Analiza wpływu sposobu przygotowania danych uczących dla sieci neuronowych na jakość odtwarzania zmiennych stanu napędu dwumasowego

• Autorzy: Kamiński M.

Warianty tytułu

EN

Influence analysis of the input data preparation for neural netowrks to the estimation quality of state variables of the two-mass drive system

• Języki publikacji: PL

Abstrakty

PL

W artykule opisano neuronowe estymatory zmiennych stanu napędu elektrycznego z połączeniem sprężystym. Sieci neuronowe zastosowane zostały do odtwarzania momentu skrętnego napędu oraz prędkości silnika obciążającego. Przeprowadzona została analiza wpływu wprowadzania szumu do sygnałów wykorzystywanych w procesie treningu sieci neuronowych (jittering) na jakość odtwarzania zmiennych stanu. Charakterystyczną cechą tej metody jest brak ingerencji w strukturę sieci neuronowej oraz algorytmu treningowego. Zastosowanie tej procedur na etapie projektowania estymatorów neuronowych ma na celu zwiększenie dokładności odtwarzania poszczególnych sygnałów oraz uzyskanie odporności na zakłócenia zewnętrzne Przedstawiono wybrane wyniki badań symulacyjnych i eksperymentalnych ilustrujące skuteczność tej metody uczenia estymatorów neuronowych dla napędu dwumasowego.

EN

In the paper neural estimators of state variables of the electrical drive with elastic coupling are presented. Neural network were applied for the estimation of the shaft torque and angular speed of the load machine. An analysis of a jittering method under training process of neural networks on the estimation quality was performed. The characteristic feature of this method is a lack of influence into the neural network structure or training algorithm. Application of this procedure during the design stage of neural networks improves significantly the estimation quality and robustness (to changes of the system parameters, changes of the load torque) of the proposed neural estimators of the two-mass system. Simulation and experimental tests illustrating the effectiveness of the proposed method are demonstrated.

Słowa kluczowe

PL

napęd dwumasowy; estymatory neuronowe; metody uczenia

EN

two-mass drive; learning methods; neural estimators

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
• Rocznik: 2009
• Tom: Vol. 63, nr 29
• Strony: 426--438
• Opis fizyczny: Bibiogr. 16 poz.

Twórcy

autor

Kamiński M.

• Politechnika Wrocławska, Instytut Maszyn, Napędów i Pomiarów Elektrycznych, 50-370 Wrocław, ul. Smoluchowskiego 19,

Bibliografia

• [1] SZABAT K., Struktury sterowania elektrycznych układów napędowych z połaczeniem spreżystym. Prace Naukowe IMNiPE PWr., nr 61, ser.: Monografie nr 19, Wrocław 2008,.
• [2] ORŁOWSKA-KOWALSKA T., SZABAT K., Vibration Suppression in Two-Mass Drive System using PI Speed Controller and Additional Feedbacks – Comparative Study, Trans. on Industrial Electronics, 2007, vol. 54, no.2, 1193-1206.
• [3] ORŁOWSKA-KOWALSKA T., SZABAT K., Neural Networks Application for Mechanical Variables Estimation of Two-Mass Drive System, Trans. on Ind. Electronics, 2007, vol. 54, no. 3, pp. 1352-1364
• [4] KAMIŃSKI M., ORŁOWSKA-KOWALSKA T, Metoda „early stoping” w optymalizacji neuronowych estymatorów zmiennych stanu układu napędowego z połaczeniem elastycznym, ITEM
• [5] BISHOP C. M., Training with noise is equivalent to Tikhonov regularization, Neural Computation, January 1995, vol. 7, no. 1, pp. 108-116.
• [6] MATSUOKA K., Noise injection into inputs in back-propagation learning, IEEE Trans. on Systems, Man and Cybernetics , May/June 1992, vol. 22, no. 3, pp. 436-440.
• [7] CHANDRA P., SINGH Y., Regularization and Feedforward artificial neural network training with noise, IEEE Proc. of the Int. Joint Conf. on Neural Networks, July 2003, vol. 3, pp. 2366-2371.
• [8] REED R., OH S., MARKS II R.J., Regularization using jittered training data, IEEE Proc. of the Int. Joint Conf. on Neural Networks, 1992, vol. 3, pp. 147-152.
• [9] HOLMSTROM L., KOISTINEN P., Using additive noise in back-propagation training, IEEE Transactions on Neural Networks, 1992, vol. 3, no. 1, pp. 24-38.
• [10] HAGIWARA K., FUKUMIZU K., Over-fitting behavior of Gaussian unit under Gaussian noise, IEEE Proc. of the Int. Joint Conf. on Neural Networks, July 2004, vol. 2, pp. 997-1002.
• [11] GRANDVALET Y., CANU S., BOUCHERON S., Noise injection: theoretical prospects, Neural Computation, July 1997, vol. 9, no. 5, pp. 1093 - 1108.
• [12] SKURICHINA M., RAUDYS S., DUIN R. P. W., K-nearest neighbors directed noise injection in multilayer perceptron training, IEEE Trans. on Neural Networks, 2000, vol. 11, no. 2, pp.504 - 511.
• [13] KOISTINEN P., HOLMSTROM L., Kernel regression and backpropagation training with noise, Proc. of the IEEE Int. Joint Conf. on Neural Networks, 1991, vol. 1, pp.367-372.
• [14] MURRAY A. F., EDWARDS P. J., Enhanced MLP performance and fault tolerance resulting from synaptic weight noise during training, IEEE Trans. on Neural Networks, 1994, vol. 5, no. 5, pp. 792-802.
• [15] HOSSEINI S., JUTTEN C., Maximum likelihood neural approximation in presence of additive colored noise, IEEE Trans. on Neural Networks, 2002,vol. 13, no. 1, pp. 117 - 131.
• [16] OSOWSKI S., Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, 200