Алгоритмы адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит

Проблема исследования состоит в том, что современная промышленность древесных плит сталкивается с необходимостью обеспечения высокого качества продукции, что требует применения современных методов и технологий контроля. Одним из наиболее эффективных инструментов для решения задач прогнозирования и оценки качества является адаптивная нейро-нечеткая система (ANFIS). Эта технология объединяет преимущества нейронных сетей и нечеткой логики, что позволяет эффективно обрабатывать неопределённые, изменчивые и шумные данные, с которыми часто сталкиваются в деревообрабатывающей промышленности.

Цель исследования – установить особенности алгоритмов адаптивных нейро-нечетких сетей ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит.

ANFIS – это комбинация нечеткой логики и нейронных сетей, которая применяется для создания моделей, способных к обучению на основе имеющихся данных. Основная идея заключается в том, чтобы использовать нечеткие правила, которые описывают взаимосвязь между входными и выходными данными, и оптимизировать эти правила с помощью нейронных сетей. Это позволяет системе обучаться и адаптироваться к изменениям в данных и условиях, что особенно важно для производственных процессов, зависящих от множества факторов. ANFIS (Adaptive Neuro-Fuzzy Inference System) является гибридной системой, которая использует обучение нейронной сети для настройки нечетких правил и функций вывода. Основные компоненты ANFIS включают:

• 1.    Неопределенные правила: Формулирование правил, основанных на знаниях экспертов, для описания системы и ее поведения.

• 2.    Нейронные сети: Использование нейронных сетей для автоматического извлечения знаний из данных, что позволяет системе самостоятельно адаптироваться к изменениям в процессе.

• 3.    Обратное распространение ошибки: Метод обучения, который позволяет системе минимизировать ошибку прогнозирования за счёт регулирования весов связей в нейросети.

Качество поверхности древесных плит определяется множеством факторов, включая вид древесины, условия сушки, прессования и шлифования, методы обработки и другие параметры. Ошибки в оценке качества могут привести к значительным экономическим по- терям, поэтому автоматизация этого процесса становится всё более актуальной. В ряде исследований была продемонстрирована эффективность ANFIS в прогнозировании параметров качества. Например, в одном из проектов была создана система, которая анализировала данные о материале, процессе обработки и окружающей среде. Результаты показали, что ANFIS успешно справлялась с задачами прогнозирования и обеспечивала более высокую точность по сравнению с традиционными методами [1].

Архитектура ANFIS внедряет многослойный подход, состоящий из пяти уровней, каждый из которых выполняет уникальную функцию:

• 1.    Первый уровень (фаззификация): На этом этапе система принимает входные значения и определяет функции принадлежности, соответствующие этим значениям. Это позволяет преобразовать точные входные данные в нечёткие значения, что является ключевым аспектом нечёткой логики.

• 2.    Второй уровень (генерация силы срабатывания): В этом слое вычисляется сила срабатывания для каждого правила. Важно отметить, что на этом этапе учитываются значения, полученные на предыдущем уровне.

• 3.    Третий уровень (нормализация): В этом слое происходит нормализация вычисленной силы срабатывания. Каждое значение делится на общую силу срабатывания, что позволяет упростить анализ и дальнейшие вычисления.

• 4.    Четвёртый уровень (дефаззификация): Этот уровень принимает нормализованные значения и набор параметров следствия. Здесь происходит дефаззификация – преобразование нечётких значений в чёткие, которые могут быть использованы для окончательного вывода.

• 5.    Пятый уровень (возврат конечного результата): На финальном этапе система возвращает результат, основываясь на данных из предыдущих уровней.

Обучение ANFIS является критически важным процессом, который позволяет системе адаптироваться к данным и повышать свою эффективность. Основным методом обучения является гибридный алгоритм, который комбинирует обратное распространение ошибки и градиентный спуск. Этот процесс продолжается до тех пор, пока ошибка на выходе се- ти не станет меньше заранее установленного порога. Алгоритм обучения ANFIS состоит из двух ключевых этапов: прямого и обратного хода [2].

Первый этап называется прямым ходом алгоритма и включает в себя несколько важных шагов. На этом этапе задаются начальные значения параметров первого адаптивного слоя. Эти параметры представляют собой весовые коэффициенты, которые будут изменяться в процессе обучения. Начальные значения могут быть выбраны произвольно или назначены на основе предварительного анализа данных. После задания начальных параметров производится вычисление на втором и третьем слоях сети. Эти слои отвечают за обработку входных данных и формирование нечетких правил, основанных на заданных входах. Процесс включает в себя применение нечетких операций, таких как агрегирование и импликация, что позволяет системе обрабатывать неопределенности и неточности в данных. После этого определяются параметры четвертого адаптивного слоя, который объединяет выходные результаты предыдущих слоев и генерирует итоговые выводы системы. На этой стадии вычисляется значение функции ошибки, которая позволяет оценить, насколько хорошо модель соответствует заданным выходным данным. Если значение функции ошибки находится в допустимых пределах, это означает, что модель достигла удовлетворительной точности, и обучение может быть завершено. Однако в большинстве случаев результаты требуют дальнейшей оптимизации, и тогда процесс переходит ко второму этапу [3].

