МОДУЛЬ ПРОГНОЗИРОВАНИЯ ПАРАМЕТРОВ ПРЕОБРАЗОВАТЕЛЕЙ ПО ЗАДАННЫМ АМПЛИТУДНО-ЧАСТОТНЫМ ХАРАКТЕРИСТИКАМ

Аннотация

Рассматривается решение задачи разработки преобразователей по заданным амплитудно-частотным характеристикам. Основная проблема заключается в проведении большого количества измерительных мероприятий с изменением параметров преобразователей для достижения необходимых амплитудно-частотных характеристик, что приводит к большим временным и ресурсным затратам на разработку. Проводится анализ основных параметров преобразователей, влияющих на заданные амплитудно-частотные характеристики. Анализируются существующие подходы, методы и алгоритмы при создании преобразователей требуемых характеристик. Описывается разработка модуля прогнозирования параметров электромеханических преобразователей, основанного на заданных амплитудно-частотных характеристиках. Задачи исследования включают создание структурно-параметрической и математической моделей для расчета характеристик преобразователей на стадии проектирования. Описывается алгоритм обучения модели на основе экспериментальных данных, полученных в ходе проведения измерений. Использование методов машинного обучения для предсказания параметров приводит к минимизации количества проводимых экспериментов и снижению затрат на разработку преобразователей. Предложенный подход основывается на использовании зависимости между конструктивными параметрами преобразователей и их частотными характеристиками. Для повышения точности прогнозирования применяется алгоритм градиентного бустинга. Представлены этапы подготовки данных для обучения модели. Описывается процесс обучения модели. Результаты демонстрируют значительное сокращение времени моделирования преобразователей: применение модуля позволяет ускорить процесс в несколько раз по сравнению с экспериментальным подходом. Прогнозирование характеристик на основе модели обеспечивает сопоставимую точность при большем объеме данных. Выводы исследования подтверждают эффективность предлагаемого подхода в разработке преобразователей, снижая временные и финансовые затраты, повышая точность моделирования и применимость в условиях ограниченных ресурсов