Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 5

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  modelowanie heurystyczne
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
1
Content available Rotor dynamics - four open questions
EN
Despite many years of development in the field of rotor dynamics, many issues still need to be resolved. This is due to the fact that turbomachines, even those with low output power, have a very complex design. The author of this article would like to signal these issues in the form of several questions, to which there are no precise answers. The questions are as follows: How can we build a coherent dynamic model of a turbomachine whose some subsystems have non-linear characteristics? How can we consider the so-called prehistory in our analysis, namely, the relation between future dynamic states and previous ones? Is heuristic modelling the future of rotor dynamics? What phenomena may occur when the stability limit of the system is exceeded? The attempt to find answers to these questions constitutes the subject of this article. There are obviously more similar questions, which encourage researchers from all over the world to further their research.
EN
The main aim of this paper was to identify the optimal structures of considered neural models using the distributed computing environment. In this paper distributed optimizing of feed-forward neural network architectures for given problems is presented. The computing environment is composed of a few important packages and modules and has been created by the authors in order to aid developing some soft computing methods [4], where a lot of calculations are needed. At the beginning the authors decided to adapt a simple systematic-search algorithm that searches through every possible combination of network structures. Since this class of algorithms requires large amount of computation the distributed computing system was employed.
PL
Głównym celem przeprowadzonych badań było zidentyfikowania optymalnej struktury rozpatrywanych modeli neuronowych z zastosowaniem środowiska do obliczeń rozproszonych. W artykule zaprezentowano zastosowanie systemu do rozproszonej optymalizacji struktury sztucznej sieci neuronowej typu perceptron wielowarstwowy dla zadanego problemu. Prezentowane środowisko obliczeniowe jest złożone z kilku pakietów oraz modułów i zostało utworzone przez autorów w celu wspomagania rozwoju metodologii modelowania heurystycznego [4], gdzie niezbędnych jest wiele obliczeń. W początkowym stadium rozwoju oprogramowania autorzy zastosowali prosty algorytm przeszukiwania systematycznego każdej możliwej kombinacji struktury sieci. Ponieważ tego typu algorytmy z reguły wymagają dużych mocy obliczeniowych, postanowiono wykorzystać system omawiany w niniejszym artykule.
EN
The methodology of heuristic modeling is one of the subjects included in the activities developed by the Department of Fundamentals of Machinery Design [4, 6]. Among all the approaches of heuristic modeling some of the most common are artificial neural networks. There are many papers and books devoted to applications of neural networks for modeling dynamic systems [1, 2, 4, 5, 6, 7]. In this paper, known approach basing on dynamic neuron model is presented (dynamic neuron with IIR filter in the activation block [2]) but some developments are introduced. Locally recurrent networks which are composed of dynamic neural units described in [2, 5, 7] are able to model behavior of complex dynamic systems. Nevertheless, they have one major disadvantage, that is, neural networks composed of these neurons are not able to represent stochastic behaviors of some objects [4,6]. By introducing the ARMAX (or ARX) system into dynamic neuron model author has received dynamic neuron unit that never behaves in the same way (it brings an artificial neuron closer and closer to the biological model). In this paper the author presents formal description of dynamic neuron unit with ARMAX system in the feedback block. There are also described a general structure of dynamic neural network composed of these neurons, two known training methods and some commonly used quality measures. At the end of the paper three examples of applications are given.
