Рекомендаційна система моніторингу стану синхронного двигуна
Автор: Сопрун Олег Вікторович
Кваліфікаційний рівень: магістр
Спеціальність: Системи і методи прийняття рішень
Інститут: Інститут комп'ютерних наук та інформаційних технологій
Форма навчання: денна
Навчальний рік: 2022-2023 н.р.
Мова захисту: українська
Анотація: У той час, коли зменшення споживання енергії є пріоритетом для кінцевих користувачів і промислових установ, синхронні двигуни з постійними магнітами закріплюються на ринку електродвигунів завдяки своїй ефективності. Популярність цього типу електродвигунів пов’язана з інноваціями, в результаті впровадження яких, значно знизились ціни на процесорні мікросхеми, що, у свою чергу, вплинуло на вартість електродвигунів. Коли вони тільки з’являлись на ринку, процесори для керування приводом були дорогими та не мали багатьох функцій, які були необхідні для стабільної роботи [1]. Незалежно від типу, синхронні двигуни повинні бути забезпечені певним приводом, які також називають системами управління або контролерами, які пропонують широкий спектр функцій для контролю роботи та стану електродвигуна. Вони можуть допомагати двигуну запускатися в умовах низької напруги, керувати кількома швидкостями або реверсом, захищають від перевантаження по струму, разом з тим реалізуючи широкий спектр інакших функцій. Деякі складні пристрої керування двигуном також допомагають ефективно контролювати швидкість і обертовий момент двигуна. Попри те, що дані системи добре справляються з контролем рівня вібрацій, частоти та напрямку обертання двигуна і його підключень, є виключення які стосуються можливостей цих систем у контролі температурного режиму синхронних двигунів. Особливо гостро це питання стоїть для синхронних двигунів з постійними магнітами, оскільки їхня конструкція тягового електроприводу не дозволяє з достатньою надійністю проводити замірювання температури датчиками, тому контроль температурного стану вимагає додаткового прогнозування температур з використанням інших показників двигуна та методів машинного навчання [2]. В межах даної магістерської кваліфікаційної роботи було описано проблему моніторингу стану синхронних двигунів з постійними магнітами, а також, можливості покращити досвід використання пристроїв на базі цього електродвигуна для кінцевого користувача. Для цього було проведено аналіз систем, які повністю або частково вирішують вище зазначену проблему, було визначено основні переваги та недоліки цих систем. Для вирішення цієї проблеми було проведено системний аналіз предметної області з допомогою метода дерева цілей та метода аналізу ієрархій, в результаті чого було визначено генеральну мету роботи та тип системи, що проектується. Для створення концептуальної моделі системи було використано уніфіковану мову моделювання, а саме діаграми варіантів використання, класів, станів та діяльності, діаграму послідовності і розгортання [3]. Спроектована “Рекомендаційна система моніторингу стану синхронного двигуна” покликана виконувати моніторинг стану двигуна використовуючи показники зняті контролером двигуна, а також значення температури ротора, яке прогнозуються з допомогою алгоритму екстремального градієнтного підсилення [4]. Також, використовуючи виміряні та прогнозовані показники, разом з алгоритмом k-найближчих сусідів [5], система буде формувати рекомендації для користувача, задля підвищення його безпеки і покращення кінцевого досвіду використання пристрою з синхронними двигуном. Для тренування вище зазначених алгоритмів машинного навчання було використано набір сенсорних даних зібраних з синхронного двигуна, розміщеного на тестовому стенді, який являє собою модель-прототип від виробника оригінального обладнання та був зібраний відділом LEA Падерборнського університету в Німеччині [6]. Для програмної реалізації системи було використано мову програмування Python, разом з різноманітними модулями для роботи з даними та моделями машинного навчання [7]. Базу даних системи було реалізовано з допомогою реляційної системи керування базами даних SQlite[8]. Графічний інтерфейс користувача було сформовано використовуючи платформу Qt [9]. В результаті досягнення генеральної мети роботи було створено рекомендаційну систему моніторингу синхронного двигуна, яка здатна проводити прогнозування температур в режимі реального часу, використовуючи дані виміряні сенсорами електродвигуна, а також формувати рекомендації для кінцевого користувача у залежності від показників поточного стану двигуна, та від того як сам користувач з ним взаємодіє в моменті. Об’єкт дослідження – процес аналізу стану синхронного двигуна для надання рекомендацій користувачеві пристрою на базі цього двигуна. Предмет дослідження – методи та засоби з допомогою яких можна провести аналіз стану синхронного двигуна та сформувати рекомендації щодо використання пристрою з цим двигуном. Мета дослідження – створення рекомендаційної системи моніторингу стану синхронного двигуна. Результатом дослідження є робоча рекомендаційна система моніторингу стану синхронного двигуна, яка покликана допомогти користувачам пристроїв, на базі синхронних двигунів, надаючи їм інформацію про стан двигуна та рекомендації, які покликані допомогти забезпечити стабільність, ефективність, та безпеку під час роботи двигуна. Ключові слова – рекомендаційна система, синхронний двигун, моніторинг, стан, методи машинного навчання, прогнозування температур. Перелік використаних літературних джерел. 1. The Advantages of Synchronous Motors. pumpsandsystems.com: веб-сайт. URL: https://www.pumpsandsystems.com/advantages-synchronous-motors (дата звернення: 01.11.2022). 2. Hongchang Ding, Xiaobin Gong, Yuchun Gong, "Estimation of Rotor Temperature of Permanent Magnet Synchronous Motor Based on Model Reference Fuzzy Adaptive Control", Mathematical Problems in Engineering, vol. 2020, Article ID 4183706, 11 pages, 2020. https://doi.org/10.1155/2020/4183706 3. Fowler M. UML Distilled: A Brief Guide to the Standard Object Modeling Language / M. Fowler, K. Scott., 2003. – 208 с. – (Addison-Wesley Professional). 4. XGBoost: Extreme Gradient Boosting — How to Improve on Regular Gradient Boosting?. towardsdatascience.com: веб-сайт. URL: https://towardsdatascience.com/xgboost-extreme-gradient-boosting-how-to-improve-on-regular-gradient-boosting-5c6acf66c70a (дата звернення: 01.11.2022). 5. K-Nearest Neighbor. medium.com: веб-сайт. URL: https://medium.com/swlh/k-nearest-neighbor-ca2593d7a3c4 (дата звернення: 01.11.2022). 6. Electric Motor Temperature. kaggle.com: веб-сайт. URL: https://www.kaggle.com/wkirgsn/electric-motor-temperature (дата звернення: 01.11.2022). 7. Why Use Python for AI and Machine Learning? steelkiwi.com: веб-сайт. URL: https://steelkiwi.com/blog/python-for-ai-and-machine-learning/ (дата звернення: 01.11.2022). 8. About SQLite. sqlite.org: веб-сайт. URL: https://www.sqlite.org/about.html (дата звернення: 01.11.2022). 9. About Qt. qt.io: веб-сайт. URL: https://wiki.qt.io/About_Qt (дата звернення: 01.11.2022).