єднання, званих синапсами. Прийняті синапсом вхідні сигнали підводяться до тіла нейрона. Тут вони підсумовуються, причому одні входи прагнуть порушити нейрон, інші - перешкодити його збудженню. Коли сумарне збудження в тілі нейрона перевищує деякий поріг, нейрон збуджується, посилаючи по аксону сигнал іншим нейронам. У цієї основної функціональної схеми багато ускладнень і винятків, тим не менш, більшість штучних нейронних мереж моделюють лише ці прості властивості . p> В даний час широко використовуються математичні моделі нейронних мереж. Існують також і інші моделі нейронних мереж, серед яких найбільш часто використовуються рекурентні мережі Хопфілда і самоорганізуються мережі Кохонена. Прямокутники являють собою тіла нейронів, вихідні і вхідні стрілки - дендрити, а точки, в яких стрілки заходять і точки, з яких стрілки виходять - це відповідно синапси і аксони. Кола на малюнку - умовні входу нейронів, які просто розподіляють вхідні значення по всіх нейронам мережі. У математичної моделі нейрона всі вхідні стрілки мають ваги, а на виході зазвичай обчислюється нелінійна функція від середньої суми цих вагів з деякими додатковими арифметичними діями.
Були розроблені також і інші моделі нейронів і нейронних мереж, наприклад, електричні. Однак через свою непрактичність вони не набули великого поширення.
Для використання нейронної мережі прямого поширення при вирішенні конкретної задачі, її необхідно спочатку "навчити". Для цього на вхід нейронної мережі подаються які-небудь значення, а на виході знімаються результуючі значення, які порівнюються з тими значеннями, які повинні там бути. Якщо вихідні значення нейронної мережі відрізняються від необхідних значень, то відбувається оптимізація ваг нейронної мережі яким-небудь з математичних алгоритмів до тих пір, поки ці значення не будуть їм відповідати із заданою точністю. Після цього нейронну мережу можна вважати навченою.
Нейронні мережі дають можливість ефективно визначати причину і види пошкодження асинхронних електродвигунів, працювати з зашумленими даними, позбавляючи від необхідності застосування проміжних електронних фільтрів від перешкод або фільтрації математичними методами, а також адаптуватися до конкретного типу електродвигуна. Крім цього, штучні нейронні мережі широко використовуються в задачах прогнозування.
Крім вибору алгоритмів обробки сигналу і визначення способу діагностики асинхронних електродвигунів необхідно розробити апаратну частину програмно-апаратного діагностичного комплексу. При цьому дуже важливо вибрати недорогу компонентну базу для його реалізації, визначальну собівартість комплексу в розмірі не більш ніж 10% від вартості самого електродвигуна.
В даний час на кафедрі Електропостачання Читинського державного університету ведуться розробки даного програмно-апаратного комплексу. У реалізації програмної частини комплексу використовується метод аналізу сигналу повної споживаної потужності електродвигуна на кожній фаз...
