Kovács Ernő 1, Füvesi Viktor 2

Átírás

1 Kovács Ernő 1, Füvesi Viktor 2 1 Miskolci Egyetem, Elektrotechnikai - Elektronikai Tanszék 2 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1 HU-3515 Miskolc-Egyetemváros 2 HU-3515 Miskolc-Egyetemváros, Pf. 2 1 elkke@uni-miskolc.hu; 2 fuvesi@akki.hu Műszaki Tudomány az Észak-Kelet Magyarországi Régióban

2 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 2/33

3 2 1 indítómotor 4 2 behúzó tekercs 3 fogaskerék 4 ház 3 1 3/33

4 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 4/33

5 1 - indítómotor 2 tengely kapcsoló 3 mágnesporos fék fék vezérlője 4 3 5/33

6 szögsebesség nyomaték áram feszültség 6/33

7 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 7/33

8 I R a L a ω M t J red U U i R g L g U i K 1 (1) Armatúra egyenlet: di dt ( U ( Ra Rg ) I K1 )/( La Lg ) (2) Rendszer mozgásegyenlete: d ( K2I M t ) / J red dt (3) 8/33

9 9/33

10 Mért: I, U, ω, M terh Mérésekből számított: di/dt, dω/dt Közelített: R, L, K 1, K 2, J red Keresett paraméter Átlagérték Szórás R [Ω] L [mh] K 1 [V/perc] K 2 [Nm/A] J red [kgm 2 ] /33

11 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 11/33

12 Bemeneti mennyiségek Kimeneti mennyiségek Áram (I) Feszültség (U) Motor Szögsebesség (ω) Leadott nyomaték (M) 12/33

13 Bementi réteg Rejtett réteg Kimeneti réteg 13/33

14 Virtual inputs SISO - Single Input Single Output System u(t) ~ y ( t ) Z -1 u(t-1) Z -1 u(t-2) Z -1 u(t-3) Egy rétegű neurális hálózat ~ y( t) f ut, ut 1, ut 2,..., ut n n (4) 14/33

15 Bemenet Kimenet Bemenet Kimenet adatsor Validáló mintakészlet adatsor Tanító mintakészlet adatsor adatsor 15/33

16 Bemenet Kimenet Bemenet Kimenet adatsor adatsor adatsor adatsor eredeti simított tükrözött simított d0s0 d0s1 d1s0 d1s1 16/33

17 Bemenetek száma 1,, 6 1, 11, 21, 101 Neuronok száma a rejtett rétegben 17/33

18 Virtuális bemenetek száma Virtuális bemenetek száma AIC MSE w b nlog 2 (5) MSE BIC nlog MSE w blogn (6) FPE MSE nlog 1 n n n w b n w b MSE nlog y y i1 ~ 2 (7) (8) Rejtett neuronok száma R 2 R 2 1 n y y i1 MSE 2 (9) Pearson s korrelációs együttható Rejtett neuronok száma 18/33

19 AIC BIC FPE AIC BIC FPE d0s0 d0s1 d1s0 d1s1 AIC 0, , , , BIC 0, , , ,12911 FPE 0, , , , MSE 0, , , , Összesített MSE érték a különféle validáló mintakészletekre a szimulációs mezőn a különféle leállító kritériumok használata mellett 19/33

20 Regressziós egyenes meredeksége Lineáris regresszió a valós és közelített kimenet között d0s0 d0s1 d1s0 d1s1 Különféle modellek 20/33

21 Közelített adatsor Közelített adatsor Skálázott szögsebesség érték Skálázott szögsebesség érték adatsor Tanító mintakészlet adatsor Validáló mintakészlet Valós adatsor Valós adatsor 21/33

22 d0s0 d0s1 MSE MSE MSE MSE Rejtett neuronok száma d1s0 Rejtett neuronok száma d1s1 Rejtett neuronok száma Rejtett neuronok száma 22/33

23 MSE MSE MSE MSE d0s0 d0s1 Bemenetek száma Bemenetek száma d1s0 d1s1 Bemenetek száma Bemenetek száma 23/33

24 1. Indítómotor 2. Mérőpad 3. Modellezés differenciál egyenletekkel 4. Modellezés neurális hálóval 5. Modellezés adattáblával 24/33

25 ) )/( ( ) ~ ( d d d d z d z d z d z d t z 2 2 ) ( ) ( y y x x d i i i (10) (11) 25/33

26 Terhelés [Nm] Szögsebesség [1/perc] Szögsebesség Feszültség [V] 26/33

27 Négyzetes hiba Közelített adatsor Szögsebesség érték [1/perc] adatsor Valós adatsor adatsor 27/33

28 Terhelés [Nm] Áram[A] Áram[A] Feszültség [V] 28/33

29 Négyzetes hiba Közelített adatsor Szögsebesség érték [1/perc] adatsor Valós adatsor adatsor 29/33

30 Futási idő [s] Normalizált MSE MSE és osztásszám kapcsolat 1,2 1 0,8 0,6 0,4 0, Felhasznált szomszédok száma Tengelyenkénti osztásszám Adatbázis tengelyenkénti osztásszáma 30/33

31 módszer számításigény pontosság hátrány Differenciál egyenlet közepes közepes Vizsgált rendszer pontosabb ismerete szükséges Neurális hálózat nagy nagy Nehéz jó tanító mintakészletet kialakítani Adattábla kicsi kicsi Gyenge dinamika 31/33

32 Aktuátor modellezése differenciálegyenletek segítségével Modell validálás több mérés alapján Neurális hálózat alkalmazása aktuátor modellezéséhez Betanító és feldolgozó programok fejlesztése C/C++ nyelven Különféle felépítésű hálózat használata Optimális modell kiválasztása, különféle irodalomból ismert modellkiválasztó mennyiségeke alkalmazása mellett a háló által közelített és a megkívánt minta regresszió analízise Adatbázisos modell kialakítása a motor áramának és a szögsebességének közelítésére 32/33

33