автореферат диссертации по электротехнике, 05.09.01, диссертация на тему:Искусственная нейронная сеть как инструмент исследования переходных процессов в асинхронных двигателях

На правах рукописи

АНТОНЕНКОВ АРКАДИЙ ВАЛЕРЬЕВИЧ

ИСКУССТВЕННАЯ НЕЙРОННАЯ СЕТЬ КАК ИНСТРУМЕНТ ИССЛЕДОВАНИЯ ПЕРЕХОДНЫХ ПРОЦЕССОВ В АСИНХРОННЫХ

ДВИГАТЕЛЯХ

Специальность 05,09.01 -Электромеханика и электрические аппараты

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Москва 2009 г.

003463273

Работа выполнена в филиале ГОУ ВПО «МЭИ (ТУ)» в г. Смоленске на кафедре «Электромеханические системы»

Научный руководитель:

кандидат технических наук, доцент МАКСИМКИН

Виктор Леонидович

Официальные оппоненты:

доктор технических наук, профессор ЛИТВИН

Валерий Иванович

кандидат технических наук, доцент ЛАДЫГИН

Л ттот^птяЛ I ]МТ-'л 1 - ]I'иТI]

Ведущее предприятие - ОАО «Сафоновский электромашиностроительный завод» (г. Сафоново, Смоленская область)

Защита диссертации состоится «20» марта 2009 г. ка заседании диссертационного совета Д 212.157.15 при Московском энергетическом институте (Техническом университете) в аудитории Е-205 в 13 час. 00 мин. по адресу: 111250, Москва, Красноказарменная ул., дЛЗ.

Отзывы в двух экземплярах, заверенные печатью, просим направлять по адресу: 111250, Москва, Красноказарменная ул., д.14, Учёный Совет МЭИ (ТУ).

С диссертацией можно ознакомиться в библиотеке МЭИ (ТУ).

Автореферат разослан «/Ф»2009 г.

Учеиый секретарь диссертационного совета Д 212.157.15 к.т.н., доцент

О /

О уЧ

М.В. РЯБЧИЦКИИ

J

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. В настоящее время 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.

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,

ШГДШ ¡ГЧЛТЛ П01!ТЛ ИТ т ПЛГ.И г^лти Т11 /"Л Л \ лттчт тплтчи лп. ...г.".-.^

и Ц,.. 1 1—1 ^илиишл иш / иЛООЗЮСи* 1 ^Л ^Л) 1Ш1Пи

изменяющейся 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). Все это ведет к значительному сокращению срока службы двигателей. В то же время, все известные методики исследования динамики нелинейных систем основываются на различных математических методах решения систем дифференциальных уравнений, описывающих работу АД, требующих больших объемов вычислений.

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.

Одной из наиболее динамично развивающихся является технология нейросетевых структур, которые обладают рядом важных положительных свойств, таких как быстродействие, обучаемость, апроксимациокные свойства и т.д.

Важным преимуществом использования аппарата искусственных нейронных сетей является способность к самообучению, что избавляет от необходимости использования сложного математического аппарата,

. \

традиционно применяемого при исследовании влияния стохастического нагружения на работу АД,

Кроме этого:

- параллельная работа огромного числа простых вычислительных устройств дает огромное быстродействие;

- высокая помехо- и отказоустойчивость нейронных сетей;

- простая структура отдельных нейронов позволяет использовать новые физические принципы обработки информации для аппаратных реализаций нейронных сетей.

Цель рйботы и задачи исследовании. Целью настоящей работы является создание на базе нейросетевых технологий методики исследования переходных процессов в асинхронных двигателях, работающих в режиме стохастического нагружения.

Научная новизна. 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.

Практическая ценность. Полученные в работе положения, устанавливающие связь между традиционными методами исследования переходных процессов в АД и методом на основе нейросетевого подхода, позволяют существенно сократить объем теоретических и экспериментальных исследований, что дает возможность значительно снизить временные затраты ка проведение просктно~изыскатслъсккх раоот.

Методы исследований. При решении поставленных задач использовались следующие методы исследований: математическое моделирование переходных процессов, нейросетевое моделирование переходных процессов. Круг рассматриваемых задач потребовал использования фундаментальных курсов теоретической электротехники, математического анализа, теории вероятностей, теории случайных функций, теории электрических машин, а также обзоров научных публикаций по нейросегевым технологиям и искусственному интеллекту. Все вычисления и графические построения производились на ПЭВМ с применением следующих программных продуктов и специализированных пакетов: MathCAD, MATLAB, NeuroPro 0.25, MS Office, CorelDraw.

На защиту выносятся следующие положения:

]) Разработка нейросетевой модели исследования переходных процессов в АД при продолжительной работе со случайной нагрузкой, описываемой стационарной функцией.

2) Результаты исследования по поиску оптимальной структуры искусственной нейронной сети для исследования переходных процессов в АД.

3) Программа расчета переходных процессов в АД в режиме случайного нагружения.

4) Исследование влияния вероятностных свойств нагрузочного момента АД на его эксплуатационные характеристики.

5) Исследование влияния основных размеров АД, работающего со случайной нагрузкой, на его тепловое состояние.

Апробация работы. Основные положения и результаты работы докладывались, обсуждались и получили одобрение на следующих конференциях: Девятой международной научно-технической конференции студентов и аспирантов "Радиоэлектроника, электротехника и энергетика" (г. Москва (МЭИ (ТУ)), 2003г.); Международной конференции "Континуальные алгебраические логики, исчислении и нсйроинфирматика в науке и технике" (г. Ульяновск (УлГТУ, 2004г.); Второй региональной научно-технической конференции студентов и аспирантов 13-14.04.2005 г. в г. Смоленске (филиал ГОУ ВПО «МЭИ (ТУ)»); Третьей межрегиональной научно-технической конференции студентов ц аспирантов 19-20.04.2006 г. в г. Смоленске (филиал ГОУ ВПО «МЭИ (ТУ)»); ICEEE-2006 International Conference of Electromechanics, Electrotechnology and Electromaterial Science. Украина, Крым, пансионат «Дубна» Объединенного института ядерных исследований в г. Алуште, 18-23 сентября 2006 г; 6-ом международном симпозиуме «ЭЛМАШ-2006» 2-6 октября 2006 г. Подмосковье; ICEEE-2008 International Conference of Electromechanics, Electrotechnology and Electromaterial Science. Украина, Крым, пансионат «Дубна» Объединенного института ядерных исследований в г. Алуште, 29 сентября - 4 октября 2008 г.

