Нейросетевой идентификатор давления насосной установки с асинхронным электроприводом центробежного насоса

Статья рассматривает разработку идентификатора давления насосной установки с асинхронным электроприводом. Широкое распространение таких установок обусловливает актуальность указанной

Цель исследования — разработка идентификатора давления насосной установки в составе электротехнического комплекса на основе нейронных сетей. Вычисление текущего значения давления производилось с помощью значений статорного тока и напряжения асинхронного электродвигателя. В рассматриваемой статье для определения давления используют нейронные сети прямого распространения, а также нелинейные авторегрессионные сети с внешними входными параметрами, в отличие от существующих способов косвенного определения давления. Дополнительно для повышения точности и снижения шума на вход сети подают значения модулей статорного тока электродвигателя и значение модуля напряжения статорного тока.

В результате, были получены структуры нейросетевых идентификаторов давления с асинхронными электроприводами. С помощью интегральных критериев определены размеры скрытых слоев. В статье приводятся сравнительные осциллограммы давления, показывающие работоспособность нейро- идентификатора.

1. Степанов С. Е., Васенин А. Б., Груздев В. В. [и др.] Цифровой двойник системы «пласт–скважина–электроприводной центробежный насос» нефтегазовых месторождений // Автоматизация и IT в нефтегазовой области. 2024. № 2 (56). С. 16–26. EDN: WQBTNP.

2. Wolstrup A. F., Spangenberg J., Yamamoto A. [et al.]. Advances in 3D printed electromechanical sensors: Performance comparison, trends, and future directions. Additive Manufacturing. 2025. Vol. 106. P. 104799. DOI: 10.1016/j.addma.2025.104799.

3. Пат. 2476983 C1 Российская Федерация, МПК H 02 P 23/14, H 02 P 27/04. Способ определения оценки частоты вращения асинхронного двигателя / Глазырин А. С., Тка- чук Р. Ю., Глазырина Т. А. [и др.]. № 2011135823/07; заявл. 26.08.2011; опубл. 27.02.2013. EDN: LZDPIE.

4. Han Y., Zou J., Gong B. [et al.]. The use of model-based voltage and current analysis for torque oscillation detection and improved condition monitoring of centrifugal pumps. Mechanical Systems and Signal Processing. 2025. Vol. 222. P. 111781. DOI: 10.1016/j.ymssp.2024.111781.

5. Кузьменко А. А. Архитектуры нейронных сетей // Инфокоммуникационные технологии. 2022. Т. 20, № 2. С. 121– 132. DOI: 10.18469/ikt.2022.20.2.15. EDN: UGDBAM.

6. Славутский А. Л., Славутский Л. А., Алексеев В. В. [и др.]. Нейросетевой алгоритм восстановления в реальном времени сигнала промышленной частоты при нелинейных искажениях // Электротехника. 2021. № 8. С. 21–25. EDN: MDRKRB.

7. Кузнецов В. П. Комплексная рекуррентная нейронная сеть // Вестник Рязанского государственного радиотехнического университета. 2025. № 92. С. 160–169. DOI: 10.21667/1995-4565-2025-92-160-169. EDN: HUBJMV.

8. Leung H., Haykin S. The complex backpropagation algorithm. IEEE Transactions on Signal Processing. 1991. Vol. 39, no. 9. P. 2101–2104. DOI: 10.1109/78.134446.

9. Marcjasz G., Uniejewski B., Weron R. Probabilistic electricity price forecasting with NARX networks: Combine point or probabilistic forecasts. International Journal of Forecasting. 2020. Vol. 36, Issue 2. P. 466–479. DOI: 10.1016/j.ijforecast.2019.07.002.

10. Hagan M., Demuth H., Beale M. [et al.]. Neural network design. 2nd ed. Martin Hagan. 2014. P. 800. ISBN 978-0-97173211-7.

11. Jesús O. De., Hagan M. T. Backpropagation algorithms for a broad class of dynamic networks. IEEE Transactions on Neural Networks. 2007. Vol. 18, no. 1. P. 14–27. DOI: 10.1109/TNN.2006.882371. EDN: MEAGNJ.

12. Кочергин М. И. Реализация нейронных сетей в методе многоуровневых компонентных цепей // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 6. С. 1162–1170. DOI: 10.17586/2226-1494-202323-6-1162-1170. EDN: SCZVOA.