CC BY
45
9. ДСТУ ISO 14971:2009. Вироби медичш. Настанови щодо управлшия ризиком [Текст] / (ISO 14971:2007, IDT):
введ.2012-01-01. - Ки!в: Держспоживстандарт: К.: ДП «УкрНДНЦ». 2012. - 61 с. 10. Ripley, B. D. Statistica laspects of neural networks [Text] / B. D. Ripley. - London.: Published by Chapman&Hall, 1994. -Р. 40-111.
Проведет дослгдження для створення тте-лектуальног системи керування тяговим елек-троприводом. В результатi встановлено, що ктьтсть терацш для знаходження оптималь-ног тяговог характеристики та частинок в рог безпосередньо впливають на тривал^ть робо-ти алгоритму та вiдповiднiсть реальтй ситуаци отриманог тяговог характеристики. Окрiм того розроблено методику забезпечення функщонуван-ня створеног системи керування на основi нейрон-них технологш
Ключовi слова: електротехшчний комплекс, тяговий привод, методика, нейронна мережа,
метод рою часток
□-□
Проведены исследования по созданию интеллектуальной системы управления тяговым электроприводом. В результате установлено, что количество итераций для нахождения оптимальной тяговой характеристики и частиц в рое непосредственно влияют на продолжительность работы алгоритма и соответствие реальной ситуации полученной тяговой характеристики. Кроме того, разработана методика обеспечения функционирования созданной системы управления на основе нейронных технологий
Ключевые слова: электротехнический комплекс, тяговый привод, методика, нейронная сеть, метод роя частиц
УДК 621.314.5:681.5:621.313.3
|DOI: 10.15587/1729-4061.2015.39415|
ПРОЕКТУВАННЯ 1НТЕЛЕКТУАЛЬНОТ СИСТЕМИ КЕРУВАННЯ
ТЯГОВИМИ ЕЛЕКТРОПРИВОДАМИ
Д. О. Куламн
Кандидат техшчних наук, доцент* E-mail: kulagindo@gmail.com I. С. Роменський
Астрант* E-mail: Ihor_Romensky@mail.ru *Кафедра «Електропостачання промислових пщприемств» Запорiзький нацюнальний техшчний ушверситет вул. Жуковського, 64, м. Запорiжжя, УкраТна, 69063
1. Вступ
При проектувант тягових електропривод1в пер-шочерговим завданням е встановлення зв'язку екс-плуатацшних показниюв, тягово! характеристики вщповщного рухомого електротехшчного комплексу з параметрами та характеристиками тягового елек-тродвигуна, який буде використовуватися для приводу ведучих колю. Щ даш служать для обгрунту-вання вибору розрахунково! потужност тягового електродвигуна, силового кола, д1апазону регулюван-ня напруги, магштного потоку та шших конструкцш-них величин [1]. Основними експлуатацшними показ-никами рухомого електротехшчного комплексу, що виявляють вплив на виб1р параметр1в системи тягових електропривод1в, е: повна маса комплексу, номшальна та максимальна швидюсть руху, показники динамжи розгону (час розгону до задано! швидкост1, величини прискорення та ривка) [2].
Забезпечення встановленого р1вня експлуатащ-йних показниюв, тягово! характеристики з параметрами тягового електродвигуна е важливою задачею
©
оргашзацп функщонування транспортного процесу, адже дозволяе точно виконувати встановлеш показники графжа руху поряд 1з забезпеченням оптимальних паливно-енергетичних витрат та нормативних характеристик руху (швидюсть, прискорення та ривок) [3].
