Содержание к диссертации
Введение
Глава 1. Стохастическая нагрузка асинхронного двигателя как один из объектов нейросетевого исследования 10
1.1.Способы задания стохастических нагрузок электродвигателей 10
1.2. Классификация видов случайной нагрузки асинхронных двигателей 13
1.3. Способы учета влияния случайного момента нагрузки на характеристики электродвигателя 19
1.4. Основные положения теории искусственных нейронных сетей 27
1.4.1. Классификация нейронных сетей 30
1.4.2. Свойства искусственных нейронных сетей 36
1.4.3. Особенности использования аппарата нейронных сетей 39
1.5. Постановка задачи исследования 42
Выводы 44
Глава 2. Нейросетевая модель для исследования переходных процессов в асинхронном двигателе при случайном стационарном нагружении 46
2.1. Способы представления нагрузочного момента как случайной функции времени 46
2.2. Применение нейросстевых технологий в задачах электромеханики ...48
2.3. Обоснование выбора пакета Matlab Neural Networks для исследования переходных процессов в АД 53
2.4. Разработка унифицированной модели для исследования переходных процессов в АД в режиме стохастического нагружения 54
2.5. Влияние параметров двигателя и случайной функции нагрузочного момента на работу асинхронного двигателя 79
Выводы 94
Глава 3. Экспериментальная оценка неиросетевого метода исследования переходных процессов в асинхронных двигателях 96
3.1. Моделирование случайного момента сопротивления на валу асинхронного двигателя 96
3.2. Проведение теплового испытания асинхронного двигателя 101
3.3. Создание предиктора на основе технологии искусственных нейронных сетей 108
3.4. Рекомендации по проектированию асинхронных двигателей для работы со случайной нагрузкой 115
Выводы 117
Заключение ..119
Список использованной литературы 122
- Классификация видов случайной нагрузки асинхронных двигателей
- Применение нейросстевых технологий в задачах электромеханики
- Разработка унифицированной модели для исследования переходных процессов в АД в режиме стохастического нагружения
- Создание предиктора на основе технологии искусственных нейронных сетей
Введение к работе
Асинхронные двигатели (АД) являются самым массовым видом продукции электротехнической промышленности не только России, но и многих зарубежных стран. Это объясняется многими причинами, наиболее важными из которых являются невысокая стоимость, простота конструкции и высокая надежность.
Условия эксплуатации АД самые разнообразные: от простейших, как например, у бытовых вентиляторов, до таких, как привод породопогрузочных машин в шахтах.
АД в основном создавались как серийные машины и одним из условий их разработки являлось и зачастую является то, что нагрузочные моменты двигателей постоянны (детерминированные функции времени). Однако, очень часто реальный нагрузочный момент (Мс) оказывается случайно изхменяющейся величиной и зависит от многих факторов (физико-механических свойств обрабатываемого материала, частоты вращения рабочих органов, производительности машины и т. д., вносящих элемент случайности в работу двигателя). Случайные изменения нагрузочного момента Мс вызывают колебания тока и мощности, потребляемых из сети, неравномерность мгновенной угловой частоты вращения ротора. При этом график электромагнитного момента имеет вид кривой, пульсирующей относительно среднего значения, что вызывает дополнительные потери в обмотках, рост уровня вибраций и шумов, ухудшение энергетических показателей АД. Фактически, работа двигателя представляет собой непрерывный переходный процесс, что в значительной мере затрудняет проведение электромагнитных и тепловых исследований, поскольку приходиться решать системы дифференциальных уравнений, описывающих работу АД, в которых одна или несколько входных величин изменяются случайным образом. Попытка решения подобных систем со случайными параметрами традиционными методами (численное решение систем стохастических дифференциальных уравнений; методы, основанные на линеаризации нелинейных элементов; метод малого параметра и последовательных приближений; интерполяционный метод и др.) приводит к значительному увеличению машинного времени, а порой и к невозможности проведения расчетов.
