Sztuczne sieci neuronowe jako predykcyjne modele tarcia w układach płynowych

• Autorzy: Jankowska A.

Warianty tytułu

EN

Artificial neural network as predictive friction models in fluid systems

• Języki publikacji: PL

Abstrakty

PL

Ze względu na złożony, nieliniowy charakter zjawisk tarciowych, między tłokiem a cylindrem w płynowych układach wykonawczych, za zadowalające uważa się w sterowaniu modele makro - dobrze reprezentujące istotę zjawisk w funkcji ich przyczyn. W pracy przedstawiono neuronowe modele predykcyjne przykładowych zjawisk tarciowych w płynowych układach napędowych. Oszacowano złożoność struktur sztucznych sieci neuronowych (SSN) oraz dokładność predykcji modelowanych zmiennych. Badano modele o postaci wielowarstwowych perceptronów oraz sieci radialnych. Rozważano dwa przykłady: siłę tarcia między nieobciążonym zewnętrzną siłą tłokiem a cylindrem siłownika w pneumatycznym stanowisku badawczym oraz drgania tarciowe w końcowej fazie pozycjonowania tłoka w serwomechanizmie elektrohydraulicznym. W obu przykładach opracowano dość proste struktury SSN realizujące predykcyjne modelowanie z niezłą dokładnością. Niewielka liczba iteracji podczas predykcji z adaptacyjnym dostrajaniem wag sieci wskazuje, że wykorzystanie modelu w trybie on-line staje się możliwe w mikroprocesorowym układzie sterowania. Ze względu na znaczne stałe czasowe płynowych członów wykonawczych, neuronowy model predykcyjny, do pracy bez adaptacji wag w fazie pozycjonowania, czyli zasadniczo w trybie predykcji z długim horyzontem, może się okazać porównywalnie przydatny w układach sterowania jak model z bieżącą korekcją wag.

EN

In the paper the neural models of selected tribological phenomena in fluid drive systems are presented. The complexity of models and modeling accuracy have been estimated. Despite the introduction of standards in friction and wear test stands in many complex technical systems, for example excavators, robots and combines, etc., the fixing conditions of fluid cylinders determine individually the development of frictional vibrations of the piston in a fluid cylinder at low movement velocities. The knowledge of friction models (even if in the form of "black box") presenting the complex nature of tribological phenomena is necessary to achieve desired piston position with a given accuracy. In this paper two examples of tribological phenomena are presented: the friction force between a cylinder and an externally nonloaded piston during the piston braking in the pneumatic research stand, and frictional vibrations in electro-hydraulic servo-drive in final positioning phase. When creating frictional models the Artificial Neural Networks (ANN), characterized by good generalization properties of input data features are applied. Feedforward nets: multilayer (3 or 4 layers) perceptrons (having one or two hidden layers) (MLP) and radial basis functions (RBF), have been tested. The network parameters estimation in learning process realized with the help of gradient optimization methods, was performed. The created predictive models estimate forecasted values of modeled variables on the basis of signal values measured in previous moments. In the first example the friction force as model output was estimated. The inputs were three measured signals: pressure in the sealed chamber, pressure difference at the piston and the velocity of the piston. The quotient of standard deviation of modeling error to pattern standard deviation (quotient) and correlation function (correlation) between model's output and pattern, were estimated. The rather good quality of quotient < or = 0. 2, and correlation > or = 0. 94 with about ten to twenty neurons in hidden layer in all ANN structures created, were obtained. In the second considered example the parameters of frictional vibrations were modeled. The increments of piston position d_x(k) and time lapses between the vibrations d_ T(k), have been estimated. Each parameter served as an output for the three-layer perceptron. The estimation was done on the basis of averaged velocity values in n previous moments of vibrations steps and m previous measured values of piston jumps d_x(k-1), . .„ d_x(k-m) and d_T(k-1), . . ., d_ T(k-m). The number of neurons in net structures and numbers of delays were determined, and n=m=2. An averaged relative prediction error ~1.5% for lapses of time d_T(k) and -4.5% for position jumps d_x(k) in two last points of tested series were obtained in the best MLP 3-layer net of 6:20-7-1structure (6 input samples, 20 conditioning linear neurons, 7 hidden neurons, 1 output neuron). A small number of iteration cycles during adaptive weights tuning in on-line mode of models, indicates the possibility of applying this model in microprocessor control systems. Because of significant time constants of fluid drives the neural predictive models working with multi-step prediction could be applied in control systems - just as models with current adaptive weight tuning. Rather simple ANN structures were compiled for two investigated examples of friction phenomena. Quite good modeling quality was obtained.

