Модель датчика ККД насоса на основі нейронної мережі

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