Способ определения параметров индукционных датчиков с применением технологий искусственного интеллекта

Авторы

  • Сергей Николаевич Верзунов Кыргызско-Российский Славянский университет имени Б.Н. Ельцина https://orcid.org/0000-0003-3130-2776
  • Игорь Викторович Бочкарёв Кыргызский государственный технический университет имени И. Раззакова https://orcid.org/0000-0002-9873-9203
  • Вадим Рифхатович Храмшин Магнитогорский государственный технический университет имени Г. И. Носова

DOI:

https://doi.org/10.17213/0136-3360-2024-2-36-44

Ключевые слова:

индукционные датчики, магнитометры, искусственный интеллект, сверточные нейронные сети, электромагнитные помехи, контроль состояния индукционных датчиков

Аннотация

Представлен способ определения параметров индукционных датчиков, используемых для мониторинга воздушных силовых электрических линий, с применением искусственного интеллекта. Рассмотрена проблема обеспечения высокой чувствительности датчиков даже при наличии электромагнитных помех, возникающих из-за работы силовых линий и осложняющих точное измерение параметров датчиков, таких как сопротивление, индуктивность и межвитковая емкость. Предложено решение, включающее использование сверточных нейронных сетей для анализа сигналов и определения параметров датчиков, что позволяет минимизировать влияние помех и повысить точность измерений. Использование искусственного интеллекта обеспечивает обработку большого объема данных с высокой точностью и скоростью, что позволяет проводить тестирование параметров индукционных датчиков в условиях их реальной эксплуатации. Предложена архитектура нейронной сети для определения параметров индукционных датчиков. Обученная нейронная сеть обеспечивает большую скорость работы по сравнению с традиционными методами оптимизации, что позволяет проводить измерения на большем количестве частот и повышает точность определения параметров индукционного компонента, что приводит к уменьшению ошибок в измерениях и повышению надежности всей системы мониторинга. Показан потенциал применения глубокого обучения в повышении надежности и безопасности энергетических систем за счет расширения возможностей тестирования индукционных датчиков мониторинга состояния силовых линий. Представленный подход может способствовать своевременному выявлению и предотвращению потенциальных неисправностей и аварий в энергетических системах.

Биографии авторов

Сергей Николаевич Верзунов, Кыргызско-Российский Славянский университет имени Б.Н. Ельцина

канд. техн. наук, доцент кафедры «Информационные и вычислительные технологии», Кыргызско-Российский Славянский университет имени Б.Н. Ельцина

Игорь Викторович Бочкарёв, Кыргызский государственный технический университет имени И. Раззакова

д-р техн. наук, профессор кафедры «Электромеханика», Кыргызский государственный технический университет имени И. Раззакова

Вадим Рифхатович Храмшин, Магнитогорский государственный технический университет имени Г. И. Носова

д-р техн. наук, профессор кафедры «Электроснабжение промышленных предприятий», Магнитогорский государственный технический университет имени Г.И. Носова

Библиографические ссылки

Графкина М. В., Свиридова Е. Ю. Риск-анализ электромагнитной безопасности урбанизированных территорий // Эколо-гия урбанизированных территорий. 2019. № 2. С. 11-17. DOI: 10.24411/1816-1863-2019-12011.

Захаров Д. Б., Яблучанский П. А., Титов А. В. Об оценке коррозионного воздействия ЛЭП на подземный трубопровод при их пересечении // Территория Нефтегаз. 2013. №12. URL: https://cyberleninka.ru/article/n/ob-otsenke-korrozionnogo-vozdeystviya-lep-na-podzemnyy-truboprovod-pri-ih-peresechenii (дата обращения 24.01.2024).

Wang G., Xie J., Wang, S. Application of Artificial Intelligence in Power System Monitoring and Fault Diagnosis. Energies 2023, 16, 5477. DOI: 10.3390/en16145477.

Брякин И. В., Бочкарев И. В. Датчик виброперемещений для систем мониторинга состояния конструктивных элементов высоковольтных линий электропередач // Изв. вузов. Проблемы энергетики. 2022. Т. 24. № 4. С. 63-76. DOI: 10.30724/1998-9903-2022-24-4-63-76.

Bryakin I. V., Bochkarev I. V., Khramshin V. R. Electromagnetic Acceleration Transducer with Eddy Current Transformation // 2023 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM), 2023. Рр. 485-489. DOI: 10.1109/ICIEAM57311.2023.10139207.

Гура Д. А., Дубенко Ю. В., Павлюкова А. П. Цифровой интеллектуальный мониторинг линейных инфраструктурных объектов на основе трехмерных данных // Вестник ВГУ. Серия: Системный анализ и информационные технологии. 2020. №2. С. 103-114. DOI: 10.17308/sait.2020.2/2920.

