CC BY
19
информационных технологий и массовых коммуникаций по Краснодарскому краю. Свидетельство
УДК 621.313.2
Старчевский М.В. студент магистратуры ФБГОУ ВПО «Череповецкий государственный университет»
Россия, г. Череповец Бида П.И. студент магистратуры ФБГОУ ВПО «Череповецкий государственный университет»
Россия, г. Череповец ИСПОЛЬЗОВАНИЕ НЕЙРОННЫХ СЕТЕЙ В ДИАГНОСТИКЕ АВТОМАТИЗИРОВАННОГО ЭЛЕКТРОПРИВОДА
Аннотация. В статье рассматривается метод диагностики электропривода постоянного тока с использованием нейронных сетей в программе MATLAB. Описан выбор типа нейронной сети. На основе параметров электропривода дана оценка его состоянию.
Ключевые слова: Электропривод, нейронные сети, диагностика, MATLAB, идентификация.
Starchevsky M. graduate student Cherepovets State University Russia, Cherepovets Bida P. graduate student Cherepovets State University Russia, Cherepovets USING NEURAL NETWORKS IN THE DIAGNOSIS OF AUTOMATED ELECTRIC DRIVE
Annotation. The article examines the method for diagnosing a DC electric drive using neural networks in the MATLAB program. The choice of neural network type is described. Based on the parameters of the electric drive, an assessment is made of its state.
Keywords: Electric drive, neural networks, diagnostics, MATLAB, identification.
Одна из основных целей технической диагностики заключается в организации эффективных процессов оценки технического состояния объектов различной сложности.
Качество используемых алгоритмов, является одним из факторов, влияющих на эффективность процесса оценки технического состояния. Увеличив производительность труда на операциях диагноза, при этом сократив время на обнаружение, поиск и устранение неисправностей, а также уменьшение объемов и сложности средств диагноза, вызывает
неподдельный интерес к разработке методов построения алгоритмов диагноза, которые требуют минимальных затрат на их реализацию.
Для сбора информации о состоянии объектов диагностики необходимо применять надежно работающие внешние и встроенные аппаратные средства диагноза, которые требуют высокую точность измерений и автоматическую обработку и сохранение данных. Благодаря этому будет гарантироваться достоверность результатов диагноза, сведено к минимуму влияние субъективных факторов и упрощена статистическая обработка результатов.
Преуменьшение важности своевременной и полной проработки вопросов организации эффективных процедур диагноза, в том числе автоматизации поиска неисправностей сложных объектов, ведет к бесполезным материальным издержкам, затратам времени и квалифицированной рабочей силы при наладке, профилактике и ремонте.
При помощи методов компьютерной диагностики в совокупности с развитием методов искусственного интеллекта, можно повысить качество технических систем. Это связано с разработкой новых подходов, позволяющих учитывать особенности современного оборудования технологии. В связи с этим изучение и использование нейронных сетей, как средства искусственного интеллекта для решения задач диагностики является весьма эффективными [3].
Любое оборудование, с помощью которого осуществляется технологический процесс, недолговечно и небезотказно. Поэтому необходимо идентифицировать неисправности своевременно, для того чтобы можно было продлить жизненный цикл техники, предотвращая поломки и аварии, которые нередко могут привести к большим экономическим потерям и долгим простоям оборудования.
В данной статье рассматривается один из методов интеллектуальных технологий для диагностики оборудования.
В качестве объекта рассматривается электропривод постоянного тока с высокомоментным двигателем (Рисунок 1). Двигатель постоянного тока (ДПТ) наиболее часто используется при построении систем управления технологическими машинами за счет простоты управления и хороших динамических характеристик [5].
Рисунок 1 - Электропривод постоянного тока
Выполнение процедур диагностики предполагает детальное описание процессов происходящих в ДПТ, что позволяет оценивать техническое состояние с использованием алгоритмов, построенных на их основе. Непосредственно измеряемыми переменными в ДПТ являются ток, напряжение и скорость вращения ротора. Остальные параметры могут определяться на основе измеряемых с использование методов идентификации [4].
Основной проблемой технической диагностики, основанной на нейросетях, является автоматизированный сбор, обработка измеренных характеристик объекта и выдача заключения о его состоянии. Для решения проблем технической диагностики используются разнообразные компьютерные программные комплексы, основанные на различных математических методах. В данной работе рассматривается метод диагностики привода с помощью системы MATLAB с пакетом расширения «Neural Network Toolbox» [1].
При определении входных данных, необходимых для работы автоматической системы диагностики, основанной на нейронных сетях, анализируют переходные характеристики привода при различных неисправностях в нем. Набор входных данных, полученный при исследовании привода (вектор состояния привода), отражает минимум, по которому можно определить его состояние. При постановке задачи для обучения нейросетей исходят из того, что диагностическая система должна выбирать один из предполагаемых диагнозов из заданного набора на основе параметров привода, по которым производится оценка его состояния.
