FAULT DETECTION OF AN ELECTROMECHANICAL DRIVE CHAIN USING ARTIFICIAL INTELLIGENCE METHODS
|
|
- Dóra Kozma
- 7 évvel ezelőtt
- Látták:
Átírás
1 ELEKTROMECHANIKUS HAJTÁSLÁNC HIBÁINAK DETEKTÁLÁSA MESTERSÉGES INTELLIGENCIÁS MÓDSZEREK SEGÍTSÉGÉVEL FAULT DETECTION OF AN ELECTROMECHANICAL DRIVE CHAIN USING ARTIFICIAL INTELLIGENCE METHODS FÜVESI Viktor 1, KOVÁCS Ernő 2 1 tudományos segédmunkatárs; 2 PhD, egyetemi docens 1 Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet, Műszerfejlesztési és Informatikai Osztály HU-3515 Miskolc-Egyetemváros, Pf. 2 tel.: +36-(46) mellék: 25-12, fax: +36-(46) Miskolci Egyetem, Elektrotechnikai és Elektronikai Tanszék HU-3515 Miskolc-Egyetemváros tel.: +36-(46) mellék: 12-16, 12-18, fax: +36-(46) fuvesi@afki.hu; 2 elkke@uni-miskolc.hu Kivonat: A modell alapú hibatűrő rendszerek és hibadiagnosztikák az utóbbi években indultak nagymértékű fejlődésnek. A cikkben egy motorból és hajtóműből álló hajtásláncot tartalmazó berendezés esetlegesen előforduló hibáinak detektálását mutatjuk be mesterséges intelligencián alapuló modellezés módszerének felhasználásával. A mesterséges intelligencia módszerek közül a neurális hálózatok kerültek felhasználásra. A valós rendszeren történt mérések felhasználásával kifejlesztésre került a berendezés elmozdulását közelíteni képes neuro-fuzzy módszeren alapuló modell. A modellalkotás során a neurális hálózat approximációs képessége került felhasználásra. A hibadiagnosztikai vizsgálatokat a hajtáslánc különféle sebességei és gyorsításai mellett végeztük el. A kifejlesztett módszer felhasználja az előre csatolt neurális hálózatok nagyon jó osztályozási képességeit. Kulcsszavak: neurális hálózat, hajtáslánc, hiba-detektálás Abstract: Model based fault tolerant systems and fault diagnoses have been significantly improved of late years. This paper introduces a method which is able to detect faults may occur unintentionally. The drive chain consists of an AC servo motor and drives with a built in worm gear. In modelling phase, a neuro-fuzzy based model was developed to observe the movement of the track using measurement data from the real system. The approximation capability of the neural network was used during this phase of modelling. The developed fault detection method is able to detect faults in the system in different velocity and acceleration circumstances of the modelled drive chain. The method utilises the excellent classification feature of the feedforward neural networks. Keywords: neural network, drive chain, fault detection 1. BEVEZETÉS Az ember építette rendszerekkel, legyen az bármilyen dinamikai rendszer vagy éppen ipari berendezés, szemben támasztott követelmények között kell, hogy helyet kapjon a pontosság, megbízhatóság és természetesen a biztonság. A vizsgált rendszerekben felmerülő hibák minél korábban történő észlelése segíthet a rendszerleállások, anyagi károk elkerülésében vagy súlyosabb esetben az emberi élet megóvásában is. A gyors hibafelismerés fokozza a termelékenységet, mert nem kell hosszas hibakereséssel foglakozni és a termeléskiesés ideje is lerövidülhet. A folyamatok pontos ellenőrzésének szükségessége miatt, a különféle szenzorok és érzékelők az ipari berendezések fontos részévé váltak. A hibásan működő érzékelő viszont nagy károkat tud okozni: képes meghamisítani a rendszer segítségével végzett mérések eredményét, nagyban tudja befolyásolni a mérés minőségét. A pontatlan mérési eredmény miatt akár kár is keletkezhet magában a berendezésben is. Ennek elkerülésére nem csak az
2 érzékelők többszörözését, redundanciáját alkalmazzák, hanem az utóbbi években elterjedőben lévő analitikus redundanciát is. Az analitikus redundancián alapuló hiba diagnózis témakörében a 70-es évek végétől napjainkig számos eredmény született. Az irodalomban fellelhető módszerek nagy hányadában a vizsgált rendszer valamilyen szintű matematikai modellje megalkotásának segítségével végzik a hiba kimutatását. Az alkalmazott modellezési eljárások palettája igen széles. Van példa a rendszer működését leíró differenciál egyenletek használatára [1]. Ennek a módszernek a hátránya a vizsgált rendszer beható ismeretének szükségessége illetve a modell valós rendszerhez való illesztése (validálás) is komoly feladatot jelent. Napjainkban egyre elterjedtebb a mesterséges intelligencia különféle módszereinek modellezésre való alkalmazása. A leggyakrabban alkalmazott módszerek közé sorolhatók a mesterséges neurális hálózatok [2, 3, 5] vagy más lágy számítási modellek [4] is. A monitorozott rendszer modellje felhasználható egy ún. különbség-képzésre, amely egy olyan mennyiség, ami érzékeny a rendszer hibás működésére, üzemzavaraira [6]. Rendszerek hibáinak kimutatására számos módszer ismert a szakirodalomból. A fellelhető módszerek közül nagy népszerűségnek örvend a paritás egyenletek [7, 11, 12] és obszerverek [8] alkalmazása, de a paraméterközelítésen alapuló eljárások [9] és neurális hálózatok alkalmazására is van példa [10, 13]. A bemutatásra kerülő projektben neuro-fuzzy modellt alkalmazunk a vizsgált berendezés elmozdulás-függvényének előállítására. A függvény és rendszerbe épített szenzorok értékeinek felhasználásával, a rendszerben található különféle hibák külön-külön kimutathatók. Többrétegű, előrecsatolt neurális hálózatot alkalmaztunk a valós jel és a modell kimenetéből képzett különbség és hibát kimutató hibajel előállítására. Kitérünk a használt neurális hálózatok felépítésére és a bemutatott módszer értékelésére is sor kerül. 2. A VIZSGÁLT BERENDEZÉS A szárazföldi kísérleti olajfúrások során a furatból kiemelt kőzetmag olajtartalmának és szerkezetének meghatározásához a kőzet természetes gamma sugárzásából származó gamma spektrumot használják. A helyszíni gamma-log regisztrátum mélységadatinak pontosításhoz a kiemelt kőzetszelvényeket laboratóriumi körülmények között is megvizsgálják. A fúrás helyszíni eredményeinek és a laboratóriumi vizsgálatok eredményeinek korrelációjából a kőzet mélységének meghatározása pontosítható. A mérések során az egyik legfontosabb kritérium, hogy a felvett gamma spektrum és a hozzá tartozó mélységértékek ne csússzanak el egymáshoz képest. Ehhez a gammasugárzás mérő detektor minél pontosabb mozgatására van szükség. Egy mobil gamma-log berendezés (MGL-01F) került kifejlesztésre a Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet, Műszerfejlesztési és Informatika Osztályán. A gammasugárzást mérő detektor egy kis kocsiban kapott helyet, ami egy speciális sínrendszeren halad, a kőzetmag felett. A berendezés egyediségét mutatja, hogy a piacon elérhető megoldásokhoz képest ez a berendezés mobil. A piacon kapható megoldásokban a gammasugárzást mérő detektor áll és a kőzetmagot mozgatják a detektorhoz képest. Ebben a berendezésben a kőzetmag a neki kialakított ólomlapokból készített vájatban fekszik, ami a sínpálya része {1}. A detektort egy kis kocsi {2} mozgatja a mag felett a sínpályán. A kocsi mozgatásához szükséges villamos energia, a mért adatok valamint a vezérlő számítógép {4} felől kapott parancsok egy energialánc {3} segítségével jutnak el a kocsira. A berendezés fent említett főbb komponensei a 1. ábrán láthatók.
