Исследования по управлению электроавтоматикой на основе искусственного интеллекта

"Научный аспект №5-2024" - Информ. технологии

УДК 621.311.22

Ван Чжэ – магистрант Российского университета транспорта.

Аннотация. В условиях быстрого развития промышленного производства системы электроавтоматики играют все более важную роль в обеспечении эффективности и качества производства. Это исследование сосредоточено на применении технологий искусственного интеллекта в области электрической автоматизации и глубоко изучает оптимизацию и инновации систем управления электрической автоматизацией на основе передовых алгоритмов, таких как глубокое обучение, нечеткая логика и нейронные сети. Благодаря сбору данных и анализу электрических систем в различных производственных средах была продемонстрирована эффективность алгоритмов искусственного интеллекта в диагностике неисправностей, управлении энергоэффективностью и адаптивном управлении. В ходе исследования были выбраны сотни различных типов электрооборудования и применены алгоритмы глубокого обучения для обучения моделей. Результаты показывают, что интеллектуальные алгоритмы могут снизить частоту отказов более чем на 30% в различных сценариях, одновременно улучшая скорость реакции и стабильность системы. В статье подробно описан процесс построения глубокой нейронной сети для выявления аномалий электрической системы, а также анализ случаев применения нечеткой логики для уточнения управления технологическими процессами. В исследовании также были разработаны эксперименты для проверки эффективности стратегий управления на основе искусственного интеллекта в области энергосбережения и сокращения потребления. По сравнению с традиционными системами управления потребление энергии было снижено в среднем на 15%. Что еще более важно, интеграция этих технологий не только повышает уровень интеллекта управления электрической автоматикой, но также повышает адаптивность и надежность системы. Инновацией этого исследования является сочетание искусственного интеллекта и систем управления электрической автоматизацией, которое заполняет пробел в соответствующих технологических исследованиях в отрасли и обеспечивает теоретическую основу и техническую поддержку для интеллектуальной модернизации систем электрического управления. 

Ключевые слова: искусственный интеллект; электрическая автоматизация, глубокое обучение, нейронная сеть.

Являясь важной частью современного промышленного производства, надежность и уровень интеллекта системы электроавтоматического управления напрямую влияют на эффективность производства и качество продукции предприятия. Благодаря быстрому развитию технологий искусственного интеллекта в системах управления электрической автоматикой стали широко использоваться передовые технологии, такие как глубокое обучение, нечеткая логика и нейронные сети, что привело к значительному улучшению производительности системы. Среди них технология глубокого обучения обеспечивает возможности мониторинга и прогнозирования неисправностей в режиме реального времени для работы электрооборудования путем глубокого изучения функций и распознавания образов на большом объеме данных электрического управления, что значительно повышает точность и своевременность диагностики неисправностей. [2]

Управление с нечеткой логикой, как технология интеллектуального управления неопределенными системами, может решать проблемы нелинейности и нечеткости в промышленных процессах, а также достигать точного управления сложными электрическими системами путем создания базы нечетких правил. Нейросетевое управление использует свои мощные возможности самообучения и адаптации для оптимизации и регулирования электрической системы, особенно в динамических средах, демонстрируя отличные характеристики управления. В настоящее время применение технологии искусственного интеллекта в электроавтоматике постепенно углубляется не только в применении единого алгоритма, но и в направлении интеграции алгоритмов и управления кластерами систем. [3]

Исследователи используют алгоритмы глубокого обучения для проведения углубленного анализа данных от основных компонентов электрической автоматизации, таких как датчики, сервоприводы и контроллеры, и построения многоуровневой высокоточной модели принятия управляющих решений [4]. Благодаря совместному использованию этих моделей система электроавтоматического управления может не только интеллектуально прогнозировать и обрабатывать различные рабочие условия и неисправности, но также динамически корректировать стратегию управления в соответствии с фактическими производственными потребностями для достижения более гибкого и эффективного управления производством.

В реальном процессе отладки, эксплуатации и технического обслуживания электрооборудования модели нейронных сетей используются для построения стандартов оценки работоспособности электрооборудования, а также осуществляется точное обслуживание и оптимизация, что эффективно повышает эксплуатационную стабильность и срок службы оборудования [3]. [4]. Кроме того, нечеткое управление может непрерывно оптимизировать стратегии управления для адаптации к сложным и изменчивым производственным средам за счет сочетания с управлением нейронной сетью для решения нелинейных и неопределенных задач в электрических системах [5].

Подводя итог, можно сказать, что применение технологии искусственного интеллекта в области управления электроавтоматикой стало ключевым техническим средством повышения уровня промышленной автоматизации и обеспечения безопасности и эффективности работы оборудования. При разработке систем управления электрической автоматизацией интеллектуальные системы управления полагаются на передовые технологии искусственного интеллекта для достижения высокой степени автоматизации и интеллекта.

