НЕЙРОСЕТЬ TDNN ДЛЯ ДИАГНОСТИКИ СОСТОЯНИЯ ВЕНТИЛЯТОРНОЙ УСТАНОВКИ ГЛАВНОГО ПРОВЕТРИВАНИЯ

Автор(и)

DOI:

https://doi.org/10.24025/2306-4412.4.2019.184525

Ключові слова:

диагностика, вентиляторная установка главного проветривания, нейронная сеть, пакетный режим обучения, производственная безопасность

Анотація

В статье рассмотрены и проанализированы существующие методы диагностики шахтного вентилятора. Исходя из выделенных основных преимуществ и недостатков указанных методов, разработан и реализован нейросетевой метод диагностики состояния вентиляторной установки главного проветривания. В основу данного метода заложена предложенная нейронная сеть TDNN, архитектура которой определена на основе проведенных экспериментальных исследований. Для ускорения процесса обучения авторской нейронной сети предложен пакетный режим обучения. Для оценки эффективности предложенного метода диагностики состояния вентиляторной установки главного проветривания была проведена серия численных исследований, результаты которых доказывают эффективность предложенной авторами нейронной сети и ее архитектуры.

Біографії авторів

Евгений Евгениевич Федоров, Черкасский государственный технологический университет

Кафедра робототехники и специализированных компьютерных систем, д.т.н., доцент, профессор

Ирина Викторовна Ярош, Донецкий национальный технический университет

Кафедра прикладной математики и информатики, старший преподаватель

Татьяна Александровна Черняк, Донецкий национальный технический университет

Кафедра прикладной математики и информатики, ассистент

Посилання

A. R. Shirman, and A. B. Solov'ev, Practical vibration diagnostics and monitoring of mechanical equipment condition. Moscow, 1996 [in Russian].

A. V. Barkov, N. A. Barkova, and A. Yu. Azovczev, Monitoring and diagnostics of rotary machines by vibration, St. Petersburg: Izd. czentr SPbGMTU, 2000 [in Russian].

V. A. Barkov, Current state of vibroacoustic diagnostics of machines. St. Petersburg: Assotsiatsiya VAST, 2002 [in Russian].

A. S. Gol'din, Vibration of rotary machines. Moscow: Mashinostroenie, 1999 [in Russian].

V. V. Klyueva, Non-destructive testing and diagnostics. Moscow: Mashinostroenie, 2003 [in Russian].

E. E. Fedorov, Methods of intellectual diagnostics. Donetsk: Noulidzh, 2010 [in Russian].

G. A. Babak, K. P. Bocharov, and A. T. Volokhov, Mine fan installations of main ventilation. Moscow: Nedra, 1982 [in Russian].

B. A. Nosyrev, and S. V. Belov, Fan installations of mines and undergrounds. Ekaterinburg: Izd-vo Ural. gos. gorno-geolog. akademii, 2000 [in Russian].

M. I. Jordan, "Attractor dynamics and parallelism in a connectionist sequential machine", in Proc. Ninth Annu. Conf. Cognitive Science Society, Hillsdale, NJ, 1986, pp. 531-546.

M. Jordan, and D. Rumelhart, "Forward models: supervised learning with a distal teacher", Cognitive Science, vol. 16, pp. 307-354, 1992.

Z. Zhang, Z. Tang, and C. Vairappan, "A novel learning method for Elman neural network using local search", Neural Information Processing – Letters and Reviews, vol. 11, no. 8, pp. 181-188, 2007.

J. Wiles, and J. Elman, "Learning to count without a counter: a case study of dynamics and activation landscapes in recurrent networks", in Proc. Seventeenth Annu. Conf. Cognitive Science Society, Cambridge, MA, 1995, pp. 1200-1205.

S. Haykin, Neural networks. NY: Pearson Education, 1999.

E. E. Fedorov, Artificial Neural Networks. Krasnoarmejsk: DonNTU, 2016 [in Russian].

K. J. Lang, and G. E. Hinton, "The development of the time-delay neural network architecture for speech recognition", Pittsburgh, PA, Carnegie-Mellon University, Tech. Rep. CMU-CS-88-152-1988.

A. Waibel, T. Hanazawa, G. Hinton, K. Shikano, and K. J. Lang, "Phoneme recognition using time-delay neural networks", IEEE transactions on Acoustics, Speech and Signal Processing, vol. 37, pp. 328-329, 1988.

##submission.downloads##

Опубліковано

2020-01-13

Як цитувати

Федоров, Е. Е., Ярош, И. В., & Черняк, Т. А. (2020). НЕЙРОСЕТЬ TDNN ДЛЯ ДИАГНОСТИКИ СОСТОЯНИЯ ВЕНТИЛЯТОРНОЙ УСТАНОВКИ ГЛАВНОГО ПРОВЕТРИВАНИЯ. Вісник Черкаського державного технологічного університету, (4), 19–25. https://doi.org/10.24025/2306-4412.4.2019.184525

Номер

Розділ

Автоматизація та приладобудування

URN