3 1. ábra Az MGL-01F Gamma-Log berendezés főbb komponensei 1: moduláris sínpálya; 2: detektort hordozó kocsi; 3: energialánc; 4: vezérlő számítógép A MGL-01F berendezés hajtását egy 200W-os AC szervomotor adja. A motor kihajtótengelyére egy 70-es lassító áttételű csigahajtómű csatlakozik. A kocsi bal hátsó kereke a hajtott kerék. A rendszer pontosságáról egy jeladó gondoskodik, ami a berendezés bal első kerékhez csatlakozik. A jeladó a kocsi sínen történő pontos mozgatásáért felelős. A modellezés során ezt a hajtásláncot vizsgáljuk, annak előforduló hibáit észleljük. 3. A RENDSZER MODELLEZÉSE A vizsgált rendszer modellezése során elsősorban valamilyen matematikai összefüggést keresünk a rendszer kimenete és a rendelkezésre álló bemeneti jelsorozatok között. A vizsgált hajtásláncból és mechanikából álló rendszer egy, a természeténél fogva, dinamikai rendszert alkot. A vizsgált hajtáslánc esetében, annak viselkedése, elmozdulásának időbeni lefutása, leírható egy több bemenetű egy kimenetű modell segítségével (MISO). A modell a valós rendszeren történt mérések alapján került kifejlesztésre. A mérések során változtattuk a kocsi gyorsulását és sebességét a megtett út viszont állandó maradt. Az így született mérésekből egy adatbázist hoztunk létre, amiből a modellezéshez felhasznált tanító, validáló és teszt mintakészletek lettek összeállítva. A mintakészletek úgy lettek összeállítva, hogy a három mintakészlet egymástól független adatokat tartalmazott. A mérések során számítógépes mérőrendszerrel mértük a három fázisfeszültséget és fázisáramokat valamint a jeladó impulzussorozatát. A nyers adatok előfeldolgozáson estek át, ami szűrésből (jelre szuperponálódott zajok eltávolítása érdekében) és újra mintavételezésből állt, ami későbbi betanítás felgyorsítása érdekében volt szükséges. Az így született feszültség és áram jelsorozatok áttranszformálhatók a saját, motor állórészéhez kötött koordinátarendszereikbe. Az jeladó jelsorozatából előállítható a kocsi elmozdulás-idő függvénye LLNF modell és LOLIMOT algoritmus A radiális bázis függvény (RBF) hálózat egy kiterjesztéseként ismert lokálisan lineáris modell hálózatot (Local Linear Neuro Fuzzy, LLNF) használtuk a rendszer modellezésére. Ebben a struktúrában a kimeneti réteg neuronjainak súlyai, a neuronok bemenetének lineáris kombinációjával lettek helyettesítve, továbbá a RBF hálózat normalizált is [15, 16, 17].
4 A LOLIMOT hálózat kimenete (y e ) a következő módon számítható (1) [17]: y e M i1 i( u) wi 0 wi1u 1... w ip u p, (1) ahol: M u p w xy ϕ i neuronok és egyben a részmodellek száma; a bemeneti vektor; a bemenetek száma; az x. neuronban az y. súly; a normalizált Gauss-féle érvényességi függvény. Ez az érvényességi függvény (2) leszűkíti a bemenetekből képzett lineáris modell értelmezési tartományát. ahol: c σ ( u) i M ( u) i j1 ( u) p j1 ( u) j 1 u j c exp 2 Gauss függvény center vonala; szórás., 2 ij 2 ij, (2) (3) Az előbbiek alapján jól látszódik, hogy a felépített modellben a w súlyok lineáris, még a c és σ nemlineáris paraméterek. A hálózat betanítása a lokálisan lineáris modell fa algoritmussal (LOLIMOT) lehetséges, ami stabil és gyors konvergálást biztosít. A betanítás folyamata két részből áll. A betanítás első felében a bemeneti teret képezzük le az érvényességi függvény paramétereinek meghatározásával. A második lépés során a lokális modellek (LLM) optimalizációja zajlik a legkisebb négyzetek módszerének segítségével [17]. Alapesetben ez a hálóstruktúra nem alkalmas dinamikai rendszer modellezésére, ezért külső dinamikával ellátott bemeneti konfigurációt alkalmaztunk. A transzformált áram (u 1 ) és feszültség (u 2 ) szolgált bemenetként és a kocsi mozgását leíró időfüggvény pedig kimenetként ARX külső dinamika A berendezésen végzett mérések alapján betanításra került FIR (Finite Impulse Respond) típusú külső dinamikával rendelkező hálózat. Ennek a külső dinamikának az a lényege, hogy az i. időpillanat a kimenet közelítéséhez az i-1. időpillanathoz tartozó bemeneti értéket és még korábbi időpontok bemeneti értékeit is megkapja. Ebből a modelltípusból nem született megfelelő pontosságú modell. Jó és stabil megoldást adott viszont az ARX (Autoregressive with exogenous) bemeneti konfigurációs modell, ami 2. ábrán látható.