Публикации. По теме диссертационной работы опубликовано 8 печатных работ.

Реализация результатов работы. Разработанные математические модели, алгоритмы и программы расчета используются на кафедре «Электромеханические системы» филиала ГОУ ВПО «МЭИ (ТУ)» в г. Смоленске в учебном процессе.

Структура и объем работы. Диссертация состоит из введения, трех глав, заключения и списка литературы. Объем работы составляет 130

страниц, в том числе 50 рисунков на 34-х страницах, 7 таблиц на 9-и страницах и 98 наименований списка литературы на 9-и страницах.

СОДЕРЖАНИЕ РАБОТЫ

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 матсматичсский 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.

Для стационарного случайного процесса нагружения АД найдено простое математическое представление функции момента нагрузки, абсолютно тождественное в пределах корреляционной теории:

Мс (0 =< Мс > ' сов(//2 • / + А'з). (1)

Здесь < Мс> - математическое ожидание (МО) случайного процесса; (х3 - случайная фаза, представляющая собой равномерно распределенное на интервале (0,2л) случайное число. Закон распределения случайной величины ц2 зависит от вида корреляционной функции Мс(0- Закон распределения Ц] произвольный. Моделируемый режим работы - АД механизма камнерезных

машин. Случайному моменту этой нагрузки соответствует корреляционная

функция (КФ) вида:

t |

р(т) = f (2)

где а - коэффициент затухания.

Одна из возможных реализаций случайного процесса приведена на рис.1.

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). 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 нейросетевой модели, но и видом функционала качества. Кроме этого, определяющим фактором при определении алгоритма обучения является быстрота и точность расчета.

Сравнительная оценка алгоритмов обучения нейросетевых моделей показала, что наилучшее качество обучения достигается при использовании алгоритма минимизации Левенберга-Марквардта. Данный метод является в настоящее время одним из наиболее эффективных способов оптимизации функции нескольких переменных и потому активно используется при обучении искусственных нейронных сетей.

2.00 -

0.00 -I---,--,------,-------,--. I

3200.00 3202.00 3204.00 3206.00 3206.00 3210.00 1

Рис. i. Реализация случайной функции момента сопротивления (МО=1 o.e., СК00.2 o.e., р(т) = е)

У'1

Рис.2. Архитектура нейронной сети для расчета тепловых процессов

Дальнейшее моделирование искусственной нейронной сети было произведено в приложении МаЯаЬ 8ппиПпк. Время просчета одной реализации случайного момента нагрузки Мс(1) в тестовом режиме заняло в среднем 1-2 секунды. Модель, основанная на нейросетевьзх технологиях, для

исследования переходных процессов в АД, работающего в режиме стохастического нагружения, представлена на рис.3.

В блоке Generator of Random Мс осуществляется генерирование случайного момента сопротивления. В блоке ModJVlc for Artificial Neural Networks осуществляется модификация функции Мс в форму удобную для подачи на вход искусственной нейронной сети. Основные вычисления происходят в блоке Block of Artificial Neural Networks, который, в свою очередь, состоит из 22-х нейросетевых модулей. В блоках Predictöml, Predict ömp, Predict_©sst, Predict_0rot, Predict_0vvsh отображаются прогнозируемые значения температур перегрева отдельных частей асинхронного двигателя. Сравнение прогнозируемых результатов с рассчитанными (для температуры перегрева ©ml) представлено на рис.4.

Рис. 3. Модель для исследования асинхронного двигателя, работающего в режиме стохастического нагружения

60 -53 ■■ 58 -57 -56 -55 -

50 -ЛЭ 4— 48 -47 -46 -45 — 3100

3200

3300

Ргодпог 0т1

3400

3500

3600

С

Рис.4. Сравнение расчетных значений <г)т1 с прогнозируемыми Приведенная унифицированная модель для исследования переходных процессов в асинхронном двигателе, работающем в режиме стохастического нагружения, позволяет определить влияние параметров двигателя и случайного момента нагрузки на работу АД. В качестве математической модели случайного Мс(^), был выбран стационарный процесс с КФ типа (2) и

В результате проведенных исследований выяснилось, что существенное влияние на вероятностные характеристики Мэ(1) и ©¡('0 оказывают и параметры КФ входного процесса, в частности коэффициенты а и Р (рис.5). Как видно из графиков, приведенных на рисунке, при уменьшении среднего значения Мс(0 кривые а*='(а) проходят ближе к оси абсцисс и становятся более пологими. В то же время, если рассматривается КФ вида (3) СКО электромагнитного момента при Р =40 с"1 оказывается в среднем на 20% меньше случая с КФ вида (2) (рис.б).

Параметры корреляционной связи а и/3 оказывают влияние к па характеристики случайных функций температур перегрева обмоток

р(т) = е~а]т1-с оз(/?т).

(3)

двигателя. Зависимость СКО температуры перегрева лобовой части обмотки статора в зависимости от а приведены на рис.7.

Следующим этапом исследования было определение влияния геометрических размеров асинхронного двигателя на его тепловое состояние при нагружении нагрузкой, описываемой случайной стационарной функцией. В качестве объектов исследования был выбран ряд асинхронных двигателей Рн=15-90кВт. Объектом варьирования была выбрана расчетная длина магнитопровода L5. Изменения L8 можно достичь изменением внутреннего диаметра статора D, а также электромагнитной нагрузки А. Графики, демонстрирующие зависимости O0m¡ и oemp, представлены на рис. 8 —9.

