Інтелектуальна система аналізу процесів споживання заряду акумуляторними батареями

Abstract

У статті розроблено інтелектуальну систему аналізу та нейромережевого прогнозування споживання заряду акумуляторної батареї для автоматизованих транспортних засобів (АКТЗ). Для цього проаналізовано типи АКТЗ та методи ефективного прогнозу споживання заряду їх акумуляторної батареї. Встановлено, що вони основані на: процесах оптимального керування роботом; застосуванні технологій для підвищення ємності та продовження терміну служби батареї; використанні систем моніторингу та прогнозування стану батареї тощо. Дані для прогнозу зібрано за допомогою UAExpert OPC UA client, який дав змогу перетворити інформативні компоненти даних у формат, придатний для подальшого опрацювання (CSV). Для видалення викидів у сигналах виконано дисперсійний аналіз кожного параметра АКТЗ. Втраченими вважалися дані, для яких значення сигми перевищувало 1,5, їх заміняли ковзним середнім 12 точок (кількості входів ШНМ). Для навчання, верифікації та тестування нейромережі вибрали параметри з високою та середньою додатною кореляційною залежністю, визначені згідно з коефіцієнтом кореляції Пірсона. Коротко- та середньострокове прогнозування споживання заряду акумуляторної батареї для АКТЗ здійснювали на основі ШНМ з глибинним навчанням, модель якої була протестована у двох режимах: прогнозування та передбачення. Досліджено ефективність розробленої системи її тестуванням на даних, отриманих з АКТЗ Formica-1. Середня абсолютна похибка тестування становила менше ніж 1 %. Найбільше значення похибки прогнозування було меншим за 9 % під час прогнозування таких параметрів, як поточне положення та X-координата, що корелюють зі споживанням заряду акумуляторної батареї для АКТЗ. Експериментально встановлено підвищення точності прогнозу споживання заряду акумуляторної батареї для різнотипних АКТЗ.

The article develops an intelligent system of analysis and neural network forecasting of battery charge consumption for automated vehicles (AGVs). For this purpose, the types of AGV and the methods of effective forecasting of their battery charge consumption were analyzed. It is established that they are based on optimal robot control processes; application of technologies to increase capacity and extend service life. The data for the forecast was collected using the UAExpert OPC UA client, which allowed to convert the informative components of the data vector into a format suitable for further processing (csv). To eliminate outliers in the signals, a dispersion analysis of each parameter of AGV was carried out. Data for which the sigma value exceeded 1.5 were considered partialle lost and were replaced by a moving average of 12 points(the number of ANN inputs). For training, verification and testing of neural networks, parameters with high and medium positive correlation dependence were selected according to the Pearson correlation coefficient. Short-term and medium-term forecasting of battery charge consumption for AKTZ was carried out on the basis of ANN with deep learning, the model of which was tested in two modes: forecasting and prediction. The effectiveness of the developed system was investigated by testing it on the data obtained from Formica-1 AGV. The average absolute testing error was less than 1 %. The highest value of the prediction error was less than 9 % when predicting such parameters as current position and X-coordinate, which are correlated with battery charge consumption for AGV. It has been established experimentally that the accuracy of the forecast of battery charge consumption for various types of AGV has been improved.