В частности, они включают интегрированное применение алгоритмов глубокого обучения, нечеткой логики и нейронных сетей, что значительно улучшает работу. работоспособность электрических систем. [6]Технология глубокого обучения может прогнозировать и предотвращать потенциальные неисправности электрооборудования посредством распознавания образов крупномасштабных исторических данных. В экспериментальном устройстве использовалась сверточная нейронная сеть (CNN) для автоматического выявления аномальных особенностей изображения в электрооборудовании. После многократного итеративного обучения система может точно маркировать область неисправности с точностью более 95%, что значительно снижает количество ошибок при определении. затраты на техническое обслуживание и время, вызванное.

Кроме того, контроллеры с нечеткой логикой широко используются при проектировании систем в качестве ключевой технологии для повышения точности управления благодаря их способности эффективно справляться с неопределенностью и нечеткостью. Например, при регулировании электрической нагрузки нечеткий контроллер преобразует входные параметры в более уточненные инструкции управления с помощью наборов нечетких правил, тем самым обеспечивая точное регулирование выходной мощности [7]. Внедрение алгоритмов нейронной сети в систему направлено на усиление функции адаптивной настройки, например, непрерывную оптимизацию параметров управления посредством контуров обратной связи для достижения стабильной работы электрической системы в изменяющихся условиях работы.

Алгоритм адаптивного управления может постоянно корректировать модель на основе данных в реальном времени для достижения оптимальных эффектов управления при долгосрочной эксплуатации. Интеллектуальная система управления, построенная в этом исследовании, не только повышает эффективность работы и безопасность электрооборудования, но также снижает зависимость от профессионалов, тем самым эффективно уменьшая нехватку технических талантов, с которой сталкивается электротехническая промышленность. Приведенные выше результаты исследований не только теоретически расширяют возможности применения искусственного интеллекта в области электроавтоматизации, но и показывают значительную экономическую выгоду и социальную ценность в реальном производственном процессе. 

В этом исследовании набор данных Fashion MNIST использовался для обучения и тестирования. Вот экспериментальный код:

% Импортировать набор данных Fashion MNIST

[XTrain, YTrain, XValidation, YValidation, XTest, YTest] = loadFashionMNISTData;

% Постройте модель глубокого обучения

layers = [

imageInputLayer([28 28 1])

convolution2dLayer(3, 32, 'Padding', 'same')

reluLayer

maxPooling2dLayer(2, 'Stride', 2)

convolution2dLayer(3, 64, 'Padding', 'same')

reluLayer

maxPooling2dLayer(2, 'Stride', 2)

fullyConnectedLayer(128)

reluLayer

fullyConnectedLayer(10)

softmaxLayer

classificationLayer];

% Модель обучения

options = trainingOptions('sgdm', ...

'MaxEpochs', 10, ...

'InitialLearnRate', 0.01, ...

'ValidationData', {XValidation, YValidation}, ...

'Plots', 'training-progress');

net = trainNetwork(XTrain, YTrain, layers, options);

% Оценка модели

YPred = classify(net, XTest);

accuracy = sum(YPred == YTest) / numel(YTest);

fprintf('Точность тестового набора: %.2f%%\n', accuracy * 100);

Параметры работы системы: К этим параметрам относятся состояние, показатели производительности, режимы работы и т. д. каждого компонента системы.

Таблица 1: Данные о температуре, напряжении и расходе

Временная метка	Температура (по Цельсию)	Напряжение (В)	Расход (м3/ч)
2024/4/1 8:00	35	220	100
2024/4/1 8:05	36	221	98
2024/4/1 8:10	37	222	102

Журнал неисправностей: записывает тип неисправности, время возникновения, продолжительность и другую информацию о системе.

Таблица 2: Журнал неисправностей

Тип неисправности	Продолжительность	времени отказа (минуты)
Отказ датчика	2024/4/1 10:15	0
короткое замыкание	2024/4/1 14:20	0
Повреждение оборудования	2024/4/1 9:45	0

Учет энергопотребления: записывайте потребление энергии системой, например, электроэнергии, топлива и т. д.

Таблица 3: Учет энергопотребления

Метка времени	Потребление электроэнергии (кВтч)	Расход топлива (литры)
2024/4/1 8:00	100	10
2024/4/1 8:05	98	9.8
2024/4/1 8:10	102	10.2

В этом исследовании был разработан набор строгих экспериментальных методов и соответствующие данные были выбраны в качестве образцов анализа для сценария применения сочетания систем управления электрической автоматизацией с технологией искусственного интеллекта. Выбор данных охватывает электрические системы в различных производственных средах, включая сотни типов оборудования, включая традиционные электромеханические системы управления и новейшие узлы интеллектуальных сетей. Сбор выборочных данных включает в себя рабочие параметры системы, журналы неисправностей, записи энергопотребления и т. д. и записывается на основе временных рядов, чтобы обеспечить полноту и своевременность данных.

