Sieci neuronowe typu GMDH w diagnostyce systemów przemysłowych

• Autorzy: Mrugalski M. , Arinton E. , Korbicz J.

Warianty tytułu

EN

GMDH neural networks in diagnostics of industrial systems

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiona została możliwość zastosowania sieci neuronowych typu GMDH w układach diagnostyki systemów przemysłowych. Przyjmując jedną ze znanych struktur realizacji układu diagnostyki z modelem systemu rozpatruje się zastosowanie sieci neuronowych typu GMDH do modelowania diagnozowanego systemu. Przedstawione podejście jest alternatywnym rozwiązaniem do metod analitycznych wymagających znajomości pełnego opisu matematycznego diagnozowanego systemu. Końcowa część pracy zawiera przykład potwierdzający skuteczność proponowanego rozwiązania z wykorzystaniem danych urządzenia wykonawczego stacji wyparnej Cukrowni Lublin S.A.

EN

The present work describes the application of GMDH neural networks to designing fault diagnosis systems. In particular, the wellknow modeled-based residual generation scheme is considered, and the GMDH neural network is used to model the system of interest. The presented technique constitutes an alternative approach to classical analytical methods, which require the knowledge of a suitable analytical model of system. The final part of this work contains an illustrative example regarding the fault diagnosis of real process system in Lublin Sugar Factory.

Słowa kluczowe

PL

sieci neuronowe; systemy przemysłowe; GMDH; diagnostyka systemów przemysłowych

EN

neural networks; diagnostics of industrial systems; GMDH

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2002
• Tom: R. 48, nr 2
• Strony: 10--14
• Opis fizyczny: Bibliogr. 18 poz., rys., wykr., wzory m

Twórcy

autor

Mrugalski M.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych

autor

Arinton E.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych

autor

Korbicz J.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych

Bibliografia

• [1] J. M. F. Calado, J. Korbicz, K. Patan, R. J. Patton, J. M. G. Sa Da Costa : Soft Computing Approaches to Fault Diagnosis for Dynamics Systems. European Journal of Control 2001, Vol. 7.
• [2] W Duch, J. Korbicz, L. Rutkowski, R. Tadeusiewicz (Red.): Biocybernetyka i inżynieria biomedyczna 2000. Sieci neuronowe. Akademicka Oficyna Wydawnicza Exit, Warszawa 2000.
• [3] S. J. Farlow: Self-Organizing Methods in Modeling - GMDH Type Algorithms. Marcel Dekker, New York 1984.
• [4] E. Fogel, Y. F. Huang: On the Value of Information in System Identyfication-Bounded Noise Case. Automatica 1982, Vol. 18, No. 2.
• [5] B. Górny, A. Ligęza: Model-based diagnosis of dynamic systems: Towards systematic conflict generation in causal graphs. Proc. Polish-German Symp. Science Research Education, SRE'2000, Zielona Góra, Part I.
• [6] J. Hertz, R. Krogh, G. Palmer: Introduction to the neural computation. Addison-Wesley Publishing Company Inc., 1991.
• [7] R. Isermann (cd.): Supervision. Fault Detection and Diagnosis of Technical Systems. Control Engng. Practice 1997, Vol. 5, No. 5.
• [8] A. G. Ivakhnenko: Polynominal Theory of Complex Systems. IEEE Trans. System. Man and Cybernetics 1971, vol. SMC-l, No. 4.
• [9] A. G. Ivakhnenko, J. A. Muller: Self-Organizing of Nets of Active Neurons. System Analysis Modelling Simulation 1995, vol. 20.
• [10] L. Ljung: System Identification: Theory for the User. Prentice-Hall, London 1987.
• [11]H. N. Koivo: Artificial neural networks in fault diagnosis and control. Control Eng. Practice 1994, Vol. 2, No. 7.
• [12] J. Korbicz,. A. Obuchowicz, D. Uciński: Sztuczne sieci neuronowe. Podstawy i zastosowania. Akademicka Oficyna Wydawnicza PIJ., Warszawa 1994
• [13] J. Korbicz, K. Patan, A. Obuchowicz: Dynamic neural networks for process modelling in fault detection and isolation systems. Int. Jour. Appl. Math, and Comp. Sci. 1999, Vol. 9, No. 3.
• [14] M. Mrugalski, M. Witczak: Parameter estimation of dynamic GMDH neural networks with the bounded-error technique. Jour. Appl. Comp. Sci. 2002, (w druku).
• [15] K. Patan: Anifictal Dynamic Neural Networks and Their Applications in Modelling of Industrial Processes – Rozprawa doktorska. Wydawnictwo Politechniki Warszawskiej, Warszawa 2000.
• [16] R. J. Patton, J. Chen: Observer-based fault detection and isolation: robustness and applications. Control Eng. Practice 1997, Vol. 5, No. 5,
• [17] R. J. Patton, P. Frrank, R. N. Clark (Eds.): Issues of Fault Diagnosis for Dynamic Systems. Springer-Verlag, Berlin 2000.
• [18] E. Walter, L. Pronzato: Identification of Parametric Models from Experimental Data. Springer, Berlin 1997.