Реферат Курсовая Конспект
Модель датчика ККД насоса на основі нейронної мережі - раздел Транспорт, ЕКСТРЕМАЛЬНА ЕНЕРГОЕФЕКТИВНА СИСТЕМА АВТОМАТИЧНОГО КЕРУВАННЯ БАГАТОАГРЕГАТНИМИ НАСОСНИМИ УСТАНОВКАМИ Нм Широко Застосовуються У Системах Керування Різними Технологічними Об’Єктам...
|
НМ широко застосовуються у системах керування різними технологічними об’єктами. Насосні установки працюють у статичних режимах і проектувальники рідко вимагають від систем керування точної динамічної поведінки. В літературі насосні установки описуються нелінійним диференційним рівнянням першого порядку [11], але точного математичного опису гідравлічної системи не існує. Статичні характеристики насоса часто описуються алгебричними рівняннями другого порядку, але існує ряд насосних установок, для яких потрібно апроксимувати статичні характеристики рівняннями третього і навіть четвертого порядку, що створює певні труднощі і незручності у розрахунках. В таких випадках для апроксимації статичних характеристик насосів доцільним є використання НМ.
Для створення НМ моделі датчика ККД насосу використаний пакет прикладних програм MatLab з редактором нейронних мереж Network/Data Manager. Процедура синтезу чи проектування НМ в загальному випадку полягає у виборі кількості захованих шарів нейронів, тобто шарів, що розташовані між входами мережі та вихідним шаром нейронів; у визначені кількості нейронів в захованих шарах; у виборі функції активації нейронів, а також у навчанні (тренуванні) мережі, завдяки якому визначаються чисельні значення параметрів її внутрішніх зв’язків.Для забезпечення роботи з максимальним ККД, завдяки НМ можна створити нейронну модель кривої максимально ККД, що зробить роботу насоса оптимальною.
Для створення НМ моделі датчика ККД насосу було знято 265 Q-H характеристик із 4000 робочих точок, що дозволили створити M-file, який використовуватиметься в побудові нейронної мережі. Графіки характеристик та , зображені на рис. 2.
Для роботи з НМ обираємо 3 – шарову НМ, тоді маємо наступні параметри: ім’я мережі (name) – network1; тип мережі (network type) – feed-forward backprop: вхідні діапазони (input data, target data) – беруться з вхідних масивів «IN» і «OUT»; функція тренування (training function) – TRAINLM; число шарів НМ (number of layers) – 3; число нейронів та тип функції у кожному шарі - Properties fоr: 1-й шар – 10 нейронів, функція TANSIG; 2-й шар – 10 нейронів, функція TANSIG; 3-й шар – 1 нейрон, функція PURELIN.
Рис. 2 – Графіки характеристик та .
Загальний вигляд мережі зображений на рис.3. Тренування відбувалося 500 епох, результати зображені на рис. 4.
Рис. 3 – Загальний вигляд нейронної мережі
Рис. 4 – Результати тренування нейронної мережі
– Конец работы –
Эта тема принадлежит разделу:
Основні наукові та практичні результати їх значення... Розроблені математичні моделі екстремальних енергоефективних регуляторів... Розроблений датчик ККД насосу на основі нейронних мереж на статичних характеристик...
Если Вам нужно дополнительный материал на эту тему, или Вы не нашли то, что искали, рекомендуем воспользоваться поиском по нашей базе работ: Модель датчика ККД насоса на основі нейронної мережі
Если этот материал оказался полезным ля Вас, Вы можете сохранить его на свою страничку в социальных сетях:
Твитнуть |
Новости и инфо для студентов