PL
Metodologia heurystycznego modelowania obiektów i procesów jest jednym z kierunków badań rozwijanym prze Katedrę Podstaw Konstrukcji Maszyn [4, 6]. Spośród wielu metod modelowania heurystycznego duże znaczenie odgrywają metody bazujące na sztucznych sieciach neuronowych. Można wyróżnić wiele ciekawych prac badawczych prowadzonych w kierunku modelowania systemów dynamicznych z zastosowaniem tego typu narzędzia [1, 2, 4, 5, 6, 7]. W artykule zaprezentowano znane podejście bazujące na dynamicznych neuronach (dynamiczny neuron z filtrem IIR w bloku aktywacyjnym [2]) z pewnymi modyfikacjami. Lokalnie rekurencyjne sieci neuronowe złożone z dynamicznych neuronów opisane w [2, 5, 7] nadają się do modelowania zachowania złożonych systemów dynamicznych. Jednakże, posiadają one jedną główną wadę tzn. nie są zdolne do reprezentowania zachowania losowego niektórych obiektów [4, 6]. Poprzez wprowadzenie systemu typu ARMAX (ARX) do modeli dynamicznych neuronów autor otrzymał dynamiczny model neuronu, który nigdy nie zachowują się w ten sam sposób (przybliża to model sztucznego neuronu do jego biologicznego wzoru). W artykule autor prezentuje formalny opis dynamicznego neuronu z systemem typu ARMAX w bloku sprzężenie zwrotnego. Opisuje również ogólną strukturę dynamicznej sieci neuronowej złożonej z tych neuronów, dwa znane algorytmy trenujące oraz powszechnie stosowane miary jakości. Przykładowe zastosowania opisywanych sieci zaprezentowane są w końcowym fragmencie opracowania.
PL
W referacie opisano grupę metod heurystycznego modelowania obiektów i procesów dynamicznych, rozwijanych w zespole autora Wynikowe modele planuje się zastosować do diagnostyki obiektów i procesów wspartej modelowo. Oprócz znanych metod modelowania miękkiego, jak zastosowanie sieci neuronowych i neuronowo-rozmytych, rozwijane są oryginalne metody reprezentacji procesów o atrybutach ciągłych oraz dyskretnych, które stosowane są w diagnostyce opartej na przypadkach. Szczególnym problemem jest w tym wypadku określenie odpowiedniej miary analogii (podobieństwa) przypadków. Do najbardziej zaawansowanych należy metoda projekcji i selekcji atrybutów z wykorzystaniem projekcji przestrzeni atrybutów w wielowymiarową przestrzeń regresorów, oraz selekcji z zastosowaniem algorytmu SVM i algorytmu genetycznego. Referat kończą bardzo skrótowe opisy zastosowań wybranych metod do modelowania dwóch różnych procesów, z których pierwszy dotyczy diagnostyki procesu produkcyjnego, a drugi - oceny stanu eksploatacyjnego maszyny.
EN
The paper deals with brief description of a group of methods of heuristic modeling dynamic objects and processes, whose methods are developed in the author's research group. Resulting models are to be applied for model-based diagnostics of objects and processes. Apart from known methods of soft modeling such as ANN and KNN, original methods of representation of processes whose attributes arc both continuous and discrete ones are developed, providing the opportunity to employ CBR approach. In this case definition of respective measure of analogy (similarity) of cases is very crucial. The most advanced method involves projection and selection of attributes with the use of projection of the space of attributes into multidimensional space of rcgressors, and selection with the application of SVM and genetic algorithms. Two distinct applications of the methods are also briefly discussed. The first deals with diagnostics of an industrial process, while the other is targeted to diagnostics of operational state of a machine.
EN
The paper presents a modelling concept for the driver-machine-environment system, where a model ofthe locomotive's mechanical behaviour had to be integrated with a model of human behaviour. Heuristic modelling using fuzzy sets was applied to model-selected actions of the driver. The so-called linguistic model was defined and presented in the form of logical implications. This model determines the driver's reaction time as a function of a number of factors (elements related to the human factor, the technological factor, and the material-work environment). The paper presents a sample calculation relating to the emergency braking manoeuvre.
PL
W pracy przedstawiono koncepcję modelowania układu maszynista-Iokomotywa-otoczenie, co wymagało zintegrowania modelu mechanicznego lokomotywy z modelem działania człowieka. Modelowanie heurystyczne z zastosowaniem zbiorów rozmytych wykorzystano w modelowaniu wybranych działań maszynisty. Zdefmiowano tzw. model lingwistyczny, wyrażony w postaci implikacji logicznych. Model ten określa czas reakcji maszynisty w funkcji szeregu czynników (elementów czynnika ludzkiego, technicznego oraz materialnego środowiska pracy). Przedstawiono przykład obliczeniowy dotyczący manewru hamowania awaryjnego.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.