Таким образом, создание новой методики, позволяющей быстро и эффективно проводить детальное исследование переходных процессов в АД, момент нагрузки которых случайным образом изменяется во времени, позволит более эффективно использовать АД в различных электроприводах, а также повысит их надежность.
Большие возможности открывает перед машиностроением применение теории нейронных сетей и развитие нейросетевых технологий. Эти возможности столь же значительно отличаются от использования традиционных подходов, насколько, скажем, обычная фотография отличается от голографического фотоснимка. Действительно, использование понятия модель-образ создает исключительные возможности применения формальных методов в условиях неполной или быстро меняющейся информации.
В настоящее время можно говорить о том, что достаточно глубоко разработана формальная теория нейронных сетей. Решение различных задач в нейросетевом логическом базисе становится возможным на основе использования более 30-летнего научного задела в этом направлении. Количество таких задач возрастает стремительными темпами, особенно с увеличением их размерности. Сегодня можно говорить об универсальности нейросетевых технологий, о том, что практически любую задачу можно решить с их использованием.
В последнее время данные технологии получили весьма широкое распространение при решении задач, связанных с распознаванием и идентификацией ситуаций и объектов, с принятием решений, анализом и диагностикой. Однако практическое использование искусственного интеллекта в задачах электромеханики остается еще достаточно ограниченным, носит частный, локальный характер. Между тем активному развитию интеллектуальных систем в последнее время существенно способствует бурный прогресс в программных и аппаратных средствах вычислительной техники, который позволяет реализовывать в реальном времени на аппаратном и/или программном уровне сложные алгоритмы интеллектуального управления.
Целью диссертационной работы является создание на базе нейросетевых технологий методики исследования переходных процессов в асинхронных двигателях, работающих в режиме стохастического нагружения.
Для достижения поставленной цели необходимо решить следующие задачи:
1) Разработать нейросетевую модель исследования переходных процессов в АД при продолжительной работе со случайной нагрузкой, описываемой стационарной функцией.
2) Исследовать влияние вероятностных свойств нагрузочного момента АД на его эксплуатационные характеристики.
3). Исследовать влияние основных размеров АД, работающего со случайной нагрузкой, на его тепловое состояние.
4). Экспериментально исследовать переходные процессы в реальном АД с помощью разработанной методики и выдать рекомендации по проектированию.
Решение таких задач невозможно без использования основных положений математической статистики и теории вероятностей, поскольку стохастический характер нагружения обуславливает случайное изменение переменных двигателя.
Исследование двигателя при длительном воздействии случайного момента нагрузки Mc(t) осуществлялось на основе теории случайных функций. Для расчета динамических характеристик АД с учетом случайного момента Мс были использованы обученные для решения дифференциальных уравнений искусственные нейронные сети (ИНС).
Научная новизна проведенных исследований заключается в следующем:
- продемонстрирована возможность использования искусственных нейронных сетей в задачах электромеханики;
- проведена исследовательская работа, направленная на получение оптимальной структуры искусственной нейронной сети для исследования переходных процессов в асинхронных двигателях;
- разработаны алгоритм и программа расчета обучающих выборок электромагнитных, электромеханических и тепловых величин асинхронного двигателя;
- разработана методика, основанная на нейросетевых технологиях, позволяющая быстро и эффективно исследовать переходные процессы в асинхронном двигателе, работающем в режиме случайного нагружения;
- решена задача синтеза нейронной сети и модели реального двигателя;
- определено влияние вида и параметров корреляционной функции момента нагрузки на эксплуатационные характеристики АД;
- определено влияние геометрических размеров АД на тепловое состояние при нагрузке, описываемой случайной стационарной функцией;
- выработаны рекомендации по проектированию двигателей для режима стохастического нагружения.
Достоверность разработанной методики подтверждается многочисленными примерами успешного решения задачи построения нейроэмуляторов различных динамических объектов. Сравнительная эффективность предложенного алгоритма доказана путем сопоставления результатов решения им типовых задач с результатами, достигнутыми с помощью других, ранее известных алгоритмов.
