Створення інтелектуального блоку нейромережевого прогнозування значень струму витоку

Abstract

Засоби контролю за величиною струму витоку виявилися ефективним технічним способом моніторингу стану ізоляції електродвигунів. Використання таких технічних засобів, що дозволяють не лише фіксувати, але й прогнозувати небезпечні значення струму витоку, надає можливість завчасно інформувати обслуговуючий персонал про потенційну небезпеку. Це дозволяє зменшити час простою електрообладнання та проводити обслуговування, ремонт або заміну електродвигунів у технологічні паузи, не чекаючи їхньої повної відмови. Використання нейронних мереж для прогнозування надійності електродвигунів довело свою ефективність у передбаченні цих складних процесів. На основі даних пасивного експерименту було синтезовано дві нейронні мережі. Порівняння робочих характеристик нейронної мережі на основі технологічних параметрів та нейронної мережі, побудованої за теорією часових рядів, показало необхідність їх поєднання для отримання більш точного прогнозу величини струму витоку. Це зумовило потребу створення критерію вибору та синтезу гібридної нейронної мережі, яка буде працювати за цим критерієм. Means of controlling the magnitude of the leakage current turned out to be an effective technical method of monitoring the state of insulation of electric motors. The use of such technical means, which allow not only to fix, but also to predict dangerous values of the leakage current, provides an opportunity to inform service personnel about potential danger in advance. This allows you to reduce the downtime of electrical equipment and carry out maintenance, repair or replacement of electric motors during technological breaks, without waiting for their complete failure. The use of neural networks to predict the reliability of electric motors has proven to be effective in predicting these complex processes. Based on the data of the passive experiment, two neural networks were synthesized. A comparison of the operating characteristics of a neural network based on technological parameters and a neural network built according to the theory of time series showed the need for their combination to obtain a more accurate prediction of the magnitude of the leakage current. This necessitated the creation of a selection criterion and the synthesis of a hybrid neural network that will work according to this criterion