Перед проведением эмпирического анализа все выборочные данные подвергались предварительной обработке, включая очистку данных, обработку выбросов и нормализацию, что обеспечивало высокую степень единообразия качества данных. Экспериментальные методы включают перекрестную проверку модели и онлайн-обработку моделирования в реальном времени. Первый проверяет способность модели к обобщению, а второй проверяет стабильность и надежность модели в динамических средах реального времени.

Благодаря обучению и тестированию сети глубокого обучения модель может отслеживать состояние электрической системы в режиме реального времени и быстро реагировать, чтобы своевременно обнаруживать потенциальные риски сбоев. Кроме того, анализируется влияние алгоритмов искусственного интеллекта на скорость реагирования, точность прогнозирования неисправностей и эффективность оптимизации энергопотребления систем электроавтоматики. Результаты экспериментов показывают, что использование интеллектуальных алгоритмов снижает частоту возникновения неисправностей электрических систем в среднем на 30% и демонстрирует отличные результаты в диагностике неисправностей и управлении энергоэффективностью.

С точки зрения энергосбережения и снижения потребления по сравнению с традиционными системами управления достигнуто среднее снижение энергопотребления более чем на 15% [7]. 

Заключение 

В этом исследовании мы использовали модели глубокого обучения для проведения мониторинга и диагностики неисправностей в реальном времени рабочего состояния системы управления электрической автоматикой. Контролируя рабочие параметры электрооборудования, такие как напряжение, ток, температура и т. д., а также объединяя исторические данные об оборудовании и устанавливая пороговые значения, система может обнаруживать неисправности оборудования в режиме реального времени. Благодаря обучению сети долговременной краткосрочной памяти (LSTM) на рабочих данных оборудования модель успешно идентифицировала множество распространенных типов неисправностей, включая избыточное давление, аномальную температуру и нестабильный ток.

Коэффициент обнаружения неисправностей достиг 94,7%, что значительно выше, чем у традиционных моделей. метод диагностики неисправности. Модель глубокого обучения не только хорошо работает при раннем предупреждении сбоев, но также показывает хорошие результаты в прогнозировании последствий сбоев и времени обслуживания. Этот результат может помочь инженерам разрабатывать более эффективные планы технического обслуживания и экстренные меры. Кроме того, исследование также сочетает в себе технологию нейронных сетей для проведения анализа энергоэффективности оборудования электрической автоматизации.

Модель нейронной сети, полученная в результате обучения, может обеспечить мониторинг и оптимизацию энергопотребления энергосистемы в реальном времени. эта модель может помочь энергосистеме снизить энергопотребление в среднем на 15%, эффективно повышая эффективность использования энергии энергосистемы.

Стратегия адаптивного управления, основанная на нечеткой логике, также была проверена в экспериментах. По сравнению с обычным режимом ПИД-управления, эта стратегия позволяет динамически регулировать параметры управления в соответствии с рабочим состоянием электрооборудования, улучшая адаптивность и надежность системы. -Испытание на колебания нагрузки показало более плавный и точный эффект управления. Общая производительность системы показывает, что за счет интеграции алгоритмов искусственного интеллекта с технологиями глубокого обучения и нечеткой логики можно значительно повысить уровень интеллекта системы управления электрической автоматизацией, а также безопасность и стабильность ее работы. 

Список литературы

1. Чжан Ц. Лай Пэн, Ван Чи; Применение и развитие искусственного интеллекта в области автоматизации электронных технологий и разработки программного обеспечения. 2.
2. Ван Ц. «Применение технологий искусственного интеллекта в управлении электротехникой». 5.23 (2020): C,. 250-251.
3. Суй Ч. Дискуссия о применении искусственного интеллекта в автоматическом управлении электротехникой, 2016: C,. 29.
4. Фан Х. «Исследования по применению искусственного интеллекта в автоматическом управлении электрооборудованием». 2 (2020): C,. 217-218.
5. Жэнь Ц. Гун Шэнгао. Исследования по применению технологий искусственного интеллекта в автоматизированном электронном тестировании, 2021: C,. 2.
6. Чжу Ц. «Исследования в области электротехники и автоматизации на основе искусственного интеллекта». C,. 29-30.
7. Тан Д. Исследование метода краткосрочного прогнозирования силовой нагрузки на основе искусственного интеллекта., 2020.