Методическое пособие 662

ВВЕДЕНИЕ

Качество функционирования. Повышение эффективности и надежности систем автоматизированного проектирования, систем управления технологическими процессами, информационно-вычислительных и экспертных систем базируются на системном подходе с использованием алгоритмов принятия оптимальных решений, а также современных методов обработки различных типов информации. В связи с этим актуальны адаптация существующих универсальных подходов к изучению моделей предметных областей и формирование соответствующего алгоритмического и программного обеспечения для решения конкретных инженерных задач. Важным этапом синтеза является тестирование, эксперементальное исследование с выявлением адекватности используемых моделей.

Материалы, включенные в сборник научной школы, посвящены разработке перечисленных теоретических проблем, их прикладных аспектов, анализу результатов их внедрения в различные области производства и образования.

3

УДК 004.942

Р. Х. Мясоутов

СРАВНЕНИЕ АРХИТЕКТУР НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ РАСПОЗНАВАНИЯ РУКОПИСНЫХ СИМВОЛОВ

Задача распознавания рукописных символов до сих пор является нетривиальной и окончательно нерешенной. Каждый человек, несмотря на шаблонность почерка, по-разному пишет одни и те же буквы, поэтому, в отличие от задачи распознавания печатных символов, довольно сложно собрать достаточно большой набор данных, на котором можно было бы обучить нейронную сеть. Данная статья рассматривает использование разных архитектур нейронных сетей для решения поставленной задачи.

В качестве исходного набора данных рассмотрим набор изображений рукописных букв, состоящий из 102123 изображений, набор для обучения составляет 81725 изображений, проверочная выборка содержит 20398 изображений. Таким образом, данные разделены в отношении 80 на 20. Размер каждого изображения - 32 на 32 пикселя. Изображения имеют вид (рис. 1):

Рис. 1. Рукописный символ

Всего имеется 72 класса символов: буквы в верхнем и нижнем регистре, а также 10 рукописных цифр. Рассмотри три архитектуры:

Рис. 2. Модель 1

Данная модель (рис. 2) содержит 2 сверточных слоя c 32 выходными фильтрами на свертке и высотой сетки 3 на 3 с функцией активации relu [1], а после слой пакетной нормализации, также 2 сверточных слоя c 64 выходными фильтрами на свертке и высотой сетки 3 на 3 с функцией активации relu. Далее содержится полносвязный слой с размером выходного слоя 512. Выходной

4

полносвязный слой содержит 72 исходных фильтра с функцией активации softmax [2].

Рис. 3. Модель 2

Данная модель (рис. 3) на предварительном шаге использует ImageDataGenerator [3], который позволяет увеличить исходную выборку за счет поворотов и смещений каждого изображения. Модель содержит 2 сверточных слоя c 32 выходными фильтрами на свертке и высотой сетки 3 на 3 с функцией активации relu, а после слой пакетной нормализации. Далее содержится полносвязный слой с размером выходного слоя 512. Выходной полносвязный слой содержит 72 исходных фильтра с функцией активации softmax.

Рис. 4. Модель 3

Данная модель (рис. 4) содержит 2 сверточных слоя c 32 выходными фильтрами на свертке и высотой сетки 7 на 7 с функцией активации relu, далее слой подвыборки с размером окна 1 на 1 и шагом свертки 2 на 2, а после слой пакетной нормализации. Далее добавлены 2 сверточных слоя с 64 выходными фильтрами на свертки и высотой сетки 3 на 3 с функцией активации relu, также добавлена функция регуляризации l2[4] с параметром 0.01 и функцией ограничения l2 с параметром 0.01, далее добавлен слой подвыборки с размером окна 1 на 1 и шагом свертки 2 на 2. Далее содержится полносвязный слой с размером выходного слоя 1024 с функцией активации relu, функцией регуляризации l2 с параметром 0.01 и функцией ограничения l2 с параметром

5

0.01. Далее содержится полносвязный слой с размером выходного слоя 256. Выходной полносвязный слой содержит 72 исходных фильтра с функцией активации softmax.

Результаты на 20 эпохах обучения: Модель 1 (рис. 5) - точность на проверочной выборке - 78%, Модель 2 (рис. 6) - точность на проверочной выборке - 36%, Модель 3 (рис. 7) - точность на проверочной выборке - 56%:

Рис. 7. Модель 3

Как видно из результатов выше, увеличение исходной выборки за счет ImageDataGenerator’ не дает прироста точности за счет увеличения количества данных. Довольно простая Модель 1 дает неплохую точность на малом количестве эпох обучения, специфичная настройка параметров для Модели 3 не дает хорошую точность, но имеет потенциал для дальнейшего обучения. Рассмотрим Модель 1 и Модель 3 на 50-ти эпохах. Модель 1 (рис. 8) - точность на проверочной выборке - 83%, а Модель 3 (рис. 9) - точность на проверочной выборке - 71%.

6

Как видно из результатов выше, даже относительно простые модели дают высокую точность на исходном наборе данных.