Было определено, что в случае изменения зависимости Lo/Da* (A, Bs = const) 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) LS/Da*. При Lö/Da* > 1,3 <т0га, и ст0!Пр практически не изменяются. В то же время, для АД исполнения IP44 с числом полюсов 2р=4 определены границы LS,Da* (0,85 - 1,1). Таким образом, благотворное влияние на работу асинхронного двигателя оказывает увеличение LS/Da* в среднем на 10-15% по сравнению с классическим интервалом.

Совсем иная картина наблюдается при изменении расчетной длины магнитопровода статора L6 путем изменения электромагнитной нагрузки А (D = const). В отличие от предыдущего случая, увеличение LS оказывает негативное воздействие на тепловое состояние асинхронного двигателя, повышая с0т) и а0тр в среднем в 2,5 раза в интервале (1,1 - 1,3) (для А* в интервале (0,9 - 0,7)). Таким образом, наиболее благоприятный режим работы асинхронного двигателя достигается в интервале изменения LS (0,8 -1,0) (для А* в интервале (1,2 - 1,0)). При L5 < 0,8 (А > 1,2) oGm, и в0тр практически не изменяются. В данном случае видно, что благотворное влияние на работу асинхронного двигателя оказывает уменьшение LS/Da* в среднем на 6% по сравнению с классическим интерзалом.

Существенное влияние на диапазон допустимых значений температуры перегрева двигателя оказывают активные сопротивления обмоток (понижение г1 и увеличения г2), что видно из рис.10.

Рис.5. Зависимость а*мз от параметра а, КФ р(^) = е

3,5 I

3 l i

2,5 i

á !

0 2 1---

p.

5 * 1 5 J______

b 1 I ¡

0,5 i i T ' !

0

Рис.6. Зависимость с*мэ от параметров а, Р

1 - р(т) = е'а{А. 2 - р{т) = ÉГ0>| ■ eos ÍP ■ z)

00 200 ЗСО 400 500 600 700 600 900 1000

а,с-

Рис.7. Зависимость от параметра а КФ р(т) = е

-«■¡г;

0,5 0,6 0,7 0,8 0,9 1,0 1.1 1,2 1,3 1,4 1,5

I

Ld/Da* !

i_______________________________________J

Рис.8. Зависимость <i0mi при изменении внутреннего диаметра статора D (А, Вб = const)

Рис.9. Зависимость <T0tnl при изменении электромагнитной нагрузки A (D = const)

г*, о.е.

Рис. 10. Зависимость омы от активных сопротивлений обмоток двигателя

Проведенные исследования показали, что разработанная нейросетевая модель для исследования переходных процессов в АД, работающем в режиме

стохастического нагружения, дает приемлемые результаты при минимальных затратах машинного времени.

Была доказана возможность использования искусственных нейронных сетей для решения задач, возникающих на этапах проектирования и дальнейшей эксплуатации асинхронных двигателей, о чем свидетельствуют полученные результаты. Была разработана методика, основанная на технологии ИНС, позволяющая исследовать АД при случайном моменте нагрузки.

Третья глава посвящена созданию экспериментальной установки для исследования .АД, работающего со случайной нагрузкой. Проведена экспериментальная оценка разработанной нейросетевой модели. Даны рекомендации по проектированию асинхронных двигателей с учетом стохастического характера Мс.

Для проверки адекватности созданной нейросетевой модели для исследования переходных процессов в асинхронном двигателе предлагается нагрузить АД гармонической нагрузкой, являющейся частным случаем случайной стационарной согласно выражению (1).

Исходя из условия, что нагрузкой для АД в лабораторных условиях является генератор постоянного тока, задача сводится к созданию схемы управления, встроенной в цепь обмотки возбуждения генератора и позволяющей изменять ток возбуждения по заданному гармоническому закону.

В качестве объекта испытания был взят электродвигатель с Р2 = 37,5 кВт, пс= 750 об/мин.

Для определения температуры нагрева лобовых частей обмотки статора Тт! асинхронного двигателя, работающего в режиме стохастического нагружения был использован метод встроенных термодатчиков.

Следующим шагом было нагружение асинхронного двигателя гармонически изменяющимся моментом сопротивления. Для этого на

обмотку возбуждения генератора был подак ток, графически представленный на рис.11,

Рис. 11. Осциллограммы значений напряжения и тока в обмотке возбуждения генератора

Частота изменения тока возбуждения f„ = 18 Гц. Диапазон изменения тока возбуждения SIe = ±0.251т (±0,55 А).

Следующим этапом было создание нейронного предиктора на основе разработанной нейросетевой модели. Для проведения эксперимента математическая модель была упрощена, поскольку исследовалась только одна температура нагрева лобовых частей обмотки статора.

Характеристики ИНС:

!). Тип ИНС - сеть прямого действия (newjf).

2). Количество нейронов скрытого слоя -10.

3). Количество циклов обучения (epochs) - 800.

4). Активационная функция скрытого слоя - гиперболический тангенс (tansig).

5). Активационная функция выходного слоя - линейная (pureliri).

6). Заданная ошибка расчета (goal) - 0.

Обучение нейроэмулятора было проведено с использованием численного алгоритма Лезенберга-Марквардта. Полученные экспериментальные результаты представлены на рис.12.

Рис.12. Сравнение экспериментально полученных значений Тт! с прогнозируемыми

Проведенные исследования показали, что разработанная методика исследования АД, работающего со случайным моментом сопротивления, дает приемлемые результаты.

ЗАКЛЮЧЕНИЕ

В диссертационной работе решалась актуальная проблема создания на базе нейросетевых технологий методики исследования асинхронных двигателей, работающих в режиме стохастического нагружения. Получены следующие основные научные и практические результаты:

1) Выполнен аналитический обзор искусственных нейронных сетей для электромеханики, где их комплексное использование на всех уровнях иерархии интеллектуального управления дает возможность построения различных исследовательских моделей и алгоритмов с высокой степенью надежности.

2) Разработана унифицированная нейросетезая модель исследования переходных процессов в асинхронном двигателе, работающем со случайной стационарной нагрузкой.

3) Проведено исследование влияния параметров двигателя и случайной функции нагрузочного момента на электромагнитное и тепловое состояния асинхронного двигателя. Было определено, что существенное влияние на вероятностные характеристики М3(1) и ©¡(0 оказывают параметры КФ случайного процесса нагружения, в частности коэффициенты акр.