Результаты исследований, приведенные в диссертации, докладывались и обсуждались на следующих конференциях:
1). Девятая международная научно-техническая конференция студентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г. Москва (МЭИ (ТУ)), 2003г.).
2). Международная конференция "Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике" (г. Ульяновск (УлГТУ, 2004г.).
3). Вторая региональная научно-техническая конференция студентов и аспирантов 13-14.04.2005 г. в г. Смоленске: филиал ГОУ ВПО «МЭИ (ТУ)» в г. Смоленске.
4). Третья межрегиональная научно-техническая конференция студентов и аспирантов 19-20.04.2006 г. в г. Смоленске: филиал ГОУ ВПО «МЭИ (ТУ)» в г. Смоленске.
5). ICEEE-2006 International Conference on Electromechanics, ElecLiotechnology and Electromaterial Science. Украина, Крым, пансионат «Дубна» Объединенного института ядерных исследований в г. Алуште, 18 -23 сентября 2006 г.
6). 6-ой международный симпозиум «ЭЛМАШ-2006» 2-6 октября 2006 г. Подмосковье.
7). ІСЕЕЕ-2008 International Conference on Electromechanics, Electrotcchnology and Electromaterial Science. Украина, Крым, пансионат «Дубна» Объединенного института ядерных исследований в г. Алуште, 29 сентября - 4 октября 2008 г.
Во введении обоснована актуальность использования нейросетевых моделей в области электромеханики, сформулирована цель работы, определены основные задачи исследований, показана их научная новизна, практическая значимость.
Первая глава посвящена анализу стохастической нагрузки как объекта изучения. Показано, что при исследовании переходных процессов в асинхронных двигателях, работающих со случайным моментом сопротивления, необходимо использовать математический аппарат теории случайных функций. Составлена сравнительная классификация процессов нагружения АД. Принимаются основные допущения работы.
Во второй части главы приводятся основные положения теории искусственных нейронных сетей. Описывается процесс их создания, обучения, функционирования и дальнейшего использования в конкретных задачах. Показана возможность их применения в электромеханике.
На основе проведенного анализа случайного момента нагрузки формируются изложенные ниже основные задачи диссертационной работы.
Вторая глава посвящена разработке унифицированной модели для исследования переходных процессов в АД при продолжительной работе со случайной нагрузкой, описываемой случайной стационарной функцией.
Проведен сравнительный анализ наиболее известных нейросетевых пакетов на предмет их использования для решения задач электромеханики.
Произведен выбор оптимальной структуры искусственной нейронной сети для исследования переходных процессов в АД со случайной нагрузкой.
Представлена нейронная сеть, обученная для решения дифференциальных уравнений.
Определено влияние параметров двигателя и случайной функции нагрузочного момента на электромагнитное и тепловое состояние асинхронного двигателя.
Третья глава посвящена созданию экспериментальной установки для исследования переходных процессов в АД, работающим на нагрузку, описываемую случайной стационарной функцией.
Проведено исследование реального двигателя с помощью полученной модели.
Определено влияние параметров двигателя на эксплуатационные характеристики при случайном нагружении.
Даны рекомендации по проектированию асинхронных двигателей с учетом стохастического характера Мс.
Классификация видов случайной нагрузки асинхронных двигателей
Представление момента сопротивления в виде случайной функции является наиболее общим описанием процесса нагружения АД. Практически любую нагрузку электродвигателей можно рассматривать как СФ с различной степенью вариации К, определяемой из соотношения:
Постоянная нагрузка является частным случаем случайной, когда V = 0. Ее можно назвать осредненной, поскольку величина такой нагрузки определяется МО случайной функции, т.е. ее средним значением. Другие виды детерминированной нагрузки также могут быть охарактеризованы как случайные с определенным значением МО и СКО (например, нагрузка, описываемая гармонической функцией) или как случайные с изменяющимся во времени МО и нулевой дисперсией (вентиляторная нагрузка). Если физические причины случайного характера нагружения электродвигателя отсутствуют полностью, например, в предположении об однородности физико-механических свойств обрабатываемого материала, что в действительности никогда не имеет места, то случайная функция Mc(t) переходит в детерминированную. Поэтому в основу классификации нагрузок АД должны быть положены вероятностные критерии, а именно характер изменения вероятностных свойств случайного момента сопротивления электродвигателя во времени.
