CC BY
21ПРОГНОЗИРОВАНИЕ АЭРОДИНАМИЧЕСКИХ СВОЙСТВ ДВИГАТЕЛЯ ТРАНСПОРТНОГО
СРЕДСТВА
Дьяков И. Ф.
Доктор технических наук, профессор Ульяновский технический университет
Пинков А.П.
кандидат экономических наук, зав.кафедрой «Автомобилестроение»
Ульяновский технический университет
Кольнев Д.В.
инженер, Ульяновский технический университет
Моисеев Ю.В.
кандидат экономических наук, начальник отдела «Безопасности» УВД
Дьяков В.И.
кандидат технических наук, инженер отдела АСУ ООО «Евроизол» PREDICTION OF AERODYNAMIC PROPERTIES MOTOR TRANSPORT VEHICLE
Dykov I.
Doctor of Engineering Science, professor of the Department Ulyanovsk State Technical University
Pinkov A.
Candidate of economic Sciences, head Department «Аutomotive Industry»
Ulyanovsk technical University Kolnev D.
Engineer, Ulyanovsk technical University
Moiseev Y.
Candidate of economic Sciences, head of Department "Security" UVD
Dyakov V.
Candidate of technical Sciences, engineer of ACS Department of LLC «Euroizol»
Аннотация
Рассмотрены вопросы прогнозирования аэродинамических свойств двигателя с целью поддержания на заданном уровне техническое состояние транспортного средства при эксплуатации и снижения излучения шума в кабине в стадии проектирования. Даны спектральные характеристики основных источников звуковой вибрации и шума. Определены изменения звуковой волны, которая происходит по различным законам - детерминированным или случайным. Случайная звуковая волна в основном зависит от неровности дорожной поверхности. Детерминированный сигнал связан с износом подшипников скольжения и деталей газораспределительного механизма при этом возникает чистый тон, при случайным - звук воспринимается как случайный шум. Различают механический и аэродинамический шумы. Шумовая характеристика двигателя рассмотрена с использованием функции распределения Вейбулла. Для прогнозирования технического состояния двигателя использована нейронная сеть. Полученные результаты показали, что поддержание двигателя в техническом исправном состоянии при эксплуатации позволит снизить выброс ядовитых веществ в среднем 35 % и значительно уменьшить его дымление.
Abstract
The problems of forecasting the aerodynamic properties of the vehicle engine in order to maintain its technical condition during operation are considered. Spectral characteristics of the main sources of sound vibration and noise are given. It is noted that the change of the sound wave can occur according to different laws - deterministic or random. A random sound wave is associated with irregularities in the road surface. With a deterministic signal, in the case of wear of the sliding bearings and parts of the timing mechanism, a pure tone occurs, while the sound is perceived as a random noise. Distinguish mechanical and aerodynamic noise. They are presented based on neural technology, to predict the technical condition of the engine aerody-namic noise.
The prediction of the noise characteristic of the engine is considered using the Weibull distribution function. The results showed that maintaining the engine in good technical condition will reduce the emission of toxic substances by an average of 35 % and significantly reduce its smok
Ключевые слова: прогнозирование, транспортное средство, акустическое излучение, нейронная технология, спектральная плотность, случайный шум, звуковое давление, наработка.
Keywords: prediction, vehicle, acousticradiation, neuraltechnology, spectraldensity, randomnoise, sound-pressure, operatingtim.
Постановка проблемы
Повышенный внешний и внутренний шум транспортного средства характеризует низкий технический уровень подготовки производства, слабое обоснование технологии компоновки агрегатов и другие факторы (износ - как агрегатов в целом, так и его частей). Акустическое излучение шума оказывает негативное влияние на окружающую среду [1, с.41;2] и условия труда человека, вызывая утомляемость, а при длительном воздействии-профессио-нальному заболеванию [3;4, с.24]. Кроме того, звуковая вибрация вызывает кинематическое возмущение узлов и агрегатов транспортного средства, способствующее ослаблению крепежа, усталостным поломкам, выходу из строя контрольно-измерительных приборов.
Анализ последних исследований и публикаций
Обеспечение виброакустической безопасности транспортных средств является комплексной задачей [5, с. 26]. Однако полезным фактором является то, что излучаемый шум может быть использован как источник информации о техническом состоянии узлов и агрегатов, а также о предупреждении пешеходов на проезжей части дороги. Можно утверждать, что в настоящее время транспортные потоки, плотность которых постоянно возрастает, являются основным источником шума на городских улицах [6,с. 155]. Вследствие этого в Европе, США, Японии национальные правительства и международные организации предпринимают ужесточение допустимых уровней шума транспортных средств [7, 8, 9]. Допустимый уровень шума: 68 дБ(А) - для легковых и 80 дБ(А) - для грузовых транспортных средств. введенные в 2019 г., позволяют считать, что снижение шума является одной из первоочередных задач обеспечения экологической безопасности автотранспорта.
