Практические аспекты применения искусственного интеллекта в метрологии

Рассмотрен искусственный интеллект как один из основных элементов цифровой трансформации. Описаны перспективные направления применения искусственного интеллекта в метрологии. Основное внимание уделено использованию искусственных нейронных сетей в составе средств измерений и измерительных систем для получения результатов измерений в случаях, когда функция измерения неизвестна, недостаточно определена или слишком сложна для алгоритмической формализации. Отмечено, что на практике часто требуется решать задачи с частично неопределённой функцией, когда помимо детерминированной основы существует дополнительный неизвестный компонент, оказывающий существенное влияние на результат измерений. Проведён имитационный эксперимент по решению подобной измерительной задачи с помощью нейросетевой модели. В эксперименте использована функция измерения, имеющая линейную детерминированную основу и дополнительный нелинейный компонент, составляющий примерно 10 % относительного среднего квадратического отклонения и априори неизвестный (по условиям задачи). Результаты эксперимента подтвердили практическую возможность и высокую эффективность применения искусственных нейронных сетей для решения подобных измерительных задач. Нейросетевая модель в условиях зашумлённой обучающей выборки, соответствующей реальным условиям измерений, практически полностью восстановила функцию измерения несмотря на то, что используемая нейросетевая модель была линейной, а дополнительный компонент функции измерения – нелинейным. В проведённом эксперименте за счёт использования нейронной сети точность измерений повышена примерно на порядок. Предоставлен доступ к машинному коду, реализующему данный имитационный эксперимент.

1. Шваб К. Четвёртая промышленная революция / Пер. с англ. М.: Эксмо, 2016. 138 с.

2. Крошкин А. Н., Лищук А. Н. Новая технология бессепарационного измерения продукции нефтяных скважин // Автоматизация в промышленности. 2014. № 5. С. 25–29.

3. Гудфеллоу Я., Бенджио И., Курвилль А. Глубокое обучение / пер. с англ. А. А. Слинкина. 2-е изд. М.: ДМК Пресс, 2018. 652 с.

4. Henry M., Tombs M., Zamora M., Zhou F. Flow Measurement and Instrumentation, 2013, vol. 30, рp. 112–122. https://doi.org/10.1016/j.flowmeasinst.2013.01.003

5. Костарев К. Г., Торохова С. В. Контракция водных растворов спиртов, солей, кислот и оснований // Вестник Пермского университета. Физика. 2022. № 1. С. 5–15. https://doi.org/10.17072/1994-3598-2022-1-05-15

6. Менделеев Д. И. Рассуждение о соединении спирта с водою. СПб.: Общественная польза, 1865. 120 с.

7. Капустин В. М., Чернышева Е. А., Глаголева О. Ф. и др. Неаддитивные изменения свойств углеводородных систем при смешении // Нефтепереработка и нефтехимия. 2017. № 4. С. 3–9. https://elibrary.ru/ylzsxx

8. Смышляева Ю. А., Иванчина Э. Д., Кравцов А. В., Зыонг Ч. Т., Фан Ф. Разработка базы данных по октановым числам для математической модели процесса компаундирования товарных бензинов // Известия Томского политехнического университета. 2011. Т. 318. № 3. С. 75–80. https://elibrary.ru/nupuwj

9. Гафаров Ф. М., Галимянов А. Ф. Искусственные нейронные сети и приложения: учеб. пособие. Казань: Изд-во Казан. ун-та, 2018. 121 с.

10. Антонио Джулли, Суджит Пал. Библиотека Keras – инструмент глубокого обучения. Реализация нейронных сетей с помощью библиотек Theano и TensorFlow / Пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2018. 294 с.