4) Проведено исследование ряда асинхронных двигателей Рн=15-90 кВт. Определено, что на тепловое состояние АД при нагрузке, описываемой случайной стационарной функцией, существенное влияние оказывает изменение геометрических размеров АД.

5) На основе проведенных исследований выработаны рекомендации по проектированию асинхронных двигателей, предназначенных для режимов стохастического нагружения.

Основное содержание диссертации отражено в следующих работах.

1. Беспалов В. Я., Максимкнн В.Л., Антоненков A.B. Применение искусственных нейронных сетей для исследования асинхронного двигателя, работающего со случайной нагрузкой // Известия высших учебных заведений «Электромеханика». - 2008. - №1. - С. 57-59.

2. Максимкин В.Л., Антоненков A.B. Применение искусственной нейронной сети для исследования асинхронного двигателя со случайным характером нагружения // Радиоэлектроника, электротехника и энергетика: Тез. докл. девятой межд. науч.-техн. конф. студентов и аспирантов. 3-4 марта 2003 г. - М.: Изд-во МЭИ, 2003. - Т.4. - С. 4-5.

3. Максимкин В.Л.. Антоненков A.B. Выбор оптимальной структуры искуственных нейронных сетей для исследования асинхронного двигателя со случайной нагрузкой // Континуальные алгебраические логики, исчисления и нейроинформатика в науке и технике: Тез. докл. межд. конференции. 18-20 мая 2004 г. - Ульяновск:'У лГТУ, 2004. - Т.З. - С. 92-93.

4. Максимкин В.Л., Антоненков A.B. Программная реализация искусственной нейронной сети асинхронного двигателя со случайным характером нагружения /7 Информационные технологии, энергетика и экономика: Тез. докл. второй региональной науч.-техн. конференции

студентов и аспирантов. 13-14 апреля 2005 г. - Смоленск: Изд-во СФМЭИ, 2005. -Т.2. - С. 11-12.

5. Максимкин B.JI., Антоненков A.B. Искусственная нейронная сеть как инструмент решения систем дифференциальных уравнений // Информационные технологии, энергетика и экономика: Тез. докл. третьей региональной науч.-техн. конференции студентов и аспирантов. 19-20 апреля 2006 г. - Смоленск: Изд-во СФМЭИ, 2005. - Т.1. - С. 23-24.

6. Беспалов В .Я., Максимкин B.JL, Антоненков A.B. Искусственная нейронная сеть как инструмент исследования теплового состояния асинхронного двигателя со случайным моментом нагрузки // Нетрадиционные электромеханические и электрические системы: Сб. тр. межд. конф. 18-23 сентября 2006 г. - Алушта, Украина, 2006. - Т.1. - С. 127128.

7. Беспалов В.Я., Максимкин B.JL, Антоненков A.B. Способ исследования переходных процессов в асинхронных двигателях // Перспективы и тенденции развития электротехнического оборудования: Сб. тр. шестого межд. симпозиума «ЭЛМАШ-2006». 2-6 октября 2006 г. -Москва, 2006. - Т. 2. - С. 172-176.

8. Беспалов В.Я., Максимкин B.JL, Антоненков A.B. Применение нейросетевых технологий для исследования асинхронного двигателя в режиме случайного нагружения // Нетрадиционные электромеханические и электрические системы: Сб. тр. межд. конф. 29 сентября-4 октября 2008 г. -Алушта, Украина, 2008. - Т.1. - С. 116.

Подаисано в печать ^'"Зак. 4 t Тир. fCv П.л. ¡fá Полиграфический центр МЭИ(ТУ) Красноказарменная ул.,д.13

Введение.

ГЛАВА 1. СТОХАСТИЧЕСКАЯ НАГРУЗКА АСИНХРОННОГО ДВИГАТЕЛЯ КАК ОДИН ИЗ ОБЪЕКТОВ НЕЙРОСЕТЕВОГО ИССЛЕДОВАНИЯ.

1.1.'Способы задания стохастических нагрузок электродвигателей.

1.2. Классификация видов случайной нагрузки асинхронных двигателей.

1.3. Способы учета влияния случайного момента нагрузки на характеристики электродвигателя.

1.4. Основные положения теории искусственных нейронных сетей.

1.4.1. Классификация нейронных сетей.

1.4.2. Свойства искусственных нейронных сетей.

1.4.3. Особенности использования аппарата нейронных сетей.

1.5. Постановка задачи исследования.

Выводы.

ГЛАВА 2. НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДЛЯ ИССЛЕДОВАНИЯ

ПЕРЕХОДНЫХ ПРОЦЕССОВ В АСИНХРОННОМ ДВИГАТЕЛЕ ПРИ СЛУЧАЙНОМ СТАЦИОНАРНОМ НАГРУЖЕНИИ.

2.1. Способы представления нагрузочного момента как случайной функции времени.

2.2. Применение нейросетевых технологий в задачах электромеханики.

2.3. Обоснование выбора пакета Matlab Neural Networks для исследования переходных процессов в АД.

2.4. Разработка унифицированной модели для исследования переходных процессов в АД в режиме стохастического нагружения

2.5. Влияние параметров двигателя и случайной функции нагрузочного момента на работу асинхронного двигателя.

Выводы.

ГЛАВА 3. ЭКСПЕРИМЕНТАЛЬНАЯ ОЦЕНКА НЕЙРОСЕТЕВОГО

МЕТОДА ИССЛЕДОВАНИЯ ПЕРЕХОДНЫХ ПРОЦЕССОВ В

АСИНХРОННЫХ ДВИГАТЕЛЯХ.

3.1. Моделирование случайного момента сопротивления на валу асинхронного двигателя.

3.2. Проведение теплового испытания асинхронного двигателя.

3.3. Создание предиктора на основе технологии искусственных нейронных сетей.

3.4. Рекомендации по проектированию асинхронных двигателей для работы со случайной нагрузкой.

Выводы.

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 изменяющейся 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 п 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 пепросетевом 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 про ектир о в анию.

