Файл: Федеральное государственное бюджетное образовательное учреждение высшего образования керченский государственный.pdf
ВУЗ: Не указан
Категория: Не указан
Дисциплина: Не указана
Добавлен: 25.10.2023
Просмотров: 1001
Скачиваний: 6
ВНИМАНИЕ! Если данный файл нарушает Ваши авторские права, то обязательно сообщите нам.
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
62 предсказывать характеристики двигателя на основе его геометрических параметров и материалов, используемых в его конструкции.
Для реализации алгоритмов нейросети необходимо собрать данные о различных электроприводах с АДДР, включая геометрические параметры используемых в них электродвигателей и их характеристики. Затем эти данные могут быть использованы для обучения нейронной сети, которая будет предсказывать характеристики новых электроприводов на основе их параметров.
Также нейросети могут использоваться для оптимизации дизайна двигателя. Например, можно использовать нейронную сеть для поиска оптимальных значений для геометрических и конструктивных параметров двигателя в т.ч. оптимальной величины внешнего слоя, чтобы получить наилучшие характеристики эффективности и мощности.
В целом, использование нейросетей при проектировании электроприводов с АДДР может помочь ускорить и улучшить процесс проектирования, а также повысить эффективность и надежность получаемых результатов [5, c. 29-35].
Существует множество видов нейросетей, которые могут быть использованы как для проектирования электропривода с АДДР так и оптимизации параметров асинхронных двигателей с двухслойным ротором служащими в качестве приводного. Некоторые из них приведены ниже.
1. Сверточные нейронные сети (CNN) - эффективно работают с изображениями и другими типами данных, которые имеют пространственную структуру. Используются для обработки изображений и анализа данных, получаемых от датчиков электропривода. Подходят и для проектирования приводного двигателя.
2. Рекуррентные нейронные сети (RNN) - хорошо подходят для работы с последовательными данными, такими как временные ряды. Используются для моделирования динамических систем, таких как электроприводы, и позволяют учитывать историю изменения параметров системы.
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
63 3. Глубокие нейронные сети (DNN) - могут быть использованы для обучения на больших объемах данных. Используются для решения сложных задач, таких как оптимизация параметров электропривода и прогнозирование отказов.
4. Генеративно-состязательные сети (GAN) - могут использоваться для создания новых моделей двигателей на основе имеющихся данных.
5. Автоэнкодеры (AE) - могут использоваться для извлечения признаков из данных и оптимизации параметров двигателя. Это только некоторые из возможных вариантов. Выбор конкретной нейросети зависит от задачи и доступных данных.
6. Рекуррентные автоэнкодеры (RAE) - сочетают в себе функциональность RNN и AE и используются для анализа временных рядов, получаемых от датчиков электропривода.
Для определения оптимальных параметров приводного асинхронного двигателя с двухслойным ротором (АДДР) при помощи нейросети можно использовать различные методы расчёта.
Один из возможных методов - это метод генетических алгоритмов, который позволяет искать оптимальные значения параметров АДДР, опираясь на заданные критерии эффективности и мощности.
Другой метод - это метод градиентного спуска, который позволяет оптимизировать значения параметров АДДР путем пошагового изменения их значений в направлении уменьшения функционала качества (например, потерь или ошибки).
Также можно использовать методы, основанные на теории оптимизации, такие как методы многомерной оптимизации или методы искусственного интеллекта, например, методы обучения с подкреплением или методы обучения с учителем.
В любом случае, для использования нейросети при определении оптимальных параметров АДДР необходимо подготовить набор данных, содержащий информацию о свойствах и характеристиках АДДР с различными
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
64 комбинациями параметров, а также задать целевую функцию, которую необходимо оптимизировать.
Ранее для расчёта оптимальных параметров слоёв ротора АДДР использовались дорогостоящие программные пакеты такие как ANSYS
Maxwell, Abaqus, COMSOL и другие. Использование нейросетей позволит снизить стоимость подобных расчётов. В том числе, подобные программные пакеты в будущем можно будет использовать для учёта магнитной анизотропии.
Магнитная анизотропия (неоднородность) в роторе АДДР связана с направленностью магнитных свойств материала, из которого он изготовлен.
В зависимости от ориентации кристаллических осей, магнитные свойства могут быть различными в разных направлениях. Это может повлиять на эффективность работы двигателя и его мощность.
Для учёта магнитной анизотропии в расчётах АДДР при помощи нейросетей можно использовать уже применяемые специальные модели и методы, которые учитывают направленность магнитных свойств материала ротора.
1. Модель гиперболического синуса (HS). Эта модель используется для описания зависимости магнитной индукции от напряженности магнитного поля в материалах с магнитной анизотропией. Позволяет учитывать не только направленность магнитных свойств, но и их изменение с учётом колебаний температуры, в том числе вызванных токами индуцируемыми в роторе.
Формула для расчёта магнитной индукции в материале с магнитной анизотропией при помощи модели гиперболического синуса:
???? = ????
????????????
⋅ ????????????ℎ( ???? ∗ ????/????