Нерешенные проблемы
Проектирование транспортного средства с минимальными шумовыми характеристиками является сложной технической задачей, требующей анализа всей совокупности процессов генерации и распространение шума, системного подхода при оптимизации приемов и комплекса конструктивных средств для их уменьшения остаются нерешен-ными.Проверка меры согласованности значений весов производится определением коэффициента
корреляции Г. Например, для двигателя рассматривается уровень звуковой мощности в соотношении с номинальной мощностью двигателя; для трансмиссии - частотой вращения вращающихся частей; впуска-выпуска - частотой вращения вала двигателя; шины - шероховатостью поверхности и вентилятора - угловой скоростью вентилятора. Примерный перечень весов после обучения: 0,45 относится к двигателю; 0,12- к вентилятору; 0,06 и 0,30 -к системе впуска и выпуска газов двигателя; 0,05 - к шинам и 0,02 -к трансмиссии.остаются нерешенными. В связи с этим вначале определяют основные акустические характеристики источников
шума, вырабатывают оптимальные пути, конструкторские предложения и прогнозирования изменения шума агрегатов и систем транспортных средств. Прогноз - это вероятностное утверждение о будущем с относительно высокой степенью достоверности степени износа деталей. Чем раньше и точнее будет прогнозировано интенсивность износа деталей по шуму, тем меньше времени затрачивается на проведение ремонта. Эффективность прогнозирования зависит от точности инструментальных средств. Точность прогноза можно обеспечить, используя нейронную технологию. В этом случае алгоритмы акустических расчетов транспортного средства представляют на основе известных в теории законов распространения, отражения и поглощения звуковых волн, используя принцип суперпозиции и математических зависимостей, описывающих эти закономерности. Изменение звуковой волны может происходить по различным законам - детерминированным или случайным. Случайная звуковая волна связана с неровностями дорожной поверхности. При детерминированном сигнале возникает чистый тон, при случайным-звук воспринимается как случайный шум.При математическом моделировании различают механический (структурный) и аэродинамический шумы. Шумовые характеристики относятся к основным техническим характеристикам транспортного средства. Они во многом определяют его конкурентоспособность, поэтому требования по ограничению шума возрастают во всех странах.
Цель исследований
Основной целью исследований являются возможности выявления наиболее интенсивного источника шума, его прогнозирования и способы снижения звуковой вибрации транспортного средства. К ним относятся колебания двигателя, агрегаты трансмиссии, тормозная система, подвеска, удары в подвижных сочленениях. Кроме того, появляются излучатели вторичного шума, к которым относят детали с большими поверхностями - облицовки, крылья, панели кабины, которые могут усилить акустические излучения в результате вибрации и резонансных явлений. При вибрации их элементов возникают звуковые колебания. Силы, возникающие звуковые колебания можно рассматривать на основе теории спектрального анализа. Спектральная плотность силы звукового колебания определяется при помощи прямого преобразования - интеграла Фурье:
SF (ш)= J F (t) в~шdt,
—да
где Ю — частота вибрации системы; F (t) —
функция времени; i — мнимое число; t — время, в течение которого производилось измерение.
Если у двигателя возмущающие силы постоянны, то их спектры будут являтьсяфункцией двух переменных - скоростного (частота вращения П вала двигателя) и нагрузочного (индикаторное давление Pi) режимов работы двигателя, или одной из
них - скоростного режима, т. е. в общем виде можно записать:
Р (*) = Ф (и, р1) : Бе (ш) = Ф (и, р1).
Связь между спектральной плотности Бр (ш) возмущающей силы, средней спектральной плотностью (ш) виброскорости, излучающей поверхности и средней спектральной плотностью Бр (ш) звукового давления на некоторой поверхности определяется следующими зависимостями:
К (ш) = (ш) (Ят (ш) / Ят1 (ш));
Бр (ш) = Яа (ш) ^ (ш),
откуда средняя плотность возмущающей силы:
Бр (ш) = Яа (ш)(ш) Бр (ш) (Ят / Ят1), (1)
где
Ят (ш), Яа (ш) — соответственно совокупные механический и акустический импедансы (сопротивления); Я— (ш) — механическая проводимость среды.
Отношение Ят / Я— = Аа характеризует
акустическую активность конструкции. Акустический импеданс (сопротивление) достигает наибольшего значения, когда Яа (ш) = рсА, где р — плотность среды; С — скорость звука; А — площадь излучающей поверхности. Тогда выражение (1) принимает вид
Sp (ю) = PcA( и) SF (ю) (Rm1 Rm)■
Ср (ю) = Sp (ro)W (ю) R (ю)
(3)
гдe Бр (ш) и Б1р1Х (ш) — соответственно
спектральные плотности амплитуд скорости пульсирующего потока на входе (от клапана) и выходе системы; прохождения стенки ограждения;
Ж (ш) — передаточная функция по скорости распространения звука до и после стенки ограждения.
Основная частота и гармоники возмущающих сил связаны с частотой вращения коленчатого вала двигателя следующими соотношениями: процесс сгорания, впуска и выпуска отработавших газов
/ = кт / (60т); неуравновешенные силы инерции второго порядка вращающихся и возвратно-поступательно движущихся масс /2 = ки / 60; посадка клапанов / = ки2к / (60т) ; перекатывания зубьев шестерен / = кпш/ 60; вращения вентилятора / = кпв/ 60, где к — кратность колебаний (к = 1) ; п, иш, пв — соответственно частоты вращения вала двигателя, ведущей шестерни и вентилятора; / — число цилиндров; т — коэффициент тактности двигателя; 2к, , — соответственно число клапанов, зубьев ведущей шестерни и лопастей вентилятора.
