Оптимізація роботи багатопотокового електрогідравлічного приводу методами штучного інтелекту

Анотація

У статті розглядається проблема підвищення ефективності багатопотокових електрогідравлічних приводів, які широко використовуються в промислових, мобільних та авіаційних системах. Ці приводи характеризуються нелінійною динамікою, невизначеністю параметрів і складністю математичного моделювання, що створює значні труднощі для класичних методів керування. Запропоновано комплексний підхід, що поєднує сучасні методи штучного інтелекту, зокрема нейронні мережі, нечітку логіку та генетичні алгоритми, для оптимізації функціонування системи. 

Розроблена нейромережева модель дозволяє точно ідентифікувати параметри приводу та прогнозувати його поведінку, що суттєво перевищує точність традиційних моделей. Гібридна нейро-нечітка система керування поєднує експертні знання з адаптивністю нейронних мереж, що забезпечує підвищену точність позиціонування, енергоефективність та стійкість до зовнішніх збурень. Використання генетичних алгоритмів для мультикритеріальної оптимізації дозволяє ефективно балансувати між точністю руху, енергоспоживанням та плавністю роботи механізму. 

Система діагностики та прогнозування технічного стану, основана на машинному навчанні, демонструє високу достовірність виявлення аномалій, що сприяє зменшенню витрат на обслуговування та збільшенню міжремонтного періоду. Експериментальні дослідження підтвердили ефективність запропонованих методів: при суттєвих змінах навантаження точність позиціонування погіршується втричі менше порівняно з традиційними системами керування. Запропоновані алгоритми забезпечують зниження експлуатаційних витрат, підвищення продуктивності обладнання та збільшення надійності автоматизованих систем керування. 

Отримані результати можуть бути впроваджені в системах автоматизації промислового обладнання, роботизованих комплексах, авіаційній і військовій техніці, а також у мехатронних системах, де важливими є точність керування, енергоефективність і надійність функціонування. Подальші дослідження можуть бути спрямовані на вдосконалення алгоритмів машинного навчання для роботи в режимі реального часу та інтеграцію розроблених підходів у концепцію промислового інтернету речей (IIoT).