Optimization of neural networks structure selection in modelling spheroidal graphite cast iron for automotive camshafts

• Autorzy: Witaszek Kazimierz , Garbala Krzysztof , Witaszek Mirosław , Rychter Marcin

Identyfikatory

DOI

10.24136/atest.2019.255

Warianty tytułu

PL

Optymalizacja doboru struktury sztucznych sieci neuronowych w modelowaniu zużycia żeliwa sferoidalnego na samochodowe wałki rozrządu

• Języki publikacji: EN

Abstrakty

EN

The present article discusses the process of optimizing the structure of artificial neural networks applied in modelling the wear of spheroidal graphite cast iron (SG cast iron). The networks were trained using the RPROP gradient method with the application of the SNNS package supported by original self-developed software, which enabled automatic creation, training and testing of networks with different sizes of hidden layers. Based on the results of an analysis of learning process and testing a package of 625 networks, the network was selected which – when modelling the process of spheroidal cast iron wear – generates the slightest errors during testing.

PL

W pracy przedstawiono proces optymalizacji struktury sztucznych sieci neuronowych użytych do modelowania zużycia żeliwa sferoidalnego. Sieci uczono metodą gradientową RPROP przy użyciu pakietu SNNS wspomaganego autorskim oprogramowaniem, które umożliwiało automatyczne tworzenie, uczenie i testowanie sieci o różnych wielkości warstw ukrytych. Na podstawie analizy wyników procesu uczenia i testowania pakietu 625 sieci dobrano tę, która modelując proces zużycia żeliwa sferoidalnego generuje najmniejsze błędy podczas testowania.

Słowa kluczowe

EN

artificial neural networks; structure optimization; wear; spheroidal cast iron; Stuttgart neural network simulator; resilient back-PROPagation

PL

sztuczne sieci neuronowe; optymalizacja struktury; zużycie; żeliwo sferoidalne; Stuttgart neural network simulator; resilient back-ROPagation

• Wydawca: Instytut Naukowo-Wydawniczy "SPATIUM". sp. z o.o.
• Czasopismo: Autobusy : technika, eksploatacja, systemy transportowe
• Rocznik: 2019
• Tom: R. 20, nr 12
• Strony: 215--220
• Opis fizyczny: Bibliogr. 17 poz., schem., tab., wykr.

Twórcy

autor

Witaszek Kazimierz

• Silesian University of Technology, Faculty of Transport and Aviation Engineering, Department of Automotive Vehicle Maintenance

autor

Garbala Krzysztof

• AC Spółka Akcyjna, ul. 42 Pułku Piechoty 50, 15-181 Białystok

autor

Witaszek Mirosław

• Silesian University of Technology, Faculty of Transport and Aviation Engineering, Department of Automotive Vehicle Maintenance

autor

Rychter Marcin

• Vocational State School of Ignacy Mościcki in Ciechanów, Faulty of Engineering and Economics, Gabriela Narutowicza 9, 06-400 Ciechanów, Poland

Bibliografia

• 1. Xu, J. & Yamada, K. & Seikiya, K. & Tanaka, R. & Yamane, Y.: Effect of different features to drill-wear prediction with back propagation neural network. Precision Engineering.2014. Vol. 38, Iss. 4. P. 791-798.
• 2. Kadua, R.S. & Awarib, G.K. & Sakhalec, C.N. & Modakd, J.P.: Formulation of Mathematical Model for the Investigation of Tool Wears in Boring Machining Operation on Cast Iron Using Carbide and CBN Tools. Procedia Materials Science. 2014. Vol. 6. P. 1710-1724.
• 3. Veeresh Kumara, G.B. & Pramoda, R. & Raob, C.S.P. & Shivakumar Goudac, P.S.: Artificial Neural Network Prediction On Wear Of Al6061 Alloy Metal Matrix Composites Reinforced With -Al2O3. Materials Today: Proceedings. 2018. Vol. 5, Iss. 5. Part 2. P. 11268–11276.
• 4. Cios, K.J. & Mamitsuka, H. & Nagashima, T. & Tadeusiewicz, R.: Computational intelligence in solving bioinformatics problems. Artificial Intelligence in Medicine. 2005. Vol. 35, Iss. 1-2. P. 1-8.
• 5. Tadeusiewicz, R. & Ogiela, L. & Ogiela, M.R.: The automatic understanding approach to systems analysis and design. International Journal of Information Management. 2008. Vol. 28, Iss. 1. P. 38-48.
• 6. Tadeusiewicz, R.: Neural networks in mining sciences-general overview and some representative examples. Archives of Mining Sciences. 2015. Vol. 60, Iss. 4. P. 971-984.
• 7. Manieniyan, V. & Vinodhini, G. & Senthilkumar, R. & Sivaprakasam, S.: Wear element analysis using neural networks of a DI diesel engine using biodiesel with exhaust gas recirculation. Energy. 2016. Vol. 114. P. 603-612.
• 8. Szaleniec, J. & Wiatr, M. & Szaleniec, M. & Składzień, J. & Tomik, J. & Oleś, K. & Tadeusiewicz, R.: Artificial neural network modelling of the results of tympanoplasty in chronic suppurative otitis media patients. Computers in Biology and Medicine. 2013. Vol. 43, Iss. 1. P. 16-22.
• 9. Szaleniec, M. & Tadeusiewicz, R. & Witko, M.: How to select an optimal neural model of chemical reactivity? Neurocomputing. 2008. Vol. 72, Iss. 1-3. P. 241-256.
• 10. Aleksendrić, D.: Neural network prediction of brake friction materials wear. Wear. 2010. Vol. 268, Iss. 1-2. P. 117-125.
• 11. Bergmeir, C. & Benítez, J.M.: Neural Networks in R Using the Stuttgart Neural Network Simulator: RSNNS. Journal of Statistical Software. 2012. Vol. 47, Iss. 7. P. 1-26.
• 12. Olesiuk, D. & Bachmann, M. & Habermeyer, M. & Heldens, W. & Zagajewski, B.: SNNS application for crop classification using hymap data. Proceedings of the Whispers - 2nd Workshop on hyperspectral image and signal processing. 2010. P. 1-4.
• 13. Riedmiller, M. & Braun, H.: A direct adaptive method for faster backpropagation learning the RPROP algorithm. IEEE International Conference on Neural Networks. 1993. Vol. 1. P. 586591.
• 14. Mrówczyńska, M.: Estymacja błędów modelu powierzchni opisanych funkcjami kształtu za pomocą sieci neuronowych. Acta Scientinarum Polonorum, Geodesia et Descriptio Terrarum. 2007. Vol. 6, Iss. 1. P. 15-23.
• 15. Zell, A. & Mamier, G. & Vogt, M. & Mache, N. & Hübner, R. & Döring, S. & Herrmann, K.U. & Soyez, T. & Schmalzl, M. & Sommer, T. & Hatzigeorgiou, A. & Posselt, D. & Schreiner, T. & Kett, B. & Clemente, G. & Wieland, J.: Stuttgart Neural Network Simulator User Manual, Version 4.2. http://www.ra.cs.unituebingen.de/downloads/SNNS/SNNSv4.2.Manual.pdf
• 16. Yilmazkaya, E. & Dagdelenler, G. & Ozcelik, Y. & Sonmez, H.: Prediction of mono-wire cutting machine performance parameters using artificial neural network and regression models. Engineering Geology. 2018. Vol. 239. P. 96-108.
• 17. Shebani, A. & Iwnicki, S.: Prediction of wheel and rail wear under different contact conditions using artificial neural networks. Wear. 2018. Vol. 406-407. P. 173-184.

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).