Следовательно, в диапазонных частотах возмущающих сил /1,..., /5 можно проводить сумми-
(2) рование колебаний /^ = ^ / , влияющих на
Изложение основного материала
Источники аэродинамического шума - это пульсация системы впуска и выпуска отработавших газов, частота вращения вентилятора.С увеличением частоты вращения коленчатого вала уменьшается уровень составляющих, обусловленных действием опрокидывающего момента, и возрастает уровень составляющих, вызванных неуравновешенными силами инерции и их моментами. Эксплуатационные дефекты (износ, выкрашивание, трещины, заедание и т. д.) являются дополнительными факторами, которые приводят к изменению спектра вибрации зубчатой передачи.
Динамическая модель при образовании аэродинамического шума процессов впуска и выпуска отработанных газов двигателя представляют и анализируют по скорости пульсирующего потока, так как в этом случае процесс преобразования энергий описывается функцией акустического импеданса впускных и выпускных отверстий
Бр1х (ш) = Ж (ш) Брх (ш);
Ср (ш) = Ra (ш) ^ых (ш),
отсюда получаем среднее значение спектральной плотности потока
1
внутреннюю полость кабины. Частота свободных колебаний кабины зависит от жесткости опор крепления Ск и массы кабины тк
/к _ 0 >/ск !
2п
m„
Тогда отношение /^ / /к = Ж (/) характеризует передаточную функцию интенсивности колебаний по частоте возмущающих сил. Основное условие виброизоляции кабины должно находится в пределах:
/
тах
n
0,4 </к< 60>/2 ,
гдe /тах — максимальная частота колебаний
несущей системы транспортного средства.
Численно интенсивность колебаний от возмущающих сил равна энергии, переносимой звуковой волной за единицу времени. Энергетической характеристикой звукового поля является плотность энергии J, или энергия звуковой волны, заключенная в единице объема замкнутого контура и равная усредненной по времени сумме потенциальной
и кинетической энергии волны. Суммарная звуковая энергия, проходящая через стенки кабины со-1
ставляет ^ , где Ц — интенсивность звука,
1 1
действующего на 1 -ю стенку кабины; — площадь ограждения (внутренняя полость кабины); VI — звукопроводимость кабины. При установившемся динамическом режиме эта энергия равна звуковой энергии, поглощаемой в кабине:
ЁIiAs, vi = 1каАsy ,
откуда
1
где 1к — интенсивность звука в кабине; а — средний коэффициент поглощения звука в кабине; Ло — общая
кабины.
площадь внутренних поверхностей
Уровень интенсивности звука в кабине численно равный уровню звукового давления
¿к = 1018ТР /Лъ 1о < ¿к], 1
где 10 — пороговое значение интенсивности звука,; [ ¿к ] — допустимый уровень звука в кабине,
[ ¿к ]
= 10—12 Вт/м2
средств и разбивают их на три выборки (обучающую на основе которой проводят уточнение весовых коэффициентов нейросети с помощью обучения, тестирующую и контрольную) [10,с.10; 11, с. 5].К обучающим выборкам отнесены транспортным средствам с наработкой менее 2,5 тестирующим для прогнозирования более 6,0 и контролирующим более 4103 кВт-ч. На основании выбранного диапазона прогнозируемого показателя определяют численные значения показателей технического уровня транспортного средства. Необходимый период ретроспекации (основание прогноза) устанавливают из условий диапазона наработки.
Число входных нейронов равно числу прогнозируемых (тестируемых) параметров автомобиля. Числовые значения интенсивности шума рассмотрены по пяти тестирующим значениям транспортных средств подаются на вход сети. На выходе получаем числовые значения интенсивности шума, результаты сравниваются с пороговым значением
W 0 по
шуму контролируемых транспортных
Рассмотренные закономерности виброакустики транспортного средства в процессе эксплуатации происходят изменения технического состояния трущихся частей. Эти изменения можно рассматривать, используя нейронные сети. При использовании нейронных сетей применяют произвольный ряд, содержащих N =15транспортных
средств.
Различают три этапа прогнозирования: ретроспекцию, диагностику и прогноз. Первый этап заключается в исследовании динамики состояния транспортного средства в прошлом, выявлении и уточнении характеристик изменения параметров состояния его элементов. На втором этапе устанавливают допустимые пределы изменения параметров. На третьем этапе прогнозируют изменения параметров за выбранный период наработки.
Для прогнозирования изменения параметров отдельных источников шума использована многослойная нейронная сеть. Она позволяет эффективно решать задачи в условиях неопределенности. Задача нейронной сети - преобразование информации требуемым образом. Первый подход к преобразованию посвящен к структуре нейронной сети, второй -ее обучению и третий -алгоритму этого преобразования. Для этого сеть предварительно обучается, используя так называемый обучающим алгоритмом, рис. 1. При обучении применяют идеальные (эталонные) значения пар «вход-выход» или учитель, который оценивает поведение нейронной сети.
