнение 

пропущенных данных исходной совокупности данных:  

 

364 

            

 

n

j

m

i

g

G

j

i

,...,

1

,

,...,

1

,

,







                                           (1) 

 

4)  Редукция  малоинформативных  признаков  из  общего  подмножества  входных  данных  на 

основе мультиалгоритмического подхода [15]. 

5)  Построение оптимальной структуры искусственной иммунной сети. 

6)  Формирование матриц эталонов для каждого класса:  





,

,...,

,

,

3

2

1

k

A

A

A

A

где 



k

количество 

классов,  которые  рассматриваются  в  качестве  антигенов.  Временные  ряды  сворачиваются  для 

улучшения специфичности узнавания в матрицы [13].  

7) Обучение ИИС с учителем по эталонам и оценка обучения.  

8) Формирование матриц образов, которые будут рассматриваться как антигены: 





p

B

B

B

B

,...,

,

,

3

2

1

, 

где 



p

количество образов. 

9) На основе сингулярного разложения матриц определение энергий связи между формальными 

пептидами  (антителами  и  антигенами).  Решение  задачи  распознавания  образов  на  основе 

определения минимальной энергии связи между пептидами. 

Энергия связи двух ФП в билинейной форме имеет следующий вид [13]:  

 

j

j

i

i

ij

q

p

w

Q

P

w

,

)

,

(

1

,











                                                        (2) 

 

Здесь конфигурации первого и второго ФП представлены в виде:  

 

             





,

,...,

,

,

3

2

1

l

p

p

p

p

P



  





l

q

q

q

q

Q

,...,

,

,

3

2

1



                                     (3)                     

 

 Матрица связи 

 

ij

w

W



 в векторно-матричном виде представлена следующим выражением:  

 

]

[

]

[

)

,

(

Q

W

P

Q

P

w

T





                                                     (4) 

 

где 



]

[

],

[

Q

P

векторы конфигураций. 

 10)  Оценка  энергетических  погрешностей    при  решении  задачи  распознавания  образов  на 

основе    свойств  гомологичных  белков.  Расчет  коэффициентов  риска  прогнозирования  за  счет 

определения 

Z

-  фактора,  являющегося  средним  числом  стандартных  отклонений  между    энергией 

нативной структуры и энергией случайно выбранной укладки цепи [14]. 

11) Анализ и прогноз данных на основе ИИС. Принятие решений на основе полученных данных 

и оперативное управление процессом.  

В  настоящее  время  ключевой  частью  системы  промышленной  автоматизации  является 

программируемый  логический  контроллер.  С  объекта  управления  собирается  информация  в  виде 

сигналов  датчиков  и  поступает  на  контроллер,  где  обрабатывается.  Контроллер  на  основании 

полученной  информации  может  корректировать  состояние  объекта  управления  воздействуя  на 

исполнительные  устройства.  К  данной  системе  могут  подключаться  дополнительные  устройства: 

системы диспетчерского управления SCADA и базы данных для хранения и обработки информации в 

реальном времени.  

Так как на производстве может быть использовано оборудование разных фирм производителей 

рассматрим  принципы  сбора  данных  производственной  информации  с  помощью  оборудования  и 

программного обеспечения фирмы Siemens. Удобнее всего использовать технологию OPC. 

В  качестве OPC сервера  выступает  персональный  компьютер.  Клиентами  будут  контроллер S-

300  и MATLAB. На  рисунке 1 представлена  структура  соединения  с MATLAB. В MATLAB 

реализован авторский алгоритм обработки производственных данных на основе ИИС [16].  

Для  организации  передачи  данных  с  помощью  оборудования Siemens использовались 

следующие элементы: 

1. Контроллер Simantic S-300 cо следующей конфигурацией: 

- процессорный модуль;  

- блок питания; 

- модуль дискретного ввода данных; 

- модуль дискретного вывода данных; 

- коммуникационный модуль.  

365 

 

 

 

Рисунок 1- Схема соединения через OPC server контроллеров S-300 

 

2. Устройство для соединения двух контроллеров  DP/DP COUPLER. 

3. Кабели Profibus, MPI, Ethernet. 

На  рисунке 2 представлено  соединение  оборудования  фирмы Siemens по  сети Ethernet для 

соединения с OPC сервером и Profibus для организации сети через DP/DP Coupler.  

