Browsing by Author "Sheremet, Oleksii"

Now showing 1 - 1 of 1

Regression analysis of the Performance of Asynchronous Electric Motors on the Basis of Support Vector Machine (SVM)
(Видавництво Львівської політехніки, 2018-10-10) Шеремет, Олексій; Садовой, Олександр; Sheremet, Oleksii; Sadovoi, Oleksander; Donbass State Engineering Academy; Dniprovsk State Technical University
Актуальність теми статті полягає в тому, що запропонована методика здійснення регресійного аналізу працездатності асинхронних двигунів є невибагливою до точності вимірювання величин, за якими здійснюється регресійний аналіз, та до об’єму навчальної вибірки, тому вона може знайти застосування у сучасних вбудовуваних системах діагностування. Мета роботи – розширити функціональні можливості вбудовуваних систем інтелектуального діагностування електричних машин шляхом навчання та аналізу регресійної моделі для визначення можливої кількості обірваних стрижнів короткозамкненого ротора асинхронного двигуна. Методи дослідження засновані на використанні опорно-векторної класифікаційної машини, що застосовується у регресійному представленні. За такого підходу параметри регресійної моделі визначаються за допомогою розв’язання задачі квадратичного програмування, що має лише один розв’язок. Для визначення значень параметрів, що використовуються для навчання моделі, застосовують загальну теорію перехідних процесів у машинах змінного струму, методи математичного моделювання, обчислювальної математики, методи визначення симетричних складових узагальнених векторів. Розроблено методику здійснення регресійного аналізу працездатності асинхронних двигунів на основі методу опорно-векторної класифікаційної машини, що дозволяє визначати як наявні несправності та пошкодження електричної машини, так і передбачити їхнє можливе виникнення у найближчому майбутньому. Розроблена на базі методу опорних векторів регресійна модель дозволяє визначати кількість пошкоджених стрижнів короткозамкненого ротора асинхронного двигуна. Ефективність моделі підтверджено у результаті експериментальних досліджень. Встановлено, що найменше значення середньоквадратичного відхилення має регресійна модель з радіально-базисною функцією ядра. Отже, в тих випадках, коли необхідно використовувати регресійний зв’язок між керованими координатами, значні перспективи має застосування методів машинного навчання, заснованих на моделі векторного простору, мета яких – знайти поділяючі поверхні між класами, максимально віддалені від усіх точок навчальної множини.