Ocena efektywności techniki Extreme Learning Machine (ELM) do modelowania dwuwymiarowych nieliniowości w układach napędowych

• Autorzy: Jastrzębski M. , Kabziński J. , Wasiak G. , Zawiślak R.

Warianty tytułu

EN

Appraisal of extreme Learning Machine Effective for 2d friction modeling

• Języki publikacji: PL

Abstrakty

PL

Celem artykułu jest ocena przydatności techniki Extreme Learning Machine (ELM) do modelowania dwuwymiarowych nieliniowości występujących w układach napędowych. Jako przykład typowej nieliniowości wybrana została funkcja opisująca sumaryczną siłę oporów w napędzie liniowym. Do stworzenia neuronowego modelu oporu użyta została klasyczna technika ELM. Autorzy ocenili efekty zastosowania tej techniki i zaproponowali modyfikację modelu pozwalającą na zmniejszenie błędów modelowania. Przeprowadzone testy symulacyjne i eksperymenty pozwoliły autorom na sformułowanie ogólnych wniosków dotyczących możliwości stosowania techniki ELM do modelowania nieliniowych, dwuwymiarowych zależności na podstawie zaszumionych danych uzyskanych eksperymentalnie.

EN

The aim of this article is to discuss suitability of extreme learning machine (ELM) approach for modeling multisource 2D friction for motion control purposes. The article describes a method of obtaining data used to modulate the resistance forces, taking into account specific to the case and machine external conditions. The features of multisource friction in mechatronic systems are defined, the main aspects of friction modeling by a Standard ELM are investigated and some modifications are proposed to make it more suitable for specific demands of the discussed task. This allows to formulate some general remarks concerning properties of ELM for function approximation.

Słowa kluczowe

PL

modelowanie tarcia; regulacja adaptacyjna; modelowanie rozmyte; silnik liniowy

EN

Extreme Learning Machine; ELM

• Wydawca: Oficyna Wydawnicza Politechniki Wrocławskiej
• Czasopismo: Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Politechniki Wrocławskiej. Studia i Materiały
• Rocznik: 2015
• Tom: Vol. 71, nr 35
• Strony: 83--94
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Jastrzębski M.

• Instytut Automatyki, Politechnika Łódzka, 90-924 Łódź, ul. B. Stefanowskiego 18/22

autor

Kabziński J.

• Instytut Automatyki, Politechnika Łódzka, 90-924 Łódź, ul. B. Stefanowskiego 18/22

autor

Wasiak G.

• Instytut Automatyki, Politechnika Łódzka, 90-924 Łódź, ul. B. Stefanowskiego 18/22

autor

Zawiślak R.

• Instytut Automatyki, Politechnika Łódzka, 90-924 Łódź, ul. B. Stefanowskiego 18/22

Bibliografia

• [1] GAO H., GUANG-BIN, HUANG, SHIJI SONG, KEYOU YOU, Trends in extreme learning machines: A review, Neural Networks, 2015, Vol. 61, 32–48.
• [2] GAO Z., Active disturbance rejection: A paradigm shift in feedback control system design, Proc. IEEE American Control Conference, 2006, 2399–2405.
• [3] HAN ME K., SEONG IK H., JONG SHIK K., Precision position control of servo systems using adaptive backstepping and recurrent fuzzy neural networks, Journal of Mechanical Science and Technology, 2009, Vol. 23, 2873–2890.
• [4] JASTRZĘBSKI M., On-line parameter tuning of discontinuous fuzzy friction compensator in linear drive, XXIV Inter. Conf. Information, Communication and Automation, Piscataway, USA, 2013, 139–144.
• [5] KABZIŃSKI J., Experimental identification of disturbance forces effecting permanent magnet linear motors, Proc. Inter. Conf. Power Electronics and Intelligent Control for Energy Conservation, 2005.
• [6] KABZINSKI J., Fuzzy Friction Modeling for Adaptive Control of Mechatronic Systems. Artificial Intelligence Applications and Innovations, IFIP Advances in Information and Communication Technology, Springer, Berlin Heidelberg, 2012, Vol. 381, 185–195.
• [7] KABZINSKI J., Is Extreme Learning Machine Effective for Multisource Friction Modeling?, Artificial Intelligence Applications and Innovations. IFIP Advances in Information and Communication Technology, Springer, Bayonne, France, 2015, Vol. 456, 318–333.
• [8] KABZIŃSKI J., One-Dimensional Linear Local Prototypes for Effective Selection of Neuro-Fuzzy Sugeno Model Initial Structure, IFIP WG 12.5 Inter. Conf. Artificial Intelligence Applications and Innovations, Springer, IFIP Series, Larnaca, Cyprus, Berlin 2010, 62–69.
• [9] KABZIŃSKI J., KACERKA J., TSK Fuzzy Modeling with Nonlinear Consequences, [in:] Artificial Intelligence Applications and Innovations IFIP Advances in Information and Communication Technology, Springer, Berlin–Heidelberg, 2014, 498–507.
• [10] PARVIAINEN E., RIIHIMÄKI J., Connection between Extreme Learning Machine and Neural Network Kernel, [in:] Knowledge Discovery, Knowledge Engineering and Knowledge Management, Springer, Berlin–Heidelberg, 2013, 122–135.
• [11] SHAOBO LIN, XIA LIU; JIAN FANG; ZONGBEN XU, Is Extreme Learning Machine Feasible? A Theoretical Assessment (Part II), IEEE Trans. Neural Networks and Learning Systems, 2015, Vol. 26, 21–34.
• [12] XIA LIU, SHAOBO LIN, JIAN FANG, ZONGBEN XU, Is Extreme Learning Machine Feasible? A Theoretical Assessment (Part I), IEEE Trans. Neural Networks and Learning Systems, 2015, Vol. 26, 7–20.