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, Eleclrotechnology 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). ICEEE-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 нейросегевых 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 ненросетевых 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 нагружснии.

Даны рекомендации по проектированию асинхронных двигателей с учетом стохастического характера Мс.

Выводы

Для проведения экспериментального исследования переходных процессов в асинхронном двигателе, момент сопротивления которого описывается случайной стационарной функцией, была разработана схема, встраиваемая в цепь обмотки возбуждения генератора постоянного тока. Данный генератор является нагрузкой для исследуемого АД, поэтому, изменяя ток возбуждения, на валу АД можно смоделировать момент нагрузки, представляющий в математическом выражении частный случай случайного стационарного процесса.

Для исследования переходных процессов на вал АД были последовательно поданы ряд сигналов, имитирующих различные режимы нагружения.

Для регистрации температуры нагрева использовались проградуированные терморезисторы, обладающие высокой точностью измерения.

На основании полученных опытных данных и разработанной модели был создан нейросетевой предиктор, способный с высокой степенью достоверности отслеживать течение переходных процессов в двигателе. Кроме этого, была проведена исследовательская работа, направленная на создание нейроэмулятора, обладающего наиболее оптимальными для решения поставленной задачи параметрами.

Проведенные экспериментальные исследования показали, что разработанная нейросетевая модель для исследования переходных процессов в АД, работающем при случайном стационарном нагружении, дает приемлемые результаты.

Анализ параметров асинхронного двигателя показал, что хорошими эксплуатационными характеристиками обладает двигатель, который спроектирован с пониженным значением коэффициента кн.

Для эксплуатации в электроприводах со случайной нагрузкой наиболее целесообразно проектировать двигатели, исходя из вида и параметров КФ нагрузки, что обеспечит их более надежную работу.

Применение искусственных нейронных сетей в задачах электромеханики представляется очень перспективным как с точки зрения точности исследования самых разнообразных процессов, так и с точки зрения внедрения в производственный процесс последних достижений современной науки.

Заключение

В диссертационной работе решалась актуальная проблема создания на базе нейросетевых технологий методики исследования переходных процессов в асинхронных двигателях, работающих в режиме стохастического нагружения. Получены следующие основные научные и практические результаты:

1) Проведен анализ стохастической нагрузки как объекта исследования. Показано, что при исследовании асинхронных двигателей, работающих со случайным моментом сопротивления, необходимо использовать математический аппарат теории случайных функций.

2) Приведены основные положения теории искусственных нейронных сетей, их классификация, показаны принципы пх создания, обучения и работы с ними. Обоснована целесообразность применения интеллектуальных технологий в задачах электромеханики.

3) Выполнен аналитический обзор искусственных нейронных сетей для электропривода, где их комплексное использование на всех уровнях иерархии интеллектуального управления дает возможность построения различных исследовательских моделей и алгоритмов с высокой степенью надежности.

4) Проведен сравнительный анализ существующих нейросетевых пакетов. Показано, что для решения поставленной задачи исследования АД, работающего со случайной нагрузкой, оптимальным является пакет Matlab Neural Networks, обладающий самыми широкими возмоясностями для проведения исследований в различных областях науки.

5) Показано, что качество обучения нейросетевых моделей в значительной мере зависит от используемых алгоритмов обучения. Проведена сравнительная оценка численных методов обучения.

Показано, что наилучшие результаты в большинстве практических случаев могут быть достигнуты при использовании квазиньютонового алгоритма Левенберга-Марквардта.

6) Разработана унифицированная нейросетевая модель исследования переходных процессов в асинхронном двигателе, работающем со случайной стационарной нагрузкой.

7) Проведено исследование влияния параметров двигателя и случайной функции нагрузочного момента на электромагнитное и тепловое состояния асинхронного двигателя. Было определено, что существенное влияние на вероятностные характеристики M3(t) и 0i(t) оказывают параметры КФ входного процесса, в частности коэффициенты а и Р . Однако, влияние параметров (XvlP проявляется лишь на определенном диапазоне своего изменения.

8) Проведено исследование ряда асинхронных двигателей Рн=15кВт, Рн=30кВт, Pip=45kBt, Рн=75кВт, Рн=90кВт. Определено, что на тепловое состояние АД при нагрузке, описываемой случайной стационарной функцией, существенное влияние оказывает изменение геометрических размеров АД.

9) Получены количественные соотношения между средней величиной момента нагрузки и разбросом его значений относительно среднего, с одной стороны, и эксплуатационными характеристиками двигателя, с другой.

10) Для проведения экспериментального исследования переходных процессов в АД в режиме стохастического нагружения была разработана схема управления, встраиваемая в цепь обмотки возбуждения генератора постоянного тока, который, в свою очередь, являлся нагрузкой для исследуемого электродвигателя. Предложено формировать нагрузочный момент в виде гармонической нагрузки, являющейся частным случаем случайной стационарной.

11) На основании полученных опытных данных и разработанной нейросетевой модели был создай нейросетевой предиктор, способный с высокой степенью достоверности отслеживать изменение температуры нагрева лобовой части обмотки статора.

12) Была проведена исследовательская работа, направленная на создание нейроэмулятора, обладающего наиболее оптимальными для решения поставленной задачи параметрами. Определено, что минимальная ошибка Е = 0,00265 достигается при числе нейронов скрытого слояЬопш =10.

13) Проведено исследование теплового состояния двигателя АО 102/8 М4 в режиме стохастического нагружения, подтвердившее адекватность разработанной нейросетевой модели.

14) Проведено комплексное исследование влияния параметров двигателя па эксплуатационные характеристики при случайном нагружении. Показано, что определенное влияние на температуру перегрева обмоток двигателя оказывают индуктивности рассеяния и насыщение.

14) Анализ параметров асинхронного двигателя показал, что хорошими эксплуатационными характеристиками обладает двигатель, который спроектирован с пониженным значением коэффициента к„

15) Определено, что для эксплуатации в электроприводах со случайной нагрузкой наиболее целесообразно проектировать двигатели с учетом вида случайной функции, описывающей момент сопротивления Мс, что обеспечит их более надежную работу.