????
) (1) где B – магнитная индукция, B
sat
– насыщенная магнитная индукция, K – коэффициент гиперболического синуса, H – напряженность магнитного поля,
H
k
– коэрцетивная сила материала.
Для расчёта коэффициента гиперболического синуса используется формула:
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
65
???? = (????????(
????
????????????
????
????
) + ????????(
????
????????????
????
????
))/2???? = ????
????????????
⋅ ????????????ℎ( ???? ∗ ????/????
????
) (2) где B
c и B
r
– критические значения магнитной индукции при изменении направления магнитного поля вдоль осей материала.
2. Метод конечных элементов (FEM). Используется для численного моделирования электромагнитных полей АДДР. Он позволяет учитывать магнитную анизотропию материала ротора и оптимизировать его конструкцию для достижения наилучшей эффективности работы.
Для расчета анизотропии ротора АДДР при помощи метода конечных элементов используются формулы, связывающие магнитную индукцию и напряженность магнитного поля с тензором магнитной проницаемости материала ротора. Одна из таких формул имеет вид:
???? = ???? ∗ ???? где B - магнитная индукция, H - напряженность магнитного поля, μ - тензор магнитной проницаемости материала.
Для анизотропных материалов тензор магнитной проницаемости может быть представлен в виде матрицы, учитывающей различные коэффициенты проницаемости для разных направлений магнитного поля. Эта матрица может быть определена экспериментально или рассчитана теоретически на основе свойств материала.
Для расчета магнитной индукции и напряженности магнитного поля в материале ротора при помощи метода конечных элементов используются уравнения Максвелла, которые связывают электрические и магнитные поля в материале с его токовыми и магнитными свойствами. Решение этих уравнений позволяет определить распределение магнитной индукции и напряженности магнитного поля в материале ротора, а также его анизотропию.
3. Методы магнитной анизотропи (МА). Эти методы используются для измерения и анализа магнитной анизотропии в материалах ротора АДДР. Они позволяют определить направленность магнитных свойств материала и оценить их влияние на работу двигателя.
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
66 4. Методы магнитной визуализации (MV). Позволяют визуализировать магнитные поля в материалах ротора АДДР и оценить их распределение и направленность. Они также могут использоваться для оптимизации конструкции ротора и учёта магнитной анизотропии в расчётах [2, с. 95].
1 2 3 4 5 6 7 8 9 ... 53
Выводы. Применение нейросетей при проектировании электропривода с
АДДР в качестве приводного может привести к улучшению эффективности, надежности и точности управления электроприводами. Нейросети могут использоваться для оптимизации параметров электропривода, таких как частота и амплитуда сигнала управления, чтобы достичь максимальной эффективности и минимального потребления энергии. Также нейросети могут использоваться для прогнозирования возможных отказов в системе электропривода и предотвращения аварийных ситуаций. В целом, применение нейросетей может помочь снизить затраты на эксплуатацию электроприводов с АДДР и увеличить их производительность.
Cписок использованной литературы
1.
Могильников, В. С. Теория, технология и режим работы асинхронных двигателей с двухслойным ротором / В. С. Могильников, А. М. Олейников ; под общ. ред. А. М.
Олейникова. – 2-е изд. перераб. и доп. – Севастополь: Изд-во СевНТУ, 2008. – 350 с.
2.
Высоцкий, Е. В. Анализ работы асинхронного двигателя с двухслойным ротором в электроприводе насосов / В. Е. Высоцкий, А. М. Олейников, А. А. Нагирняк // 16
th
International Conference «Electromechanics, Electrotechnology, Electromaterials and
Components»=ICEEE (September 19 – 24, 2016 Alushta, Crimea, ICEEE).– 2016. – P. 94 –
96.
3.
Шайтор, Н. М. Динамические режимы асинхронных двигателей в приводах энергетических систем и комплексов / Н. М. Шайтор, А. В. Горпинченко // Вестник
ИЖГТУ имени М.Т. Калашникова. – 2020.– Том23. – Номер 4. – С. 95-101.
4.
Высоцкий, В. Е. Специальные электромеханические преобразователи для электротехнических комплексов автономных объектов / В. Е. Высоцкий, А. М.
Олейников. - Москва : Инновационное машиностроение, 2020. - 365 с. – ISBN 978-5-
907104-11-2.
5.
Высоцкий, В. Е. Синтез скалярной системы автоматического управления вентильного двигателя с управлением по полю для гребных электрических установок с движительно- рулевым комплексом AZIPOD / В. Е. Высоцкий, И. Ю. Марков, Ю. В. Матвеев //
Известия высших учебных заведений. Электромеханика. – 202. – Том 64. – Номер 6. – С.
29-35.