В  качестве  программного  обеспечения  для  организации  сбора  данных  использовались 

следующие программные продукты: 

1. Step 7 - программный продукт для программирования контроллеров фирмы Siemens; 

2. MATLAB - для реализации иммунносетевой технологии; 

3. OPS Scout -  в качестве OPC клиента совместно с продуктами Simantic NET; 

3. Microsoft Excel - в качестве хранилища баз данных. 

Предложен алгоритм 2 сбора данных на оборудовании Siemens. 

Алгоритм 2.  

1) Конфигурация станции Simantic S-300 Station. 

2) Cоздание программы на языке FBD для передачи данных через OPC.  

2) Подготовка ПК-станции. 

3) Тестирование канала связи.   

4)  Передача  и  обработка  данных  с  помощью  подхода  ИИС  в  пакете  прикладных  программ 

MATLAB.  

6) Прогноз и принятие решения. 

Организация  кросс-платформенного  соединения  оборудования  разных  фирм  производителей  и 

обработка  данных  с  помощью  искусственных  иммунных  систем  позволяет  разрабатывать  системы 

автматического  управления  технологическими  процессами  нового  поколения.  Применение 

иммунносетевого  моделирования  обеспечивает  более  эффективную  работу  производства  на  основе 

прогноза  (по  результатам  обработки  многомерных  данных)  и  оперативное  управление  в  реальном 

масштабе времени.  

 

 

 

 

366 

PC with OPC 

interface

Industrial Ethernet

S7-300

DP/DP Couler

Profibus (segment 1)

Profibus (segment 2)

OPC server

OPC client

Data Base,

HMI or Excel

Programmator

S7-300

Unit 1

Unit 2

Unit 3

Unit 4

Unit 1

Unit 2

Unit 3

Unit 4

 

 

Рисунок 2 - Схема соединения оборудования фирмы Siemens для осуществления  

сбора данных с реального объекта 

 

Данные исследования проводятся в рамках гранта  Комитета Науки Министерства Образования 

и  Науки  Республики  Казахстан  по  теме: "Разработка  информационных  технологий,  алгоритмов  и 

программно-аппаратного  обеспечения  для  интеллектуальных  систем  управления  сложными 

объектами в условиях параметрической неопределенности" (2015-2017 гг).  

 

ЛИТЕРАТУРА 

1. Dasgupta D, Artificial immune systems and their applications. -Springer, 2014. - 306 p.  

2. S.L. Padma, D.S. Sekhar, P.B. Ketan, Artificial Intelligence and Evolutionary Algorithms in Engineering 

Systems. - Springer, 2015. - Vol.1. - 862 p. 

3. K. Kim, Information Science and applications. -Springer, 2015. - 112 p. 

4. Lee R. Computers, Networks, Systems, and Industrial Engineering 2011 //Computational Intelligence and 

Complexity. -Springer, 2011. - Vol.365. - 266 p. 

5. Aydogmus Z.  A real time robust fuzzy-based level control using programmable logic controller // Electronica 

ir Electrotechnika. - 2015. - Vol.21, №1.  P. 13-17.  

6. G. Liu, F. Wang, Y. Shen, H. Zhow, H. Jia, M. Kang. Realization of Neural Network Inverse System with PLC 

in Variable Frequency Speed-Regulating System. - Springer, 2007. -Vol. 4491. - P. 257-266.  

7. Nagata F., Watanabe K. Adaptive learning with large variability of teaching signals for neural networks and its 

application to motion control of an industrial robot //International Journal of Automation and Computing.  -Springer, 

2011. - Vol.8. P. 54-61. 

8. Zhang T.F., Laili L. Configurable Intelligent Optimization Algorithm". Design and Practice in Manufacturing. -

Springer, 2015. - 361 p.  

9. Chun L., Kroll A. A. Centralized Multi-Robot Task Allocation for Industrial Plant Inspection by Using A* and 

Genetic Algorithms //Artificial Intelligence and Soft Computing. Springer, 2012,  Vol. 7268, P. 466 - 474. 

10. Yap D., Koh S.P., Tiong S.K., Prajindra S.K. A hybrid artificial immune systems for multimodal function optimization 

and its application in engineering problem //Artificial Intelligence Review. - Springer, 2012, Vol.38, №4,  pp. 291-301.  

11. Timmis J., Hart E., Hone A., Neal M., Robins A., Stepney S., Tyrrell A. Immun-Engineering,  Biologically-

Inspired Collaborative Computing IFIP – The International Federation for Information Processing. -Springer, 2008. - 

Vol.268. - P. 3-17.  

12.  Сanham R., Jackson A., Tyrell A. Robot error detection using an artificial immune system // Evolvable 

Hardware. - 2003. -P. 199-207.  

