Регресійний аналіз працездатності асинхронних електродвигунів на основі методу опорно-векторної класифікаційної машини

Актуальність теми статті полягає в тому, що запропонована методика здійснення регресійного аналізу працездатності асинхронних двигунів є невибагливою до точності вимірювання величин, за якими здійснюється регресійний аналіз, та до об’єму навчальної вибірки, тому вона може знайти застосування у сучасних вбудовуваних системах діагностування.

Мета роботи – розширення функціональних можливостей вбудовуваних систем інтелектуального діагностування елект-ричних машин шляхом навчання та аналізу регресійної моделі для визначення можливої кількості обірваних стрижнів короткозамкненого ротора асинхронного двигуна.

Методи дослідження базуються на використанні опорно-векторної класифікаційної машини, що застосовується у ре-гресійному представленні. При такому підході параметри регресійної моделі визначаються за допомогою розв’язання задачі квадратичного програмування, що має лише один розв’язок. Для визначення значень параметрів, що використовуються для навчання моделі, застосовується загальна теорія перехідних процесів у машинах змінного струму, методи математичного моделювання, обчислювальної математики, методи визначення симетричних складових узагальнених векторів.

Розроблена методика здійснення регресійного аналізу працездатності асинхронних двигунів на основі методу опорно-векторної класифікаційної машини, що дозволяє визначати як наявні несправності та пошкодження електричної машини, так і передбачити їх можливе виникнення у найближчому майбутньому.

Розроблена на базі методу опорних векторів регресійна модель дозволяє визначати кількість пошкоджених стрижнів короткозамкненого ротора асинхронного двигуна. Ефективність моделі підтверджено у результаті експеримента-льних досліджень. Встановлено, що найменше значення середньоквадратичного відхилення має регресійна модель з радіально-базисною функцією ядра. Таким чином, в тих випадках, коли необхідно використовувати регресійний зв’язок між керованими координатами, значні перспективи має застосування методів машинного навчання, заснованих на моделі векторного простору, мета яких – знайти поділяючі поверхні між класами, максимально віддалені від усіх точок навчальної множини.