An adaptive network for diesel engines testing

• Autorzy: Zubkov E. , Galiullin L.

Warianty tytułu

PL

Adaptacyjnych sieci neuronowych do badania silników diesla

• Konferencja: TRANSCOMP - XIV International Conference Computer Systems Aided Science, Industry and Transport
• Języki publikacji: EN

Abstrakty

EN

An adaptive neural network for fuzzy inference system (ANFIS) for testing internal combustion engines (ICE) is presented. The proposed ANFIS automatically obtains fuzzy rules for controlling ICE at the testing. Number of layers and theirs neurons was designed. The ANFIS was developed using MathWorks MatLab. Experimental results indicated that ANFIS has satisfactory precision for engine testing.

PL

Artykuł przedstawia zastosowanie rozmytej sieci neuronowej do badania silników spalinowych. Sieć ta w trakcie badania silnika spalinowego w sposób automatyczny generuje przyporządkowane mu rozmyte reguły wnioskowania. Liczba warstw oraz odpowiadająca im liczba neuronów w każdej warstwie została dobrana w sposób eksperymentalny. Siec została zaimplementowana w oparciu o pakiet Matlab. Przeprowadzone eksperymenty wykazały zadowalającą efektywność działania sieci.

Słowa kluczowe

EN

adaptive neural network; diesel engines

PL

sieci neuronowe; silnik Diesla

• Wydawca: Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny
• Czasopismo: Logistyka
• Rocznik: 2010
• Tom: nr 6
• Opis fizyczny: Pełny tekst na CD, Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Zubkov E.

autor

Galiullin L.

• The Kama State Academy of Engineering and Economics, RUSSIAN FEDERATION; Respublika Tatarstan, Naberezhnyye Chelny,

Bibliografia

• [1] Osowski S.: Neural networks for processing information, Warszawa, PWN 2000.
• [2] Rutkowska D., Pilinski M., Rutkowski L.: Neural networks, genetic algorithms and fuzzy systems, Moscow, 2006.
• [3] Kaufmann A., Gupta M.: Introduction to fuzzy arithmetic: Theory and applications, New York, Van Nostrand Reinhold 1991.
• [4] Martyr A.J., Plint M.A.: Engine testing Theory and Practice, United Kingdom, Elsevier 2007.
• [5] Ooyen A., Nienhuis B.: Improving the convergence of the back propagation algorithm. Neural Networks, 5(3), pp. 465–471, 1992.
• [6] Raykov I.Y.: Internal combustion engine testing, Moscow, Mashinostroenie 1975.
• [7] Willard W. Pulkrabek.: Engineering fundamentals of the internal combustion engine. New Jersey, Prentice Hall 1997.
• [8] Yu X.H., Chen G.A., Cheng S.X.: Acceleration of back propagation learning using optimized learning rate and momentum, Electronics Letters, 29(14), pp. 1288–1289, 1993.
• [9] Zadeh L.A.: Fuzzy sets, Information Control, 8, pp. 338–353, 1965.
• [8] Zadeh L.A.: The concept of a linguistic variable and its application to approximate reasoning, Information Sciences, 8, pp. 199–249 (I), pp. 301–357 (II), 1975.
• [9] Zhang, G., Patuwo, B., & Hu, M. Forecasting with artificial neural networks: The state of the art, International Journal of Forecasting, 14, 35–62, 1998.
• [10] GOST 15995-80 The tractor and combine diesel engines. Stand testing methods, Russian Federation, 1980