Рис. 1. Алгоритм обучения нейросети
1
Обучающий алгоритм модифицирует отдельные нейроны сети и веса ее связей, чтобы поведение сети соответствовало поставленной задаче прогнозирования. Прогнозирование состоит в предсказании изменений значений интенсивности шума в будущей величине наработке агрегатов. Задача в этом случае заключается в определении значения
измеряемой величины шума X. в момент наработки , /2••••«п, то есть для выполнения
прогнозирования необходимо выявить закономерность этого ряда. За единицу наработки принимают киловатт-час (кВт • ч), так как шумовые характеристики измеренные в километрах пробега, имеют низкую корреляционную связь, чем с кВт • ч. Величину наработки / определяли из выражения
JS, = {Ч
m (kyß+na)у] + 80z + Fw + Ff }tДв2,723 • 10—6 /
где к - коэффициент пропорциональности; 3. Если V =0, а соответствующее заданным
V — средняя скорость движения; тн — номинальная грузоподъёмность транспортного средства; к , в - коэффициенты использования грузоподъёмности и пробега соответственно; ^ — суммарные дорожные сопротивления движению;
7 К щ, ГГ
значение
d
J,
в соответствии
w
=1, то значения весов уточняются с
выражением
j(t + 1) = Wj(t) + J ,где (t + 1)-но-
мер текущего цикла, t - номер предыдущего цикла.
F.,, Ff — аэродинамическая сила сопротивления
4. Если V j =1, а заданное значение
d
воздуха и сила инерции вращающихся масс соот- 0, то значения весов уточняются согласно выраже-
ветственно;
t
- время движения; Птр - КПД нию W (t + l) = W (t) -
V,
трансмиссии.
Обучение персептрона требует наличия учителя и состоит в подборе весов "Щ., чтобы выходной сигнал V т был близок к заданному значению
«о
^ й/ ^. Это обучение гетероассоциативного типа, при котором каждой обучающей выборке, представляемой вектором V, соответствовало допус-
каемому ожидаемому значению
Av,
на вы-
ходе ] -го нейрона. Обучение персептрона включает подбор весов по следующим шагам:
1. В качестве первоначального значения выбора значений весов Щ ■ используются случайные и
значения, ориентируясь на опыт исследователя. На вход нейрона подаетсяодин обучающий сигнал из вектора шума (X. ) и рассчитывается значение выходного сигнала (). По результатам сравнения фактически полученного значения V« с заданным
d
J
чения осуществляется несколько этапов.
2. Если выходное значение V, совпадает с
« с
ожидаемым заданным значением
dT
то весо-
вой коэффициент Wy не изменяется.
Весовые коэффициенты хранятся в таблице Wghts.dbf, имеющей поля: Lr (тип Integer) -номер слоя; D (тип Integer) -номер нейрона; D2 (тип Integer) -номер подходящей к нейрону связи; W (тип Numeric) -значение весового коэффициента. Программа реализация состоит из двух головных программ. Первая используется для обучения нейронной сети. В результате ее работы формируется таблица весовых коэффициентов. Вторая программа запускается для оценки качества сформированной нейронной сети.
После уточнения весового коэффициента для двигателя подставляется очередной обучающий вектор источника шума и связанное заданное зна-
чение
d
J
. Этот процесс многократно повторя-
ется на всех обучающих выборках, пока не будут минимизированы различия между всеми значениями выходных параметров и заданными значениями. Минимизация различий между фактическими
реакциями нейрона V1 и прогнозируемыми значе-
ниями
Av
j,
может быть представлена как ми-
уточняются значения весов. Процесс обу-
нимизация конкретной функции погрешности целевой функции, определяемой из выражения
2
Z
t ( vJS'
к=1v
Av
J
^ min,
где p — означает число нейронов в выходном
слое.
Такая минимизация при использовании правила персептрона проводится по методу безградиентной оптимизации. Так как сигмоид работает в диапазоне от 0 до 1, то на выходе также получаем
s
S
от 0 до 1. Значит данные надо нормализовать на входе и денормализовать на выходе. При этом каждый источник шума задается в матрице размерностью 7 X 5 как последовательность нулей и единиц. В наборе входных данных представляется символьное выражение в виде последовательности ее строк. В качестве разделителя между строками использован символ *. Для прогнозирования шума двигателя предлагается функция распределения Вей-булла с плотностью распределения вероятностей из серии измеряемых параметров
р-1 -{¿л
начальная наработка транспортного средства 2,5 • 103 кВт • ч с дискретным изменением диапазона измерений с шагом, равным начальной наработки. Для определения эталонного уровня шума
использованы следующие расчетные зависимости по отдельным источникам [1, а58]:
- вибрация корпуса дизельного двигателя:
^дв0 =
= 57 + 101§ ("ном /Реном ) + 301ё (идв / «ном)
ZJs = ^ / А/* + р^ е ц
где ^ / Д1* - относительное смещение заданного значения шумовой характеристики при приращении наработки ДJs. транспортного
средства; в — параметр формы распределения
Вейбулла (в > 1 функция возрастает); ц — параметр масштаба, характеризующий степень растянутости кривой распределения;
Параметр формы распределения показывает скорость изменения шумовой характеристики двигателя. При этом нужно иметь информацию о ресурсе в виде плотности / (^ ) и интегральной
функции Р ( Js ) распределения вероятностей или
функции Р (Js ) = 1 — Р (Js ) для наработки
безотказной работы. Поскольку вероятность безотказной работы в течение эксплуатации (что уже отработана J* ) составляет (J * + Js ) и равна произведению вероятности на интервале наработки J*
Т*
, вероятность за интервал и * , составит
Р ( J** + Js ) = Р ( Js / J** )Р ( J** ) .