13. Tarakanov A.O. Formal peptide as a basic of agent of immune networks: from natural prototype to 

367 

mathematical theory and applications // Proceedings of the I International Workshop of Central and Eastern Europe on 

Multi-Agent Systems. -1999. - P. 37. 

14. Samigulina G.A. Development of the decision support systems on the basis of the intellectual technology of 

the artificial immune systems  //Automatic and remould control. - Springer, 2012. Vol. 74, №2. P. 397-403. 

15. Samigulina G.A., Samigulina Z.I.  Intellectual systems of forecasting and control of complex objects based on 

artificial immune systems. -Science Book Publishing Ноuse Yelm, WA, USA, 2014. - 172 p.  

16. Cамигулина Г.А., Самигулина З.И. Интеллектуализация процесса обработки данных на основе подхода 

искусственных  иммунных  систем  для  систем  промышленной  автоматизации // Авторское  свидетельство  в 

Комитете  по  правам  Интеллектуальной  собственности  МЮ  РК  на  программное  обеспечение "Data_Analizer", 

2013. - №1601. 

 

REFERENCES 

1. Dasgupta D, Artificial immune systems and their applications. -Springer, 2014. - 306 p.  

2. S.L. Padma, D.S. Sekhar, P.B. Ketan, Artificial Intelligence and Evolutionary Algorithms in Engineering 

Systems. - Springer, 2015. - Vol.1. - 862 p. 

3. K. Kim, Information Science and applications. -Springer, 2015. - 112 p. 

4. Lee R. Computers, Networks, Systems, and Industrial Engineering 2011 //Computational Intelligence and 

Complexity. -Springer, 2011. - Vol.365. - 266 p. 

5. Aydogmus Z.  A real time robust fuzzy-based level control using programmable logic controller // Electronica 

ir Electrotechnika. - 2015. - Vol.21, №1.  P. 13-17.  

6. G. Liu, F. Wang, Y. Shen, H. Zhow, H. Jia, M. Kang. Realization of Neural Network Inverse System with PLC 

in Variable Frequency Speed-Regulating System. - Springer, 2007. -Vol. 4491. - P. 257-266.  

7. Nagata F., Watanabe K. Adaptive learning with large variability of teaching signals for neural networks and its 

application to motion control of an industrial robot //International Journal of Automation and Computing.  -Springer, 

2011. - Vol.8. P. 54-61. 

8. Zhang T.F., Laili L. Configurable Intelligent Optimization Algorithm". Design and Practice in Manufacturing. -

Springer, 2015. - 361 p.  

9. Chun L., Kroll A. A. Centralized Multi-Robot Task Allocation for Industrial Plant Inspection by Using A* and 

Genetic Algorithms //Artificial Intelligence and Soft Computing. Springer, 2012,  Vol. 7268, P. 466 - 474. 

10. Yap D., Koh S.P., Tiong S.K., Prajindra S.K. A hybrid artificial immune systems for multimodal function 

optimization and its application in engineering problem //Artificial Intelligence Review. - Springer, 2012, Vol.38, №4,  

pp. 291-301.  

11. Timmis J., Hart E., Hone A., Neal M., Robins A., Stepney S., Tyrrell A. Immun-Engineering,  Biologically-

Inspired Collaborative Computing IFIP – The International Federation for Information Processing. -Springer, 2008. - 

Vol.268. - P. 3-17.  

12.  Сanham R., Jackson A., Tyrell A. Robot error detection using an artificial immune system // Evolvable 

Hardware. - 2003. -P. 199-207.  

13. Tarakanov A.O. Formal peptide as a basic of agent of immune networks: from natural prototype to 

mathematical theory and applications // Proceedings of the I International Workshop of Central and Eastern Europe on 

Multi-Agent Systems. -1999. - P. 37. 

14. Samigulina G.A. Development of the decision support systems on the basis of the intellectual technology of 

the artificial immune systems  //Automatic and remould control. - Springer, 2012. Vol. 74, №2. P. 397-403. 

15. Samigulina G.A., Samigulina Z.I.  Intellectual systems of forecasting and control of complex objects based on 

artificial immune systems. -Science Book Publishing Ноuse Yelm, WA, USA, 2014. - 172 p.  

16. Samigulina G.A., Samigulina Z.I. Intellectualization of data processing based on artificial immune systems for 

industrial automation  //Copyright certificate in the Committee on Intellectual Property Rights MJ RK on Software 

"Data_Analizer". - 2013. - №1601. 

 

Samigulina G.A., Samigulina Z.I. 

жүктеу/скачать 19,96 Mb.

Достарыңызбен бөлісу: