Metody sztucznej inteligencji w modelowaniu i identyfikacji obiektów elektrotermicznych

• Autorzy: Jackowska-Strumiłło L. , Kucharski J.
• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono zastosowanie metod sztucznej inteligencji do modelowania i identyfikacji wybranych obiektów elektrotermicznych. Zastosowano sztuczne sieci neuronowe do modelowania i identyfikacji nieliniowych własności dynamicznych dwóch typów rezystancyjnych czujników Pt 100 w osłonie umieszczonych w oleju silikonowym. Stosowano dwuwarstwowe sieci perceptronowe oraz sieci rekurencyjne. Zaproponowano także rozmyte podejście do modelowania wybranej klasy obiektów cieplnych - rezystancyjnych pieców komorowych. W szczególności uwzględniono rozłożony charakter parametrów tego typu obiektów i zaproponowano rozwiązanie, które umożliwia uwzględnienie w modelu zmian parametrów dynamicznych obiektu wynikających ze zmian stopnia nasycenia cieplnego warstw izolacyjnych. Rozważania teoretyczne zweryfikowano na drodze symulacyjnej i eksperymentalnej, dowodząc skuteczności proponowanych metod dla rozważanych klas obiektów, a ogólność przeprowadzonej analizy wskazuje na możliwość rozszerzenia zakresu zastosowań.

Słowa kluczowe

PL

sztuczna inteligencja; SSN; urządzenia elektrotermiczne; czujniki temperatury; nieliniowe własności dynamiczne; modelowanie rozmyte; rezystancyjny piec komorowy

EN

artificial intelligence; ANN; temperature sensors; nonlinear dynamic properties; fuzzy modelling; chamber resistance furnace

• Wydawca: Wydawnictwo Politechniki Łódzkiej
• Czasopismo: Zeszyty Naukowe. Elektryka / Politechnika Łódzka
• Rocznik: 2010
• Tom: z. 121
• Strony: 255--266
• Opis fizyczny: Bibliogr. 13 poz.

Twórcy

autor

Jackowska-Strumiłło L.

autor

Kucharski J.

• Wydział Elektrotechniki, Elektroniki, Informatyki i Automatyki Politechnika Łódzka

Bibliografia

• [1] Michalski L., Eckersdorf K., Kucharski J. (1998): Termometria. Przyrządy i metody. Politechnika Łódzka, Łódź.
• [2] Kerlin T.W., Miller L.F., Hashemian H.M. (1978): In-situ response time testing of platinum resistance thermometers. ISA Transactions, Vol. 17, No. 4, pp.71-88.
• [3] Narenda K.S., Parthasarathy K. (1990): Identification and control of dynamical systems using neural networks, IEEE Transactions on Neural Networks, Vol. 1, No. l,pp.4-27.
• [4] Korbicz J., Obuchowicz A., Uciński D. (1994): Sztuczne sieci neuronowe, podstawy i zastosowania. Akademicka Oficyna Wydawnicza PLJ, Warszawa.
• [5] Jackowska-Strumiłło L. (2004): ANN based modelling and correction in dynamic temperature measurements in Artificial Intelligence and Soft Computing- ICAISC 2004, (Eds. Rutkowski L., Siekman J., Tadeusiewicz R., Zadeh L.), Springer-Verlag, Berlin Heidelberg, s. 1124-1129.
• [6] Jackowska-Strumiłło L. (2009): Modelowanie i korekcja wybranych systemów nieliniowych z zastosowaniem metod analitycznych i aproksymatorów neuronowych, Rozprawa habilitacyjna, Zeszyty Naukowe, Politechnika Łódzka, 1043, Łódź.
• [7] Jakob M. (1958): Heat transfer. John Wiley & Sons, NY.
• [8] Łobodziński W. (1987): Wybrane zagadnienia estymacji parametrów uproszczonego modelu matematycznego pieców oporowych komorowych jako obiektów regulacji temperatury. Prace PIE, Cz. 1. z.103/1987; cz. 2 z.106 /1988, Warszawa.
• [9] Orzyłowski M., Łobodziński W., Sankowski D. (2001): Identyfikacja obiektów cieplnych metodami czasowymi i częstotliwościowymi dla celów regulacji. Pomiary Automatyka Kontrola Cz. 1: 3/2001, ss.12-14; cz. 2: 4/2001, s.14-17.
• [10] Michalski L., Kuźmiński K., Sadowski J. (1981): Regulacja temperatury urządzeń elektrotermicznych. WNT, Warszawa.
• [11] Sugeno M., Yusukawa T. (1993): A Fuzzy-Logic-Based Approach to Qualitative Modeling. IEEE Trans, on Fuzzy Systems, Vol. 1, No. 1, 1993, pp. 7-31.
• [12] Kucharski J. (2008): Fuzzy modeling of chosen electroheat systems. Przegląd Elektrotechniczny, 2008, rocznik 84, nr 11, s. 189-192.
• [13] Piegat A. (1999): Modelowanie i sterowanie rozmyte. EXIT, Warszawa.