Принципы энергосбережения на предприятиях, занимающихся ремонтом деталей электрических машин Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 621.357.7(088.8) Е.С. Анохина

ПРИНЦИПЫ ЭНЕРГОСБЕРЕЖЕНИЯ НА ПРЕДПРИЯТИЯХ,

ЗАНИМАЮЩИХСЯ РЕМОНТОМ ДЕТАЛЕЙ ЭЛЕКТРИЧЕСКИХ МАШИН

Целью работы автора является разработка метода оптимизации, основанного на искусственных нейронных сетях, который может быть использован для процесса восстановления деталей электрических машин нанесением гальванопокрытий. Алгоритм оптимизации основывается на принципе обратного распространения ошибки, а чтобы получить оптимальный результат нанесения гальванопокрытия, нужно проводить многократные опыты. Их результаты обычно регистрируются в виде значений некоторых наблюдаемых величин. При повторении опытов обнаруживается разброс этих результатов. Даже многократные измерения не дают возможности точно предсказать результат следующего измерения. При помощи применения ней-росетевой модели можно добиться снижения числа отклонений по основным технологическим параметрам процесса нанесения гальванопокрытий, что положительно скажется на улучшении качества выпускаемой продукции, повышении производительности труда. И, как результат, снижение потерь электроэнергии за счет уменьшения случаев необоснованной корректировки процесса.

Работа посвящена анализу ряда проблем, связанных с эффективностью потребления электроэнергии предприятиями, которые занимаются ремонтом деталей электрических машин за счет восстановления их электролитическими сплавами.

Ремонтное хозяйство таких предприятий является важнейшим резервом увеличения срока эксплуатации электрических машин с минимальными материальными и экономическими затратами. Но, несмотря на все это, процесс восстановления деталей электрических машин является достаточно энергоемким. Поэтому задача состоит в управлении процессами электропотребления, ее успешное решение позволяет повысить качество отремонтированного покрытия и снизить потери электроэнергии при потреблении. Вследствие этого к ремонтному производству предъявляются жесткие требования, направленные на повышение эффективности процесса и качества выпускаемой продукции.

Вместе с тем энергосбережение играет ключевую роль в снижении энергоемкости национальной экономики.

Экономически оправданный потенциальный резерв энергосбережения в сфере непосредственного энергоиспользования (прямая экономия расхода электроэнергии, повышение КПД) при существующей системе цен на энергоресурсы составляет не менее 30% [1-2] общего уровня электропотребления. Поэтому в условиях установившейся тенденции роста цен на энергоносители и материальные ресурсы их рациональное использование является самым актуальным вопросом современной науки.

В восстановлении изношенных поверхностей деталей скрываются основные резервы снижения стоимости и увеличения ресурса отремонтированных машин путем сокращения расхода новых запасных частей, экономии трудовых и материальных затрат. К числу важнейших средств повышения срока эксплуатации электрических машин относится система прогрессивных методов восстановления изношенных деталей [3]. Поэтому внедрение новейших технологий в эту структуру представляет большой интерес и значимость для предприятий.

Основные мероприятия по экономии энергоресурсов сводятся к разработке энергосберегающих мероприятий для энергоёмких гальванических ванн и, оценивая перспективность различных направлений дальнейшего прогресса в рассматриваемой области, остановимся на оптимизации технологического процесса с помощью искусственных нейронных сетей (ИНС).

В связи с увеличением объемов эмпирических исследований получили распространение специальные методы обработки информации на ЭВМ, в частности, алгоритмы оптимизации, основывающиеся на принципе обратного распространения ошибки (back propagation). Планирование машинного эксперимента представляет собой итерационный процесс, когда выбранная модель плана эксперимента проверяется на реализуемость, а затем, если это необходимо, вносятся соответствующие коррективы в модель.

Задача оптимизации представляется как создание условий получения покрытий с весьма практическими и разносторонними свойствами: высокой твердостью, повышенной коррозийной стойкостью, большой износостойкостью и оптимальной микротвердостью покрытия. Все эти показатели зависят от ряда факторов,

основных характеристик технологического процесса электролитической установки: концентрации электролита, состава электролита, плотности тока, формы тока, температуры, силы тока и выхода по току.

Например, влияние кислотности железо-никелевого электролита на качество полученного покрытия находится в зависимости: при увеличении концентрации до 1,5 г/л микротвердость покрытия увеличивается до 6200 МПа, в дальнейшем увеличение концентрации кислоты приводит к снижению микротвердости [4]. И так различные факторы влияют по-своему на свойства покрытия. Это многофакторное производство и на нахождение оптимальных показателей может уйти достаточно много времени и затрат, что по-своему скажется и на потребленной за этот период электроэнергии. Также малейшее отклонение основных характеристик установки повлечет за собой необратимое изменение свойств покрытия: недостаточно высокая микротвердость, появление микротрещин, увеличение толщины покрытия и др., что, в свою очередь, приводит к увеличению потерь.

