Predikce a klasifikace zbytkové životnosti izolačního materiálu vinutí elektrických strojů pomocí neuronové sítě RBF.

RBF Neural Network As a Diagnostic Tool for Insulting Materials of Electric Rotary Machine.

článek ve sborníku ve WoS nebo Scopus

cs

Článek se zabývá využitím neuronové sítě RBF s radial basis transfer function pro predikci a klasifikaci stavu zbytkové životnosti izolačních materiálů Relanex vinutí elektrických strojů točivých. Neuronová síť jako prediktor je určena pro předpověď zbytkové životnosti izolačního materiálu v budoucnosti na základě hodnot naměřených na elektrickém stroji v minulosti. V těchto případech je výstupem neuronové sítě vždy číselná hodnota veličiny charakterizující stav zbytkové životnosti. Neuronovou síť RBF je však možné využít i jako klasifikátor, kdy na základě nameřených vstupních dat neuronová síť například slovně určí zbytkovou životnost elektrického stroje, tedy klasifikuje jeho stav. Klasifikace neuronovou sítí tedy znamená určení stavu zbytkové životnosti do předem zvoleného počtu tříd charakterizující celkový stav izolačního materiálu elektrického stroje točivého. Příspěvek popisuje použité vstupní a výstupní veličiny, představuje vybranou neuronovou síť RBF a prostřednictvím provedených testů shodnocuje její využití. RBF neuronovou síť pro predikci i klasifikaci jsme naprogramovali v prostředí Matlab 6.0. Tímto produktem jsme rovněž provedli veškeré výpočty a testy.

Článek se zabývá využitím neuronové sítě RBF s radial basis transfer function pro predikci a klasifikaci stavu zbytkové životnosti izolačních materiálů Relanex vinutí elektrických strojů točivých. Neuronová síť jako prediktor je určena pro předpověď zbytkové životnosti izolačního materiálu v budoucnosti na základě hodnot naměřených na elektrickém stroji v minulosti. V těchto případech je výstupem neuronové sítě vždy číselná hodnota veličiny charakterizující stav zbytkové životnosti. Neuronovou síť RBF je však možné využít i jako klasifikátor, kdy na základě nameřených vstupních dat neuronová síť například slovně určí zbytkovou životnost elektrického stroje, tedy klasifikuje jeho stav. Klasifikace neuronovou sítí tedy znamená určení stavu zbytkové životnosti do předem zvoleného počtu tříd charakterizující celkový stav izolačního materiálu elektrického stroje točivého. Příspěvek popisuje použité vstupní a výstupní veličiny, představuje vybranou neuronovou síť RBF a prostřednictvím provedených testů shodnocuje její využití. RBF neuronovou síť pro predikci i klasifikaci jsme naprogramovali v prostředí Matlab 6.0. Tímto produktem jsme rovněž provedli veškeré výpočty a testy.

This contribution deals with neural network RBF with radial basis transfer function improvement for residual lifetime prediction and classification of insulating material Relanex which is used for electric rotary machines winding. This neural network is used for prediction of residual lifetime of insulating material to the future on the basis of measured values, which was measured on the electric machine in the former times. The output from neural network in this case is always a numeric value of magnitude characterizing the state of residual lifetime. The RBF neural network can be used as a classificator too, where in the base of measured input data the neural network verbally determine the residual lifetime for example and that means the neural network classified its state. The classification by neural network means to determine the residual lifetime and class these values into the predetermined number of categories which characterized a total state of insulating system electric rotary machine winding. This contribution describes used input and output magnitudes, presents the chosen RBF neural network and by means of testing procedures then check-up its quality. The RBF neural network for prediction and classification was programmed by mathematic software Matlab 6.0.

predikce, izolační materiál, diagnostika

prediction, diagnostics, neural network, insulating materials

03.02.2004

HART PRESS, sro. Otrokovice

Ostrava

80-248-0465-4

Sborník 23. Mezinárodní konference DIAGO (Technická diagnostika strojů a výrobních zařízení)

7