Wyniki wyszukiwania - BazTech

Ograniczanie wyników

2 1999

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Effectiveness investigation of the RBF--neural network applied to modelling of the snip propulsion systems with controllable pitch propeller (CPP)

Stolcman S., Piegat A., Szcześniak J.

Polish Maritime Research

1999

nr 2

11-16

Using the controllable pitch propellers (CPP) on ships introduces, apart from the rotational propeller speed N an additional degree of freedom : the pitch ratio P/D of the propeler, increasing the setting space of the propulsion system but also imposing the necessity of the optimum setting datermination. To realize the aim, as accurate as possible characteristics of the propulsion system must be at disposal. The characteristics can be determined with the use of both the conventional mathematics and artificial intelligence methods such as neural networks or fuzzy logic. The paper presents a method of neural modelling of the propulsion system and results of the experiments which makes evaluation of the network effectiveness possible.

Application of a neural modelling method to technical systems optimisation on example of fuel consumption minimisation in the ship propulsion system

Stolcman S., Piegat A.

Archiwum Technologii Maszyn i Automatyzacji

1999

Vol. 19, Nr 2

125-138

Machines, machine tools, propulsion systems and generally technical systems are difficult to modelling for their nonlinearities, friction, hysteresis etc. Neural networks particularly suit this aim. They solve problems being often insoluble with conventional mathematics. The paper presents a geometrical method of neural networks learning. The method enables visualisation of the learning process on a monitor screen. It facilitates and shortens the learning time in comparison with the mostly used error back propagation method. Optimisation of technical systems is much easier if we have their models at disposal. The authors show in the paper how such optimisation can be made on example of a ship propulsion system.

Maszyny, obrabiarki, układy napędowe i ogólnie systemy techniczne są trudne do modelowania ze względu na występujące w nich nieliniowości, tarcie, histerezy itd. Sieci neuronowe są narzędziem szczególnie nadającym się do modelowania takich systemów. Umożliwiają one rozwiązanie takich problemów, jakich metodami matematyki konwencjonalnej często nie można w ogóle rozwiązać. W artykule przedstawiono geometryczną metodę uczenia sieci neuronowych umożliwiającą wizualizację procesu uczenia na ekranie monitora. Skraca to znacznie (i ułatwia) czas uczenia sieci w porównaniu z powszechnie stosowaną metodą wstecznej propagacji błędu. Czynnikiem ułatwiającym optymalizację złożonych systemów technicznych jest posiadanie ich modelu. W artykule na przykładzie minimalizacji zużycia paliwa i innych kryteriów działania systemu napędowego statku autorzy pokazali, jak taką optymalizację można przeprowadzić.