Intelligent methods of ANN type in symptom diagnostic of motocar vehicles' electrical equipment

• Autorzy: Yastrebov A. , Gad S. , Słoń G. , Łaskawski M.

Warianty tytułu

PL

Inteligentne metody typu SSN w symptonowej diagnostyce wyposażenia elektrycznego pojazdów samochodowych

• Języki publikacji: EN

Abstrakty

EN

In this paper the intelligent computer diagnostic system for specified symptom models is presented. Concluding rules are executed with the help of artificial neural networks (ANN) and fuzzy neural networks (type MLP and TSK). Performed system was used for diagnosing of the vehicle's electrical equipment. Results of the computer simulations presented in the paper, carried out for the simulated and real signals, prove efficiency of the system.

PL

W artykule przedstawiono inteligentny komputerowy system diagnostyczny dla szczególnych modeli symptomowych. Reguły wnioskujące są realizowane z pomocą sztucznych sieci neuronowych (SSN) oraz sieci neuronowo-rozmytych (typu MLP oraz TSK). Opracowany system został zastosowany do diagnozowania wyposażenia elektrycznego w pojeździe. Wyniki symulacji komputerowych przedstawione w artykule, uzyskane dla sygnałów symulacyjnych oraz zmierzonych, potwierdzają skuteczność systemu.

Słowa kluczowe

EN

artificial intelligence; neural networks; diagnostic; vehicle

PL

sztuczna inteligencja; sieć neuronowa; diagnostyka; pojazd

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2006
• Tom: nr 1(37)
• Strony: 69--76
• Opis fizyczny: Bibliogr. 8 poz., rys., tab.

Twórcy

autor

Yastrebov A.

autor

Gad S.

autor

Słoń G.

autor

Łaskawski M.

• Kielce University of Technology, Al. Tysiąclecia P. P. 7, 25-314 Kielce, Poland,

Bibliografia

• [1] Gad S., Łaskawski M., Słoń G., Yastrebov A., Zawadzki A., Symptom Models of Diagnostic of Motor-Car Electrical Equipment. Proc. of The First IFAC Symposium on "ADVANCES IN AUTOMOTIVE CONTROL" IFAC AAC 04. Salerno, Italy 2004, 422-427.
• [2] Gorielik A. L., Skripkin V. A., Methods of recognition. High School. Moscov, Russia 2004 (in Russian).
• [3] Korbicz J., Koscielny J. M., Kowalczuk Z., Cholewa W., The process diagnostic. Models, methods of the artificial intelligence. Adaptations. WNT, Warszawa, Poland 2002 (in Polish)
• [4] Köppen-Selinger B., Frank P. M., Fuzzy logic and neural networks in fault detection. In: Fusion of neural networks, fuzzy systems and genetic algorithms (Jain L. C.; Martin N. M. (Ed)) 1999. 169-209. CRC Press.
• [5] Stepien P., Desining of user interface for computer intelligent diagnosing system. M. A. thesis promoted by prof. A. Yastrebov. Kielce University of Technology, Kielce, Poland 2006 (in Polish).
• [6] Wang K., Intelligent condition monitoring and diagnosis systems. IOS Press, Amsterdam 2003.
• [7] Yastrebov A. I., Synthesis and analysis of m-step adaptive algorithms for identification of static and dynamic parameters of objects on the basis of discrete measurements. Publ. house of Kielce University of Technology, Kielce, Poland 1990.
• [8] Yastrebov A. I., Adaptive and intelligent methods in technical diagnostics. Publ. house of Kielce University of Technology 2005, Elektryka No 43, 79-84 (in Polish).