5 2. ábra ARX típusú hálóstruktúra Ennél a modell típusnál a FIR bemeneti konfiguráció mellett a megkívánt, tanításhoz felhasznált, eggyel korábbi időpillanathoz tartozó y kimenetet is a bemeneti térbe helyezi. A formázott és transzformált mérési paraméterek alapján felépített, a kocsi elmozdulását közelíteni képes modell született. Az így felépített modellt használtuk a rendszer hibafajtájának kimutatására. 4. HIBADETEKTÁLÁS MÓDSZERE A rendszer hibáinak kimutatására egy modell alapú módszert dolgoztunk ki és teszteltünk. A módszer hiba detektálásra neurális hálózatokat használ fel. A hiba kimutatásának folyamata következőképpen történik. A folyamattal vagy vizsgált rendszerrel párhuzamosan futtatjuk a korábban felépített modellünket. Mind a két rendszer, vagyis a modell és a valós rendszer ugyanazt a bemenetet kapják. A modell és a rendszer kimeneteiből számítható egy különbség, ami a nagyon kis érték a rendszer hibátlan működése és a használt modell pontossága esetén. Ha hiba keletkezik a rendszerben, akkor a generált különbség értéke megnő. A hibás és hibátlan állapot szétválasztására, a neurális hálózatok nagyon jó osztályozási képességét használtuk. A generált különbség felhasználható egy többrétegű neurális hálózat bemeneteként, ami a kimeneten hibajelzést produkál. A használt vizsgálati struktúra a 3. ábrán látható. 3. ábra Hibadetektálás módszere
6 5. HIBAVIZSGÁLATOK A hibavizsgálatok során számos hibát vizsgáltunk, amelyekből ennek a cikknek a keretein belül két hibafajta detektálását ismertetjük: a) a jeladó szenzor minden körülfordulás alatt előforduló rendszeres hibáját valamint b) a motor armatúrájában bekövetkező változás okán létrejövő feszültség emelkedésből fakadó hibajelenséget fogjuk megvizsgálni és kimutatni. Annak érdekében, hogy minősíteni lehessen a detektálás jóságát, a hibás jelsorozatokat mesterségesen generáltuk a mérésekből. A hibák számának és az előfordulások pontos idejének ismeretében vizsgálható a detektáló-képesség. Vizsgáljuk a módszer képességeit és korlátait, valamint a használt hálóstruktúrák hatását az egyes esetekben. 5.1 A szenzor rendszeres hibája A jeladó olyan hibáját keressük, amikor egy körülfordulás alatti impulzusok száma nem egyezik meg a gépkönyvben közöltekkel. Látszólag teljesen hibátlanul működik a jeladó, adja az impulzusokat a kimenetén, de nem a megfelelő számban. Ezt a hibatípust okozhatja a jeladó elektronikája vagy éppen a jeladó kódtárcsájának gyártási hibájából adódó pontatlanság. Feltételezzük, hogy a hibás jeladó négy impulzussal kevesebbet ad le fordulatonként és a hiba egy körülfordulás alatt két alkalommal ismétlődik. Így egy hibázás alkalmával kettő impulzus hiányzik az eredetihez képest. Ha hibamentes és a hibásan működő jeladó impulzusszámának különbségét képezzük egy lépcsőzetesen változó függvényt kapunk. Egy körülfordulás alatt két lépcső születik. A hibadetektálást végző neurális hálózat betanításához és teszteléséhez három független mintakészlet született. Egy a hálózat tanításához, egy a tanítás leállításához, ami azért fontos, hogy a hálózat elsajátítsa a tanító mintakészletbe foglaltakat, de képes legyen még extrapolációra is. A harmadik készlet a teszt mintakészlet volt, ami különféle hálózattípusok összehasonlításához volt szükséges. A mintakészletek a kocsi különféle sebessége és gyorsulása mellett született mérésekből származó, előfeldolgozott jelsorozatok összefűzéséből születtek. A szimulációkban változtattuk a hiba első megjelenésének időpontját is. Több hálózatkonfigurációt teszteltünk, hogy mennyire sikerül a hibajelet előállítani. A vizsgált struktúrákban változtattuk a rejtett rétegben elhelyezett neuronok számát és a struktúra bemeneti konfigurációját is. Hat bemeneti konfigurációt teszteltünk és öt rejtett neuron számot használtunk a vizsgálat során. A különféle hálókonfigurációk, a hálózat típusok és a hálózat által megvalósított átviteli függvényt az 1. táblázat tartalmazza. STRUKTÚRA TÍPUS MEGVALÓSÍTOTT FÜGGVÉNY 1. Konfig. NNFIR y t f ut 2. Konfig. NNFIR y e t f ut, ut 1 3. Konfig. NNFIR y e t f ut, ut 1, u( t) ut 1 4. Konfig. NNARX y e ( t) f u( t), u( t 1), y( t ) 5. Konfig. NNARX y e ( t) f u( t), u( t 1), y( t 1), y( t ) 6. Konfig. NNARX y e ( t) f u( t), u( t 1), y( t 1), y( t 2), y( t 1) y( t ) 1. táblázat Vizsgált hálózatkonfigurációk, hálóstruktúra Általában neurális hálózat eredményét az átlagos négyzetes hibával (MSE) értékelik. Jelen esetben különféle hálóstruktúrák értékelésére a neurális struktúra hibajelének deriváltja
7 használható fel. A korábban emlegetett lépcsős hibajelek a deriválás során impulzusokká fajulnak. Az így képzett jelsorozat jól kiértékelhető. A teszt jelsorozat 66 hibát tartalmazott összesen. Az aktuálisan vizsgált hálózat teljesítményét három tény határozta meg. Az egyik, hogy amikor valós rendszeren hiba történik akkor ad hibajelet, vagyis felismeri a hibát a hálózat (RF). Fontos tovább hogy hány valós jelzést hibázott el (MF) a detektáló módszer. A harmadik, hogy ad-e hibaimpulzust akkor is, ha nincs a rendszerben hiba, tehát hibásan jelez-e (BA). A helyes időben képzett hibajelek számából és a hamis hibaimpulzusokból a következő képlet szerint képeztünk egy relatív hibaimpulzus számot, ami a vizsgált, betanított neurális hálózat hiba felismerő képességét (HFK) relatív hiba jellegű mennyiségként értékeli. RF HFK 100% RF BA MF (4) A kiértékelés során, az számított jó hibajelzésnek, ahol a hálózat produkálta impulzus nagysága elérte a megkívánt impulzus nagyságának 30%-át. Az 5. bementi konfigurációval ellátott, 6 rejtett neuront tartalmazó hálózat eredményének a deriváltja illetve a hálózattól megkívánt teszt jelsorozat látható az 4. ábrán. 4. ábra Az egyik legjobb eredményt produkáló hálózat kimenete és a hálózattól megkívánt kimenet A különféle neurális hálózatstruktúrák összesített eredményeit mutatja az 5. ábra. A vizsgált hálózatkonfigurációk közül az NNARX típusú hálóstruktúrák produkálták a legjobb eredményeket. Az NNFIR típusú hálózatoknál a négy rejtett neuron is elég volt a maximális eredmény eléréshez még az NNARX esetén inkább több neuron volt szükséges eredményességhez. 5. ábra A vizsgált hálóstruktúrák eredményeinek értékelése