16) На основе проведенных исследований выработаны рекомендации по проектированию асинхронных двигателей, предназначенных для режимов стохастического нагружения.

1. Гайдукевич В.И. Случайные нагрузки силовых электроприводов / В.И. Гайдукевич, B.C. Титов М.: Энергоатомиздат, 1983. - 160 с.

2. Бендат Дж. Применение корреляционного и спектрального анализа / Бендат Дж., Пирсол А.; пер. с англ./ ред. И.Н. Коваленко. М.: Мир, 1983. -312с.

3. Вентцель Е.С. Теория вероятностей / Е.С. Вентцель. М.: Наука, 1969. -76 с.

4. Гмурмаи В.Е. Теория вероятностей и математическая статистика / В.Е. Гмурман. М.: Высшая школа, 1972. - 368 с.

5. Пугачев B.C. Теория вероятностей и математическая статистика / B.C. Пугачев. М.: Наука, 1979. - 498 с.

6. Бендат Дж. Измерение и анализ случайных процессов / Бендат Дж., Пирсол А.; пер. с англ./ ред. И.Н. Коваленко. М.: Мир, 1974. - 464 с.

7. Башагуров Ю.М., Стрельбицкий Э.К. Учет режимов нагрузки при приоектировании асинхронных двигателей.- В кн.: Известия Томского политехнического института 1971.-е. 509-512.

8. Башагуров Ю.М., Санников Д.И. Тепловой расчет электродвигателей при случайной нагрузке. — В кн.: Известия Томского политехнического института 1974. - с. 46-50.

9. Докунин А.В. Корреляционный анализ нагрузок выемочных машин / А.В. Докунин, Ю.Д. Красников. М.: Наука, 1969. - 136 с.

10. Мусин A.M. Поведение асинхронного электропривода при случайной нагрузке //Электричество. 1977-№1. - с.75-77.

11. Жежеленко И.В., Степанов В.П. Оценка интервала осреднения при определении расчетных нагрузок // Электричество. 1980. - №11. - с.8-12.

12. Щукин Б.Д., Степанов В.П., Миронов С.Ф. и др. Исследование электрических нагрузок буровых установок // Изв. Вузов «Энергетика». -1975. №8. - с.132-136.

13. Чернецкий В.И. Анализ точности нелинейных систем управления / В.И. Чернецкий. Машиностроение, 1968. - 246с.

14. Духовный М.А., Файнштейн Э.Г. Определение мощности двигателей со случайной нагрузкой // Электричество. 1962. -№1. - с.75-78.

15. Вероятностно-статистический метод выбора мощности электродвигателя со случайной нагрузкой / Казак Ю.Н., Винер И.Б., Мартынов A.M. // В кн. Динамика электромеханических систем. Тула, сб. статей/ Тульский политех, ин-т, 1978. с.9-14.

16. Бурковский А.Н., Рабинович З.М. Определение вероятностных характеристик нагрева асинхронных двигателей // Электротехника. 1980. — №8. - с. 28-30.

17. Шуруб В.А. Трехфазно-однофазный электропривод в режимах случайного нагружения // Проблемы технической электродинамики. 1974. -с. 159-163.

18. Круглов В.В. Искусственные нейронные сети / В.В.Круглов, В.В. Борисов. М.: Горячая линия-Телеком, 2002. - 382 е.: ил.

19. Круглов В.В. Нейронные сети: конфигурации, обучение, применение / В.В. Круглов, В.В. Борисов, Е.В. Харитонов Смоленск: Изд-во СФМЭИ, 1998.- 170 с.

20. Головко В.А. Нейронные сети: обучение, организация и применение/ Под ред. А.И. Галушкина. М.: ИПРЖР, 2001.- 180 с.

21. Заенцев И.В. Нейронные сети: основные модели / И.В. Заенцев -Воронеж: ВГУ, 1999. 210 с.

22. Галушкин А.И. Нейрокомпьютеры / А.И. Галушкин. М.: ИПРЖР, 2000.-350 с.

23. Ицкович Э. Как выбирать контроллерные средства / Э. Ицкович. М.: ИПРЖР, 2001.-170 с.

24. Каллан Р. Основные концепции нейронных сетей / Р. Калан; пер. с англ. М: Издательский дом «Вильяме», 2001. - 287 с.

25. Коляда А.А. Модельные структуры конвейерной обработки цифровой информации / А.А. Коляда, И.Т. Пак. Минск: Университетское, 1992. - 256 с.

26. Кофман А. Введение в теорию нечетких множеств/ А. Кофман; пер с франц. В.Б. Кузьмина. М.: Радио и Связь, 1982. - 270 с.

27. М. Месарович М. Общая теория систем: математические основы / М. Месарович, Я. Такахара; под. ред. СВ. Емельянова. М.: Мир, 1978. — 235 с.

28. Макаров И.М. Линейные автоматические системы / И.М. Макаров, Б.М. Менский. М.: Машиностроение, 1982. - 504 с.

29. Махотило К.В. Разработка методик эволюционного синтеза нейросетевых компонентов систем управления. Текст.: дис. . канд. тех. наук: 05.13.06 / Махотило Клнстантин Владимирович. ХГПУ.: Харьков, 1998.- 179 с.

30. Медведев B.C. Нейронные сети. MATLAB 6 / B.C. Медведев, В.Г. Потемкин; под ред. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

31. Минский М. Персептроны / М. Минский, С. Пейперт. М.: Мир, 1971.-290 с.

32. Миронов К.А. Автоматические регуляторы / К.А. Миронов, Л.И. Шипетин. -М.: Машгиз, 1961. 510 с.

33. Мишулина О.А. Лабораторный практикум по курсу «Введение в теорию нейронных сетей» / О.А. Мишулина, А.А. Лабинская, М.В. Щербинина.- М.: МИФИ, 2000. 34 с.

34. Неймарк Ю.И. Динамические модели теории управления / Ю.И. Неймарк, Н.Я. Коган, В.П. Савельев. М.: Наука, Главная редакция физико-математической литературы, 1985. - 422 с.