2. Аналiз лггературних даних та постановка проблеми
Типовим вар1антом забезпечення необхвдно! тягово! характеристики е такий, при котрому ввдповвдно до задано! потужност1 тягових агрегат1в визначаеться мехашчна характеристика тягових електропривод1в i вщповщна !й тягова характеристика електротехшчного комплексу [2, 3]. Це потребуе громiздких об-числень, значних наближень, викликае трудношд при проведеннi оптимiзацiйних розрахунюв. Проте, такий метод дозволяе отримувати системи тягового електро-приводу для всього широкого рiзноманiття рухомих електротехнiчних комплекив в залежностi вiд прогно-зованого максимального навантаження на виконав-чий орган або тяговий електропривод. Ввдомий шший
тдхщ [2, 4, 5], за якого використовуеться зворотна схема проектування, коли на основi статистичного матерiалу експлуатацп рухомих електротехнiчних комплексiв аналогiчноi конструкцп на аналогiчних дiлянках шляху отримують найбiльш типову тягову характеристику комплексу i вiдповiдно до неi будують систему керування, топологiю тягових електроприво-дiв. Одначе, такий пiдхiд мштить ряд негативних мо-ментiв, пов'язаних з отриманням середньостатистич-ноi тяговоi характеристики, яка в бiльшостi випадюв е придатною лише для аналiзованих типових дiлянок шляху i майже виключае можливостi збiльшення тягового потенщалу для використання в нетипових умовах експлуатацп. Такий тдхщ в бшьшосп своiй е виправ-даним для мшького та залiзничного пасажирського електротранспорту, де навантаження та умови експлу-атацп е строго визначеними i майже не змiнюються (незначний детермшований характер змiни експлуа-тацiйних параметрiв дозволяе використовувати такий пiдхiд до проектування рухомого електротехшчного комплексу). Проте, забезпечення тягових характеристик для рiзко змшних навантажень, з якими працю-ють важкi кар'ернi самоскиди, трактори, промислова допомiжнi технiка, комбайни та ш. е досить складним з огляду на невизначешсть умов роботи та маршрупв використання. Проте жоден з методiв не дае можливо-стi встановити однозначний зв'язок мiж параметрами тяговоi динамiки та необхщними характеристиками тягових електроприводiв [6, 7].
Проектування системи керування для забезпечен-ня необхщного зв'язку мiж параметрами тяговоi дина-мiки та необхщними характеристиками тягових елек-троприводiв, в умовах експлуатацii вже спроектованоi системи, пропонуеться виконувати з використанням стохастичних методiв, що iмiтують поведшку, до яких вiдноситься вiдомий метод рою часток (Particle Swarm Optimization, PSO), який засновано на закономiрнос-тях соцiальноi поведшки [8-10].
тинки, котрi в кожний момент часу мають в просторi параметрiв задачi оптимiзацii певне положення та швидюсть, якi визначаються на основi обчислення цiльовоi функцii частки: на кожнш iтерацii для визна-чення послщуючого положення частинки враховуеть-ся вся шформащя про оптимальне положення вщ су-сiднiх часток та шформащя про дану частинку на тому крощ ггерацп, коли частинцi вщповщало найбiльш оптимальне значення цiльовоi функцп.
Нехай множина часток (популяцiя) задана наступ-ним чином:
Р = |Р,}, (1)
причому
1 е[1;К ], (2)
де К - юльюсть частинок в рою, що визначае розмiр популяцп.
В певний дискретний момент часу
t е[0;Т ], (3)
координати частинки р визначаються вектором
^ = ), (4)
а швидюсть частинки визначаеться вектором
ШЦ ШЦ,п ) , (5)
де Т - юльюсть iтерацiй.
Нехай початковi координата та швидюсть частинки Р1 визначаються системою виразiв
3. Цiль та задачi дослщження
Проведенi дослiдження ставили за мету створення iнтелектуальноi системи керування тяговим електро-приводом.
Для досягнення поставленоi мети виршувалися наступнi задача
- синтез системи керування для забезпечення не-обхiдного зв'язку мiж параметрами тяговоi динамiки та необхiдними характеристиками тягових електро-приводiв з використанням сучасних стохастичних ме-тодiв;
- розробка методики забезпечення функщонуван-ня створеноi системи керування на основi нейронних технологш.
4. Матерiали та методика синтезу штелектуально! системи керування
Метод PSO вiдноситься до евристичних методiв оптимiзацii, використання якого не потребуе знання точного градiенту функцii, яка проходить оптимiза-цiю. В даному алгоритмi агентами являються час-
де - вектор випадкових чисел, розмiрнiстю (п х 1);
0
ш1 - аналогiчний нульовий вектор.