8 5.2 Hiba a motor armatúrájában Ezzel a hibatípussal azt szimuláljuk, amikor a motor armatúrájának ellenállása (beleértve a csatlakozókat is) megváltozik. Ez a hibatípus egyrészt a motor belső hőmérséklete megváltozásának lehet a tünete, másrészt a csatlakozók ellenállásának megváltozásából is fakadhat, ami mozgás miatti szétrázkódás következménye. Az armatúra kör ellenállásának megváltozását mesterségesen állítottuk elő a mintakészletekből. Ezt úgy értük el, hogy az armatúra feszültségek értékét változtattuk meg lineárisan. Az előállított feszültségnövekedés maximális értéke 1-16% között változott. Az ellenállás változás mértékének változtatása mellett, a bekövetkezés időpontját is variáltuk a szimulációk során. A 6. ábra, egy példán keresztül, mutatja be a transzformált feszültségprofil, mint bemenet hibával terhelt és hibamentes alakulását. 6. ábra Egy példa a mesterségesen előállított feszültség változtatásra A bemenet lineáris megváltozása a korábban részletezett modell felhasználásával egy közel exponenciális különbséget produkál (7. ábra). Az ábrán a hiba bekövetkeztének időpontja is jól látható. 7. ábra Különbség- és hibajel Három mintakészlet került kialakításra a különféle szimulációkból. A mintakészletek egymástól független szimulációkat tartalmaznak, úgy hogy hibamentes és hibás esetek keverednek bennük. A 2. táblázat a három kialakított mintakészlet főbb tulajdonságait tartalmazza, kiegészítve a később részletezett, legjobbnak bizonyult, hálózat eredményével. PARAMÉTEREK TANÍTÓ VALIDÁLÓ TESZT MINTAKÉSZLET MINTAKÉSZLET MINTAKÉSZLET Mintakészlet nagysága Hibát tartalmazó szimulációk száma Hibamentes szimulációk száma Hibátlan jelzések száma / összes eset 72 / / / 192
9 2. táblázat A vizsgálathoz használt mintakészletek főbb tulajdonságai A mintakészletek felhasználásával több hálóstruktúrát is elemeztünk a hibadetektáláshoz. Az 1 táblázat struktúrái közül 5. konfiguráció bizonyult a legjobbnak. Megvizsgáltuk továbbá ebben az esetbe azt is, hogy a rejtett réteg neuronjainak típusa, hogyan befolyásolja az eredményt. Azt találtuk, hogy az Elliot-típusú aktivációs függvény jobb eredményt produkált, mint az elterjedtebb szigmaid típus. REJTETT NEURONOK AKTIVÁCIÓS FÜGGVÉNYE TANÍTÓ MINTAKÉSZLET MSE ÉRTÉKE VALIDÁLÓ MINTAKÉSZLET MSE ÉRTÉKE TESZT MINTAKÉSZLET MSE ÉRTÉKE Szigmaid Gaussian Lineáris Elliot Szinusz táblázat Különféle rejtett neuronok használatának hatása a kimenet MSE értékére A legjobb hálózat kimenetének eredménye a 8. ábrán látható. A módszer jó eredményt mutat paraméterek széleskörű változtatása mellett is. A neurális hálózat a megkívánt kimenet közelítésében jó eredményt ért el, a felfutó élek és a mintakészletben megkövetelt felfutó élek fedik egymást. A módszer képes volt a hibák megfelelő időben történő kimutatására. 8. ábra Hiba detektálás során a feldolgozó hálózat eredménye a teszt mintakészletre 6. ÖSSZEFOGLALÁS A cikkben egy az olajiparban használatos eszköz nemlineáris modelljét építettük fel neurális hálózat segítségével. A modell felépítése és betanítása a rendszeren végzett mérések felhasználásával történt. Bemutattunk egy módszert a rendszer két lehetséges hibájának detektálására. A módszer lényegében a valós rendszer vizsgált kimenetének és vele párhuzamosan futó modell kimentének különbségéből egy neurális hálózat segítségével generálja rendszerben felmerülő hiba jelzésére szolgáló hibajelet. A neurális hálózat osztályozási tulajdonságát kihasználva képesek voltunk a vizsgált kocsi kerekének körülfordulása során két alkalommal jelentkező szenzorhiba észlelésére. Szimuláltuk a motor armatúrájában jelentkező hibát a motor feszültségjelének megváltoztatása segítségével. A bemutatott módszerrel ez a hibatípus is sikeresen észlelhető volt.
10 A vizsgálatok során több hálózatot elemeztünk és bizonyítottuk, hogy a legjobb eredményt az NNARX struktúra szolgáltatja. 7. KÖSZÖNETNYILVÁNÍTÁS A bemutatott kutató munka a TÁMOP B-10/2/KONV jelű projekt részeként az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg. 8. FELHASZNÁLT IRODALOM [1] CIURYS, M.; DUDZIKOWSKI, I.; GIERAK, D.: Modelling of a Car Starter with Permanent Magnet Commutator Motor, COMPEL: The International Journal for Computation and Mathematics in Electrical and Electronic Engineering, Vol. 28 Iss: 3, 2009, pp [2] TURKI, A.; CHTOUROU, M.; DJEMEL, M.: Neural Approaches for Modelling Nonlinear Systems. Proc. of 7 th International Multi-Conference on System, Signal and Devices, June 2010, pp [3] REMESAN, R.; SHAMIM, M. A.; HAN, D.; MATHEW, J.: ANFIS and NNARX based Rainfall-Runoff Modeling, Systems, Man and Cybernetics, (SMC '08), pp [4] ARAVINDH KUMAR. B.; SARANYA G.; SELVAKUMAR, R.; SWETHA SHREE, R.; SARANYA, M.; SUMESH. E. P.: Fault Detection in Induction Motor using WPT and Multiple SVM. International Journal of Control and Automation, Vol. 3, No. 2, 2010, pp [5] SCHWARTE, A.; ISERMANN, R.: Neural Network Applications for Model Based Fault Detection with Parity Equations, Proc. of 15 th Triennial World Congress of the International Federation of Automatic Control, Barcelona, July 2002, Vol. 15, Part 1. [6] HEREDIA, G.; REMUSS, V.; OLLERO, A.; MAHTANI, R.; MUSIAL, M.: Actuator Fault Detection in Autonomous Helicopters. Proc. of the 5th IFAC Symposium on Intelligent Autonomous Vehicles (IAV 2004), Lisbon, Portugal, July [7] LU, Y.; COLLINS, E. G.; SELEKWA, M. F.: Parity Relation Based Fault Detection, Isolation and Reconfiguration for Autonomous Ground Vehicle Localization Sensors. Proc. of 24 th Army Science Conference, [8] PADMAKUMAR S.; AGARWAL,V.; ROY K.: A Comparative Study into Observer based Fault Detection and Diagnosis in DC Motors: Part-I, WASET sponsored International Conference on Electric Machines and Drive Systems Hongkong, China, March 23-25, [9] JIANG, B.; CHOWDHURY, F. N.: Parameter fault detection and estimation of a class of nonlinear systems using observer. Journal of the Franklin Institute, Vol. 342, Iss. 7, November 2006, pp [10] CAPRIGLIONE, D.; LIGUORI, C.; PIANESE, C.; PIETROSANTO, A.: On-line Sensor Fault Detection, Isolation and Accommodation in Automotive Engines. IEEE Trans. on Intrumentation and Measurement, Vol. 52, Iss. 4, Aug. 2003, pp [11] BÖRNER, M.; STRAKY, H.; WEISPFENNING, T.; ISERMANN, R.: Model based fault detection of vehicle suspension and hydraulic brake systems. Mechatronics, Vol. 12, Iss. 8, October 2002, pp [12] HÖFING, T.; ISERMANN, R.: Fault detection based on adaptive parity equations and singleparameter tracking, Control Engineering Practice CEP, 4(10), 1996, pp [13] RAZAVI-FAR, R.; DAVILU, H.; PALADE, V.; LUCAS, C.: Model-based fault detection and isolation of a steam generator using neuro-fuzzy networks, Neurocomputing 72, 2009, pp [14] University of Miskolc - RIAES RII, MGL-01F: User's Manual, Miskolc, 2011, pp [15] NEKOUI, M. A.; SAJADIFAR, S. M.: Nonlinear System Identification using Locally Linear Model Tree and Particle Swarm Optimization, IEEE International Conference on Industrial Technology, 2006., (ICIT 2006), pp [16] NELLES, O., FINK, A.; ISERMANN, R.: Local linear model trees (LOLIMOT) toolbox for nonlinear system identification, In IFAC Symposium on System Identification (SYSID), Santa Barbara, USA, June 2000.
