найрони сет микро. Благодаров д. А., Сафонов ю. М., Каземирова ю. К., Тишкин а. А
![]()
|
УДК 621.31 БЛАГОДАРОВ Д.А., САФОНОВ Ю.М., КАЗЕМИРОВА Ю.К., ТИШКИН А. А., КОПЕСБАЕВА А.А. ФОРМИРОВАНИЕ КОМФОРТНЫХ УСЛОВИЙ РАБОТЫ НА ПРЕДПРИЯТИИ Благодаров Дмитрий Анатольевич Доцент, ФГБОУ ВО «НИУ «МЭИ» Е-mail: BlagodarovDA@mpei.ru Сафонов Юрий Михайлович Профессор, ФГБОУ ВО «НИУ «МЭИ» Е-mail: SafonovYM@mpei.ru Каземирова Юлия Константиновна Студент, ФГБОУ ВО «НИУ «МЭИ» Е-mail: yulia.star95@gmail.com Тишкин Александр Алексеевич Студент, ФГБОУ ВО «НИУ «МЭИ» Е-mail: potm1200@gmail.com Копесбаева Акшолпан Ауелбековна профессор, НАО "Алматинский университет энергетики и связи" Е-mail: kaa_aipet@mail.ru Аннотация. Для плодотворной работы сотрудников любого предприятия очень важно создать благоприятные климатические условия на всех рабочих местах. Для достижения этой цели ставится задача равномерного распределения комфортных условий микроклимата по всему объему помещения и применение интеллектуального метода управления процессом создания таких условий с использованием нейронной сети. Ключевые слова: микроклимат, комфортные условия, нейронная сеть, обучение. BLAGODAROV D.A., SAFONOV Y.M., KAZEMIROVA Y. K., TISHKIN A.A., KOPESBAEVA A.A. THE CREATION OF A COMFORTABLE WORK ENVIRONMENT IN THE ENTERPRISE Blagodarov Dmitry Anatolevich Аssociate Professor, National Research University «Moscow Power Engineering Institute» Е-mail: BlagodarovDA@mpei.ru Safonov Yury Mikhailovich Professor, National Research University «Moscow Power Engineering Institute» Е-mail: SafonovYM@mpei.ru Kazemirova Yulia Konstantinovna Student, National Research University «Moscow Power Engineering Institute» Е-mail: yulia.star95@gmai.com Tishkin Alexsander Alekseevich Student, National Research University «Moscow Power Engineering Institute» Е-mail: potm1200@gmail.com Kopesbaeva Aksholpan Uncommercial Joint Stock Company Almaty University of Power Engineering & Telecommunications Е-mail: kaa_aipet@mail.ru Abstract. For fruitful work of employees of any enterprise is very important to create favorable climatic conditions in all workplaces. To achieve this goal of uniform distribution of comfortable conditions of a microclimate throughout the volume of the room and the use of intelligent method to manage the process of creating such conditions using a neural network. Keywords: microclimate, comfort conditions, neural network, training. Среди различных аспектов трудовой деятельности особое место занимают условия труда. Благоприятные условия способствуют интенсивному и производительному труду и сохранению здоровья человека. Оптимальное сочетание параметров микроклимата является основным требованием, которое обеспечивает нормальные условия жизнедеятельности человека. Микроклимат помещенияопределяется основными физическими параметрами: температурой, влажностью, скоростью движения воздуха и содержанием кислорода. Для каждого из показателей установлены оптимальные уровни и допустимые пределы колебаний, которые регламентированы санитарно- эпидемиологическими правилами и нормами. В настоящий момент не на всех предприятиях соблюдается поддержание комфортного микроклимата, так как управление всеми параметрами микроклимата с учетом их комплексного воздействия на организм человека является трудной задачей. Поддерживание комфорта в рабочей среде влечет за собой создание систем, позволяющих автоматически вести регулирование в течение года, делающих это непрерывно, имеющих общий алгоритм управления, который реагирует на изменение окружающей среды. Для управления объектами автоматизированной системы чаще всего используют промышленные регуляторы, такие как: П-регулятор, ПИ-регулятор и ПИД-регулятор, как самые распространенные на практике. Такой метод хорошо работает при полностью детерминированном объекте управления и для поддержания заданного значения управляемой величины. Для совокупного управления всеми параметрами микроклимата и достижения оптимальных значений с учетом их комплексного воздействия на человека такой