Уведомления
Авторизуйтесь или зарегистрируйтесь, чтобы оценивать материалы, создавать записи и писать комментарии.
Авторизуясь, вы соглашаетесь с правилами пользования сайтом и даете согласие на обработку персональных данных.
Нейросеть научили быстро и точно менять режимы работы электродвигателя
Для работы лифтов, прессов, металлорежущих станков и других электроприводных систем используют двигатели постоянного тока. Они преобразуют поступающую электроэнергию в механическое вращение. При этом током, скоростью, положением и другими важными параметрами управляют специальные электронные регуляторы, которые поддерживают все переменные на нужном уровне, не допуская отклонений. Но случается так, что они не всегда обеспечивают необходимую точность и быстроту, что приводит к замедленному реагированию на изменение условий, рывкам, толчкам и нестабильной работе механизма. Поэтому широкое применение в подобных системах начинают находить нейросети. Ученые Пермского Политеха разработали эффективный подход к их обучению, который позволяет тонко настраивать регулятор и избегать возникновения ошибок.
Статья опубликована в журнале «Электротехника». Исследование выполнено в рамках программы стратегического академического лидерства «Приоритет 2030».
Лифты, прессы, металлорежущие станки и другие производственные механизмы приводятся в движение с помощью двигателя постоянного тока. Этими процессами управляет электронный регулятор. В случае неправильной настройки он может недостаточно быстро и точно реагировать на изменение условий функционирования механизма, из-за чего появляются задержки в работе, могут возникать рывки и толчки, что вызывает повышенный износ механических частей и подшипников.
Все это чревато недостаточно точной обработкой деталей на металлообрабатывающем станке, неравномерной подачей материалов на конвейере, некомфортным перемещением и даже опасностью для пассажиров в лифте. Для точного управления такими объектами возможно применение регуляторов, построенных на базе нейронной сети.
Тренировать нейросеть можно по-разному: с «учителем» и без. В первом случае ее учат просто «подражать» уже настроенному регулятору. Недостаток в том, что так она не сможет работать лучше своего прототипа. Во втором она самостоятельно анализирует загружаемые в нее входные данные и ищет в них закономерности. Здесь возникает другая сложность: непросто подобрать нужную выборку данных для обучения.
Ученые Пермского Политеха разработали оригинальный подход, когда нейросеть тренируется не на самом промышленном объекте, а на его «цифровом двойнике». Для этого специалисты предприятия совестно с учеными разрабатывают специальные имитационные модели, которые описывают процессы движения и взаимодействия разных частей механизма, в том числе двигателя и его элементов, с помощью математических уравнений. Это позволяет выполнить настройку регулятора, не нарушая условий работы реального производственного процесса.
Обучение всегда происходит по методу «проб» и (что важно) «ошибок»: на начальных этапах ИИ не знает, какое воздействие будет правильным, поэтому просто перебирает случайные параметры и пробует применить их к системе. Если они окажутся ошибочными, скорректирует их и попробует снова. Но в условиях реального производства нельзя позволить ей подобным образом экспериментировать и нарушать ход рабочего процесса, ведь это может привести к аварийным ситуациям. Поэтому использование модели – это способ более тонко обучить регулятор на большом количестве различных данных.
«В нашем подходе мы применяем «функцию потерь», которая оценивает расхождение между предсказаниями модели и фактическими значениями, которые собраны с существующего объекта. Это возможность более тонко «объяснить» нейросети, чего мы хотим от нее добиться. При этом, в отличие от традиционной работы нейрорегулятора, в нашей схеме эта функция не встроена в ИИ, она действует как «внешний наблюдатель», сравнивает прогноз сети с истиной и сообщает, насколько хорошо сеть справилась», – комментирует Дмитрий Даденков, доцент кафедры «Микропроцессорные средства автоматизации» ПНИПУ, кандидат технических наук.
Политехники протестировали процесс обучения на примере системы регулирования скорости в двигателе. Создали жесткие условия: нейросеть должна была регулировать скорость вращения, во-первых, когда она менялась резко и непредсказуемо, во-вторых, при изменяющейся нагрузке, то есть того необходимого сопротивления, которое двигатель должен преодолевать, чтобы вращаться.
«Подобные условия могут возникнуть на станках, конвейерах или в аварийных ситуациях, когда нужно резко переключить скоростной режим или вовсе остановить работу. Это требует от устройства быстрой реакции и точности движений. Тесты показали, что регулятор, обученный по нашей схеме, работает корректно: при изменении нагрузки скорость двигателя практически не проседает, а при необходимости задать другую скорость наблюдается незначительное перерегулирование – около одного процента. Для проверки работы нейрорегулятора в реальных условиях на измеренное состояние объекта накладывался «шум» – случайные некорректные данные. Регулятор, который обучался на модели без него, успешно справлялся с управлением скоростью и на зашумленном объекте», – рассказывает Игорь Шмидт, доцент кафедры «Микропроцессорные средства автоматизации» ПНИПУ, кандидат технических наук.
