CC BY
115
Леонов Олег Владимирович, аспирант, Россия, Новомосковск, НИ (ф) РХТУ им. Д.И. Менделеева),
Бабокин Геннадий Иванович, д-р. техн. наук, проф., Россия, Новомосковск, НИ (ф) РХТУ им. Д. И. Менделеева
RESEARCH OF DEPENDING MOMENT OF RESISTENCE ON THE HARDNESS OF OBSTACLES WHEN LOCKING SHEARER
O.VLeonov., G.I. Babokin
Developed a mathematical model of the process of locking the working body of the shearer for coal extraction. The dependences of the dynamics of increase torque resistance on the shaft of the induction motor variable frequency drive with locking shearer obstacles same-different stiffness.
Key words: induction motor drive, shearer, obstruction, stiffness, locking of, the moment of resistance.
Leonov Oleg Vladimirovich, graduate student, Russia, Novomoskovsk, The Novomoskovsk’s Institute (subdivision) of the Mendeleyev Russian Chemical-Technological University,
Babokin Gennadiy Ivanovich, d.t.s., professor, Russia, Novomoskovsk, The Novomoskovsk ’s Institute (subdivision) of the Mendeleyev Russian Chemical-Technological University
УДК 519.1: 621
РАЗРАБОТКА МЕТОДИКИ ВЫБОРА СТРУКТУРЫ И ПАРАМЕТРОВ НЕЙРОСЕТИ ДЛЯ ОЦЕНКИ РАБОТОСПОСОБНОСТИ ЭЛЕКТРОМЕХАНИЧЕСКИХ СИСТЕМ
Д.М. Шпрехер, Г.И. Бабокин
Разработана методика выбора структуры и параметров нейронной сети для оценки работоспособности электромеханических систем шахтных электротехнических комплексов, осуществляющей контроль и прогнозирование их технического состояния.
Ключевые слова: электромеханическая система, контроль работоспособности, структура и параметры нейронной сети.
Наиболее значимым критерием эффективности нейросетевой (НС) модели контроля работоспособности электромеханических (ЭМС) шахтных электротехнических комплексов (ЭТК) является достоверность результатов контроля, которая в идеале должна стремиться к 100%. Однако на практике обычно существуют ограничения, которые не позволяют увеличивать объём измерительной информации без потери производительно-
сти (быстродействия) системы контроля. Поэтому имеет важное значение нахождение оптимальной структуры и параметров НС для контроля работоспособности ЭМС, которая с одной стороны обеспечивает требуемый уровень достоверности, а с другой - высокую производительность или быстродействие.
На достоверность контроля технического состояния (ТС) при использовании НС влияют структура и параметры НС, количество слоев НС и число нейронов в каждом слое, объем обучающей выборки, метод распознавания, количество итераций (циклов) обучения НС, величина шага или скорости обучения НС.
Нет строго определенной методики выбора количества слоев НС и количества нейронов в слое. Известно, что чем больше количество нейронов и слоев, тем шире возможности сети, но тем медленнее она обучается и работает [1].
Количество нейронов и слоев определяется сложностью задачи, количеством данных для обучения, требуемым количеством входов и выходов сети, имеющимися ресурсами: памятью и быстродействием ЭВМ, на которой моделируется сеть.
Если в НС слишком мало нейронов или слоев, то сеть или не обучится и ошибка при работе сети останется большой, или на выход сети не будут передаваться резкие колебания аппроксимируемой функции.
Превышение требуемого количества нейронов тоже мешает работе НС. Если нейронов или слоев слишком много, то быстродействие НС будет низким, но при этом потребуется большое количество ресурсов от ЭВМ. В этом случае выходной вектор НС будет содержать незначительные и несущественные детали, например, шум или ошибочные данные, и НС будет неспособна к обобщению.
Поэтому размерность входного сигнала и число нейронов последнего слоя в многослойных НС определяются заданной обучающей выборкой, а определение числа нейронов в скрытых слоях представляет собой нетривиальную задачу.
Для оценки числа нейронов в скрытых слоях можно воспользоваться формулой для оценки необходимого числа синаптических весов в многослойной сети с сигмоидальными передаточными функциями [1]:
НуНр < N < N.
1 + 1о§2( Np)
/ і + 1Л
N..
(N + N +1) + N
>2\ р/ \ х у
где Иу - размерность выходного сигнала, Ир - число элементов обучающей выборки, Их - размерность входного сигнала.
Оценив необходимое число весов, можно рассчитать число нейронов в срытых слоях. Например, число нейронов в двухслойной сети составит:
N = Ир/(Их + Ку)
Аналогично можно рассчитать число нейронов в сетях с большим числом слоев.
Вышеприведенные формулы дают ориентировочные параметры числа слоев и числа нейронов НС. В то же время при решении задачи контроля ТС для однотипного электромеханического оборудования, содержащего электродвигатели, трансформаторы, системы управления, коммутирующую аппаратуру и т.д. на основе имитационного моделирования возможно осуществить выбор структуры и параметров НС, распознающей их техническое состояние [2].