Нехай стан рою часток, заданого виразом (1) в момент часу, який визначаеться виразом (3), заданий наступним виразом:
= |Yt, }, (7)
де координати рою Р визначаються вектором
^ = (^дДц,...ДК), (8)
а швидюсть рою визначаеться вектором
ш t = (ш ^ ш t,2,..., ш № ). (9)
Вiдповiдно до вимог методу [8] иеращю виконаемо за наступною схемою:
шц+1 = аши + и1 [0,р]®^ -^) + и2[0,у]®^-^);
Yi,t+1 = Yi,t + ЮU+1,
(10)
де U[a, b] - К^рний вектор псевдовипадкових чисел, яю рiвномiрно розмщеш в iнтервалi [a, b]; ® - символ покомпонентного множення векторiв; Y^ - вектор координат частинки р з оптимальним значенням цiльовоi функцii за весь час пошуку, заданий виразом (3), який в процеа iтерацiй утворюе так званий влас-ний шлях (private guide) даноi частинки; Ygt - вектор координат сусiдньоi з даною частинки з оптимальним значенням цiльовоi функцп за весь час пошуку, заданий виразом (3), який в процеа ггерацш утворюе так званий локальний шлях (local guide) дано'1 частинки; а, в, у - довiльнi параметри, детермiнованi для даного варiанту алгоритму пошуку оптимально'1 функцп. При цьому параметр а визначае шерцшш властивостi частинок рою.
Перерахунок параметрiв стану системи вщповщно до формули (10) може вщбуватися наступними способами:
- оновлення координат часток рою здшснюеться лише шсля визначення поточних швидкостей всiх часток рою;
- оновлення координат часток рою здшснюеться до визначення поточних швидкостей в«х часток рою.
Варто вщмиити, що для виршення поставлено'1 задачi керування електричною передачею рухомого електротехшчного комплексу, значення швидкосп та координати частинок рою мають бути представленi у виглядi векторних значень i мiстити значну чисель-нiсть компонентiв, а не одне скалярне значення. При цьому юльюсть гтерацш для знаходження оптимально'1 тягово'1 характеристики та частинок в ро! безпосе-редньо впливають на тривалкть роботи алгоритму та прямим чином впливають на яюсть та ввдповщшсть реальнiй ситуацii отриманоi тягово'1 характеристики. Окрiм того, значення констант варто визначати безпо-середньо експериментально виходячи з особливостей поставленоi задачi пошуку оптимальноi в данiй ситуа-цii тягово'1 характеристики.
5. Результати дослщження методики забезпечення
функщонування створено! системи керування на основ1 нейронних технологш
Реалiзуeмо схему керування тяговим електро-приводом на основi нейронно'1 мережi. Процес нав-чання нейронно1 мережi являе собою стандартний метод зворотного розповсюдження помилки. Пiсля роботи даного методу синаптична вага додатково корегуеться.
Синаптична вага кожного нейрона розраховуеть-ся за допомогою метода зворотного розповсюдження помилки. Потому, синаптична вага додатково корегуеться методом рою часток на основi наступного алгоритму [9]:
1. Отриманий результат методу зворотного розпов-сюдження помилки записуеться до вектору координат сусщньо! з даною частинки з оптимальним значенням щльово'1 функцп за весь час пошуку, заданий виразом (3), який в процеа иерацш утворюе локальний шлях дано1 частинки - Ygt.
2. Утворюеться рш часток з кшьюстю часток, що дорiвнюе кшькосп синаптичних зв'язюв кожного нейрона в шарь
3. Випадково генеруються початковi координати кожно1 з часток рою та вщповщш 1м швидкостi руху в ро1.
4. Шсля кожно1 iтерацi'1 алгоритму до вектору координат частинки р з оптимальним значенням щльово'1 функцп за весь час пошуку, заданий виразом (3), який в процеа ггерацш утворюе власний шлях дано'1 частинки - ^ - записуеться вектор синаптично! ваги для кожного еталонного прикладу роботи тягових електроприводiв.
Для розробки нейронно1 мережi, яка буде реаль зовувати керування тяговим електроприводом для забезпечення оптимально1 тягово1 характеристики рухомого електротехнiчного комплексу задамося наступними вихвдними положеннями: нехай в процес експлуатацп електротехшчного комплексу бортова ке-руюча система щомии визначае поточний стан комплексу, вщповщно до якого будуеться поточна та прогнозна тягова характеристика всього комплексу, яка реалiзовуеться засобами тягових електроприводiв. В базi даних бортово1 керуючо1 системи наявш всi мож-ливi комбшацп тягових характеристик даного комплексу (частковi характеристики), як можливо отри-мати засобами керування енергетичною установкою та тяговим електроприводом даного рухомого комплексу. Задачею нейронно1 мережi е необхiднiсть визначення максимально1 iдентичностi поточно1 i прогнозно1 тягово1 характеристик та наявних часткових тягових характеристик з метою вибору найбшьш тдходящо1 в данiй ситуацп.