Применение таких регуляторов не ограничивается двигателями постоянного тока, их имеет смысл применять везде, где классические регуляторы справляются плохо: если объект управления является сложной нелинейной, многосвязной системой, или имеются дополнительные критерии качества управления.
Подход ученых Пермского Политеха предоставляет практически неограниченные возможности по тонкой настройке нейрорегулятора. Также при получении информации о факторах, которые могут привести к ошибке, нейросеть заранее предотвращает ее появление. Это позволяет эффективно управлять процессами в электроприводных системах лифтов, конвейеров, металлорежущих станков, прокатных станов и подъемно-транспортных машин.
Telegram 
Дзен 
VK Среди самых интригующих открытий космического телескопа «Джеймс Уэбб» — компактные объекты, получившие название «маленькие красные точки». Их видели только в самых дальних уголках Вселенной. Большинство возникло в первый миллиард лет после Большого взрыва, и ученые предполагали, что такие источники представляют собой небольшие компактные галактики. Однако международная команда астрономов пришла к иному выводу. Они предположили, что на самом деле «маленькие красные точки» — черные дыры, окруженные массивной газовой оболочкой.
Объединить конфликтующие свойства помогли квазичастицы со специфическим зарядом. Если удастся подтвердить предложенную теорию экспериментом, то перед нами — новый тип квантовых материалов.
Группа исследователей опровергла классическую теорию о случайности вымирания видов на примере морских хищников. Анализ эволюции акул и скатов за последние 145 миллионов лет показал, что риск исчезновения вида напрямую зависит от времени его существования: «новички» погибают гораздо чаще, чем эволюционные долгожители. Кроме того, ученые установили, что знаменитый астероид, погубивший динозавров, нанес океану не такой сильный удар, как последующее изменение климата.
Среди самых интригующих открытий космического телескопа «Джеймс Уэбб» — компактные объекты, получившие название «маленькие красные точки». Их видели только в самых дальних уголках Вселенной. Большинство возникло в первый миллиард лет после Большого взрыва, и ученые предполагали, что такие источники представляют собой небольшие компактные галактики. Однако международная команда астрономов пришла к иному выводу. Они предположили, что на самом деле «маленькие красные точки» — черные дыры, окруженные массивной газовой оболочкой.
Экологическое состояние морей, омывающих развитые и развивающиеся страны, — давняя проблема, о которой говорят ученые. Авторы нового исследования выявили в Средиземном море пещеры с рекордным количеством мусора.
Исследователи доказали, что влияние больших сделок на рынок описывается квадратичной зависимостью. Основой для анализа стали данные Токийской биржи.
С 2010-х в «Роскосмосе» говорили: будущая РОС сможет пролетать над полюсом, что даст ей возможности для новых научных экспериментов. Но вскоре после того, как в ноябре 2025 года Россия временно лишилась возможности запускать людей в космос, эта позиция изменилась. В результате запускать космонавтов с космодромов нашей страны станет довольно сложно.
На скалистых берегах аргентинской Патагонии разворачивается настоящая драма. Магеллановы пингвины, долгое время чувствовавшие себя в безопасности на суше в своих многотысячных колониях, столкнулись с новым и беспощадным врагом. Их извечные морские страхи — касатки и морские леопарды — теперь блекнут перед угрозой, пришедшей из глубины материка. Виновник переполоха — грациозный и мощный хищник, недавно вернувшийся на эти земли после долгого изгнания.
Позавчера, 27 ноября 2025 года, при запуске космонавтов к МКС на стартовую площадку № 31 упала кабина обслуживания стартового комплекса. Это означает, что новые пуски оттуда до починки невозможны. К сожалению, в 2010-х годах, в рамках «оптимизации» расходов, резервную площадку (с которой летал Юрий Гагарин) упразднили. Поэтому случилось беспрецедентное: в XXI веке страна с пилотируемой космической программой осталась без средств запуска людей на орбиту. Пока ремонт не закончится, проблема сохранится. Чем это может грозить?
Вы попытались написать запрещенную фразу или вас забанили за частые нарушения.
Понятно
Из-за нарушений правил сайта на ваш аккаунт были наложены ограничения. Если это ошибка, напишите нам.
Понятно
Наши фильтры обнаружили в ваших действиях признаки накрутки. Отдохните немного и вернитесь к нам позже.
Понятно
Мы скоро изучим заявку и свяжемся с Вами по указанной почте в случае положительного исхода. Спасибо за интерес к проекту.
Понятно