Литература

1.Функция активации relu: сайт – URL: https://neurohive.io/ru/osnovy-data- science/activation-functions/ (Дата обращения: 01.02.2020)

2.Функция активации softmax: сайт – URL: https://neurohive.io/ru/osnovy- data-science/activation-functions/(Дата обращения: 01.02.2020)

3.ImageDataGenerator: сайт – URL: http://keras.io/preprocessing/image/ (Дата обращения: 01.02.2020)

4.L2: сайт – URL: https://craftappmobile.com/l1-vs-l2-regularization/ (Дата обращения: 01.02.2020)

Институт математики и информационных технологий Волгоградского государственного университета

УДК 621.187

А. Г. Ажиппо, В. Н. Старченко

ОПТИМИЗАЦИЯ СИСТЕМЫ ТОПЛИВОПОДГОТОВКИ МАГИСТРАЛЬНЫХ ЛОКОМОТИВОВ

Создание новых и совершенствование существующих локомотивов нуждается в решении вопроса относительно надежного и безаварийного функционирования их теплоэнергетической установки (ТЭУ). В свою очередь, эксплуатационные показатели тепловых двигателей внутреннего сгорания (ДВС) в значительной мере связаны с качеством химического топлива.

7

При достаточно сильном охлаждении в значительной степени ухудшаются эксплутационные свойства топлива локомотивов. Из него выделяются парафиновые фракции, кристаллизуется растворенная вода, что может вызвать выход из строя узлов системы питания, прекращение подачи топлива и, как следствие аварийный останов силовой установки. Указанные выше негативные тенденции характерны особенно для «тяжелых» топлив. Таким образом, повышение эффективности системы подогрева топлива (СПТ) магистральных локомотивов путем совершенствования ее конструкторской схемы и важнейшего узла, топливоподогревателя, следует признать насущной задачей, решение которой является необходимой предпосылкой улучшения эксплуатационных характеристик тепловозов.

Существующие способы подогрева топлива трубчатыми или змеевиковыми электрическими нагревателями в топливных баках термически и экономически малоэффективны ввиду низкой рассеивающей способности поверхностей теплообмена и высокой стоимости электроэнергии, что усугубляется реализацией неоптимального цикла частичной рециркуляции топлива, требуют больших энергозатрат и способствуют образованию большого количества нерастворимых при создаваемых ими условиях крупных фракций (более 5 мкм) топливных осадков (парафинов), особенно при нагреве неподвижных объемов топлива, что вполне может привести к выходу из строя агрегатов системы питания топливом двигателя внутреннего сгорания. Подогрев топлива на дизельных локомотивах осуществляется также газовыми подогревателями (использование теплоты отработавших газов), что является пожароопасным и крайне отрицательно сказывается на термической стабильности топлива.

Повышение эффективности систем подогрева топлива магистральных тепловозов путем совершенствования топливоподогревателя модульной конструкции и оборудования как ими нагнетательной, так и сливной ветвей системы питания, а также выполнением модулей топливоподогревателя из плотного пучка труб малого диаметра с накатным оребрением и организацией перепуска части топлива со сливной магистрали системы непосредственно в бак.

При проведении энергетического расчета системы подогрева топлива двигателя, а именно при проведении теплового расчета топливоподогревателя основной трудностью является определение коэффициента теплопередачи k. В основном это связано со сложной конструкцией поверхности теплообмена топливоподогревателя, а также с изменением температуры теплоносителей. Кроме того, необходимо учесть сложную структуру потока, омывающую наружную поверхность труб ребристого пучка. Данное течение является перекрестноточным, усложненным многоходовостью теплообменника, что необходимо для обеспечения его тепловой эффективности.

Коэффициент теплопередачи топливоподогревателя определяется с помощью аналитических выражений в зависимости от геометрии поверхности

8

теплообмена [1]:

где F2р.уд. – удельная поверхность наружной оребренной части трубы,

м2/м;

F2н.уд - удельная поверхность наружной неоребренной части трубы, м2/м; F1уд – удельная внутренняя поверхность трубы, м2/м;

d1 – внутренний диаметр трубы,м;

dнт – диаметр трубы, несущей оребрение,м;

λст – коэффициент теплопроводности стенки, Вт/м·оС; α1 - коэффициент теплоотдачи со стороны греющей жидкости, Вт/м2·оС;

α2 - коэффициент теплоотдачи в межтрубном пространстве топливоподогревателя, Вт/м2·оС.

Топливоподогреватель двигателя тепловоза предназначен для подогрева топлива от теплоты, передаваемой от охлаждающей жидкости ДВС. Максимальное количество теплоты, передаваемое топливу от охлаждающей жидкости ДВС, соответствует режиму максимальной эффективной мощности двигателя, то есть максимальному расходу топлива (максимальная производительность топливоподкачивающего насоса) и максимальному расходу охлаждающей жидкости.

Поэтому энергетический расчет топливоподогревателя необходимо проводить на режиме максимальной мощности двигателя. При расчете выбирают наименее благоприятный режим работы двигателя и движения тепловоза: мощность двигателя принимается максимальной; температура охлаждающей жидкости на входе в топливоподогреватель принимается максимально возможной при эксплуатации тепловоза; температура окружающего воздуха принимается минимальной для данного климатического района.

В общем случае математическая модель теплового расчета топливоподогревателя (рисунок) может быть получена на основе системы дифферециальных уравнений теплопередачи и теплового баланса (по жидкости и по топливу), традиционых для прямо- и противоточных теплообменников [2].

Риc. Расчетная схема течения теплоносителей в теплообменнике

9