Для тако1 задачi найбiльш тдходящою е радiаль-но-базиснi нейрони [9]. Нейронш мережi з радiаль-но-базисними функщями мають ряд переваг перед вщомими багатошаровими мережами прямого поши-рення. По-перше, вони моделюють довшьну нелшш-ну функцiю за допомогою всього одного промiжного шару. По-друге, параметри лшшно1 комбшацп у вихвд-ному шарi можна повнiстю оптимiзувати за допомогою добре вiдомих методiв лшшно1 оптимiзацп, якi працю-ють швидко й не викликають трудношдв з локальними мжмумами, що створюють проблеми при навчанш з використанням алгоритму зворотного поширення помилки. Задамо радiально-базисну функщю нейрона наступним вщомим виразом [9, 10]:
W = e
(11)
де 1вх - вхщна величина передаточно1 функцп; о - ко-ефiцiент, який визначае ширину функцп.
Таким чином, вихвдний сигнал шаблонного нейрона - це функщя тшьки вiд вiдстанi мiж вхiдним вектором i збереженим центром.
Двомiрна функцiя Гауса досягае максимального значення тшьки в тому раз^ коли вхiдне значення до-рiвнюе нулю. Для того, щоб забезпечити дану умову, на вхвд передаточно1 функцп будемо подавати скаляр-ний добуток величини змiшення на вектор евклщово1 вiдстанi мiж вектором вхщних значень та вектором змщень даного нейрона:
. = I - Z ■ b
(12)
де bn - змiщення даного нейрона; In - вектор вхiдних значень; Zn - вектор змiщень даного нейрона.
Тодi можна записати наступне:
р. - ^ц,
(13)
де 1п - елемент вектора вхщних значень; wn - елемент вектора змщень.
Нейрони з радiально-базисною функщею будемо використовувати лише в прихованому шарь В шших шарах будемо використовувати нейрони з лопстичною передаточною функцieю. Навчання шару зразкiв ней-ронiв мережi мае проводитись на основi попереднього проведення кластерiзацii для знаходження еталонних векторiв i певних евристик для визначення значень. Нейрони схованого шару з'еднаш за повнозв'язною схемою з нейронами вихщного шару, яю здiйснюють зважене пiдсумовування Для знаходження значення ваг вщ нейрошв схованого до вихiдного шару вико-ристовуеться лiнiйна регресiя. Нейронна мережа буде проводити щентифжащю тяговоi характеристики, яка являе собою двомiрний об'ект в одш^рний вхiдний вектор. Юльюсть нейронiв у вхiдному шарi буде визна-чатись наступним виразом:
Кп = Fn ип,
(14)
де Fn - юльюсть точок, що визначають розмiрнiсть тяговоi характеристики за вiссю сили тяги; ип - юль-кiсть точок, що визначають розмiрнiсть тяговоi характеристики за вксю швидкостi руху електротехнiчного комплексу.
У вихiдному шарi розмштимо один нейрон лопс-тичноi структури, який мае юльюсть входiв, що визна-чаеться вiдповiдно до виразу (14).
Нехай передаточна лопстична функщя мае вигляд:
W =
1
1 + е-0'"'
(15)
де 0 - активацшний потенцiал логiстичноi функцп; р - абсциса логiстичноi функцп.
Нехай активацшний потенщал дорiвнюе 0.1. Подальше зб^ьшення величини активацшного потен-цiалу призводить до переходу логiстичноi функцii у порогову функщю Хевiсайда. Збiльшення величини активацiйного потенщалу призводить до зменшення областi логiстичноi функцii, а вiдповiдно за змктом логiстичноi функцii до бiльш чггкого спрацювання нейрону. Для подальших дослщжень обираемо величину активацiйного потенщалу, рiвну 10.
6. Обговорення результаив дослщження вимог щодо побудови тягових електроприводiв
Використання визначеноi логiстичноi функцп для побудови приведеноi нейронноi мережi дозволяе от-римати певнi переваги, з огляду на те, що похщна цiеi функцii може бути виражена через и значення. Це по-легшуе використання обраноi логiстичноi функцii при навчаннi мережi по алгоритму зворотного поширення. Особливктю нейрошв з такою передатною характеристикою е те, що вони тдсилюють сильш сигнали суттево менше, чим слабю, оскiльки областi сильних
сигналiв вiдповiдають пологим дiлянкам характеристики. Це дозволяе запобти насиченню вщ бiльших сигналiв.