35. Нейроматематика / Под. ред. А.И. Галушкина. М.: ИПРЖК, 2002. -448 с.

36. Нейронные сети. STATISTICA Neural Networks: Пер. с англ. М.: Горячая линия - Телеком, 2001. - 182 с.

37. Nguyen D., Widrow В., "Neural Network for Self-Learning Control System", IEEE Cont. Syst. Mag., 1990, p. 254-260.

38. Albus J., "A new aproach to manipulator control: The Cerebellar model articulation Controller (CMAC)", ASME Journal of Dynamic System, Meas. and Control, 1975, p. 220-227.

39. Albus J., "Data Storage in the cerebellar model articulation controler (CMAC)", ASME Journal of Dynamic System, Meas. and Control, 1975, p. 228233.

40. Betz R.E., Sathiakumar S., Evans R.J., "An AI based controller for robotic system", Proc. of Int. Symposium and Exp. On Robots, Sydney, Australia, 6-10 Nov., 1988, p. 507-527.

41. Miller W.T., Glanz F.H., Kraft L.G., "CMAC: An associative neural network alternative to backpropagation". Proc. IEEE, 1990, vol. 78, p. 1561-1567.

42. Homel M., "A self-organize associative memory system for control applications". Advances in Neural Information Processing Systems 2, D.S. Touretzky Ed. Los Altos, CA; Morgan Kaufmann, 1990, p. 340-359.

43. Sira-Ramirez H.J., Zak S.H. The Adaptation of Perceptron with Aplication to Inverse Dynamics Identification of Unknown Dynamic System. IEEE Trans, on Systems, Man, and Cybernetics. Vol. 21,13, 1991, p. 634-642.

44. Hunt, K.J., D. Sbarbaro, R. Zbikowski, and P.J. Gaw-throp, «Neural networks for control systems a survey», Aulo-matica, Vol. 28, 1992, p. 10831112.

45. Wang G., Miu D., "Unsupervising adaption neural network control", INNC'90. 1990, p. 421-428.

46. Wang S., Yeh H., "Self-adaptive neural architectures for control application", INNC'90. 1990, p. 309-314.

47. Wong Y., Sideris A. "Learning convergence in the cerebellar model articulation controller" IEEE Trans, on Neural Networs, 1993, vol.3, p. 115-121.

48. Kosmatopoulos E.B., Polucarpou M.M., Christodoulou M.A., Ioannou P.A., "High-Order Neural Networks Structures for Identification of Dynamical Systems", IEEE Trans, on Neural Networks, vol.6, N2 1995, p. 422-430.

49. Glasius R., Komoda A., Gielen S. Neural Network Dynamics For Path Planning and Obstacle Avoidance //Neural Networks 8(1), 1995.

50. Hong S., Kim S., Lee J. Local Motion Planner For Nonholonomic Mobile Robots In The Presence Of The Unknown Obstacles // Proc. IEEE Intl.Conf. on Robotics and Automation, 1996, p. 474-483.

51. Широков P.B. Нейросетевые модели систем автоматического регулирования промышленных объектов. Текст.: дис. . канд. тех. наук: 05.13.18/Широков Роман Викторович.-М.: РГБ, 2003.-218 с.

52. Гарцсев Р.В. Развитие нейросетевых технологий для управления мехатронпыми системами: Текст.: дис. . канд. тех. наук: 05.13.01 / Гарцеев Илья Борисович.- М.: РГБ, 2003 216 с.

53. Костылев А. В., Мезеушсва Д.В., Степанюк Д .П. Методы синтеза систем управления а синхронными приводами с использованием нейронных сетей // Электротехника. 2005. - №9. - с. 54-58.

54. Костылев А. В., Мезеушева Д.В. Опыт разработки систем управления на основе нейронных сетей для асинхронных электроприводов // Электротехника. 2004. - №9. - с. 39^42.

55. Стогней В. Г., Кретинин А.В. Синтез нейроконтроллера для инерционного звена второго порядка // Электромеханика. — 2005. №3. - с. 23-24.

56. Христинич Е. В., Христинин P.M. Расчет режимов работы электрогенераторов на основе искусственных нейронных сетей // Электромеханика. 2005. - №1. - с. 35-39.

57. S. Yichev, S. Minchev, G. Venkov. Neural Networks as a non-linear transformer model- Technical University of Sofia, Faculty of Electrical Engineering, boulevard «К1. Ohridski» №8, bl. 12, p.32—36.

58. Tommy W. Et al. Modeling of continious time dynamical systems with input by Recurrent Neural Networks, IEEE Trans. CAC-I, Vol.47, April 2000, p. 222-230.

59. Chen S. Et al. Non-linear system identification using neural networks. Int. J. Control, Vol. 51, no. 6, 1990, p. 125-132.

60. Gan C. Et al. Model-Based Recurrent Neural Networks for Modeling Nonlinear Dynamical Systems. IEEE Trans. SMC-B Vol.30, no. 2, 2001, p. 134140.

61. Kamwa I. Et al. Recurrent Neural Networks for Phasor Detection and Adaptive Identification in Power System Control and Protection. IEEE Trans. On Instrumentation and Measurement, Vol.45, 1992, p. 242-248.

62. Yu W. and X. Li. Some New Results on System Identification with Dynamic Neural Networks. IEEE Trans. NN Vol. 12, no.2, 2001, p. 161-167.

63. Narendra K. Et al. Identification and Control of Dynamical Systems Using Neural Networks. IEEE Trans. NN Vol.1, no. 1, 1990, p. 147-154.

64. K. Shanti Swarup, B. Satish. Integrated ANN. Approach to Forecast Load. IEEE, CAP Vol 15, no.2, April 2002, p. 52-60.

65. Mohammad Reza Banaei. Multilevel Converter based Hysteresis Current control for Speed control of Induction Motor with Field oriented control. Проблемы энергетики, №4, 2002, p. 246-251.

66. Сочков А.Л., Калин C.A. Формирование момента двигателя постоянного тока с помощью нейронной сети // Электротехника. 2000. — №2. - с. 27-29.