Следовательно, особого внимания заслуживает разработка систем автоматизированного управления параметрами режима электропотребления.

Задачу оптимального управления можно сформулировать следующим образом: для заданных Х/,.,Х (/=/,.,.,л) входящих величин найти У выход системы, такой, что показатель качества множество состояний & достигает своего максимального значения. Такая постановка задачи управления режимами нанесения гальванопокрытий получила название ситуационного управления [5].

Отсюда вытекает основная задача оптимизации на основе ИНС.

К одному из основных достоинств работы с ИНС относят способность восстанавливать закономерность, которой ее обучили. Имеющаяся практика применения нейросетей указывает на их значительные преимущества перед другими подходами, такими, как регрессионный анализ, интерполяция полиномами и сплайнами. Такой результат обусловлен особенностью обработки имеющейся информации и определенной универсальностью подхода к выявлению зависимостей. Последние в задачах, связанных с исследованием ИНС, могут иметь вид обычных функций, значения которых совместно со значениями - аргументами составляют обучающее множество.

Исследования в выбранном направлении облегчаются тем фактом, что для обучения важен сам факт присутствия зависимости в задачнике, а не конкретный вид функции его порождающий. Если при этом требования к оптимальности структуры сети будут соблюдены, то появляется возможность обобщения полученных результатов [5].

Алгоритм оптимизации реализуется с помощью нейронной сети, обучение которой происходит по алгоритму обратного распространения ошибки, о чем уже упоминалось выше.

Суть процедуры обучения ИНС обобщенно можно представить в виде следующего алгоритма:

1. Задается обучающее множество («задачник»)

{(Х1, ^);(Х2, D2);(X, DL)}, элементами которого являются обучающие пары (X, D|), где /=1, 2, ..., -.

В данном случае

Х1=(Х1(1>, ХД..., ХД)Т

- первый входной вектор (или первый входной образ) предлагаемый ИНС;

D1=(d1(1), dД...( dn(1))T

- вектор эталонных реакций НС в ответ на первый входной вектор Х/

- - число различных обучающих пар, принадлежащих выборке.

Обучающий образ представлен в виде таблицы.

Формирование обучающей выборки

Входной вектор Факторы Реакция

Х/(1) Х?(/) Хз(1) Х/1) D

Х/ 40 200 5 10 6000

Х2 20 400 5 10 5999

Хз 20 200 10 10 6001

Х4 20 200 5 20 5985

Х5 40 400 5 20 5987

Хб 40 200 10 20 6000,5

Хт 40 400 10 10 5989

Хз 20 400 10 20 6000,2

Примечание:

* Х1(1) - Dk - плотность потока, А/дм2;

Х2(1) - С - концентрация электролита;

Хз(1) - в-коэффициент асимметрии;

Х4(1) - N - содержание никеля в электролите, %.

Выходом нейросети У является микротвердость покрытия, полученная при электролизе, режим которого был определен согласно уравнению регрессии:

У=аоХ4(1)+а1Хз(1)-а2Х2(1)+азХ1(1)+а4 ,

где а постоянные коэффициенты.

Математическая модель этой задачи имеет вид:

ац Х1 + а12 Х2 + . . + >< с а1 <= &;

а21 Х1 + а22 Х2 + . . + >< с 2 а <= $2,

а/1 Х1 + а/2 Х2 + .. . + ап Хп <=

ат1Х1 + ат2Х2 + . . + атпХп <=

7 = 1, 2, 3, . . . , п; / = 1, 2, 3, . . . , т; т < п.

2. Устанавливается начальное состояние ИНС путем присвоения всем ее весам )Мцк некоторых случайных малых значений.

Здесь - вес связи, соединяющий выход /-го нейрона к-слоя со входом 7-го нейрона (к+1)-го слоя.

3. На вход сети подается входной вектор Х1 и определяются реакции у(1) (/=1, 2, ..., п) нейронов выходного слоя.

4. Вычисляется разность е(1) между желаемым D1 выходом сети и ее фактическим выходом (вычисленным) У1=(У1(1), У2(1),..., Уп(1))Т ,т.е.

£^1)=D1-У1,

а также суммирующая квадратичная ошибка

п

Е(1) = 0,5^ (й? - у(1))2.

-/'=1

5. Веса ]Мцк сети корректируются так, чтобы минимизировать ошибку Е(1).

6. Повторяются с 3-го по 5-й этапы обучения ИНС для каждой пары обучающего множества (X, D) до тех пор, пока ошибка на всем множестве не достигнет малой, заранее заданной величины Е*.

Третий этап можно рассматривать как «проход вперед», так как сигнал распространяется по сети от входа к выходу. Этапы 4-5 составляют «обратный проход» (рис. 1), поскольку здесь вычисляемый сигнал ошибки распространяется обратно по сети и используется для подстройки весов [6].