Была поставлена цель обучить нейронную сеть согласно 20-ти кривым, соответствующих 4-м диагнозам электропривода (по 5 векторов
на каждое состояние двигателя), для того чтобы в будущем можно было определить, исправен электропривод или нет.
Путем изменения параметров модели электропривода постоянного тока в MATLAB выявим 4 состояния исправности системы.
1) Нормальный режим относительно момента нагрузки
2) Нормальный режим относительно сопротивления якорной обмотки
3) Повышение момента нагрузки.
4) Снижение сопротивления якорной обмотки.
В процессе изменений параметров двигателя, была получена выборка данных для каждого из 4 состояний системы при помощи рабочей области To Workspace, насчитывающая 4000 значений. Полученные значения заносят в матрицу размером 200х20, которая является и матрицей входов. На рисунке 2 показан график входных данных для обучения нейросети.
Рисунок 2 - График входных данных для обучения нейросети.
Далее создается матрица целей в виде нулей и единиц. Каждому верно распознанному состоянию будет соответствовать единица на выходе нейросети. Все остальные выходы при этом принимают значение 0. Если нейросеть распознала первое состояние привода, то на её первом выходе должна получиться единица, на остальных выходах - нули. Если она распознала второе состояние, единица получается на втором выходе, а на остальных - нули. Число столбцов должно совпадать с числом столбцов матрицы входов.
В процессе обучения, тестируя разные сети на пригодность для нашей задачи, была выбрана вероятностная сеть Probabilistic Neural Network - одна из разновидностей радиально базисных сетей [2].
Для проверки работоспособности нейросети необходимо создать модель (Рисунок 3). Эта модель включает в себя следующие
составляющие: электропривод; блоки предварительной обработки сигнала; блок нейросети; блоки обработки данных, получаемых с выхода нейросети; блоки вывода результатов.
Рисунок 3 - Модель для проверки работоспособности нейросети (Мнорм)
Рисунок 4 - Модель для проверки работоспособности нейросети
(Мвысок.)
В нашем случае система отвечает техническим характеристикам электромеханической системы. На рисунке 3 и рисунке 4 показано, что сеть распознала 2 из 4 состояний электропривода. При изменении входных данных наша выбранная сеть распознает и 2 других состояния. Исходя из этого можно сделать вывод о ее пригодности для решения поставленной задачи.
Использованные источники:
1.Медведев В.С., Потемкин В.Г. Нейронные сети. MATLAB 6.: - М.: ДИАЛОГ-МИФИ, 2001. - 630 с.
2.Нейронные сети [электронный ресурс]. URL: http://tchsp.ru/h/biz/stat/49/modules/stneunet.html (дата обращения 03.04.2017)
3.Палюх Б.В. Диагностирование электромеханических систем на основе нейросетевых технологий/Шпрехер Д.М., Богатиков В.Н.// Программные продукты и системы. 2015. № 3. С. 5-11.
4.Сараев П.В. Идентификация нейросетевых моделей [Текст]: монография. - Липецк: Изд-во ЛГТУ, 2011.- 94 с.
5.Терехов В.М., Осипов О.И. Системы управления электроприводов.: учебник для студентов высших учебных заведений. - 2-е издание, стер. -М.: издательский центр «Академия», 2006 - 304с.
УДК 797.21
Степанова О.В. студент Зотин В.В. старший преподаватель Мельничук А.А., к.п.н. доцент 4 курс, Сибирский государственный аэрокосмический университет имени академика М.Ф.Решетнёва ВЛИЯНИЕ СИЛОВЫХ УПРАЖНЕНИЙ
НА ОРГАНИЗМ СТУДЕНТОВ INFLUENCE OF STRATEGIC EXERCISES ON THE ORGANISM OF STUDENTS Аннотация: В статье раскрывается польза силовых упражнений на здоровье и общее физическое состояние. Проведено исследование среди студентов Сибирского государственного аэрокосмического университета имени академика М.Ф. Решетнева, на выявление эффекта от силовых тренировок.
Ключевые слова: студенты, упражнения, силовые упражнения, занятия, здоровье, спорт, исследование.
Stepanova O.V. student Zotin V.V. senior Lecturer Melnichuk AA, Ph.D. assistant professor 4 year, Siberian State Aerospace University named after Academician MF Reshetnev Annotation: The article reveals the benefits of strength exercises for health and general physical condition. A study was carried out among students of the Siberian State Aerospace University named after Academician M.F. Reshetnev, to identify the effect of strength training.