Słowa kluczowe

PL

modele tarcia; modelowanie zjawisk; sztuczne sieci neuronowe; sieci jednokierunkowe; perceptron wielowarstwowy; ocena modelu

EN

models of friction; modelling of phenomena; artificial neural networks; feedforward nets; multilayer perceptron; estimadon of models

• Wydawca: Stowarzyszenie Inżynierów i Techników Mechaników Polskich
• Czasopismo: Tribologia
• Rocznik: 2003
• Tom: nr 3
• Strony: 81--101
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Jankowska A.

• Instytut Automatyki i Robotyki Politechniki Warszawskiej, ul. Chodkiewicza 8, 02-525 Warszawa

Bibliografia

• 1. Zwierzycki W., Piekoszewski W., Szczerek M., Wiśniewski M.: Obliczeniowe i doświadczalne modele procesów tribologicznych. Tribologia nr 5/2000, s. 923-947.
• 2. Leszek W., Trzos M.: Modele tarcia, stan aktualny i perspektywy rozwoju. Tribologia nr 5/2000, s. 948-965.
• 3. Leszek W., Trzos M.: Modele tarcia. Pragmatyczne aspekty modelowania tarcia. Tribologia nr 5/2000 s. 966-979.
• 4. Lawrowski Z.: Tribologia. Tarcie, zużywanie i smarowanie. PWN, 1993, Warszawa.
• 5. Jankowska A., Mednis W.: Künstliches Neuronennetz als Modell der Reibkraft im pneumatischen Zylinder, II Internationales Fluid Technisches Kolloqium in Dresden, 03. 2000, 493-501.
• 6. Haykin S.: Neural Networks: A Comprehensive Foundation.: Macmillan Publishing, 1994. New York.
• 7. Osowski S.: Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, 1996, Warszawa.
• 8. Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 2000, Warszawa.
• 9. Janiszowski K.: Identyfikacja modeli parametrycznych w przykładach, Akademicka Oficyna Wydawnicza EXIT, 2002, Warszawa.
• 10. Muth A., Räpke F.: Eine dynamische Methode zur Reibkraftmessung wahrend der Bewegungsvorgänge von Zylinder und Ventile, II Deutsch-Polnisches Seminar „Innovation und Fortschritt in der Fluidtechnik", Warszawa 09. 1997, s. 401-420.
• 11. Jankowska A., Mednis W., Weingart J. - Neuronenreibungsmodelle -off -line Beschreibung. IV Deutsch-Polnisches Seminar „Innovation und Fortschritt in der Fluidtechnik", 09. 2001, Sopot, str. 369-380.
• 12. Badanie fazy pozycjonowania w płynowych napędach maszyn manipulacyjnych, grant KBN Nr 33201 92 03, pod kierunkiem W. Niewczasa, Warszawa, 1994.
• 13. Jankowska A., Mednis W.: Predykcja parametrów drgań tarciowych w siłownikach płynowych, III Konferencja Naukowo-Techniczna Mechatronika '97, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 1997, s. 84-89.
• 14. STATISTICA-StatSoft Inc., 1998, USA.
• 15. STATISTICA Neural Netwoks PL Przewodnik problemowy - StatSoft, Polska Sp. z o.o., 2001, Kraków.
• 16. Kowalczyk D.: Identyfikacja układu dynamicznego o pewnej klasie nieliniowości z użyciem sztucznej sieci neuronowej. Praca dyplomowa D-1018, IAiR PW Warszawa, praca niepublikowana, 1996.
• 17. Korbicz J., Obuchowicz A., Uciński D.: Sztuczne sieci neuronowe - podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa 1994.
• 18. Tadeusiewicz R.: Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa 1993.
• 19. Soft Sensor Insights - Users Guide, version 4. 1, Pavilion Technologies, Austin USA, 1997.