Анализ алгоритмов проведения процедуры самодиагностики в аналого-цифровом преобразователе на основе нейронной сети

Le résumé fourni par la source

Статья посвящена сравнению двух разработанных методов проведения самодиагностики для определения состояния нейронов самомаршрутизирующегося аналого-цифрового преобразователя на базе распределённой системы встроенного контроля и анализу отношения быстродействия к размерам нейронной сети. В основе системы диагностики лежит использование местного фрагментарного устройства управления и метода «эхолокации» для маршрутизации сигналов, которые позволяют исключать из сети отказавшие нейроны, при этом сохраняя возможность измерения на оставшихся в сети исправных нейронах. В результате работы выбран лучший алгоритм из предложенных, разработана структура базовой группы нейронов – «структура с избыточной связью», а также сделан вывод о размере базовой группы нейронов, позволяющей обеспечить высокое быстродействие системы самодиагностики. Кроме того, определены направления дальнейших исследований, связанных с диагностикой системы управления нейрона, использованием нескольких базовых групп нейронов и применением предложенных алгоритмов при высокой нагрузке на аналого-цифровой преобразователь. Introduction. In modern digital control systems, ensuring the reliability of ADCs is topical. Self-diagnosis algorithms are commonly employed to detect and address failures, thereby enhancing reliability. This research aims at developing a novel approach by harnessing the capabilities of a local fragmented control device (LFCD) to identify failures in the main measuring neuron (MMN) system, followed by the exclusion of the failed MMN from the neural network. Materials and Methods. The study applied self-diagnosis algorithms to identify failed MMNs for two neural network structures: the "Internal Feedback Structure" and the "Redundant Link Structure." Graphical interpretations of the operation sequence are provided for cases of complete uncertainty, where the state of all neurons from the base group is unknown, and for cases of the unknown state of one neuron. The concept of the base group is introduced as the minimum number of neurons required for self-diagnosis. Results and Conclusion. In the MatLab Simulink environment, we developed a model to compare neural network structures and self-diagnosis algorithms. We utilized this model to investigate the algorithm complexity and total time required for neural network analysis based on the number of tested neurons. Our findings demonstrated that for the "Internal Feedback Structure," the base group consists of 2m MMNs, where m represents the ADC resolution during self-diagnosis, while for the "Redundant Link Structure," it is 2m+1. The analysis highlighted that the "Redundant Link Structure" and selecting parameter m=3 represent the most optimal solution, offering shorter verification time and requiring less hardware resources while maintaining other characteristics. Practical Significance. Research findings will enable subsequent self-diagnosis of control system elements and developing a diagnostic algorithm that ensures parallel checking in different areas of neural networks and the process of analog-to-digital conversion on the free part.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.