Налаштування нейронноi мережi включае в себе завдання вагового вектора i величин змiщень для нейрошв з радiально-базисною функцiею прихованого шару, вагового вектора та величин змщень для нейрона вихщного шару.
В загальному виглядi можна провести навчання розробленоi нейронноi мереж! що е обов'язковим ета-пом забезпечення робочого стану мереж! адже тс-ля створення вага нейрошв мае випадкове значення, тому сама мережа в щлому неспроможна виконувати свое призначення. В результат процедури навчання значення ваги кожного нейрону встановлюються на необхщному рiвнi.
Використання коректора для нейронноi мережi е припустимим тшьки в тому разi, коли мережа дае ввд-повiдь, близьку до задано! В противному випадку си-наптичш ваги рiзко змшюються, що викликае ще б^ь-шу неточшсть в роботi алгоритму навчання мереж!
Для запобiгання змiщення синаптичних ваг в бж однiеi з можливих комбшацш значень вихiдного шару нейронноi мережi необхiдно подавати еталонш при-клади для навчання з однаковою вiрогiднiстю отри-мання бажаноi тяговоi характеристики. При цьому бажано подавати одночасно деюлька прикладiв з ус! ма можливими комбiнацiями вихвдних значень ней-ронноi мережi.
Проте, навчання мережi потребуе значного часу i для рухомих електротехнiчних комплексiв майже завжди е можливiсть здшснювати налаштування за в! домими даними про параметри маршруту та необхщш значення змшних руху.
Вхiдними значеннями радiально-базисних ней-ронiв е значення швидкосп руху електротехнiчного комплексу, яке необхщно привести до дiапазону значень [0;1]. Тодi вектор змщень для нейрошв з рад! ально-базисною функщею прихованого шару являе собою нормоваш значення швидкостей руху електротехшчного комплексу, вiдповiдно до певтл частковоi тяговоi характеристики. Для виконання операцп нор-мування вхiдних значень радiально-базисних нейро-нiв використаемо перехщ до системи вiдносних оди-ниць з базисними одиницями вщповщно до межовоi тяговоi характеристики рухомого електротехшчного комплексу.
Виходячи з того, що кожний нейрон прихованого шару мае два входи приймаемо, що максимальне значення евклiдовоi вщсташ складае >/2.
Варто вщмиити, що величини припустимих ввдхи-лень вщносяться до категорii адаптивних параметрiв i змiнюються в процесi руху електротехшчного комплексу в залежносп ввд рiзноманiтних обставин (змiна температури навколишнього середовища, що призве-де до змши опорiв системи тягових електроприводiв та iн.) чи необхщносп збiльшення точностi роботи отриманоi мереж!
Вихвдний сигнал нейронноi мережi, який належить дiапазону значень [0;1], визначае вщповщшсть обраноi тяговоi характеристики оптимальнш, вiдповiдно до комплексу параметрiв навколишнього середовища та параметрiв стану електротехшчного комплексу, част-ковiй характеристицi.
На розроблену нейронну мережу послщовно пода-ються всi наявнi комбiнацii часткових характеристик з мжмальним змiщенням мiж ними. При щентичнос-тi частини робочих точок тяговоi характеристики вщповщт нейрони прихованого шару переходять до активного стану. Активащя вихiдного нейрону вщ-буваеться лише в разi подолання величини, заданоi у векторi змiщень нейронiв вихiдного шару. При цьому ширина логiстичноi передаточноi функцп вихiдного нейрону у сукупностi з величиною, закладеною у векторi змщень нейронiв вихiдного шару, визнача-ють точнiсть визначення необхiдноi тяговоi характеристики. Пошук базовоi тяговоi характеристики вщбуваеться до першоi активацii вихщного нейрона мережi.
Розглянемо випадок, при якому тсля перебору всiх наявних комбшацш тягових характеристик вихiдний нейрон не пройшов активацiю. В цьому разi можливо зменшити пороговi значення i повторити заново ггера-цшт процеси пошуку необхiдноi тяговоi характеристики. 1ншим можливим пiдходом до подолання дано проблеми е вибiр варiанту частковоi характеристики з найбшьшим степенем iдентичностi до необхiдноi.
