К вопросу построения нейросетевой математической модели для оценки объемного расхода сжатого воздуха через пропорциональный клапан

Предложен подход к построению нейросетевых моделей рабочих процессов в элементах запорно-регулирующей арматуры. Такой тип моделей может быть использован для обоснованного выбора комплектующих при создании многокомпонентных пневматических систем. В качестве примера рассмотрено применение указанного подхода к разработке искусственной нейронной сети для оценки объемного расхода сжатого воздуха через пропорциональный клапан. Для получения выборки использованы данные, приведенные производителем. Описана структура предлагаемой нейросетевой модели, предобработка данных для ее настройки и выбранный алгоритм настройки. Разработана компьютерная программа для составления настроечной и проверочной выборок и последующей настройки нейронной сети. Имитация результатов измерений на натурном изделии выполнена с помощью дополнительного нормально распределенного шума со стандартным отклонением 0,02. Проведено сравнение результатов, рассчитанных по двум математическим моделям — нейросетевой и классической, дополненной эмпирическими коэффициентами. Расхождение полученных данных не превышает 1,5 % максимального значения объемного расхода сжатого воздуха для конкретной модели пропорционального клапана.

Литература

[1] Camozzi Automation. Пневматическая аппаратура. Большой каталог. Версия 8.8. URL: http://catalog.camozzi.ru/pdf/series_ap.pdf (дата обращения 11 февраля 2019).

[2] Compact Proportional Solenoid Valve. Series PVQ. URL: http://stevenengineering. com/Tech_Support/PDFs/70PCPVQ.pdf (дата обращения 11 февраля 2019).

[3] IMI Norgren. VP40, 2/2 — Proportional flow control valve. Direct actuated poppet valve (stainless steel). URL: http://cdn.norgren.com/pdf/en_6_6_024_VP40.pdf (дата обращения 11 февраля 2019).

[4] Proportion-Air, Inc. Aerospace solutions. URL: https://proportionair.com/markets/aerospace/ (дата обращения 11 февраля 2019).

[5] Арзуманов Ю.Л., Халатов Е.М., Чекмазов В.И., Чуканов К.П. Математические модели систем пневмоавтоматики. Москва, Изд-во МГТУ им. Н.Э. Баумана, 2009. 296 с.

[6] Градецкий В.Т., Дмитриев В.Н. Основы пневмоавтоматики. Москва, Машиностроение, 1979. 360 с.

[7] Зеленов М.С., Атамасов Н.В., Чернышев А.В. К вопросу моделирования динамики пневмомеханического устройства. Вестник МГТУ им. Н.Э. Баумана. Сер. Машиностроение, 2018, № 6, с. 20–33, doi: 10.18698/0236-3941-2018-6-20-33

[8] Гришеленок Д.А., Ковель А.А. Использование результатов математического планирования эксперимента при формировании обучающей выборки нейросети. Известия высших учебных заведений. Приборостроение, 2011, т. 54, № 4, с. 51–54.

[9] Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. Погружение в мир нейронных сетей. Санкт-Петербург, Питер, 2018. 480 с.

[10] Бураков М.В. Нейронные сети и нейроконтроллеры. Санкт-Петербург, ГУАП, 2013. 284 с.

[11] Hao Yu, Wilamowski B.M. Levenberg–Marquardt training. Industrial Electronics Handbook, Second Edition: Intelligent Systems, CRC Press, 2011, vol. 5, pp. 12.1–12.15.