Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: sztuczne sieci neuronowe (SNN)

Sortuj według:

Ogranicz wyniki do:

Przewidywanie wskaźnika awaryjności z wykorzystaniem sztucznych sieci

Kutyłowska M.

Instal

2016

nr 1

44--46

W pracy przedstawiono wyniki modelowania wskaźnika intensywności uszkodzeń z wykorzystaniem sztucznych sieci neuronowych (SSN). SSN są traktowane jako tzw. „czarna skrzynka”, co implikuje konieczność stosowania metody „prób i błędów” w celu uzyskania wiarygodnych rezultatów. Celem pracy było porównanie otrzymanych wyników z rezultatami modelowania wskaźnika intensywności uszkodzeń w innym polskim mieście przy użyciu typowych modeli matematycznych oraz SSN. Dane z 14 lat eksploatacji, uzyskane z przedsiębiorstwa wodociągowego w wybranym polskim mieście, zostały wykorzystane do przewidywania wartości wyjściowej (wskaźnika intensywności uszkodzeń) przewodów rozdzielczych i przyłączy wodociągowych. Danych z lat 1999-2005 (344 i 168, odpowiednio dla przewodów rozdzielczych i przyłączy) użyto do uczenia sieci neuronowej. Na podstawie danych (260 i 153, odpowiednio dla przewodów rozdzielczych i przyłączy) z kolejnych 7 lat przeprowadzono prognozę (przewidywanie) wskaźnika intensywności uszkodzeń. Perceptron wielowarstwowy został wybrany jako najlepsza struktura sieci do przewidywania wskaźnika awaryjności. Modelowanie przeprowadzono w programie Statistica 10.0.

The paper describes the results of failure rate modeling using artificial neural networks (ANN). ANN modeling is like “black box” approach and to achieve reliable solutions it is required to apply “trial and error method”. The aim of the presented paper was the comparison between current results and investigations of failure rate prediction in another Polish city using typical modeling and also ANN approach. Operational data from 14 years of exploitation, received from Polish water utility A, were used to predict output value of failure frequency of distribution pipes and house connections. Data (344 and 168 for distribution pipes and house connections, respectively) from the time span 1999-2005 were used for learning the network. On the basis of data (260 and 153 for distribution pipes and house connections, respectively) from the next 7 years the prognosis (prediction) of failure rate was carried out. Multilayer perceptron (MLP) was chosen as the best network structure for failure rate prediction. The realization of the modelling was performed in the software program Statistica 10.0.

Modelowanie i korekcja wybranych systemów nieliniowych z zastosowaniem metod analitycznych i aproksymatorów neuronowych

Jackowska-Strumiłło L.

Zeszyty Naukowe. Rozprawy Naukowe / Politechnika Łódzka

2009

Z. 380

3-207

Zagadnienia referowane w rozprawie dotyczą modelowania i korekcji nieliniowych własności wybranych obiektów i procesów przemysłowych, z zastosowaniem modeli analitycznych, sztucznych sieci neuronowych (SSN) i modeli hybrydowych. Wykazano, iż zastosowanie SSN do modelowania i korekcji nieliniowych własności rozważanych w pracy obiektów i procesów umożliwia uzyskanie lepszej dokładności niż metody klasyczne, natomiast wykorzystanie wiedzy a priori o obiekcie lub procesie w hybrydowym modelu analityczno-neuronowym może dodatkowo znacznie zmniejszyć złożoność obliczeniową algorytmów: identyfikacji, modelowania i korekcji, w porównaniu z rozwiązaniami stosującymi wyłącznie modelowanie neuronowe. Opracowano algorytmy linearyzacji charakterystyk statycznych termistorów z wykorzystaniem SSN typu perceptron wielowarstwowy (MLP) i modeli hybrydowych, które w szerokim zakresie temperatur są dokładniejsze od klasycznych metod regresji. Omówiono metodę wymuszenia wewnętrznego za pomocą wieloczęstotliwościowych sygnałów binarnych (MBS) i metodę diagramów czasowych do identyfikacji, monitorowania i diagnozowania on-line i in situ własności dynamicznych czujników temperatury. Opisano wybrane zagadnienia związane z projektowaniem sygnałów testowych binarnych i ternarnych. Zasadniczą część rozprawy poświęcono opracowanym metodom modelowania nieliniowych własności dynamicznych czujników temperatury oraz korekcji błędów dynamicznych czujników z zastosowaniem SSN typu MLP, sieci rekurencyjnych i modeli hybrydowych. Wykazano, iż dla czujników o nieliniowych właściwościach dynamicznych modele te zapewniają znacznie lepsząjakość modelowania i korekcji niż klasyczne modele liniowe. Zbudowano cząstkowe neuronowe i hybrydowe modele procesu przędzenia do prognozowania własności przędz na podstawie charakterystyk strumieni zasilających i wybranych parametrów procesu. Osiągnięto znacznie lepszą dokładność modelowania niż przy zastosowaniu klasycznych metod regresji nieliniowej i wielorakiej. SSN zastosowano także do rozwiązania zagadnienia odwrotnego polegającego na identyfikacji inkluzji w obiektach płaskich. Uzyskano krótszy czas obliczeń niż w klasycznych numerycznych metodach iteracyjnych. W ostatniej części rozprawy opisano zintegrowany system komputerowy zaprojektowany dla potrzeb identyfikacji, modelowania i korekcji rozważanych w pracy obiektów i procesów.

The dissertation deals with modelling and correction of nonlinear properties of the selected objects and processes by the use of analytical models, Artificial Neural Networks (ANN) and hybrid models. It was shown that application of ANN for modelling and correction of nonlinear properties of the objects and processes, considered in the thesis, allows for obtaining better accuracy than by means of classical methods. The use of a priori knowledge about an object or a process in a hybrid analytical-neural model can also decrease numerical complexity of identification, modelling and correction algorithms, in comparison to the ANN- based modelling. The proposed algorithms implementing ANN and hybrid models yield in a wide temperature range better linearization results of the thermistors characteristics than the classical regression methods. Self-heating method using the Multifrequency Binary Signals (MBS) and eye patterns method for temperature sensors dynamic properties on-line and in situ identification, monitoring and diagnosis were described. Selected problems concerning binary and ternary testing signals design have been discussed. The significant part of the thesis is dedicated to new methods proposed for modelling of temperature sensors nonlinear dynamic properties and correction of dynamic errors, by the use of MLP, recurrent ANN and hybrid models. It was proved that the proposed models for sensors nonlinear dynamic properties ensure significantly better modelling and correction quality that the classical linear models. Partial ANN and hybrid models of spinning process have been designed, which allow to predict the selected yarn properties on the basis of feeding slivers characteristics and chosen process parameters. Significantly better modelling accuracy has been achieved than by the use of classical nonlinear and multiple regression methods. ANN have been also applied for solving inverse problems, i.e. for identification of inclusion in flat objects. The computing time was shorter than for classical iterative numerical methods. In the last part of the work, an integrated computer system is described. The system was designed for identification, modelling and correction of the objects and processes concerned in the thesis.