Применение эволюционных и генетических алгоритмов при формировании архитектуры нейросетевых моделей для прогнозирования состояния технического объекта

Для сокращения времени на ликвидацию критических ситуаций в работе технического объекта необходимо своевременное реагирование на нарушения процесса его функционирования. Отсюда возникает задача прогнозирования состояния объекта и возможных нарушений в процессе его работы по результатам исследования набора контролируемых параметров объекта. В этом исследовании поставленная задача решается на основе нейросетевых моделей. Однако при построении модели нейронной сети необходимо тщательно подбирать архитектуру модели для обеспечения наилучшей точности прогнозирования состояния объектов. В данной работе для автоматического проектирования моделей нейронных сетей предложена новая методика, которая заключается в последовательном использовании трех эволюционных алгоритмов: алгоритма декартова генетического программирования (CGP) для первичной инициализации, многокритериального эволюционного алгоритма NSGA-II для настройки архитектур нейронных сетей и эволюционного алгоритма CMA-ES для уточнения параметров архитектур. Для оценки качества прогнозирования по моделям нейронных сетей используется среднеабсолютная ошибка (MAE) и коэффициент детерминации (R2). Для исключения возможности подгонки модели под оптимальные прогнозные характеристики используется кросс-валидация. Она позволяет получать несмещенные оценки метрик качества. Для реализации этих методов и моделей на языке программирования Python при использовании библиотек tensorflow и keras была написана специальная программа. В качестве объектов исследования выступили турбореактивный двигатель, литий-ионный аккумулятор и подшипники. Для сравнения эффективности предлагаемой методики была использована библиотека AutoKeras. Исследование показало, что использование предлагаемого подхода значительно улучшает метрики качества моделей нейронных сетей для всех технических объектов по сравнению с моделями, найденными с помощью библиотеки AutoKeras: значение функции ошибки MAE для всех наборов данных при прогнозировании уменьшается в среднем в 4 раза, а значение коэффициента детерминации увеличивается в 1,9 раза. Данный подход может быть применен специалистами для прогнозирования технического состояния объектов в разных отраслях техники, особенно в авиации.