метод регулирования не подходит, так как объект исследования описывается дифференциальными уравнениями, содержащими неизвестные функции нескольких переменных и их частные производные. Для решения данной задачи подойдут интеллектуальные системы управления. В качестве интеллектуальной системы управления используют фаззи-логику или нейронную сеть. Фаззи-логика формирует множество выходных значений, соответствующих текущим значениям входов, с использованием базы знаний, то есть основывается на начальном опыте. Нейронная сеть обучается и накапливает опыт с нуля, что не дает ей возможности мгновенного внедрения. Но в отличие от фаззи-логики нейронная сеть способна набирать новый опыт и становиться лучше в процессе эксплуатации. Можно сделать вывод, что оптимальной системой управления для поддержания микроклимата является система, имеющая начальный опыт и способная подстраиваться под новые условия. Для решения данной задачи предлагается внедрение нейронной сети. Для использования нейронной сети вводиться понятие степень комфортности, которое определяет благоприятное влияние совокупности всех параметров микроклимата на человека. Для использования в качестве начального опыта формируется таблица с входными данными – температура помещения, влажность воздуха, скорость движения воздуха, содержание СО 2 и время года (зима или лето) и одной выходной величиной - степенью комфортности. Все показатели имеют оптимальные уровни и допустимые пределы колебаний с учетом их комплексного действия на организм человека, регламентированные ГОСТ 12.1.005-88 ССБТ. При оптимальном уровне всех параметров значение степени комфортности равно единице, дальнейшее отклонения параметра от этого уровня ведет к уменьшению степени комфортности. Данная таблица в дальнейшем используется для обучения нейронной сети. С помощью пакета в соcтаве MATLAB NeuralNetworkToolbox и его приложения NeuralNetFitting была создана и обучена искусственная нейронная сеть, а также произведена оценка эффективности создания комфортных условий по всему объему помещения при помощи среднеквадратичного отклонения и метода регрессионного анализа. Обучение сети происходит методом Левенберга-Маркара, где функция тренировки сети модифицирует значение весов и смещений. Результаты обучения представлены на рисунке 1. Рис.1. Результаты обучения MSE - Средний квадрат ошибки - среднеквадратичное отклонение между выходами и целями. Чем значения ниже, тем лучше. Ноль означает отсутствие ошибки. R - Значения регрессии измеряют корреляцию между выходами и целевыми. Такое значение R, как 1 - означает тесное отношение, 0 - случайное отношение. В этом примере результат является разумным в силу следующих соображений: 1) Окончательная среднеквадратичная ошибка мала. 2) Тестовый набор ошибок и набор проверки ошибок имеют схожие характеристики. 3) Никаких существенных переобучений не произошло. На рисунке 2 представлены участки регрессии, которые отображают сетевые выходы относительно целей для подготовки, проверки и тестирования наборов. Рис.2. Регрессии Значения всех весов и смещений предоставляются средой MATLAB после обучения сети. Дальнейшим этапом является реализация данной сети на языке программирования и загрузка программы в промышленный контроллер. Использование математического описания, например, перемещения тепловых масс воздуха можно программно смоделировать, как будет распределяться скорость воздуха и температура в помещении. Исследование, проведенное на модели дает представление о том, в каких местах лучшее всего размещать датчики и исполнительные механизмы. Таким образом можно достигнуть минимальной дисперсии всех параметров микроклимата. В качестве примера на рис. 3 приведено распределение температуры по помещению, полученное в результате управления от нейронной сети. Рис.3. Распределение температуры Определенная нейронной сетью степень комфорта является заданием для регулятора, который выдает управляющие воздействия на исполнительные механизмы, обеспечивающие максимум функции степени комфорта во всем помещении. |