Шсля визначення базовоi тяговоi характеристики виконуеться налаштування нейронноi мережi.
Для аналiзу ефективностi роботи отриманоi ме-режi проведемо дослiдження на основi розробленого модулю з методом рою часток та нейронноi мережь Проведемо декшька етапiв процесу навчання наново генерованоi нейронноi мережi для запобiгання поми-лок у отриманих результатах. Усереднеш значення середньоквадратичних помилок записанi до табл. 1.
Таблиця 1
Порiвняльна характеристика роботи розроблено'| нейронно'| мережi для забезпечення тягово'| характеристики
Юлькють приклад1в для навчання Середньоквадратична похибка при навчанш за прикладами Середньоквадра-тична похибка при введенш даних в ручному режим!
50 0,00261 0,00211
100 3,7440-5 2,8940-5
500 2,1540-5 1,9810-5
1000 0,9510-5 0,8940-5
2000 0,7740-5 0,6840-5
5000 0,52-10-5 0,5040-5
8000 0,15-10-5 0,1140-5
10000 8,1110-6 8,0240-6
15000 6,1110-6 5,9840-6
20000 5,04-10-7 4,0810-7
30000 6,7340-8 5,0740-8
40000 2,0340-10 1,1540-10
50000 9,4440-11 7,1340-11
80000 5,78-10-13 4,0340-13
100000 1,8840-15 0,9740-15
З даних табл. 1 видно, що при використанш розробленого алгоритму визначення тяговоi характеристики величина середньоквадратичтл помилки прямуе до нуля зi збiльшенням величини прикладiв для навчання нейронноi мережi.
7. Висновки
В результат проведеного аналiзу отримала по-дальший розвиток методика розробки штелектуаль-них керуючих систем для засобiв електроприводу шляхом розробки нейронноï мережi з використан-ням систем ройового штелекту для забезпечення оптимальноï тяговоï характеристики рухомого елек-тротехшчного комплексу, що дозволяе отримувати встановлеш частковi тяговi характеристики засоба-ми електричноï трансмiсiï з мiнiмальними значен-нями середньоквадратичноï похибки. В робой за-пропоновано iнтелектуальноï системи керування тяговим електроприводом на основi наступноï по-слiдовностi:
- синтез системи керування, для забезпечення не-обхщного зв'язку мiж параметрами тяговоï динамжи та необхiдними характеристиками тягових електро-приводiв з використанням методу рою часток, що дае можливост встановити однозначний зв'язок мiж параметрами тяговоï динамiки та необхiдними характеристиками тягових електроприводiв;
- розробка вiдповiдноï нейромережевоï техноло-гiï забезпечення функщонування розробленоï сис-теми.
Окрiм того, була показана послщовшсть оптимального налаштування параметрiв визначеного рою частинок, що робить вплив на хщ процесу навчання методом зворотного поширення помилки, поступово знижуючи значення помилки налаштування всiеï мережi системи керування, зб^ьшуючи тим самим вiдповiднiсть отриманоï тяговоï характеристики ре-альнiй ситуацiï тд час даного руху. Для реалiзацiï запропонованоï методики було розроблено мережу, в якш реалiзована вищеописана система, що навчаеть-ся по одному з обраних методiв.
Лiтература
1. Флоренцев, С. Н. Тяговый электропривод в гибридных транспортных средствах. Часть 3. Разработки КТЭО для гибридных транспортных средств в концерне «РУСЭЛПРОМ» [Текст] / С. Н. Флоренцев, Д. Б. Изо-симов и др. // Электронные компоненты. - 2010. -№ 1. - С. 62-65.
2. Florentsev, S. N. Traction Electric Equipment Set for AC Electric Transmission Various Vehicles [Text] / S. N. Florentsev // Proceedings of International Exhibition & Conference "Power Electronics, Intelligent Motion. Power Quality (PCIM-2009). - Nurenberg.Germany, 2009. - P. 625-627.
3. Ефремов, И. С. Теория и расчет тягового привода электромобилей ^кст] / И. С. Ефремов - М . : Высш. шк., 1984. - 383 с.
4. Кулапн, Д. О. Проектування систем керування тягови-ми електропередачами моторвагонних по'1'зд1в ^кст]: монограф1я / Д. О. Кулапн. - Бердянськ : ФО-П Тка-чук О. В., 2014. - 154 c.