Овсянников А.Г., Нечитаев Р. А. Индукционные потери энергии в опорах воздушных линий электропередачи // Систе-мы анализа и обработки данных. 2016. №2 (63). URL: https://cyberleninka.ru/article/n/induktsionnye-poteri-energii-v-oporah-vozdushnyh-liniy-elektroperedachi (дата обращения 24.01.2024).

Верзунов С. Н. Способ измерения параметров катушек индуктивности магнитометров и его реализация на основе платы сбора данных Л Кард Е 502 // Проблемы автоматики и управления. 2018. № 2(35). С. 94-102.

Geri A., Locatelli A., Veca G.M. Magnetic fields generated by power lines, in IEEE Transactions on Magnetics. 1995. Vol. 31, no. 3. Pp. 1508-1511. DOI: 10.1109/20.376316.

Buyakova N. V., Zakaryukin V. P., Kryukov A. V., Seredkin D. A. Simulation of Electromagnetic Fields Generated by Over-head Power Lines and Railroad Traction Networks. Energy Systems Research. 2021. Vol. 4, No. 2. Рр. 70-88. DOI: 10.38028/esr.2021.02.0007.

Новоселов И. М., Касаткин Н. Н. Анализ возможности применения магнитного поля ЛЭП для беспроводной зарядки БПЛА при мониторинге воздушных линий // Приборостроение в XXI веке - 2021. Интеграция науки, образования и производ-ства: сб. мат. XVII Всерос. научно-техн. конф., Ижевск, 24-26 ноября 2021 года. Ижевск: Ижевский гос. техн. ун-т, 2022. С. 104-112.

https://www.lcard.ru/download/e-502_users_guide.pdf (дата обращения 24.01.2024)

Verzunov S. N., Bochkarev I. V., Khramshin V. R. Device for Measuring Parameters of Coils of Induction Magnetometers // Proceedings - 2020 International Russian Automation Conference, RusAutoCon 2020, Sochi, 06–12 сентября 2020 года. Sochi, 2020. Pp. 699-703. DOI: 10.1109/RusAutoCon49822.2020.9208108.

Serkan Kiranyaz, Onur Avci, Osama Abdeljaber, Turker Ince, Moncef Gabbouj, Daniel J. Inman, 1D convolutional neural networks and applications // A survey, Mechanical Systems and Signal Processing, Volume 151, 2021, 107398. DOI: 10.1016/j.ymssp.2020.107398.

Шолле Ф., Нильсон Э., Байлесчи С., Цэй Ш. JavaScript для глубокого обучения: TensorFlow.js. СПб.: Питер, 2021. 576 с.

Dwi Sunaryono, Joko Siswantoro, Agus Budi Raharjo, Rafif Ridho, Riyanarto Sarno, Shoffi Izza Sabilla, Rahadian Indarto Susilo. Optimized One-Dimension Convolutional Neural Network for Seizure Classification from EEG Signal based on Whale Optimi-zation Algorithm. Intelligent Engineering and Systems. 2023, 21. Pp. 310-322.

Huang S., Tang J., Dai J., Wang Y. Signal Status Recognition Based on 1DCNN and Its Feature Extraction Mechanism Anal-ysis. Sensors 2019. 19, 2018. DOI: 10.3390/s19092018.

Li X., Guo H., Xu L., Xing Z. Bayesian-Based Hyperparameter Optimization of 1D-CNN for Structural Anomaly Detection // Sensors 2023. 23, 5058. DOI: 10.3390/s23115058.

Kingma D. and Ba J. (2015) Adam: A Method for Stochastic Optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015).

A. Mokhtari and A. Ribeiro Regularized stochastic BFGS algorithm // 2013 IEEE Global Conference on Signal and Infor-mation Processing, Austin, TX, USA, 2013. Pp. 1109-1112. DOI: 10.1109/GlobalSIP.2013.6737088.

#

Grafkina M.V., Svirido E.Y. Risk analysis of electromagnetic eafety in erbanized ereas. 2019;(2):11-17. (In Russ.) DOI: 10.24411/1816-1863-2019-12011.

Zakharov D.B., Yabluchansky P.A., Titov A.V. On the assessment of corrosive impact of power lines on underground pipelines at their intersection. Territory of Oil and Gas. 2013;(12). Available at: https://cyberleninka.ru/article/n/ob-otsenke-korrozionnogo-vozdeystviya-lep-na-podzemnyy-truboprovod-pri-ih-peresechenii (accessed 24.01.2024). (In Russ.)

Wang G., Xie J., Wang S. Application of Artificial Intelligence in Power System Monitoring and Fault Diagnosis. Energies. 2023; (16): 5477. DOI:10.3390/en16145477.

Bryakin I.V., Bochkarev I.V. Vibration displacement sensor for monitoring the condition of structural elements of high voltage transmission lines. News of Higher Educational Institutions. Energy Issues. 2022; 24(4): 63-76. (In Russ.) DOI: 10.30724/1998-9903-2022-24-4-63-76.

