2809.Автоматизация в электроэнергетике и электротехнике

качества в процессах приготовления многокомпонентных смесей на основе оптолептической информации об их поверхности // Актуальные проблемы науки и техники – 2014: материалы VII Междунар. науч.-практ. конф. молодых ученых. – Уфа: Ред.-изд. центр УГНТУ, 2014. – С. 200–201.

2. Способ и алгоритмы оперативного контроля и управления качеством в процессах приготовления многокомпонентных смесей / А.Г. Шумихин,

П.Ю. Сокольчик, С.И. Сташков, Л.Е. Поповцева // Актуальные проблемы электронного приборостроения. АПЭП – 2014: Тр. XII Междунар. конф. – Новосибирск:

Изд-во НГТУ, 2014. – С. 150–156.

3. Способ определения степени гомогенизации гетерогенных смесей по оптолептической информации об их поверхности: пат. 2489705 Рос. Федерация / Шумихин А.Г., Сокольчик П.Ю.,

Сташков С.И. – Опубл. 10.08.2013.

Введение. Использование нейронных сетей необходимо для получения быстрорешаемых многорежимных нелинейных математических моделей электроэнергетических систем.

Недостатки модели на основе уравнений регрессии. Подход, исполь-

зованный ранее [2, 3, 4], имел существенный недостаток, который заключался в том, что структуру математической модели необходимо подбирать вручную. Были предприняты попытки по автоматизации процесса подбора структуры математической модели [5], но в итоге они могли применяться только в определенных, строго заданных условиях. Если при работе с ГТУ и различными ее вариациями (микротурбина, газоперекачивающий агрегат) генетический алгоритм показывал приемлемые результаты для заданных режимов [5], то в случае с многорежимной системой добиться положительных результатов так и не удалось. В первую очередь это обусловлено тем, что генетический алгоритм не ищет оптимальную многорежимную структуру модели ГТУ, а подбирает такую

структуру, которая показывает наилучшие результаты для данного режима, при использовании нелинейных элементов количество комбинаций возрастает многократно [1].

Модель на основе нейронной сети.

Нейросетевая модель лишена данного существенного недостатка, так как в ходе обучения она самостоятельно определяет зависимость параметров друг от друга. Необходимо учитывать, что с нейросетевой моделью также связаны некоторые сложности, которые заключаются в выборе:

1)критерия первоначальной обработки данных;

2)функции активации;

3)коэффициента скорости обучения;

4)алгоритма обучения.

Советуют использовать в качестве функции активации гиперболический тангенс, график которого представлен на рис. 1. Экспериментальные данные обрабатываются следующим образом: в первую очередь определяется средняя величина на основе всего массива экспериментальных данных, затем эта вели-

чина вычитается из каждого значения экспериментальных данных, после полученные данные делятся на максимальное число (по модулю) из данной выборки. В ходе всех этих операций обучающий массив принадлежит диапазону от –1 до 1.

Рис. 1. График функции гиперболического тангенса

Был выбран алгоритм обратного распространения ошибки, так как он является самым простым в понимании и реализации. С выбором коэффициента обучения задача обстоит сложнее, так как в случае слишком малой его величины обучение происходит долго, в случае большего значения можно не добиться приемлемой точности. Именно поэтому

коэффициент обучения необходимо подбирать вручную для каждого эксперимента.

Результаты работы нейросетевой модели. Хотя с помощью нейронной сети можно получать несколько выходов, изначально для отработки методов были предприняты попытки с одним единственным выходом для каждой переменной. В случае с ГТУ это скорость вращения турбокомпрессора и скорость вращения свободной турбины. Поэтому существует 2 модели для каждой переменной. Данный подход имеет свои недостатки: во-первых, возрастает количество моделей, во-вторых, так как каждая модель обладает определенным приближением, при их объединении результат может выходить за рамки принятой нами меры адекватности. На рис. 2 и 3 представлены результаты работы объединенной модели (совместная работа нейронной модели по скорости вращения турбокомпрессора и модели по скорости вращения свободной турбины) при изменении мощности нагрузки 5750 – 5850 – 6000 – 6250 кВт. Ниже представлена мера адекватности объединенной модели по критерию Тейла [6].

к деке 1. На каждом ВЭ со стороны статора установлены попарно упругие элементы привода 8 и 9. Под декой 1 может быть установлена приемная емкость для сбора сепарируемого материала 10.

На рис. 2 приведена аналогичная конструкция вибрационного сепаратора сложного колебательного движения деки, установленного на упругих элементах.

Частота включений блока управления ЛАД, а также длительность его включения определяются применительно к сепарируемому материалу необхо-

димой частотой и амплитудой колебаний деки. В приводах с ЛАД и упругими накопителями механической энергии в режиме вынужденных колебаний при изменении длительности включений ЛАД изменяется амплитуда, а при изменении частоты – частота колебаний рабочего органа [1].

Приводы в приведенных схемах основаны на ЛАД и имеют схожую конструкцию, что позволяет на начальном этапе моделирования и исследования свести их к общей схеме.

À