На втором этапе, называемом обратным ходом алгоритма, применяется метод обратного распространения ошибки для уточнения параметров первого адаптивного слоя. Этот метод позволяет оптимизировать весовые коэффициенты с целью минимизации функции ошибки, достигнутой на первом этапе. Процесс обратного распространения требует вычисления градиентов ошибки по отношению к параметрам модели. На основе этих градиентов параметры обновляются с использованием подхода, аналогичного тому, что применяется в нейронных сетях. Это позволяет системе постепенно улучшать свои предсказания, корректируя веса в соответствии с направлением, которое приводит к снижению ошибки. После выполнения обратного распространения и уточнения параметров снова вычисляется функция ошибки. Если функция продолжает находиться за пределами допустимых значений, этапы прямого и обратного хода повторяются до тех пор, пока не будет достигнут желаемый уровень точности [4].

Древесные плиты, такие как ДСП, ДВП и фанера, играют ключевую роль в мебельной и строительной промышленности. Качество поверхности этих материалов критически важно, так как оно влияет на прочность, долговечность и эстетику конечного продукта. Традиционные методы оценки качества часто являются субъективными и трудоемкими. В последние годы алгоритмы адаптивных нейро-нечетких сетей (ANFIS) начали использоваться для автоматизации и улучшения точности таких процессов. Применение ANFIS в оценке качества древесных плит:

• 1.    Сбор данных. Первоначальный этап включает в себя сбор данных о поверхности древесных плит, таких как:

• -    Шероховатость

• -    Цветовая однородность

• -    Наличие дефектов (трещины, сколы)

• -    Влажность

• 2.    Разработка модели. На основе собранных данных разрабатывается модель ANFIS. Процесс включает в себя следующие шаги:

Данные могут быть собраны как с помощью измерительных приборов, так и методом визуального осмотра.

• -    Определение входных и выходных параметров: Входные параметры могут включать в себя различные характеристики поверхности, а выходными могут быть оценки качества в балльной системе.

• -    Формулирование нечетких правил: На этом этапе формулируются правила, которые связывают входные параметры с качеством поверхности.

• -    Обучение модели: ANFIS обучается на основе собранных данных, и параметры модели оптимизируются для достижения максимальной точности.

• 3.    Прогнозирование качества. После обучения модель ANFIS может использоваться для прогнозирования качества древесных плит непосредственно в ходе производства. Вводя параметры, полученные в результате измере-

• ний, модель выдает оценки качества, которые могут быть использованы для принятия решений, например, о допустимости дальнейшей обработки материала или необходимости его переработки [5].

Преимущества ANFIS для прогнозирования и оценки качества поверхности древесных плит разнообразны. Одной из главных задач в оценке качества древесных плит является наличие неопределенности в данных, компенсируемое использованием нечетких логических правил. ANFIS способна учитывать эту неопределенность, что делает её особенно полезной в случаях, когда результаты измерений могут варьироваться. ANFIS демонстрирует высокую точность в прогнозировании различных параметров качества, таких как плотность, прочность, и эстетические характеристики. Модели, основанные на ANFIS, могут быть обучены на исторических данных, что позволяет им эффективно предсказывать будущие характеристики продукции. Нечеткие правила, используемые в ANFIS, легко интерпретируемы. Это позволяет специалистам по качеству древесных плит не только получать прогноз, но и понимать, на каких основаниях были сделаны эти выводы. Таким образом, возможность объяснить результаты становится важным аспектом для принятия решений.

Система ANFIS может быть адаптирована к различным требованиям и условиям производственного процесса. Например, её можно использовать для анализа данных с различных этапов обработки древесины, учитывая специфику каждого из них. Использование ANFIS позволяет выявить закономерности в данных, которые могут быть неочевидны при использовании традиционных методов анализа. Это, в свою очередь, способствует улучшению качества древесных плит и снижению брака на производстве. Автоматизация процессов прогнозирования и контроля качества с помощью ANFIS может значительно снизить затраты на инспекцию и контроль, что делает производство более экономичным и эффективным [6].

Таким образом, использование ANFIS для решения задач прогнозирования и оценки качества поверхности древесных плит представляет собой перспективное направление, которое сочетает в себе точность, гибкость и устойчивость к неопределенности. Эти пре- имущества делают ANFIS удобным инструментом для производителей и специалистов по качеству, способствуя оптимизации процессов и улучшению конечного продукта. В условиях современного рынка, где требования к качеству продукции и эффективность произ- водства становятся все более актуальными, внедрение таких технологий, как ANFIS, будет способствовать конкурентоспособности и успешному развитию предприятий в сфере деревообработки.