5. Кулапн, Д. О. Математична модель тягового асинхронного двигуна з урахуванням насичення магштних юл ^кст] / Д. О. Кулапн // Науковий вюник НГУ. -2014. - № 6. - С. 103-110.
6. Кулагш, Д. О. Математична модель тягового асинхронного двигуна з урахуванням насичення [Текст] / Д. О. Кулагш // Техшчна електродинамiка. - 2014. - № 6. - С. 49-55.
7. Сафонов, А. И. Обоснование тяговой характеристики, проблема выбора электродвигателя и вспомогательных источников энергии троллейбуса [Текст] / А. И. Сафонов // Вестник Белорусско-Российского университета. - 2012. - № 3. - С. 72-81.
8. Kennedy, J. Particle swarm optimization [Text] / J. Kennedy, R. Eberhart // Proceedings of IEEE International conference on Neural Networks. - 1995. - P. 1942-1948. doi: 10.1109/icnn.1995.488968
9. Картамышев, Д. А. Обнаружение ddos-атак на основе нейронных сетей с применением метода роя частиц в качестве алгоритма обучения ^кст] / Д. А. Картамышев, К. А. Власов, В. А. Частикова // Фундаментальные исследования. - 2014. -Том. 8-4. - С. 829-832.
10. Moody, J. Fast learning in networks of locally tuned processing units [Text] / J. Moody, C. J. Darken // Neural Computation. -1989. - Vol. 1, Issue 2. - Р. 281-294. doi: 10.1162/neco.1989.1.2.281
-:-п п-:-
Дослиджено особливостi роботи
ретрансляцшних систем м^метро-вого диапазону радюхвиль супергетеродинного типу з аналого-цифровою обробкою сигналу. Запропоновано математичний опис перетворень сигналiв та радюхвиль для моделю-вання роботи системи у зон диф-ракци Фраунгофера, коли вiдбивач мае стабшьний та флуктуючий еле-менти. Показано роздшення дшя-нок аналоговог та цифровог обро-бок за максимального використання чисельних методов
Ключовi слова: вимiрювальна ретрансляцйна система, завадове вiдбиття, фаза, моделювання, ана-
лого-цифрове перетворення
□-□
Исследованы особенности работы ретрансляционных систем миллиметрового диапазона радиоволн супергетеродинного типа с аналого-цифровой обработкой сигнала. Предложено математическое описание преобразований сигналов и радиоволн для моделирования работы системы в зоне дифракции Фраунгофера, когда отражатель содержит стабильный и флуктуирующий элементы. Показано разделение участков аналоговой и цифровой обработок при максимальном использовании численных методов
Ключевые слова: измерительная ретрансляционная система, поме-ховое отражение, фаза, моделирование, аналого-цифровое преобразование
-□ □-
УДК 621.371
|doi: 10.15587/1729-4061.2015.40452|
МОДЕЛИРОВАНИЕ РАБОТЫ РЕТРАНСЛЯЦИОННОГО ИЗМЕРИТЕЛЯ СУПЕРГЕТЕРОДИННОГО ТИПА С АНАЛОГО-ЦИФРОВОЙ ОБРАБОТКОЙ
А. Ф. Величко
Доктор технических наук, профессор* Е-mail: afvel@yandex.ru Д. А. Величко Кандидат технических наук, старший научный сотрудник, доцент*
Е-mail: davel@yandex.ru C. А. Величко Кандидат физико-математических наук, старший научный сотрудник Отдел дистанционного зондирования Земли** Е-mail: s.a.velichko@yandex.ru А. В. Вичкань Младший научный сотрудник* E-mail: vichkan@ire.kharkov.ua А. Н. Клюева Кандидат технических наук, научный сотрудник*
Е-mail: nushyna@mail.ru К. В. Нетребен ко Кандидат технических наук, научный сотрудник* Е-mail: vichkan@ire.kharkov.ua *Отдел обработки радиосигналов** **Институт радиофизики и электроники им. А. Я. Усикова НАН Украины ул. Проскуры, 12, г. Харьков, Украина, 61085
1. Введение щими требованиями к точности и помехозащищен-
ности используемых устройств и систем в условиях Развитие средств и методов дистанционной диа- роста производства и внедрения новых технологий. гностики технологических процессов вызвано расту- Погрешности контроля технологических процессов
©