67. Теория автоматического управления. В 2-х ч. Ч. П. Теория нелинейных и специальных систем автоматического управления / под ред. А.А. Воронова. М.: Высш. шк., 1986. - 504 с.

68. Теория автоматического управления. В 2-х ч. Ч. II / под ред. А.В. Нетушила. М.: Высш. шк., 1972. - 470 с.

69. Kosmatopoulos Е.В., Polucarpou М.М., Christodoulou М.А., Ioannou P.A., "High-Order Neural Networks Structures for Identification of Dynamical Systems", IEEE Trans, on Neural Networks, vol.6, N2 1995, p. 422-430.

70. Тихонов A.H. О решении некорректно поставленных задач и методе регуляризации // Доклады АН СССР. Т. 151. - № 3. - 1963. - с.42-46.

71. Торгашев В.А. Система остаточных классов и надежность ЦВМ / В.А. Торгашев. М.: Советское радио, 1973. - 120 с.

72. Gill P., Murray W., Wright М. Practical Optimization. N.Y.: Academe Press, 1981.-p. 180.

73. Widrow В., Stearns S. Adaptive signal processing. -N.Y.: Prentice Hall, 1985.-p. 225.

74. Golub G., Van Loan C. Matrix computations. -N.Y.: Academic Press, 1991.-p. 190.

75. Осовскип С. Нейронные сети для обработки информации / С. Оссовский; пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2002. - 344 с.

76. Hagan М.Т., Demuth Н.В., Beale М.Н. Neural Network Design. Boston, MA: PWS Publishing, 1996. - p. 145.

77. Neural Network Toolbox User's Guide. The MathWorks, Inc. www. mathworks .com.

78. Fletchcr R., Reeves CM. Function minimization by conjugate gradients// Computer Journal. Vol. 7. 1964, p. 149-154.

79. Beale E.M. A derivation of conjugate gradients, in F.A. Lootsma Numerical methods for nonlinear optimization. London: Academic Press, 1972. -p. 270.

80. Powell J.D. Restart procedures for the conjugate gradient method// Mathematical Programming. Vol. 12. 1977, p. 241-254.

81. Broyden C.G. The Convergence of a Class of Double-rank Minimization Algorithms // J. Inst. Maths. Applies. Vol. 6. 1970, p. 76-90.

82. Dennis J.E., Schnabel R. B. Numerical Methods for Unconstrained Optimization and Nonlinear Equations. Englewood Cliffs, NJ: Prentice-Hall, 1983. -p. 150.

83. Davidon W.C. Variable Metric Method for Minimization// A.E.C. Research and Development Report, ANL-5990,1959, p. 170-173.

84. Levenberg K., A Method for the Solution of Certain Problems in Least Squares//Quart. Appl. Math. Vol. 2.1944, p. 164-168.

85. Marquardt D. An Algorithm for Least-Squares Estimation of Nonlinear Parameters// SIAM J. Appl. Math. Vol. 11. 1963, p. 431-441.

86. Артамонов В.Ю., Беспалов В.Я., Дунайкина E.A. Подход к оптимальному проектированию асинхронных двигателей для нестандартных условий эксплуатации // Электротехника. 1990. - №10. - с. 66-70.

87. Проектирование электрических машин: Учеб. пособие для вузов / под ред. И.П. Копылова. -М.: Энергия, 1980. 496 е., ил.

88. Артамонов В.Ю., Беспалов В.Я., Дунайкина Е.А. Результаты оптимального проектирования асинхронных двигателей для некоторых нестандартных условий эксплуатации // Электротехника. 1990. - №11. - с. 11-16.

89. Беспалов В.Я., Введенская Е.В., Максимкин В.Л. Метод расчета характеристик асинхронных двигателей при стохастических нагрузках // Электричество. №2. - 1988, с. 10-12

90. Беспалов В.Я., Горягин В.Ф., Дунайкина Е.А. О целесообразности изменения типов номинальных режимов работы электрических машин // Электротехника. 1990. - №6. - с. 32-36.

91. Беспалов В.Я., Максимкин B.J1. Влияние случайной составляющей нагрузочного момента на характеристики асинхронного двигателя в нестационарных режимах // Известия высших учебных заведений «Электромеханика». №4. - 1990. - с. 33-35.

92. Беспалов В.Я., Мовсесян С.Ж., Мощинский Ю.А. Оптимальное проектирование асинхронных двигателей для режима частых реверсов // Электротехника. 1990. - №11. - с. 23-27.

93. Беспалов В.Я., Мощинский Ю.А., Петров А.П. Динамические показатели трехфазных асинхронных двигателей, включаемых в однофазную сеть // Электротехника. 2000. - №1. - с. 13-19.

94. Беспалов В.Я., Панихин М.В. Электромеханические и коммутационные переходные процессы в коллекторном двигателе переменного тока // Электричество. 2006. - №12. - с. 46-50.

95. Chu S.R., Shoureshi R., Tenorio M. Neural networks for system identification// IEEE Control System Magazine. Vol. 10. 1990, p. 31 35.

96. Foresee F.D., Hagan M.T. Gauss-Newton approximation to Bayesian regularization// Proceedings of the 1997 International Joint Conference on Neural Networks. 1997, p. 1930-1935.

97. УТВЕРЖДАЮ» Дириотор^о^. филиала ГОУ ВПО^МЭИ (ТУ)>У в-г. Смоленске;;Г.Й. Бояринов1. СПРАВКАоб использовании результатов кандидатской диссертации аспиранта Антоненкова

98. Аркадия Валерьевича «Искусственная нейронная сеть как инструмент исследования переходныхпроцессов в асинхронных двигателях»

99. Электромеханические системы» =====-- Ю.Д. Кулик1. PL1. АКТреализации результатов диссертационной работы Антоненкова Аркадия Валерьевича на тему «Искусственная нейронная сеть как инструмент исследования переходных процессов в асинхронных двигателях»

100. Технический директор ЗАО НПП «ИСТА-СМ »1. С.В. Суховеев

101. Начальник ОТП ЗАО НПП «ИСТА-СМ »1. К.А. Пожерицкий