Bryakin I.V., Bochkarev I.V., Khramshin V.R. Electromagnetic Acceleration Transducer with Eddy Current Transformation. 2023 International Conference on Industrial Engineering, Applications and Manufacturing (ICIEAM). 2023. Pp. 485-489. DOI: 10.1109/ICIEAM57311.2023.10139207.

Gura D.A., Dubenko Y.V., Pavlyukova A.P. Digital intelligent monitoring of linear infrastructure objects based on three-dimensional data. Bulletin of VSU. Series: Systems Analysis and Information Technologies. 2020; (2): 103-114. (In Russ.) DOI: 10.17308/sait.2020.2/2920.

Ovsyannikov A.G., Nechitaev R.A. Induction energy losses in supports of overhead power transmission lines. Data Analysis and Processing Systems. 2016; 2(63). Available: https://cyberleninka.ru/article/n/induktsionnye-poteri-energii-v-oporah-vozdushnyh-liniy-elektroperedachi (accessed 24.01.2024). (In Russ.)

Verzunov S.N. Method for measuring inductance coils parameters of magnetometers and its implementation based on the E502 data acquisition board. Problems of Automation and Control. 2018; 2(35):94-102. (In Russ.)

Geri A., Locatelli A., Veca G.M. Magnetic Fields Generated by Power Lines. IEEE Transactions on Magnetics. 1995; 31(3): 1508-1511. DOI: 10.1109/20.376316.

Buyakova N.V., Zakaryukin V.P., Kryukov A.V., Seredkin D.A. Simulation of electromagnetic fields generated by overhead power lines and railroad traction networks. Energy Systems Research. 2021; 4(2): 70-88. DOI: 10.38028/esr.2021.02.0007.

Novoselov, I.M., Kasatkin, N.N. Analysis of the Possibility of Using the Magnetic Field of Power Lines for Wireless Charg-ing of UAVs during Monitoring of Power Lines. Instrumentation in the 21st Century - 2021. Integration of Science, Education, and Production: Proceedings of the XVII All-Russian Scientific and Technical Conference, Izhevsk, 24–26 November 2021. Izhevsk: Kalash-nikov Izhevsk State Technical University, Information Resources Management. 2022. Pp. 104-112. (In Russ.)

Available at: https://www.lcard.ru/download/e-502_users_guide.pdf (accessed 24.01.2024).

Verzunov S.N., Bochkarev I.V., Khramshin V.R. Device for Measuring Parameters of Coils of Induction Magnetometers. Proceedings - 2020 International Russian Automation Conference, RusAutoCon 2020, Sochi, 06–12 September 2020. Sochi, 2020. Pp. 699-703. DOI: 10.1109/RusAutoCon49822.2020.9208108.

Kiranyaz S., Avci O., Abdeljaber O., Ince T., Gabbouj M., Inman D.J. 1D Convolutional Neural Networks and Applications: A Survey. Mechanical Systems and Signal Processing. 2021; (51): 107398. DOI: 10.1016/j.ymssp.2020.107398.

Cai S., Bileschi S., Nielsen E.D., Chollet F. Deep Learning with JavaScript: Neural Networks in TensorFlow.js. 560 pp.

Sunaryono D., Siswantoro J., Raharjo A.B., Ridho R., Sarno R., Sabilla S.I., Susilo R.I. Optimized One-Dimension Convolu-tional Neural Network for Seizure Classification from EEG Signal based on Whale Optimization Algorithm. Intelligent Engineering and Systems. 2023, 21. Pp. 310-322.

Huang S., Tang J., Dai J., Wang Y. Signal Status Recognition Based on 1DCNN and Its Feature Extraction Mechanism Anal-ysis. Sensors. 2019;(19). DOI:10.3390/s19092018.

Li X., Guo H., Xu L., Xing Z. Bayesian-Based Hyperparameter Optimization of 1D-CNN for Structural Anomaly Detection. Sensors. 2023; (23): 5058. DOI: 10.3390/s23115058.

Kingma D., Ba J. Adam: A Method for Stochastic Optimization. Proceedings of the 3rd International Conference on Learning Representations (ICLR 2015).

Mokhtari A., Ribeiro A. Regularized Stochastic BFGS Algorithm. 2013 IEEE Global Conference on Signal and Information Processing. Austin, TX, USA. 2013. Pp. 1109-1112. DOI: 10.1109/GlobalSIP.2013.6737088.

Опубликован

28.06.2024

Как цитировать

(1)
Верзунов, С. Н.; Бочкарёв, И. В.; Храмшин, В. Р. Способ определения параметров индукционных датчиков с применением технологий искусственного интеллекта. electromeh 2024, 67, 36-44.

Выпуск

Раздел

Статьи