Задача разработки методики выбора структуры и параметров НС решена для ЭМС ЭТК шахтного подземного оборудования.
На графиках (рис.1 ^ 3) представлены зависимости достоверности распознавания ТС ЭМС: от числа скрытых слоев НС, при различном количестве нейронов в слое (рис.1); от объема обучающей выборки при различном количестве параметров ТС ЭМС (рис.2); от погрешности обучения при двух методах обучения " Левенберга-Марквардта" и Бргор (пакетный) (рис.3). Зависимости получены при контроле технических состояний АД и трансформатора, очистного комбайна и его системы управления и позволяют на начальном этапе помочь в выборе структуры НС для данного типа оборудования.
Как следует из рис. 1 максимум достоверности формируется в результате воздействия двух противоположностей: переобученности НС при большом числе нейронов и недостатке вычислительных элементов для аппроксимации обучающей выборки. Достоверность как вероятность погрешности распознавания вида ТС определена частотным способом.
Из данных рис.1 следует, что оптимальной является структура НС, содержащая 2-3 промежуточных слоя, которые содержат 20 -ь 30 нейронов.
I-
1 1,00
0
В
и
н 0,80
К.
&
1 0,40
л
ЕЗ
§ 0.20
й
щ
2 ОАО
О
Количество промежуточных слоев нейронов — - 20 не!фонов —•— 30 нейронов — 4 • • 40 не1фонов - ■* - 50 нейронов
Рис. 1. Зависимости достоверности контроля параметров
технических состояний ЭМС от числа скрытых слоев НС при различном количестве нейронов в слое
О1
о. 1,20 о
’О
ъ
1.00
0 са
| ^
1 0,60 §
I" 0,40 о
йс
ё 0-20 о
X
£ 0,00
0 500 1000 1500 2000
с£ Объем обучающей выборки (строк-записей одновременно регистрируемых параметров ЭМС)
— ■ 5 пирометров —•— 10 параметров — - 15 параметров * ** * 20 параметров
Рис. 2. Зависимости достоверности распознавания кода (вида) технического состояния от объема обучающей выборки при различном количестве параметров технических состояний ЭМС
Характер зависимостей рис. 2 свидетельствует о большей представительности полного набора параметров (20 параметров) по сравнению с пятью параметрами. Алфавитом признаков из пяти параметров невозможно полностью описать разнообразие классов технических состояний ЭМС. Объем обучающей выборки (строк записей одновременно регистрируемых параметров ЭМС) более 1000 обеспечивает достаточную достоверность результата контроля на тестовой выборке.
Результаты, представленные на рис. 3, показывают, что возможна переобученность НС при низкой и недообученность НС при высокой погрешностях обучения, а акже явное преимущество метода обучения Ле-венберга-Марквардта по сравнению с Bprop (пакетный - метод отложенного обучения).
2 1,00 .= 0.90
¡0,0 ►-
® о.?о 3 0.60 I О.зд
о.
5 0,40
~ 0,30
6 0,20 9* о.ю
Рис. 3. Зависимости достоверности распознавания кода (вида) технического состояния от погрешности обучения для двух методов обучения " Левенберга-Марквардта" и Вргор (пакетный)
На рис. 4 показаны графики изменения достоверности распознавания НС моделью работоспособности (состояния «работоспособнонеработоспособно») ЭМС от шага обучения (а) и числа итераций обучения (б) при различных значениях объема обучающей выборки.
Из анализа рис. 4, а следует, что достоверность распознавания ТС ЭМС рассматриваемого типа от шага (скорости) обучения НС имеет экстремумы при определенных оптимальных значениях шага обучения для различных объемов обучающей выборки. Из данных рис. 4, б следует, что достоверность распознавания ТС ЭМС растет с увеличением числа итераций (эпох) обучения до определенных значений и затем сохраняется практически неизменной, причем с увеличением объема обучающей выборки достоверность возрастает.
Предлагается следующая методика выбора архитектуры и параметров НС для ЭМС шахтных ЭТК, основанная на результатах имитационного анализа этих классов ЭМС.
Шагобучения Числа итераций обучения н " т * " 3 Й К й 5
а б
Рис. 4. Зависимости достоверности распознавания вида
технического состояния от шага (скорости) обучения (а) и от числа итераций (эпох) обучения (б)
Этап 1. Подготовки данных. Включает в себя их нормировку, необходимую для приведения разнородных входных данных к единому масштабу. Предлагается нелинейный способ нормировки.
Этап 2. Выбор типа архитектуры НС.
Для контроля работоспособности ЭМС электротехнических комплексов предлагается использовать многослойную НС прямого распространения сигнала, типа многослойный персептрон», содержащую 2 или 3 скрытых слоя. Количество входов и выходов НС определяются количеством входных и выходных параметров исследуемой ЭМС.
В качестве функции активации нейронов скрытых и выходного слоя принята сигмоидная функцией активации нейронов промежуточных слоев с крутизной равной 0,5 и линейная функция активации нейронов выходного слоя.
