Нейромережа TDNN для діагностики стану вентиляторної установки головного провітрювання

У статті розглянуто та проаналізовано існуючі методи діагностики шахтного вентилятора. Виходячи з виділених основних переваг і недоліків зазначених методів, розроблено та реалізовано нейромережевий метод діагностики стану вентиляторної установки головного провітрювання. В основу цього методу закладено запропоновану нейронну мережу TDNN, що пов’язано з забезпеченням нею найліпшої точності діагностики. В роботі була визначена структура моделі нейромережі, обрана та обґрунтована ознака для здійснення оцінки її ефективності, виконане навчання з використанням редукції при додаванні за навчальною множиною. Для прискорення процесу навчання авторської нейронної мережі запропоновано пакетний режим навчання; необхідно відмітити збільшення швидкості прямого і зворотного ходу при його використанні. Архітектура вказаної діагностичної моделі визначена на основі проведених експериментальних досліджень. Було виявлено, що збільшення кількості модулів вхідного шару нейромережі супроводжується зменшенням значення середньоквадратичної помилки діагностики. Отримані результати свідчать про недоцільність використання понад шістнадцяти модулів у вхідному шарі мережі. При наявності більшої кількості модулів буде спостерігатися досить незначна зміна значення отриманої помилки. Адекватність наведеної моделі характеризується вибором значень параметрів, що забезпечують мінімізацію показника середньоквадратичної помилки – мінімізацію різниці між виходом моделі і бажаним виходом. Обрана авторами нейромережа з часовою затримкою дозволяє досягти діагностичний результат з найменшим відхиленням і забезпечити підвищення якості результатів процесу діагностики вентилятора. Запропонований підхід може бути застосований в різних інтелектуальних системах, що забезпечують діагностичні процеси різного характеру