Удосконалення системи автоматичного моніторингу та прогнозування аварійних ситуацій на технологічних об’єктах

Abstract

У цій роботі розглядається розвиток досліджень у галузі виявлення несправностей електродвигунів на основі нейронних мереж до теперішнього часу, серед різних методів виявлення несправностей електродвигунів, алгоритм нейронної мережі BP та алгоритм граничної навчальної машини отримали більше визнання, і висновок про те, що алгоритм граничної навчальної машини перевищує алгоритм нейронної мережі BP у всіх аспектах, досягається шляхом аналізу порівняння прикладів, а потім для випадкової генерації граничної навчальної машини, знайденої в аналізі прикладів та принциповому планувальнику. Потім вирішується проблема низької волатильності результатів прогнозування через параметри ініціалізації для стимулювання граничної навчальної машини, і пропонується покращена модель граничної навчальної машини на основі оптимізації рою частинок.

This paper reviews the evolution of research into electric motor fault detection based on neural networks. Among the various detection methods, the Backpropagation (BP) neural network algorithm and the Extreme Learning Machine (ELM) algorithm have gained significant recognition; a comparative analysis of case studies demonstrates that the ELM algorithm outperforms the BP neural network algorithm in all respects. Furthermore, the study addresses the issue of prediction result instability caused by initialization parameters in the ELM, proposing an improved ELM model based on Particle Swarm Optimization.