11 [17] ISERMANN, R.: Mechatronic system, Fundamentals. Springer, London, ISBN , 2005, pp
HU-3515 Miskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18, fax : +36-(46)-563-447 2 elkke@uni-miskolc.hu
Összetett mechatronikai rendszer hibadetektálása és hiba identifikációja Complex mechatronic system fault detection and fault identification FÜVESI Viktor 1, KOVÁCS Ernő 2 4 tudományos segédmunkatárs,
RészletesebbenMobil Gamma-log berendezés hajtásláncának modellezése LOLIMOT használatával
Mobil Gamma-log berendezés hajtásláncának modellezése LOLIMOT használatával Füvesi Viktor 1, Kovács Ernő 2, Jónap Károly 3, Vörös Csaba 4 1,4 tudományos s. munkatárs, 2 PhD, egyetemi docens, 3 PhD, tudományos
RészletesebbenAKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA
AKTUÁTOR MODELLEK KIVÁLASZTÁSA ÉS OBJEKTÍV ÖSSZEHASONLÍTÁSA Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Eletrotechnikai és Elektronikai Tanszék, Miskolci Egyetem
RészletesebbenKovács Ernő 1, Füvesi Viktor 2
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,
RészletesebbenNeurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül
Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül Ph.D. védés Jelölt: Okleveles gépészmérnök, tudományos segédmunkatárs Témavezető: Dr. Kovács Ernő Társ-témavezető:
RészletesebbenMESTERSÉGES INTELLIGENCIÁN ALAPULÓ MÓDSZER ELEKTROMECHANIKUS AKTUÁTOR HIBADIAGNOSZTIKÁJÁRA
Multidiszciplináris tudományok, 3. kötet. (2013) sz. pp. 225-240. MESTERSÉGES INTELLIGENCIÁN ALAPULÓ MÓDSZER ELEKTROMECHANIKUS AKTUÁTOR HIBADIAGNOSZTIKÁJÁRA Füvesi Viktor 1, Kovács Ernő 2 1 Tudományos
RészletesebbenINDÍTÓMOTOROK MODELLEZÉSÉRE ALKALMAS MÓDSZEREK ÖSSZEHASONLÍTÓ ELEMZÉSE
Miskolci Egyetem, Multidiszciplináris tudományok, 1. kötet (2011) 1. szám, pp. 197-204. INDÍTÓMOTOROK MODELLEZÉSÉRE ALKALMAS MÓDSZEREK ÖSSZEHASONLÍTÓ ELEMZÉSE Kovács Ernő 1, Füvesi Viktor 2 1 Egyetemi
RészletesebbenHibadetektáló rendszer légtechnikai berendezések számára
Hibadetektáló rendszer légtechnikai berendezések számára Tudományos Diákköri Konferencia A feladatunk Légtechnikai berendezések Monitorozás Hibadetektálás Újrataníthatóság A megvalósítás Mozgásérzékelő
RészletesebbenINDÍTÓMOTOR MODELLEZÉSE KÜLÖNFÉLE MÓDSZEREKKEL STARTER MOTOR MODELING WITH DIFFERENT METHODS
INDÍTÓMOTOR MODELLEZÉSE KÜLÖNFÉLE MÓDSZEREKKEL STARTER MOTOR MODELING WITH DIFFERENT METHODS KOVÁCS Ernő 1, FÜVESI Viktor 2 1 Egyetemi docens, PhD; 2 tudományos segédmunkatárs 1 Miskolci Egyetem, Elektrotechnikai
RészletesebbenNeurális hálózatok bemutató
Neurális hálózatok bemutató Füvesi Viktor Miskolci Egyetem Alkalmazott Földtudományi Kutatóintézet Miért? Vannak feladatok amelyeket az agy gyorsabban hajt végre mint a konvencionális számítógépek. Pl.:
RészletesebbenIntelligens Rendszerek Gyakorlata. Neurális hálózatok I.
: Intelligens Rendszerek Gyakorlata Neurális hálózatok I. dr. Kutor László http://mobil.nik.bmf.hu/tantargyak/ir2.html IRG 3/1 Trend osztályozás Pnndemo.exe IRG 3/2 Hangulat azonosítás Happy.exe IRG 3/3
RészletesebbenModellezés és szimuláció. Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék
Modellezés és szimuláció Szatmári József SZTE Természeti Földrajzi és Geoinformatikai Tanszék Kvantitatív forradalmak a földtudományban - geográfiában 1960- as évek eleje: statisztika 1970- as évek eleje:
RészletesebbenNeurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül. Ph.D. értekezés
MISKOLCI EGYETEM GÉPÉSZMÉRNÖKI ÉS INFORMATIKAI KAR hibadiagnosztika villamos hajtások példáján keresztül Ph.D. értekezés Készítette: okleveles gépészmérnök SÁLYI ISTVÁN GÉPÉSZETI TUDOMÁNYOK DOKTORI ISKOLA
RészletesebbenQuadkopter szimulációja LabVIEW környezetben Simulation of a Quadcopter with LabVIEW
Quadkopter szimulációja LabVIEW környezetben Simulation of a Quadcopter with LabVIEW T. KISS 1 P. T. SZEMES 2 1University of Debrecen, kiss.tamas93@gmail.com 2University of Debrecen, szemespeter@eng.unideb.hu
RészletesebbenIrányítási struktúrák összehasonlító vizsgálata. Tóth László Richárd. Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola
Doktori (PhD) értekezés tézisei Irányítási struktúrák összehasonlító vizsgálata Tóth László Richárd Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola Témavezetők: Dr. Szeifert Ferenc Dr.
RészletesebbenI. LABOR -Mesterséges neuron
I. LABOR -Mesterséges neuron A GYAKORLAT CÉLJA: A mesterséges neuron struktúrájának az ismertetése, neuronhálókkal kapcsolatos elemek, alapfogalmak bemutatása, aktivációs függvénytípusok szemléltetése,
Részletesebben(A képzés közös része, specializáció választás a 4. félévben, specializációra lépés feltétele: az egyik szigorlat eredményes teljesítése)
Mechatronikai mérnöki (BSc) alapszak nappali tagozat (BMR) / BSc in Mechatronics Engineering (Full Time) (A képzés közös része, specializáció választás a 4. félévben, specializációra lépés feltétele: az
RészletesebbenFuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában
Budapesti Műszaki és Gazdaságtudományi Egyetem Fuzzy rendszerek és neurális hálózatok alkalmazása a diagnosztikában Cselkó Richárd 2009. október. 15. Az előadás fő témái Soft Computing technikák alakalmazásának
RészletesebbenPannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola
Pannon Egyetem Vegyészmérnöki és Anyagtudományok Doktori Iskola Doktori (Ph.D.) értekezés tézisei Számítási intelligencia alapú regressziós technikák és Készítette Kenesei Tamás Péter Témavezető: Dr. habil.
RészletesebbenÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS
ÉRZÉKELŐK ÉS BEAVATKOZÓK I. 3. MÉRÉSFELDOLGOZÁS Dr. Soumelidis Alexandros 2018.10.04. BME KÖZLEKEDÉSMÉRNÖKI ÉS JÁRMŰMÉRNÖKI KAR 32708-2/2017/INTFIN SZÁMÚ EMMI ÁLTAL TÁMOGATOTT TANANYAG Mérés-feldolgozás
RészletesebbenMit látnak a robotok? Bányai Mihály Matemorfózis, 2017.
Mit látnak a robotok? Bányai Mihály Matemorfózis, 2017. Vizuális feldolgozórendszerek feladatai Mesterséges intelligencia és idegtudomány Mesterséges intelligencia és idegtudomány Párhuzamos problémák
RészletesebbenBAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.
BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011. 1 Mérési hibák súlya és szerepe a mérési eredményben A mérési hibák csoportosítása A hiba rendűsége Mérési bizonytalanság Standard és kiterjesztett
RészletesebbenBudapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék. Neurális hálók. Pataki Béla
Budapesti Műszaki és Gazdaságtudományi Egyetem Méréstechnika és Információs rendszerek Tanszék Neurális hálók Előadó: Előadás anyaga: Hullám Gábor Pataki Béla Dobrowiecki Tadeusz BME I.E. 414, 463-26-79
RészletesebbenJÓVÁHAGYÁS. szervezet. Név Dr. Szakonyi Lajos KPI Oktatási Minisztérium
Projektvezető JÓVÁHAGYÁS Közreműködő szervezet Irányító Hatóság Név Dr. Szakonyi Lajos KPI Oktatási Minisztérium Beosztás Dátum Aláírás tanszékvezető főiskolai docens 2009. április 1A. PROJEKT AZONOSÍTÓ
RészletesebbenDETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST RESULTS
Műszaki Földtudományi Közlemények, 83. kötet, 1. szám (2012), pp. 271 276. HULLADÉKOK TEHERBÍRÁSÁNAK MEGHATÁROZÁSA CPT-EREDMÉNYEK ALAPJÁN DETERMINATION OF SHEAR STRENGTH OF SOLID WASTES BASED ON CPT TEST
RészletesebbenPublikációs lista. Dr. Molnárka-Miletics Edit Széchenyi István Egyetem Matematika és Számítástudományi Tanszék
Publikációs lista Dr. Molnárka-Miletics Edit Széchenyi István Egyetem Matematika és Számítástudományi Tanszék Folyóirat cikkek: E. Miletics: Energy conservative algorithm for numerical solution of ODEs
RészletesebbenIntelligens Induktív Érzékelők
Intelligens Induktív Érzékelők Írta: Pólik Zoltán Konzulensek: Dr. Kuczmann Miklós Tanszékvezető egyetemi tanár Automatizálási Tanszék, Széchenyi István Egyetem Dr. Kántor Zoltán Fejlesztési csoportvezető
RészletesebbenMŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010
MŰSZAKI TUDOMÁNY AZ ÉSZAK-ALFÖLDI RÉGIÓBAN 2010 KONFERENCIA ELŐADÁSAI Nyíregyháza, 2010. május 19. Szerkesztette: Edited by Pokorádi László Kiadja: Debreceni Akadémiai Bizottság Műszaki Szakbizottsága
RészletesebbenPublikációs lista. Gódor Győző. 2008. július 14. Cikk szerkesztett könyvben... 2. Külföldön megjelent idegen nyelvű folyóiratcikk...
Publikációs lista Gódor Győző 2008. július 14. Cikk szerkesztett könyvben... 2 Külföldön megjelent idegen nyelvű folyóiratcikk... 2 Nemzetközi konferencia-kiadványban megjelent idegen nyelvű előadások...
RészletesebbenMesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás
Mesterséges neurális hálózatok II. - A felügyelt tanítás paraméterei, gyorsító megoldásai - Versengéses tanulás http:/uni-obuda.hu/users/kutor/ IRE 7/50/1 A neurális hálózatok általános jellemzői 1. A
RészletesebbenKözlekedéshez kifejlesztett szenzorhálózat kiépítése, tesztelése és elônyei a forgalomirányításban
Közlekedéshez kifejlesztett szenzorhálózat kiépítése, tesztelése és elônyei a forgalomirányításban SZÛCS GÁBOR Budapesti Mûszaki és Gazdaságtudományi Egyetem, Távközlési és Médiainformatikai Tanszék szucs@tmit.bme.hu
RészletesebbenBitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján. Hegedűs István
BitTorrent felhasználók értékeléseinek következtetése a viselkedésük alapján Hegedűs István Ajánló rendszerek Napjainkban egyre népszerűbb az ajánló rendszerek alkalmazása A cégeket is hasznos információval
RészletesebbenA nagy teljesítõképességû vektorhajtások pontos paraméterszámításokat igényelnek
A nagy teljesítõképességû vektorhajtások pontos paraméterszámításokat igényelnek Mike Cade - Control Techniques plc A motorszabályozás algoritmusaihoz számos motorparamétere van szükség, de pontatlan értékek
RészletesebbenKeresés képi jellemzők alapján. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Keresés képi jellemzők alapján Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Lusta gépi tanulási algoritmusok Osztályozás: k=1: piros k=5: kék k-legközelebbi szomszéd (k=1,3,5,7)
RészletesebbenAZ A PRIORI ISMERETEK ALKALMAZÁSA
Doktori (PhD) értekezés tézisei AZ A PRIORI ISMERETEK ALKALMAZÁSA A VEGYIPARI FOLYAMATMÉRNÖKSÉGBEN MADÁR JÁNOS Veszprémi Egyetem Vegyészmérnöki Tudományok Doktori Iskolája Témavezető: dr. Abonyi János
RészletesebbenTanulás az idegrendszerben. Structure Dynamics Implementation Algorithm Computation - Function
Tanulás az idegrendszerben Structure Dynamics Implementation Algorithm Computation - Function Tanulás pszichológiai szinten Classical conditioning Hebb ötlete: "Ha az A sejt axonja elég közel van a B sejthez,
RészletesebbenElektro-pneumatikus tengelykapcsoló rendszerek megfigyelő alapú előrecsatolt/visszacsatolt irányítása. Szimandl Barna
Elektro-pneumatikus tengelykapcsoló rendszerek megfigyelő alapú előrecsatolt/visszacsatolt irányítása Tézisek Szimandl Barna Témavezető: Németh Huba Kandó Kálmán Doktori Iskola Közlekedés- és járműtudományok
RészletesebbenVI. Magyar Földrajzi Konferencia 524-529
Van Leeuwen Boudewijn Tobak Zalán Szatmári József 1 BELVÍZ OSZTÁLYOZÁS HAGYOMÁNYOS MÓDSZERREL ÉS MESTERSÉGES NEURÁLIS HÁLÓVAL BEVEZETÉS Magyarország, különösen pedig az Alföld váltakozva szenved aszályos
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Legkisebb négyzetek módszere Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 200 november
RészletesebbenMérnök informatikus (BSc) alapszak levelező tagozat (BIL) / BSc in Engineering Information Technology (Part Time)
Mérnök informatikus (BSc) alapszak levelező tagozat (BIL) / BSc in Engineering Information Technology (Part Time) (specializáció választás a 4. félévben, specializációra lépés feltétele: az egyik szigorlat
RészletesebbenA HIBRID LINEÁRIS LÉPTET MOTOR HATÉKONYSÁGÁNAK NÖVELÉSI MÓDOZATAIRÓL
A HIBRID LINEÁRIS LÉPTET MOTOR HATÉKONYSÁGÁNAK NÖVELÉSI MÓDOZATAIRÓL Szabó Loránd - Ioan-Adrian Viorel - Józsa János Kolozsvári M szaki Egyetem, Villamos Gépek Tanszék 3400 Kolozsvár, Pf. 358. e-mail:
RészletesebbenI. BEVEZETÉS, MOTIVÁCIÓ, PROBLÉMAFELVETÉS
Szolnoki Tudományos Közlemények XIV. Szolnok, 1. Prof. Dr. Szabolcsi Róbert 1 MECHANIKAI LENGŐ RENDSZEREK RENDSZERDINAMIKAI IDENTIFIKÁCIÓJA I. BEVEZETÉS, MOTIVÁCIÓ, PROBLÉMAFELVETÉS A műszaki gyakorlatban
RészletesebbenForgalmi modellezés BMEKOKUM209
BME Közlekedésüzemi és Közlekedésgazdasági Tanszék Forgalmi modellezés BMEKOKUM209 Szimulációs modellezés Dr. Juhász János A forgalmi modellezés célja A közlekedési igények bővülése és a motorizáció növekedése
RészletesebbenSzámítógépes gyakorlat MATLAB, Control System Toolbox
Számítógépes gyakorlat MATLAB, Control System Toolbox Bevezetés A gyakorlatok célja az irányítási rendszerek korszerű számítógépes vizsgálati és tervezési módszereinek bemutatása, az alkalmazáshoz szükséges
RészletesebbenAlap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )
Budapesti Műszaki és Gazdaságtudományi Egyetem Gépészmérnöki Kar Hidrodinamikai Rendszerek Tanszék, Budapest, Műegyetem rkp. 3. D ép. 334. Tel: 463-6-80 Fa: 463-30-9 http://www.vizgep.bme.hu Alap-ötlet:
RészletesebbenA forrás pontos megnevezésének elmulasztása valamennyi hivatkozásban szerzői jogsértés (plágium).