В наиболее общем виде процесс нагружения АД может быть классифицирован (рис. 1.1), исходя из характера изменения его реализаций во времени и основных свойств случайных процессов [7].
Нагрузки многих АД являются стационарными, часто эргодическими функциями, особенно если двигатель работает в продолжительном режиме. Существует два важных класса случайных процессов, которые заранее могут быть отнесены к эргодическим: 1) гауссовские стационарные процессы с абсолютно непрерывной спектральной плотностью и 2) марковские процессы с такой же спектральной плотностью. К стационарному эргодическому процессу относятся, например, случайные нагрузки АД механизмов пил и хода камнерезных машин при добыче строительного камня на одном разрезе при незначительных отклонениях основного уровня прочности камня, моменты на породоразрушающем инструменте и исполнительном органе выемочных машин, многих сельскохозяйственных механизмов.
Нестационарными случайными функциями описывается режим нагружения горных машин при небольшом времени их непрерывной работы , tp = 2 - 5 мин. Кроме того, нестационарно нагружены в электрическом отношении АД во время пуска при случайном характере изменения Mc(t).
К стационарным неэргодическим процессам относятся, например, графики нагрузок электродвигателей подъема, напора и тяги строительных экскаваторов, строительно-отделочных машин с переменной производительностью. Обычно нагрузку такого типа представляют в виде переменной составляющей, которая может быть детерминированной функцией или случайной величиной, и стационарной эргодической функцией времени или другого параметра.
Случайная нагрузка АД может быть представлена в виде случайных процессов следующего вида [2,8,9,10,11]:
1) Случайные процессы, имеющие нормальный закон распределения, одномерная плотность вероятности которого имеет вид:
Это распределение характерно для таких режимов пагружения, у которых основной уровень нагрузки значительно выше переменной ее составляющей. По нормальному закону распределены нагрузки электродвигателей горного оборудования, смесителей влажных материалов, камнерезных машин и некоторых групп металлорежущих станков. Широкое использование нормального распределения объясняется прежде всего тем, что на процесс формирования момента сопротивления АД оказывает влияние множество случайных факторов практически одинаковой интенсивности. 2) Случайные процессы, имеющие распределение Вейбулла: где s и q - параметры распределения. По закону данного типа распределены нагрузки электродвигателей универсального металлорежущего оборудования. В виде распределения Вейбулла представляют процессы нагружения многих электроприводов при их моделировании. 3) Широкополосный случайный процесс, который является частным случаем "белого шума", спектральная плотность которого одинакова во всем диапазоне частот. Соответствующая ей КФ представляет собой дельта-функцию.
В отличие от "белого шума" широкополосный случайный процесс имеет ограниченные пределы частотного спектра. Распределением такого типа характеризуются нагрузки некоторых автоматических линий. С достаточной для инженерных расчетов точностью спектр усилия резания породы резцовым инструментом также можно считать "белым" в области частот 0-50Гц.
В зависимости от цели исследования используется иногда аппроксимация эмпирических распределений законами Релея, Раиса, Максвелла и другими. Во всех случаях для определения степени согласия между экспериментальным распределением и аналитическим используются определенные критерии, чаще всего " х 2 ". Разработаны специальные тесты и программы, позволяющие выбрать наиболее подходящий закон распределения. Классификация нагрузки по виду ее распределения носит довольно условный характер, Так, плотность распределения нагрузки АД паркетношлифовальных машин в зависимости от квалификации оператора аппроксимируется различными законами. Принадлежность процесса к тому или иному классу чаще всего выявляется из физических соображений, а затем определяется степень соответствия между эмпирическим и выбранным теоретическим распределением.
