Browsing by Author "Оніщенко, Євгеній Віталійович"

Now showing 1 - 1 of 1

Інтелектуальна система побудови векторних діаграм електричних кіл
(Національний університет "Львівська політехніка", 2023) Оніщенко, Євгеній Віталійович; Onishchenko, Yevhenii Vitaliiovych; Досин, Дмитро Григорович; Національний університет "Львівська політехніка"
Темою магістерської кваліфікаційної роботи є розробка інтелектуальної системи побудови векторних діаграм електричних кіл. Векторні діаграми [1] є інструментом аналізу фазових характеристик системи, зокрема в галузі енергетики. Вони створені для зображення таких параметрів як струм, напруга, потужність у графічній формі. Кут та довжина векторів відображають фазові та амплітудні характеристики цих величин. Мета і задачі дослідження. Метою даної роботи є визначення вимог та створення конкурентоспроможного автоматизованого засобу побудови векторних діаграм електричних кіл, де інженер енергетичної галузі буде докладати мінімум зусиль щоб отримати готову діаграму. Можливості розробленої системи включають, але не обмежуються такими функціями: • Можливість розпізнавання елементів електричного кола на малюнку (схемі). Це дозволяє не вносити кожен елемент вручну при введені вхідних даних у систему, а лише їхні значення електричних параметрів. • Розпізнавання розміщення та з’єднання електричних елементів у схемі. Це значно спрощує обрахунки загальної напруги та струму електричного кола, адже кількість елементів системи та значення кожного з них не має значення якщо алгоритм такого розпізнавання працює правильно. Об’єктом дослідження є методи штучного інтелекту у технологіях проектування в енергетичній галузі. Предметом дослідження є методи та засоби реалізації інтелектуальної системи побудови векторних діаграм. Інтелектуальна система побудови векторних діаграм електричних кіл – це багатокомпонентна система, створена для автоматизації процесу побудови векторних діаграм для схеми електричного кола, яка може бути представлена рисунком від руки. Порівнюючи різні типи систем методом аналізу ієрархій обрано систему на основі моделей машинного навчання для виконання цього завдання. В основу такої системи покладено використання готових моделей машинного навчання для розпізнавання елементів електричних схем та автоматичної побудови векторних діаграм. Спеціалізованих програмних засобів для автоматизації побудови векторних діаграм не існує, тому дана магістерська робота є унікальною. Проведено дослідження існуючих методів використання штучного інтелекту для розпізнавання об'єктів на зображенні, зокрема порівняння декількох фреймворків для тренування моделей штучного інтелекту, і в результаті обрано засоби PyTorch [2] та YOLOv5 [3, 4] для створення власної системи, які були інтегровані в існуючий проєкт як окрема його частина. Робота розділена на дві частини: побудова діаграм і розпізнавання об'єктів на зображеннях. Концептуальна модель системи включає в себе різні елементи, такі як модуль розпізнавання, який відповідає за розпізнавання об'єктів електричного кола на зображенні та збереження результатів; користувацький інтерфейс, що дозволяє вводити дані, вибирати параметри та переглядати діаграми; модуль обробки даних, який аналізує та обчислює параметри для побудови векторних діаграм, серед інших. Система розпізнає елементи на схемі, що якраз і є метою використання штучного інтелекту, такі як резистори, діоди, котушки індуктивності, джерела напруги, конденсатори. З’єднання між елементами визначається теж автоматично. Це зроблено як за допомогою штучного інтелекту, так і власноруч продуманих алгоритмів. Параметри кожного елемента задаються користувачем. Знаючи цю інформацію можна провести обрахунок загальних електричних складових кола – струму та напруги і побудувати векторну діаграму. Система створена таким чином, щоб бути відкритою до збільшення своїх функціональних можливостей. Архітектура системи побудована на підході MVC, що дозволяє ефективно розділити логічні складові. Також використовуються інші шаблони розробки програмного забезпечення, такі як Спостерігач, Одинак, Фабрика, для забезпечення більшої стабільності та ефективності системи. Процес навчання моделі YOLO включав в себе використання 154 зображень електричних схем [5] для досягнення високої точності та надійності розпізнавання об'єктів. Точність розпізнавання об’єктів становить 98%. Проект розроблено з використанням мов програмування C++ та Python, інтегрованих з фреймворками QT [6], QCustomPlot, PyTorch та моделлю YOLOv5. Результатом є створення інтерфейсу користувача, здатного взаємодіяти з користувачем та забезпечувати зручний доступ до функціоналу системи. Можливість побудови векторних діаграм для трьох фаз на одному графіку підвищує універсальність та корисність системи для інженерних потреб. Проект також має перспективи розвитку, включаючи розпізнавання більшої кількості елементів, обрахунок струму та напруги для складних електричних кіл та побудову складних векторних діаграм.