Максимальное число нейронов в скрытых слоях следует принимать: при контроле ТС - от 20 до 30.
Количество признаков, подаваемых на вход НС, при решении задачи контроля работоспособности ЭМС тесно связано с числом нейронов во
входном слое и числом связей в НС. При недостаточном количестве объема обучающей выборки увеличивается погрешность обучения. Кроме того, наличие шума в измеряемых параметрах также является причиной увеличения погрешности, поэтому объем обучающей выборки (входных данных) НС должен превышать в несколько раз количество нейронов.
Объем обучающей выборки (строк записей одновременно регистрируемых параметров ЭМС) более 1000 и количество параметров ТС не менее 15, обеспечивают достаточную достоверность результата контроля на тестовой выборке.
Количество слоев и нейронов в каждом слое варьируется и уточняется на этапе обучения НС.
Этап 3. Процесс обучения НС. В качестве метода обучения применительно к ЭМС горных машин принимается метод Левенберга-Марквардта, обеспечивающий заданную погрешность обучения при минимальном количестве циклов обучения.
Шаг обучения следует выбирать в диапазоне 0,0095-0,0019.
Число итераций обучения (количество обучающих эпох), обеспечивающих приемлемую достоверность, не следует брать выше 2000, чтобы не увеличивать бессмысленно время обучения.
Этап 4. Кодирование выходных данных. При решении задачи контроля работоспособности в процессе обучения следует кодировать номер класса ТС ЭМС, так, чтобы каждому типу дефекта соответствовал свой нейрон, при этом выход должен являться бинарным значением. Поэтому для кодирования выходных данных обучающего набора элемент с номером, равным номеру класса, должен иметь значение, равное максимальному значению, например, «1», а элемент с номером, не равным номеру класса, должен иметь значение, равное минимальному - «0».
Этап 5. Оценка ошибки, которую дает НС при решения поставленной задачи. Выходная ошибка не должна превышать требуемую точность обучения, которая лежит в требуемом допуске и должна быть не менее 0,9, что требуется при переходе от модельных дефектов к реальным. В этом случае обучение заканчивается и НС готова к работе.
Методика применена для выбора структуры и параметров аппаратуры оценки работоспособности ЭМС (АОР-ЭМС) машин механизированного комплекса.
Список литературы
1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М.: Г орячая линия. Телеком, 2001. 382 с.
2. Шпрехер Д.М. Диагностика технических состояний горных машин на основе интеллектуального анализа данных // Изв. вузов Электромеханика. 2013. №2. С. 69-73.
Шпрехер Дмитрий Маркович, канд. техн. наук, доц., shpreher-d@yandex.ru, Россия, Новомосковск, НИ (ф) РХТУ им. Д.И. Менделеева,
Бабокин Геннадий Иванович, д-р техн. наук, проф., зав. кафедрой, gibabokinnov@yandex. ru, Россия, Новомосковск, НИ (ф) РХТУ им. Д.И. Менделеева
DEVELOPMENT OF METHODS FOR SELECTING THE STRUCTURE AND PARAMETERS OF NEURAL NETWORKS FOR EVAL UA TION SERVICEABILITY OF THE ELECTROMECHANICAL SYSTEMS
D.M.Shprekher, G.I. Babokin
Developed a methodology for the selection of the structure and parameters of the neural network to evaluate the health of electromechanical systems mine electrical systems, carrying out the control and prediction of their technical condition.
Key words: Electromechanical system, health monitoring, structure and parameters of the neural network.
Shprekher Dmitry Markovich, candidate of technical science, docent, shpreher-d@yandex.ru, Russia, Novomoskovsk, The Novomoskovsk’s Institute (subdivision) of the Mendeleyev Russian Chemical-Technological University,
Babokin Gennady Ivanovich, doctor of technical science, professor, manager of department, gibabokinnov@yandex.ru, Russia, Novomoskovsk, The Novomoskovsk’s Institute (subdivision) of the Mendeleyev Russian Chemical-Technological University
УДК 621.311
ПРОГНОЗИРОВАНИЕ ПАРАМЕТРОВ ЭЛЕКТРОПОТРЕБЛЕНИЯ В УСЛОВИЯХ НЕСТАБИЛЬНОСТИ
О.Е. Лагуткин
Рассмотрены вопросы прогнозирования параметров электропотребления в условиях нестабильности. В основу методики прогнозирования положен разработанный автором оригинальный подход с использованием ценологических свойств электрического хозяйства.
Ключевые слова: электрическое хозяйство, прогнозирование параметров электропотребления, ценологические свойства.
Необходимость развития отраслей и подотраслей промышленности как самостоятельных, сбалансированных единиц народного хозяйства обуславливает потребность в разработке методов и методик прогнозирования показателей их функционирования.
При нестабильности финансирования производства и сбыта продукции, взаимосвязей между поставщиками и потребителями, задача прогнозирования электропотребления предприятия становится сложной и, на первый взгляд, неразрешимой.