Применение нейросстевых технологий в задачах электромеханики
Потенциальная способность искусственных нейронных сетей (ИНС) к обобщенному представлению любого класса функций, а также еще целый ряд свойств, описанных выше, приводит к тому, что они находят применение в области электромеханики, где их комплексное использование на всех уровнях иерархии интеллектуального управления дает возможность построения различных исследовательских моделей и алгоритмов с высокой степенью надежности. В частности, за рубежом имеется целый ряд работ [39-52], ведущихся в данном направлении.
Высокая скорость функционирования ИНС позволяет использовать их в качестве самостоятельного звена, занимающего как независимую позицию, так и встроенного в общий цикл вычислений и реализующего специфические законы управления [53,54]. Использование ИНС для исследования асинхронного двигателя, работающего в режиме стохастического нагружения, позволяет значительно сократить время математических расчетов нелинейных систем дифференциальных уравнений за счет параллельности функционирования отдельных элементов данной структуры.
Широкие функциональные возможности ИНС допускают их применение в качестве устройства, которое занимает позицию наблюдателя и оценивает точность традиционных методов исследования асинхронного двигателя с целью последующей их коррекции.
При построении нейроэмуляторов для решения задач электромеханики наибольшее распространение получили многослойные нейронные сети прямого распространения (МНСПР). Повсеместное использование НС именно данного типа объясняется, во-первых, простотой структуры по сравнению с другими типами НС, что важно для исследования и аппаратной реализации и, во-вторых, отсутствием существенной динамики самой сети, что принципиально для систем с быстрыми процессами, функционирующих в реальном времени.
Следует отметить, что применение нейроподобных структур обеспечивает целый ряд потенциальных преимуществ: высокое быстродействие (которое более чем на 2 порядка превышает быстродействие современного персонального компьютера типа IBM PC); большая живучесть (гарантирующая при создании аппаратной реализации сохранение работоспособности при выходе из строя 15 % нейроподобных элементов); компактность аппаратной реализации (определяющая возможность разработки вычислительных и управляющих средств);
В основе построения большинства регуляторов на базе НС лежит свойство МНСПР, которое заключается в том, что данные НС формируют карту преобразования вход/выход, аппроксимирующую функцию с требуемой точностью. Теоретически на НС можно получить аппроксимацию любой функции с требуемой точностью: ограничения на вид и точность реализации накладываются лишь числом используемых нейронов.
В числе первых в области использования искусственных нейронных сетей при разработке систем управлении для асинхронных электроприводов (АЭП) можно выделить работы [55-58], посвященные вопросам проектирования ИНС. Обсуждаются вопросы синтеза как нейроэмуляторов, так и неґіроконтроллеров. Приводятся примеры синтеза регулятора на основе ИНС с использованием метода генетических алгоритмов. Рассматривается ряд применений ИНС: наблюдатель потокосцепления для системы векторного управления АЭП; наблюдатель для системы прямого управления моментом и нейронный регулятор для АЭП с тиристорным преобразователем напряжения.
Одними из самых существенных исследований перспектив применения искусственных нейронных сетей при разработке электрических машин являются работы [59-68], в которых рассматривается практическое использование нейросстевых парадигм. Например, работа [67] посвящена вопросу диагностирования регулируемых асинхронных электроприводов на основе технологии ИНС, объединенных в систему принятия решений по идентификации различных дефектов и определению последовательности их диагностирования. При. этом решаются задачи оптимизации числа фиксируемых переменных диагностируемого объекта, позволяющих при внешних возмущающих воздействиях выделить дефекты с достаточной степенью достоверности. В работе [68] основной упор делается на получении достоверной информации об основных регулируемых параметрах двигателя постоянного тока. Предлагается использовать нейронную сеть для формирования момента электрической машины. Другими словами, предлагается создать датчик момента на основе технологии ИНС. В современном электроприводе наметился переход к новым системам управления, основанным на интеллектуальных регуляторах. Успехи применения нейронных сетей различной архитектуры и систем нечеткой логики при решении задач управления сложными нелинейными объектами создают условия для широкого применения этих алгоритмов в практике. Так например, системы с нейрорегуляторами с успехом могут: возвращать неустойчивые динамические объекты в зону устойчивости; - подавлять колебания в электромагнитной и механической системах; - устранять вибрации в механических системах с отрицательным коэффициентом вязкого трения; - придавать объекту управления заданный переходный процесс. Перспективным является применение ANFIS - (Adaptive NeuroFuzzy Interference System) адаптивной нейро-нечеткой системы заключений. Второе название подобной системы - гибридная нейронная сеть.