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
67
УДК 681.5:624
АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКИХ ПРОЦЕССОВ В
СТРОИТЕЛЬСТВЕ НА ОСНОВЕ ИНТЕГРАЦИИ
ИНФОРМАЦИОННЫХ ТЕХНОЛОГИЙ
Пирогова Александра Михайловна,
студентка направления подготовки Автоматизация технологических процессов и производств,
ФГБОУ ВО «Казанский государственный энергетический университет», г. Казань
Научный руководитель: Борисова Ольга Владимировна, доцент кафедры Автоматизации технологических процессов и производств,
ФГБОУ ВО «Казанский государственный энергетический университет», г. Казань
Аннотация. На сегодняшний день актуализируются вопросы автоматизации, необходимой для повышения качества и эффективности выполнения технологических процессов. Цель текущей статьи состоит в анализе автоматизации сферы строительства за счет использования информационных технологий. Научная ценность работы заключается в предпринимаемой попытке актуализации и систематизации знаний относительно автоматизации на основе цифровых инструментов.
Ключевые слова: автоматизация, строительство, технологический процесс, информационные технологии, цифровизация.
Информационные технологии находят свое применение практически во всех, как профессиональных, так и бытовых сферах жизнедеятельности современного человека. Повсеместное развитие и интеграция цифровых инструментов позволяют значительно повысить эффективность работы и рациональность использования ресурсов на современных предприятиях. Таким образом, цифровые средства активно используются в сфере образования, экономики, промышленности и многих других. Одной из наиболее перспективных сфер в аспекте развития информационных технологий является строительная отрасль.
Цель текущей статьи состоит в анализе автоматизации сферы строительства за счет использования информационных технологий.
Строительство является одним из наиболее значимых для современной экономики и развития государства отраслью. Строительство включает в себя все этапы по возведению того или иного здания (сооружения), начиная от
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
68 проектирования и, заканчивая, сдачей документации по возведенному объекту.
Интеграция информационных технологий в данной отрасли происходит по многим направлениям, начиная от разработки специального программного обеспечения по автоматизации расчетов и, заканчивая, использованию различных роботизированных комплексов на строительных площадках для укладки кирпича [1].
Использование цифровых решений в строительстве позволяет достичь множества преимуществ и положительных факторов при производстве работ.
Одними из них являются: снижение числа ошибок при разработке и оформлении документации; снижение затрачиваемого на внесение изменений и обработку документов времени; повышение эффективности при выполнении работ по проектированию строительного объекта; снижение затрачиваемого времени и рационализация использования ресурсов при выполнении строительных работ.
Помимо этого, при использовании цифровых технологий, значительно повышается качество непосредственно самого строительного производства.
Одним из наиболее распространенных и востребованных направлений развития информационных технологий в строительстве является разработка специального программного обеспечения. Посредством него современное строительное производство получает эффективные инструменты для планирования ресурсов, автоматизации рутинных расчетов, возможности быстрого изменения и отслеживания динамики при внесении изменений в проект объекта и множество иных преимуществ [2].
Так, к примеру, в течение последних лет прослеживается динамика интеграции различных программ, позволяющих автоматизировать объемные расчеты и снизить количество времени, затрачиваемое на проектирование и планирование ресурсов. Это способно привести к значительному повышению эффективности выполнения технологических задач при строительстве, а также снижению нагрузки на рабочих. Таким образом, строительство и информационные технологии тесно связаны, начиная от создания документации и, заканчивая, самим производством. Можно сделать вывод о том, что развитие
СОВРЕМЕННЫЕ НАУКА И ОБРАЗОВАНИЕ: ДОСТИЖЕНИЯ И ПЕРСПЕКТИВЫ РАЗВИТИЯ
69 цифровых технологий напрямую влияет на качество и эффективность современного строительного производства [3].
Основными технологиями, используемыми для автоматизации строительства из данной области, являются: виртуальная и дополненная реальность; программное обеспечение; роботизированные средства; машинное обучение и ряд иных. Именно на основе данных технологий достигается эффективное выполнение и автоматизация технологических процессов в строительстве. Так, к примеру, с помощью дополненной реальности строители получают возможность увидеть в режиме реального времени точные рекомендации и инструкции по выполнению того или иного технологического процесса. Дополненная реальность позволяет автоматизировать производство в результате быстрого и эффективного сравнения действительности строительной площадки с информацией о планировании, содержащейся в проекте [4].
Разработка программного обеспечения, в свою очередь, позволяет решать широкий спектр строительных задач. Так, к примеру, с помощью разработки специальных программ строители получают возможность автоматизированного выполнения расчетов при производстве различного вида работ. Это значительно ускоряет строительный процесс и повышает качество выполнения операций.
Помимо этого, специальные программы позволяют выполнить анализ проектных решений и прогнозирование по их эксплуатации. Другие программы представляют возможность произвести планирование ресурсов и оптимизацию использования материалов. Таким образом, программное обеспечение становится ядром автоматизации практически всех технологических процессов в строительстве [5].
Особая роль принадлежит различным средам 3D-моделирования.
Применение BIM-технологии (Building Information Model – информационное моделирование здания) является главным трендом на мировом и российском строительном рынке. Информационное моделирование охватывает все этапы жизненного цикла объекта. С помощью данного инструмента происходит комплексное взаимодействие участвующих сторон на всех стадиях жизненного