при этом у % -ный остаточный ресурс J можно представить как решение уравнения Р (^ / ^ ) = у, получим уравнение для определения величины Л .Гамма % ресурс может быть
*у
определен с учетом накопления усталостных повреждений.
Программы обучения и прогнозирования работают с числовыми данными, поэтомунеобходимо преобразование символьных данных в число-вые.Все шумовые характеристики записываются строкой. Количество строк зависит от используемого числа диапазонов октавного спектра шума. Для расчета шума принимаем, например, пять диапазонов, при этом для двигателя использованы
процессов впуска-выпуска газов двигателя:
Ж
г0
L = 60 lg щ + 20 lg d + 33,
где щ = n vVh - вентилятора:
m V 60т у
/ Авп;
Ж
вен0
La = 57 + 20 lg
(!-Ч.)
Db 100
где , P — номинальная частота враном сном
щения коленчатого вала и номинальная мощность двигателя, мин-1 и кВт соответственно; Пдв — текущая частота вращения вала двигателя; И — средняя скорость потока газов (м/с); d — диаметр трубы выпускных газов; П — число измерений; V — i-я скорость из диапазона Av ; L — уровень шума при i-й скорости движения равный 78 дБ(А) (замеряется шумомером 1-го класса типа
00017); П — коэффициент наполнения цилиндров двигателя; V — рабочий объем цилиндра двигателя; Ап — площадь сечения впускной трубы; П - КПД вентилятора; Q — расход воздуха, м3/с; D — диаметр вентилятора, м; H —
напор воздушного потока, мм.вод. ст.
На первом этапе прогнозирования выбирается тип сети (её архитектура). На втором этапе происходит обучение нейросети, на третьем- подбираются параметры сети. Выбор типа сети может быть решена различными нейронными сетями: многослойным персептроном (MLR), радиально-базис-ной сетью (RBF), обобщённо-регрессионной сетью (GRNN), сетью Вольтерри и сетью Эльмана. Сеть Вольтерри - динамическая сеть для нелинейной обработки последовательности сигналов, задержанных относительно друг друга [12, 13,c.25; 14, c. 125;15,c. 180; 16,c.650; 17, c. 175]. Работа нейросети заключается в преобразовании входных векторов в выходные. Результат преобразования будет зависеть от подобранных параметров сети - весов их взаимосвязей [18.c. 72; 19,c. 140; 20, c. 30].
Проверка меры согласованности значений весов производится определением коэффициента
корреляции Г. Например, для двигателя рассматривается уровень звуковой мощности в соотношении с номинальной мощностью двигателя; для трансмиссии - частотой вращения вращающихся частей; впуска-выпуска -частотой вращения вала двигателя; шины - шероховатостью поверхности и вентилятора - угловой скоростью вентилятора. Примерный перечень весов после обучения: 0,45 относится к двигателю; 0,12- к вентилятору; 0,06 и 0,30 -к системе впуска и выпуска газов двигателя; 0,05 - к шинам и 0,02 -к трансмиссии.
Для расчета шума принимаем пять диапазонов, например, для дизельного четырехтактного двигателя использованы следующие данные: начальная наработка транспортного средства составила 2,5 • 103 кВт • ч. производя замеры, отнесенные к частоте гармонических составляющих спектра вибрации для первого диапазона (25.. .30) Гц шумовой диапазон составил 90.96 дБ(А); второй замер проведен
через 2,5 • 103 кВт • ч при то же частоте (25 .30) Гц и шумовом диапазоне (96.99), третий замер при 3,5 • 103 кВт • ч и частоте (25.30) Гц, шумовом диапазоне (99.105), четвертый диапазон при 5,0 • 103 кВт • ч при той же частоте шумового диапа-зона(107 .110) и пятый при той частоте шумового диапазона (112.125) дБ(А). На основании выбранного диапазона прогнозируемой величины шума определяют численные значения показателей технического состояния (по вероятности безотказной работы) транспортного средства.
При этом источник шума задается для пяти диапазонов в виде
X =0011001*0011000*0100100*0101100*1111110.(1)
Табличное (матричное) обозначение для шумовой характеристики двигателя приведено на рис.2. В пустых клетках представлены нули
Рис.2. Представление уровней источников шума двигателя
Весовые коэффициенты суммируются с учетом соответствующих весов и выражаются в виде
Г
Ж =—-— ,где т — количество измерений. По' Тг-
У
г=1
сле чего результат сравнивается с пороговыми значениями Ж. о интенсивности шума по контролируемым транспортным средствам.
Таким образом, на вход нейрона поступает множество сигналов в виде выражения (1), каждый из которых является вектором интенсивности шума агрегатов автомобиля (нейрона). Сигнал каждого входа умножается на соответствующий вес, аналогичный соответствующей синаптической силе. Все произведения суммируются, определяя уровень активации нейрона. Для повышения точности прогноза производится предварительная (предпроцес-сорная) обработка информации. Такая обработка сводится к масштабированию значений отсчётов с целью их сведения в единый диапазон. Каждая выборка представляет собой дискретную функцию,
заданную в точках на интервале от ^ до
интенсивности шума агрегатов по годовой наработке в единицах измерения(в километрах пробега,
— или в киловатт-часах, ^ ) предшествующих
прогнозированию, сеть вырабатывает решение, каким будет наиболее вероятное значение последовательности интенсивности шума в последующий мо-
мент приращения наработки
К)
1по их точно-
сти.