Рис. 1. Процесс обучения нейросети

В данном алгоритме функция ошибки представляет собой сумму квадратов рассогласования (ошибки) желаемого выхода сети и реального, и процесс обучения прекращается, когда эта ошибка достигнет некоторого определенного уровня малости, либо когда ошибка перестанет уменьшаться.

Разработанный алгоритм обучения позволяет оптимизировать передаточную функцию с каждым повтором входного события, что позволяет выявить неизменные составляющие в этом событии и "настроить" сеть на надежное распознавание этого события вне зависимости от влияния посторонних событий (шумов) на входе сети.

После того как сеть обучена, мы можем применять ее для решения задачи оптимизации процесса нанесения гальванопокрытий.

При выборе архитектуры сети было опробовано несколько конфигураций с различным количеством элементов. При этом основным показателем являлся объем обучающего множества и обобщающая способность сети. Наилучший результат показала сеть с двумя скрытыми слоями, с размерностью скрытых слоев. Необходимое число синаптических весов ^определено как [6]:

шЫ

< Ьт < ш| — +1 \(п + ш +1) + ш,

1 + 1о§2 N у ш

где п - размерность входного сигнала; т - размерность выходного сигнала;

N - число элементов обучающей выборки.

Тогда число нейронов в скрытых слоях (в двухслойной сети)

I=-^

п + ш

Ниже на рис. 2 представлены результаты обучения для выбранного типа нейроструктуры, линия -выход сети, точками отображены элементы обучающей выборки.

Рис. 2. Иллюстрация работы сети На графике (рис. 3) показано изменение ошибки сети в процессе ее обучения.

Рис. 3. Изменение ошибки

Как видно из полученного графика (рис. 3), для всех задачников точность обучения в диапазоне (0, 1) имеет резкое уменьшения ошибки, обусловленное процессом обучения, а затем наблюдается стабилизация ошибки [1; 3], зона устойчивой точности обучения. Результаты обучения и тестирования показывают, что сети обучились примерами с точностью меньшей 0,1%, что является достаточно хорошим показателем.

Структура созданной нейронной сети представлена на рис. 4. По нему можно получить графическую информацию о структуре сети.

ьга

а) блок-диаграмма 1-го слоя б) блок-диаграмма 2-го слоя

Рис. 4. Структура созданной ИНС

Результаты внедрения нейросетевой оптимизации для ремонтного производства подтверждают эффективность и перспективность дальнейших исследований в данном направлении. Перспективы развития нейросетевых технологий в значительной степени зависят от решения многих вопросов теоретического и практического характера.

Рассмотрение в данной работе круга задач является попыткой соединения основных вопросов нейроинформатики с целью дальнейшего использования в практике разработки мероприятий по экономии электроэнергии в технологических процессах. Необходимость такого комплексного взгляда продиктована, прежде всего, ценностью конечного результата. При его получении имеет значение каждый аспект: определение необходимого набора признаков, задание глубины предыстории, предобработка данных выборки, обучение нейросети, анализ ошибки обучения и обобщения.

По результатам проведенной работы сделаны следующие выводы:

1. Управление режимами параметров электролитической установки следует рассматривать как основу энергосберегающей стратегии предприятия, занимающегося ремонтом деталей электрических машин.

2. Для построения реальной системы управления качеством ремонтируемых деталей, для оптимизации процесса нанесения гальванопокрытий можно использовать реальную модель искусственных нейронных сетей.

3. За счет уменьшения потерь электроэнергии, по средствам сокращения случаев необоснованной корректировки процесса увеличиваются качественные показатели продукции.

4. Результаты внедрения нейросетевой оптимизации подтверждают эффективность и перспективность дальнейших исследований в данном направлении.

Литература

1. Папков, Б.В. Надежность и эффективность электропотребления / Б.В. Папков. - Н. Новгород: Изд-во НГТУ, 1996. - 212 с.

2. Башмаков, И.А. Энергоэффективность: от теории к действию / И.А. Башмаков. - М.: ЦЭНЭФ, 2001. -230 с.

3. Петров, Ю.Н. Основы ремонта машин / Ю.Н. Петров. - М.: Машиниздат, 1972. - 352 с.

4. Грипихес, С.Я. Электролитические и химические покрытия. Теория и практика / С.Я. Гоипихес, К.И. Тихонов. - Л.: Химия, 1990. - 288 с.

5. Горбань, А.Н. Обучение нейронных сетей / А.Н. Горбань. - М.: Параграф, 1990. - 159 с.

6. Круглов, В.В. Искусственные нейронные сети. Теория и практика / В.В. Круглов, В.В. Борисов. - М.: Горячая линия - Телеком, 2001. - 382 с.