A szakirodalmi idézések és hivatkozások rendszere és megadásuk szabályai A bibliográfia legfontosabb szabályai Fogalma: Bibliográfiai hivatkozáson azoknak a pontos és kellően részletezett adatoknak az
RészletesebbenNeurális hálózatok.... a gyakorlatban
Neurális hálózatok... a gyakorlatban Java NNS Az SNNS Javás változata SNNS: Stuttgart Neural Network Simulator A Tübingeni Egyetemen fejlesztik http://www.ra.cs.unituebingen.de/software/javanns/ 2012/13.
RészletesebbenMIKROKONTROLLEREK ALKALMAZÁSA AUTOMATA REPÜLŐ SZERKEZETEKBEN 4 BEVEZETÉS
Schuster György 1 Terpecz Gábor 2 Radnai Viktor 3 MIKROKONTROLLEREK ALKALMAZÁSA AUTOMATA REPÜLŐ SZERKEZETEKBEN 4 A járművekben a 80-as évek elejétől alkalmaznak mikrokontrollereket, ez az utóbbi másfél
RészletesebbenNagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT XXXIV. Vándorgyűlés
Budapesti Műszaki és Gazdaságtudományi Egyetem Építőmérnöki kar Vízi Közmű és Környezetmérnöki Tanszék Nagy pontosságú rövidtávú ivóvíz fogyasztás előrejelzés Készítette: Bibok Attila PhD Hallgató MHT
RészletesebbenA KUTATÁS EREDMÉNYEI ZÁRÓJELENTÉS 2004-2006.
ÖNELLENŐRZÉS ÉS FUTÁSIDEJŰ VERIFIKÁCIÓ SZÁMÍTÓGÉPES PROGRAMOKBAN OTKA T-046527 A KUTATÁS EREDMÉNYEI ZÁRÓJELENTÉS 2004-2006. Témavezető: dr. Majzik István Budapesti Műszaki és Gazdaságtudományi Egyetem
RészletesebbenSzámítógépes képelemzés 7. előadás. Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék
Számítógépes képelemzés 7. előadás Dr. Balázs Péter SZTE, Képfeldolgozás és Számítógépes Grafika Tanszék Momentumok Momentum-alapú jellemzők Tömegközéppont Irányultáság 1 2 tan 2 1 2,0 1,1 0, 2 Befoglaló
RészletesebbenRobotika. Relatív helymeghatározás Odometria
Robotika Relatív helymeghatározás Odometria Differenciális hajtás c m =πd n /nc e c m D n C e n = hány mm-t tesz meg a robot egy jeladó impulzusra = névleges kerék átmérő = jeladó fölbontása (impulzus/ford.)
RészletesebbenTARTALOMJEGYZÉK. TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS A lágy számításról A könyv célkitűzése és felépítése...
TARTALOMJEGYZÉK TARTALOMJEGYZÉK...vii ELŐSZÓ... xiii BEVEZETÉS...1 1. A lágy számításról...2 2. A könyv célkitűzése és felépítése...6 AZ ÖSSZETEVŐ LÁGY RENDSZEREK...9 I. BEVEZETÉS...10 3. Az összetevő
RészletesebbenAl-Mg-Si háromalkotós egyensúlyi fázisdiagram közelítő számítása
l--si háromalkotós egyensúlyi fázisdiagram közelítő számítása evezetés Farkas János 1, Dr. Roósz ndrás 1 doktorandusz, tanszékvezető egyetemi tanár Miskolci Egyetem nyag- és Kohómérnöki Kar Fémtani Tanszék
RészletesebbenMesterséges Intelligencia Elektronikus Almanach. MI Almanach projektismertetı rendezvény április 29., BME, I. ép., IB.017., 9h-12h.
Mesterséges Intelligencia Elektronikus Almanach Neurális hálózatokh 1 BME 1990: Miért neurális hálók? - az érdeklıdésünk terébe kerül a neurális hálózatok témakör - fıbb okok: - adaptív rendszerek - felismerési
RészletesebbenÉlettartam teszteknél alkalmazott programstruktúra egy váltóvezérlő példáján keresztül
Élettartam teszteknél alkalmazott programstruktúra egy váltóvezérlő példáján keresztül 1 Tartalom Miről is lesz szó? Bosch GS-TC Automata sebességváltó TCU (Transmission Control Unit) Élettartam tesztek
RészletesebbenIntelligens hatlábú robot kinematikai vizsgálata
Sályi István Gépészeti Tudományok Doktori Iskola Intelligens hatlábú robot kinematikai vizsgálata Füvesi Viktor I. éves doktorandusz Tel: +6-46-565111/1144 e-mail: elkfv@uni-miskolc.hu Témavezető: Dr.