с шагом AJS = 0,5,
где
JS min , JS
SVT
мини-
мальное и максимальное значение аргумента этой функции соответственно. Обладая сведениями об
На втором этапе прогнозирования выбирается тип сети (её архитектура), на третьем - подбираются параметры сети. Тип сетиможет быть решен за счёт выбора различных нейронных сетей: многослойный персептрон (MLR), радиально-базисная сеть (RBF), обобщённо-регрессионная сеть (GRNN), сеть Вольтерри и сеть Эльмана.
Учитываем, что обобщённо-регрессионная сеть имеет определённую точку по точности, и эта точность убывает при отклонении от данной точки. Сеть GRNN имеет два скрытых слоя: слой радиальных элементов и слой элементов, которые формируют взвешенную сумму для соответствующего вектора выходного слоя. Входной слой 1-го промежуточного слоя нейронов передаёт сигналы на 2-ой слой нейрона, которые являются радиально симметричными слоями.
При этом выходной сигнал нейрона обозначен
через v ■ и определяется зависимостью
f n \
j = f Z j(J'+w
V i'=i У
где i -й номер цикла одного источника шума ( сигнал поступает от узла 'к j узлу); П — количество нейронов в выходном слое; X- — используемый ' -й источник шума j -го транспортного средства при наработке J; w'- — весовой коэффициент контролируемого источника шума. Аргументом функции выступает суммарный сигнал, который называют функцией активации. Выход каждого j -го нейрона является значением пороговой функции, которая активизируется взвешенной суммой. При этом часто используют активационные функции: жесткую пороговую функцию, линейный порог, сигмоидную функцию. В многослойной сети обычно применяют сигмоид-
ную функцию О(net), хотя может использоваться любая непрерывно дифференцируемая монотонная функция. Сигмоидная функция определяется из выражения [4]
G
; (net ) =
ke
—net
g ( net ) = ■
1
1 —k(net) '
1 + e v '
где k — положительное число, влияющее на растяжение функции и подбирается пользователем.
Основное достоинство этой функции в том, что она дифференцируемая на всей оси абсцисс, кроме того она обладает свойством усиливать слабые сигналы. Увеличение k сжимает функцию и
имеет диапазон 0< о (net) < 1, при k —> да функция о ( net) приближается к функции Хевисайда.
Этот коэффициент k может использоваться в качестве параметра усиления, так как для слабых входных сигналов угол наклона сигмоидной функции будет крутым и функция будет изменяться быстро, производя значительное усиление сигнала. Для больших входных сигналов угол наклона функции будет немного меньше. Это означает, что сеть может принимать большие векторы сигналов и при этом оставаться чувствительной к слабым изменениям сигнала. Если выход нейрона задаётся в виде
V ■ = о (net), то производная по отношению к
данному нейрону о'( net) вычисляется по формуле
(l + e"k( net ))2 1
kG (net)
+ G (net) j
= kv, (1 - v
(i - J)•
т. е. является простой функцией от выходов нейрона. Структура одной нейронной сети GRNN представленана рис.З.Здесь формируются взвешенные суммы ля всех элементов выходного слоя. В качестве радиальной функции применяется метод
Гаусса - последовательное исключение неизвестных. Для адаптации весовых коэффициентов сети используется фактическая погрешность прогнозирования шумовой характеристики
Рис. 3. Модель прогнозирования на нейронной сети
Если использовать параллельное вычисление невязки, то необходимо разделить обучающую выборку по процессорам так, чтобы каждый из них вычислял погрешность по своей выборке, а затем
ведущий
n=1
процессор суммировал результат
bj — Z , где S^ — значение невязки на k -м
k=0
s
процессоре. Такая минимизация при использовании правила персептрона проводится по методу без градиентной оптимизации.
vj. -av-
5 J, =
j *
v *
j * j
создавая выход
X r — 7 X r W, . Сигналы, по-
JS ^ J Si k
i=i
го скрытого слоя Cj и наработка между отказами
sk
1-го входного слоя Xj вычисляется по следую-
jSK
щим формулам:
v(k) =-Js 2
2 £ (vjsk - cJSk ) ;
Если представить выход l -го нейрона RBF -слоя как V , то выходной вектор определенной длины сигнала 1 -го нейрона второго промежуточ-
к
ного слоя вычисляется по формуле Ui = У Vi ,
i=i
where: к — число нейронов в RBF -слое. Обозначив весовой коэффициент l -го нейрона RBF -слоя как W., получим формулу для суммы весов
k
v = У w.
o i—i l
l=1
Выходной слой делит взвешенные суммы на сумму весов и выдает окончательный прогноз. При поступлении на вход нейрона некоторого множества одинаковых сигналов числовых значений (отказов), каждый из которых является выходом другого нейрона, каждый вход умножается на соответствующий w вес и все произведения
суммируются, определяя уровень активации нейрона. Весовые коэффициенты меняются при передаче от слоя к слою по формуле
Aw = — fi-—,
W
где Т] - коэффициент скорости обучения; jj,^. - коэффициент синаптической связи (весовых коэффициентов) k -го нейрона от i -го слоя к j -му
слою; 8js - функция суммарной ошибки сети.