Разработка унифицированной модели для исследования переходных процессов в АД в режиме стохастического нагружения
Для успешного создания обозначенной математической модели был предложен следующий алгоритм, представленный в виде пошаговой стратегии: Шаг 1. Задание случайной функции, описывающей момент нагрузки АД. Шаг 2. Создание матриц числовых значений функции момента сопротивления. Шаг 3. Разработка в MatLab Simulink подпрограммы расчета электромагнитного и теплового состояния АД для формирования матрицы числовых значений функций электромагнитного момента Мэ и температур Перегрева 0ml, mp, sst, rot, vvsh. Шаг 4. Создание и обучение искусственных нейронных сетей. В качестве входной информации используется матрица значений Мс, в качестве выходной - соответствующие матрицы числовых значений Мэ, mi, mp, sst, rot, wsh. Шаг 5. Создание в MatLab Simulink блоков, включающих в себя созданные ИНС. Шаг 6. Включение созданных блоков ИНС в общий цикл расчетов и анализ прогнозируемых значений. Как уже было указано ранее, для стационарного случайного процесса найдено простое представление (2.3), абсолютно тождественное в пределах корреляционной теории [14]. Одна из возможных реализаций случайного процесса приведена на рис.2.1.
Для получения обучающих выборок электромагнитного момента Мэ и температур перегрева mi, mp, sst, rot, wsh в приложении MatLab Simulink была составлена соответствующая подпрограмма расчета (рис.2.2). В блоке System of ЕМ осуществляется расчет потокосцеплений АД по соответствующим осям Fsu, Ysv, Yru, 4V , а также угловой частоты со. Блок Emphasis of Mem служит для определения функции электромагнитного момента Мэм. В блоке Intermediate System происходит расчет потерь Pmi (электрические потери в лобовой части обмотки статора), Ртр (электрические потери в пазовой части обмотки статора), Prot (электрические потери в обмотке ротора). Значения электрических потерь поступают на вход блока System of Temperature и являются входной информацией для получения ml, mp, sst, rot, wsh. Постоянные (не зависящие от Мс) магнитные и механические потери вводятся в блоке System of Temperature. Созданию и обучению искусственных нейронных сетей предшествовала работа по поиску наиболее оптимальной структуры (парадигмы) сети. Было выяснено, что для решения поставленной задачи исследования асинхронного двигателя, работающего со случайной нагрузкой, описываемой стационарной функцией, лучше всего использовать однослойную прямонаправленную сеть (fast forward) с 15-ю нейронами (рис.2.3). Активационные функции слоев нейронной сети - тангенциальные (tansig). Причем данная структура ИНС подходит для расчетов электромагнитного процесса и теплового состояния АД. Следующим важным этапом моделирования нейронной сети является выбор алгоритма обучения, поскольку качество идентификации нейросетевых моделей в значительной степени зависит от используемых на этапе синтеза обучающих процедур. Эффективность того или иного алгоритма определяется не только архитектурой нейросстевой модели, но и видом функционала качества. Кроме эгого, определяющим фактором при определении алгоритма обучения является быстрота и точность расчета. Алгоритмы обучения ИНС как правило функционируют пошагово -циклами. На каждом цикле на вход сети последовательно подаются все элементы обучающего множества Н, затем вычисляются выходные значения сети z, сравниваются с целевыми d и вычисляется минимизируемый функционал E(w). Значения функционала, а также его градиента g(w) используются для корректировки весов и смещений, после чего цикл повторяется. Начальные значения весов и смещений выбираются случайным образом, а процесс обучения прекращается, либо когда выполнено определенное количество циклов, либо когда ошибка достигнет некоторого заранее