Вектор выходных сигналов передаётся на вход 2-го промежуточного слоя. Второй суммирующий блок складывает взвешенные входы алгебраически,
JS, =1
j. =7 vJ
(k) v\ ); j j — js j j=i
/
AJ. =7 exP
j=i
vT
л
V
2 g ( net)
2 J У
w
где П — число дискретных отчётов интенсивности шума агрегатов автомобиля; О . — сигмоид-
ная функция.
Множитель '/2 вводится для упрощения операции дифференцирования. Вектор выходных сигналов VJs передается на вход 2-го промежуточного слоя сети. Выходное значение сети имеет вероятностный характер, поэтому его легче интерпретировать. Обучение сети необходимо выполнять отдельно для каждого ряда по наработке, оно должно сводится к минимальному значению невязки, определяемому из выражения
5к = Х(
i=0 v
AvJs-AvJ =§1-:(Avjs-Avjs) .
i=0 j=0
ступившие к нейрону одновременно по нескольким дендритам, суммируются. Если суммарный импульс превышает некоторый порог, нейрон возбуждается, формирует собственный импульс и передаёт его далее по аксону.
Базисные функции КБР -слоя задаются мат-рицейА, но на практике для описания элементов более удобно использовать матрицу корреляции К, которая получается из матрицы А следующим образом: К = ЛТЛ , где Ат - транспонированная матрица базисной функции 1-го скрытного слоя. Центр нейрона радиального 2-го слоя обозначим через
с\ . Результаты обработки входных показателей 2-
Нейроны внутренних слоёв, которые связаны с выходами, имеющими большую погрешность, должны изменять свои веса значительно сильнее, чем нейроны, соединённые с корректными выходами. Следовательно, веса данного нейрона должны изменяться прямо пропорционально ошибке тех нейронов, с которыми данный нейрон связан.
Таким образом, обратное распространение этих ошибок через сеть позволяет корректно настраивать веса связей между всеми слоями. В этом случае величина функции ошибки уменьшается и сеть обучается.
Если функция ошибки прямо пропорциональна квадрату разности между допускаемым показателем и действительными выходами, то для всей обучающей выборки используют выражение
\=2 % )2.
Наконец, выходной слой делит взвешенные суммы на сумму весов и выдает окончательный результат. Наилучший прогноз достигается при соотношении объемов выборок 20: 20: 20. Оптимальными значениями параметров алгоритма являются:
коэффициент скорости обучения П = 0,7; коэффи-
s
S
s
циент момента обучения Ц = 0,9; количество итераций ^ =20 и величина изменения коэффициента
скорости обучения а =0,1. Число сигналов в
скрытых слоях сети определяется для каждого транспортного средства отдельно.
3. Результаты исследования
Результаты прогнозирования интенсивности шумовых характеристик двигателя представлены на рис. 4. Общий уровень шума, например, двигателя ЯМЗ-236 находится от 110 до 112 дБ(А) при частоте гармонических составляющих 20 Гц.
Рис.4. Изменение прогнозируемого акустического шума (1) и структурного шума (2) в зависимости от наработки двигателя ЗМЗ- 409.10 при частоте 125 Гц:
Целесообразность прогнозирования виброакустики связана также с подбором материала для нанесения на поверхность кабины подкапотного пространства звукоизоляции. Согласно закону сохранения энергии интенсивность Ьц падающих на препятствия звуковых волн равна сумме интенсив-ностей волн, прошедших через преграду Ьд , поглощенных ее материалом Ь^ и отраженных от
материала в пространство Ь^. Оценивая звукоизоляцию по отношению энергии падающей на препятствия звуковой волны к энергии волны, прошедшей через преграду характеризует свойства используемого материала. Если напыление материала имеет определенным шагом волнообразный характер, то падающая волна встречается с отраженной, при этом происходит потери акустической энергии.
При работе двигателя на холостом ходу общий уровень вибрации определяется уровнем основной гармоники опрокидывающего момента из выражения
/о.м = 0,5ида/да /60^
где I — число цилиндров; т — тактность двигателя.
Уровень эффективности звукоизоляции кабины, при наличии звукопоглощающей облицовки со стороны двигателя, шум в внутри полости кабины можно приближенно оценить из выражения
Ав = 101в кп1 / кп2 ,
где кп1, кп2 — коэффициенты поглощения до
и после нанесения вибродемпфирующего покрытия на стенку кабины соответственно.
Выводы и предложения
1. Поддержание двигателя в техническом исправном состоянии позволит также снизить выброс
ядовитых веществ в среднем 35 % и значительно уменьшить его дымление.
2. Ухудшение технического состояния двигателя приводит к снижению экологичности, так, например, при холостом ходе бензинового двигателя выброс оксида углерода увеличивается в 2 раза, углеводородов - 2,5 и альдегидов в 1,5 раза.
3. Снижение шумовой характеристики транспортного средства способствует повышению работоспособности и снижению утомляемости водителя.
Список литературы
1. Жеглов Л. Ф. Виброакустика колесных машин/ Л.Ф. Жеглов//Изд-во МГТУ им. Н. Э. Баумана. 2013. -170с.
2. ГОСТ Р 51616 - 2000 Автомобильные транспортные средства. Шум внутренний. Допустимые уровень и методы испытания. М.: Изд-во стандартов, 2000. -22 с.
3. Постановление главного государственного санитарного врача РФ от 23.03.2005, N° 10 «О мерах по усилению надзора за автотранспортом и уменьшением влияния его на здоровье населения.