заданного малого значения или перестанет уменьшаться. Определение наилучшего алгоритма обучения для заданной архитектуры нейронной сети и вида функционала качества представляет собой актуальную задачу исследования, так как во многом определяет работоспособность нейросетевой модели. Исследуем качество обучения нейросетевых моделей при различных алгоритмах обучения. Задача обучения сводится к поиску минимума заранее определенной целевой функции E(w).B нашем случае функция E(w) - это показатель обучаемости нейронной сети решению поставленной задачи, в числовом выражении представляющий ошибку обучения. Для этой цели часто используются алгоритмы, зарекомендовавшие себя в теории оптимизации как наиболее эффективные - градиентные алгоритмы [74]. Градиентные алгоритмы связаны с разложением целевой функции E(w) в ряд Тейлора в ближайшей окрестности точки имеющегося решения w. В случае целевой функции от многих переменных (w = [wb w2,..., wn]T) такое представление связывается с окрестностью ранее определенной точки (в частности, при старте алгоритма это исходная точка Wo) в направлении р. Подобное разложение описывается универсальной формулой вида [74, 75] В выражении (2.4) р играет роль направляющего вектора, зависящего от фактических значений вектора w. На практике с достаточной для прикладных задач точностью, часто рассчитываются только три первых члена ряда . При этом зависимость (2.4) может считаться квадратичным приближением целевой функции E(w) в ближайшей окрестности найденной точки w с точностью, равной локальной погрешности отсеченной части 0(у3), где у = р. За точку решения w = Wu, где к - номер цикла, принимают точку, в которой достигается минимум целевой функции E(w) и g(wK) = 0, а гессиан wk является положительно определенным [74,76]. В процессе поиска минимального значения целевой функции направление поиска р и шаг у подбираются таким образом, чтобы для каждой очередной точки Wk+i = wk + %pk выполнялось условие E(wi4+i) E(wk). Поиск минимума продолжается, пока норма градиента не достигнет заданного значения допустимой погрешности в, либо пока не будет превышено максимальное время вычислений (количество итераций) [76]. Наряду с классическим алгоритмом градиентного спуска для обучения нейросетей широко используются две его модификации: градиентный спуск с возмущением и градиентный спуск с адаптацией (выбором) параметра скорости настройки.
Создание предиктора на основе технологии искусственных нейронных сетей
Матрица весовых коэффициентов нейроэмулятора, полученная в результате проведения процедуры обучения с оптимальными параметрами, приведена в Табл. 3.4.
На основе полученных данных и разработанной нейросетевой модели для исследования переходных процессов асинхронном двигателе была создана Simulink- модель, представленная на рис.3.12. Simiilink-модель разработанного нейроэмулятора Использование Simiilink- модели нейронного предиктора позволяет с высокой степенью эффективности проводить различные опытные исследования, благодаря наличию в данном приложении математической среды Matlab мощной инструмеїпарной базы и библиотеки основных физических и математических процессов, что значительно облегчает работу по обработке и анализу опытных данньк. Также, Simiilink обладает возможностью синтеза реально протекающих процессов с теоретически рассчитанными, что дает возможность корректировки последних непосредственно на начальном этапе исследовательской работы.
Сравнение экспериментально полученных значений Tmi с прогнозируемыми Проведенные исследования показали, что разработанная нейросетевая модель для исследования переходных процессов в АД дает приемлемые результаты и может быть использована в разнообразных задачах исследования электромагнитного и теплового состояний асинхронного двигателя.
Для исследования влияния гармонически изменяющегося момента сопротивления АД на температуру нагрева лобовых частей обмотки статора на вход нейронного эмулятора были последовательно поданы сигналы, графически представленные на рис. 3.14 и 3.15. Основой для их моделирования явилась ранее использовавшаяся зависимость тока возбуждения (рис.3.7). В первом случае выяснялось влияние увеличения амплитуды функции момента нагрузки (на 20%) на тепловое состояние АД, во втором — увеличение частоты в 2 раза, до fB = 36 Гц. С целью контроля достоверности исследования аналогичные сигналы посредством разработанной схемы управления были поданы на звено генератор постоянного тока - асинхронный двигатель. Результаты исследования представлены на рис. 3.16. Из графиков видно, что наиболее существенное влияние на температуру нагрева Tmi оказывает увеличение амплитуды нагрузочного момента, являющееся непосредственной причиной роста колебаний электромагнитного момента Мэм, что в свою очередь вызывает дополнительные потери в обмотках статора и ротора, рост уровня вибраций и шумов, ухудшение энергетических показателей АД. Весьма негативное воздействие на тепловое состояние асинхронного двигателя оказывает увеличение частоты момента сопротивления, вызывающее нестабильность кривой Мэм. Также из графиков видно, что разработанная нейросетевая модель способна с высокой степенью достоверности отслеживать изменение температуры нагрева, позволяет проводить исследования электродвигателя в различных режимах работы и может быть использована как важное звено технологического процесса проектирования и дальнейшей эксплуатации АД.
Проведенное исследование переходных процессов в асинхронном двигателе, нагрузочный момент которого изменяется случайным образом, позволяет выдать рекомендации для инженеров-конструкторов. При проектировании двигателей для режимов работы со стохастической нагрузкой необходимо стремиться к ограничению диапазона возможного разброса характеристик двигателя, т.е. к уменьшению элемента случайности.
Как было определено, этого можно добиться двумя основными способами: 1). Изменением электромагнитных нагрузок при неизменных геометрических размерах.
Проведенные исследования позволяют утверждать, что наиболее благоприятный режим работы асинхронного двигателя достигается в интервале изменения L8 (0,8 - 1,0) (для А в интервале (1,2 - 1,0)). Таким образом, благотворное влияние на работу асинхронного двигателя оказывает уменьшение L5/Da в среднем на 6% по сравнению с классическим интервалом L5/Da (0,85 - 1,1). В то же время, при L5 0,8 (А 1,2) a&mi и оошр практически не изменяются. 2). Изменением геометрических размеров АД при неизменных электромагнитных.
Было определено, что в случае изменения зависимости L5/Da в интервале (0,6 - 1,45) происходит уменьшение СКО температуры перегрева обмотки статора. Причем, наиболее интенсивно этот процесс происходит в диапазоне (0,7 - 1,3) L6/Da . Данное обстоятельство позволяет утверждать, что увеличение L5/Da в среднем на 10-15% по сравнению с классическим интервалом улучшает тепловое состояние АД, работающим на случайную нагрузку. При L5/Da 1,3 o0mi и o0mp практически не изменяются.
Кроме этого, на переходные процессы в двигателе существенное влияние оказывают как сама КФ случайного процесса нагружения, так и ее параметры. Так, при изменении а от 4 до 54 с"1 (КФ вида (2.30)) СКО электромагнитного момента возрастает соответственно от 1,82оМэ до 3,23оМэ. В то же время, если рассматривается КФ вида (2.31) СКО электромагнитного момента при Р =40 с"1 оказывается в среднем на 20% меньше случая с КФ вида (2.30). Кроме того, было выяснено, что параметр Р начинает активно влиять на СКО электромагнитного момента в интервале (0 - 4).
Влияние параметров а и Р на характеристики случайных функций температур перегрева обмоток также проявляется лишь на определенном интервале своего изменения. Так, для КФ вида (2.30) при ее 1 с"1 разбросом значений температуры перегрева обмотки статора практически можно пренебречь и учитывать только среднее значение, а для КФ вида (2.31) при ff 1 с"1 и Р 200 с"1 д0 наиболее нагретой части обмотки статора не превышает 1,5 С0.