4. Генуит К. Применение анализа бинаураль-ного пути передачи к звуку. Задачи качества. Европейская конференция по шуму и вибрации автомобиля/К. Генунт//Imeche, Лондон, Великобритания, 2000. - с. 241-250.
5. Кребер Y., Герлих X.Y. Акустическая система обратной связи для /Y. КреберX.Y. Герлих// Tual VehicleATA 1997, 26-28 02, Florenz Nr. 97A1045.
6. Neu G, Mommertz E., Schmitz A. Untersuchun-genzur Richtungstreuen Schall Wiedergabebei Darbietung von Kopfbezogenen Abfnahmenüberzwei Lautsprecher custica /G Neu, E. Mommertz, A. Schmitz//76, с.183- 191, 77 1992,- с. 153-161
7. ИСО 3740-2000 Акустика. Определение уровней звуковой мощности источник шума. Руководство по применению основополагающих стандартов.
8. ИСО/ПМС 9614-3-2000 Акустика. Определение уровней звуковой мощности источников шума по интенсивности звука. Точный метод при измерениях сканированием.
9. ИСО 11202-95 Акустика. Шум, изучаемый машинами и оборудованием. Измерение уровней звукового давления излучения на рабочем месте и в других за данных контрольных точках. Ориентировочный метод для измерений в условиях эксплуатации.
10. Разумовский М.А., Прогнозирование шумовых характеристик поршневых двигателей /М.А. Разумовский//Минск: Вышэйшая школа, 1981. -40с.
11. Купер Д.Х., Баук Дж.Л. Перспективы трансауральной записи/ Д.Х. Купер, Дж.Л. Баук// Аудио англ. Amr. т. 37, № 1/2, 1989. - с.3-19.
12. Генуит К. Погенбург Я. Влияние вибраций на субъективное суждение о внутреннем шуме транспортного средства /К. Генуит, Я. Погенбург// Noise-Con № 98, 2000. Ипсиланти, Мичиган, США.
13. Genuit K, Bohineust, X. Rehfeld, M., Бинау-ральная гибридная модель для моделирования шумовых долей в салоне транспортных средств / К.
Genuit, Х. Bohineust, М. Rehfeld// Inter-Noise 97 Будапешт, Венгрия, 1997. - с. 25-28.
14. Голубеев Ю.Ф. Нейросетевые методы в ме-хатронике/Ю.Ф. Голубеев// М.: изд-воМосковско-гоуниверситета, 2007. -157 с.
15. Калан Роберт Основные концепции нейронных сетей/ Роберт Калан// М.: Издательский дом «Вильямс», 2001. - 283 с.
16. Люге Джорж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем / Джорж Ф. Люге// М.: Издательский дом «Виль-ямс», 2005. - 864 с.
17. Тарик Рашид. 2019 Создаём нейронную сеть / Рашид Тарик// Санкт-Петербург, - 272 с.
18. Гасельберг В. С.; Запарожец, А. В. Диагностика двигателя внутреннего сгорания автомобиля по виброакустическим параметрам /В.С. Гасель-берг, А.В. Запарожец //Вестник Астраханского государственного технического университета, № 2, 2007 с. 72-74.
19. Макс Ж. Методы и техника обработки сигналов при физических измерениях. / Ж. Макс// Перевод с франц. - М.: Мир, 1983 - т.1. - 341с.
20. Береснов А.П.; Береснов, М.А. Виброакустические методы диагностики двигателя внутреннего сгорания. Мехатроника, автоматизация/ А.П. Береснов, М.А. Береснов// 2010 №6, с.27-32.
МЕТОДИ ВИЗНАЧЕННЯ НЕОБХ1ДНО1 КШЬКОСТ1 I РОЗТАШУВАННЯ СЕНСОР1В
ВОЛОГОСТ1 I ТЕМПЕРАТУРИ
Кордан А.1.
студент-магютр Факультету ¡нформацшних Технологш Нацюнальний унгверситет бюресурав i природокористування Украши
Смолш В.В.
Доцент Факультету ¡нформацшних Технологш Нацюнальний }miверситет бюресурав i природокористування Украши
METHODS FOR AIR HUMIDITY AND TEMPERATURE SENSORS NECESSARY QUANTITY AND
LOCATION DETERMINATION
KordanA.
Faculty of Information Technology master-student, National University of Life and Environmental Sciences of Ukraine, Kiev, Ukraine
Smolii V.
Faculty of Information Technology Assoc. Prof. National University of Life and Environmental Sciences of Ukraine, Kiev, Ukraine
Анотащя
У робот наведено матерiали, яш обгрунтовують вибiр кшькосп та розташування датчишв вологосп та температури у парниках. Для цього за основу взято математичш моделi волого- та теплопереносу у закритому простор! Отримаш результата можна застосовувати при проектуванш сенсорних мереж систем управлшня зрощенням у закритому грунп.
Abstract
The paper provides materials that are justifying the choice of necessary wuantity and location of humidity and temperature sensors in greenhouses. As a base are taken mathematical models of moisture and heat transfer in an enclosed space. The results can be used in the design of sensor networks for control systems of growing in closed ground.
Ключов1 слова: математична модель, система управлшня, сенсорна мережа, управлшня температурою, автоматизация парнишв.
Keywords: mathematical model, control system, sensor network, temperature control, greenhouse automation.