RészletesebbenMŰSZAKI TUDOMÁNY AZ ÉSZAK-KELET MAGYARORSZÁGI RÉGIÓBAN 2012
MŰSZAKI TUDOMÁNY AZ ÉSZAK-KELET MAGYARORSZÁGI RÉGIÓBAN 0 KONFERENCIA ELŐADÁSAI Szolnok 0. május 0. Szerkesztette: Edited by Pokorádi László Kiadja: Debreceni Akadémiai Bizottság Műszaki Szakbizottsága
RészletesebbenFELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE
FELÜGYELT ÉS MEGERŐSÍTÉSES TANULÓ RENDSZEREK FEJLESZTÉSE Dr. Aradi Szilárd, Fehér Árpád Mesterséges intelligencia kialakulása 1956 Dartmouth-i konferencián egy maroknyi tudós megalapította a MI területét
RészletesebbenOszcillátor tervezés kétkapu leírófüggvényekkel
Oszcillátor tervezés kétkapu leírófüggvényekkel (Oscillator design using two-port describing functions) Infokom 2016 Mészáros Gergely, Ladvánszky János, Berceli Tibor October 13, 2016 Szélessávú Hírközlés
RészletesebbenMozgásmodellezés. Lukovszki Csaba. Navigációs és helyalapú szolgáltatások és alkalmazások (VITMMA07)
TÁVKÖZLÉSI ÉS MÉDIAINFORMATIKAI TANSZÉK () BUDAPESTI MŰSZAKI ÉS GAZDASÁGTUDOMÁNYI EGYETEM (BME) Mozgásmodellezés Lukovszki Csaba Áttekintés» Probléma felvázolása» Szabadsági fokok» Diszkretizált» Hibát
RészletesebbenZárójelentés 2003-2005
Zárójelentés 2003-2005 A kutatási programban nemlineáris rendszerek ún. lineáris, paraméter-változós (LPV) modellezésével és rendszer elméleti tulajdonságainak kidolgozásával foglalkoztunk. Az LPV modellosztály
RészletesebbenMódszer köztes tárolókat nem tartalmazó szakaszos működésű rendszerek ütemezésére
Módszer köztes tárolókat nem tartalmazó szakaszos működésű rendszerek ütemezésére Doktori (PhD) értekezés tézisei Holczinger Tibor Témavezető: Dr. Friedler Ferenc Veszprémi Egyetem Műszaki Informatikai
RészletesebbenIntelligens beágyazott rendszer üvegházak irányításában
P5-T6: Algoritmustervezési környezet kidolgozása intelligens autonóm rendszerekhez Intelligens beágyazott rendszer üvegházak irányításában Eredics Péter, Dobrowiecki P. Tadeusz, BME-MIT 1 Üvegházak Az
RészletesebbenKvantitatív módszerek
Kvantitatív módszerek szimuláció Kovács Zoltán Szervezési és Vezetési Tanszék E-mail: kovacsz@gtk.uni-pannon.hu URL: http://almos/~kovacsz Mennyiségi problémák megoldása analitikus numerikus szimuláció
RészletesebbenVillamosmérnöki szak, levelező tagozat 1-3. félév hálója (érvényes 2000/2001. tanév II. félévtől felfutó rendszerben)
Villamosmérnöki szak, levelező tagozat 13. félév hálója (érvényes 2000/2001. tanév félévtől felfutó rendszerben) 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. Kód
RészletesebbenAnyagjellemzők változásának hatása a fúróiszap hőmérsékletére
Anyagjellemzők változásának hatása a fúróiszap hőmérsékletére Kis László, PhD. hallgató, okleveles olaj- és gázmérnök Miskolci Egyetem, Műszaki Földtudományi Kar Kőolaj és Földgáz Intézet Kulcsszavak:
RészletesebbenÁRAMKÖRÖK SZIMULÁCIÓJA
ÁRAMKÖRÖK SZIMULÁCIÓJA Az áramkörök szimulációja révén betekintést nyerünk azok működésébe. Meg tudjuk határozni az áramkörök válaszát különböző gerjesztésekre, különböző üzemmódokra. Végezhetők analóg
RészletesebbenModern fizika laboratórium
Modern fizika laboratórium Röntgen-fluoreszcencia analízis Készítette: Básti József és Hagymási Imre 1. Bevezetés A röntgen-fluoreszcencia analízis (RFA) egy roncsolásmentes anyagvizsgálati módszer. Rövid
RészletesebbenGépjármű fekete doboz az útvonalrekonstrukció új eszközei
Gépjármű fekete doboz az útvonalrekonstrukció új eszközei Dr. Melegh Gábor Budapesti Műszaki Egyetem Gépjárművek Tanszék H-1111 Budapest Stoczek u. 6 melegh@auto.bme.hu Dr. Szalay Zsolt Inventure Autóelektronikai
RészletesebbenA/D és D/A átalakítók gyakorlat
Budapesti Műszaki és Gazdaságtudományi Egyetem A/D és D/A átalakítók gyakorlat Takács Gábor Elektronikus Eszközök Tanszéke (BME) 2013. február 27. ebook ready Tartalom 1 A/D átalakítás alapjai (feladatok)
RészletesebbenI. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE
I. BESZÁLLÍTÓI TELJESÍTMÉNYEK ÉRTÉKELÉSE Komplex termékek gyártására jellemző, hogy egy-egy termékbe akár több ezer alkatrész is beépül. Ilyenkor az alkatrészek általában sok különböző beszállítótól érkeznek,
RészletesebbenAZ IVÓVÍZMINŐSÉG-JAVÍTÓ PROGRAM SZABOLCS- SZATMÁR-BEREG MEGYEI SAJÁTOSSÁGAI
Miskolci Egyetem,Multidiszciplináris tudományok, 1. kötet (2011) 1. szám, pp. 315-324. AZ IVÓVÍZMINŐSÉG-JAVÍTÓ PROGRAM SZABOLCS- SZATMÁR-BEREG MEGYEI SAJÁTOSSÁGAI Virág Margit okl.geológusmérnök, vízkészletgazdálkodási-
RészletesebbenTxRail-USB Hőmérséklet távadó
TxRail-USB Hőmérséklet távadó Bevezetés TxRail-USB egy USB-n keresztül konfigurálható DIN sínre szerelhető hőmérséklet jeladó. Lehetővé teszi a bemenetek típusának kiválasztását és konfigurálását, méréstartomány
RészletesebbenHazai fejlesztésű hibahely behatárolási eljárás tapasztalatai
Hazai fejlesztésű hibahely behatárolási eljárás tapasztalatai Védelmi és Irányítástechnikai Fórum, Siófok, 2015. 6. 3-4. Dr. Raisz Dávid, docens BME Villamos Energetika Tanszék Villamos Művek és Környezet
RészletesebbenDOKTORI (PhD) ÉRTEKEZÉS TÉZISEI
DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI KÉN-, NITROGÉN- ÉS OXIGÉNTARTALMÚ VEGYÜLETEK GÁZKROMATOGRÁFIÁS ELEMZÉSE SZÉNHIDROGÉN-MÁTRIXBAN Készítette STUMPF ÁRPÁD okl. vegyész az Eötvös Loránd Tudományegyetem Természettudományi
RészletesebbenAutópálya forgalomszabályozás felhajtókorlátozás és változtatható sebességkorlátozás összehangolásával és fejlesztési lehetőségei
Autópálya forgalomszabályozás felhajtókorlátozás és változtatható sebességkorlátozás összehangolásával és fejlesztési lehetőségei Tettamanti Tamás, Varga István, Bokor József BME Közlekedésautomatikai
RészletesebbenSZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA
infokommunikációs technológiák SZENZORFÚZIÓS ELJÁRÁSOK KIDOLGOZÁSA AUTONÓM JÁRMŰVEK PÁLYAKÖVETÉSÉRE ÉS IRÁNYÍTÁSÁRA BEVEZETŐ A KUTATÁS CÉLJA Autonóm járművek és robotok esetén elsődleges feladat a robotok
RészletesebbenEgy gazdasa gmatematikai modell An economical mathematics model
Egy gazdasa gmatematikai modell An economical mathematics model KÉZI CS. University of Debrecen, kezicsaba@science.unideb.hu Absztrakt. Az NTP-NFTÖ-17-C-159 azonosítószámú pályázat keretében az egyik fő
Részletesebben(A képzés közös része, specializáció választás a 4. félévben, specializációra lépés feltétele: az egyik szigorlat eredményes teljesítése)
Mechatronikai mérnöki (BSc) alapszak nappali tagozat (BMR) / BSc in Mechatronics Engineering (Full Time) (A képzés közös része, specializáció választás a 4. félévben, specializációra lépés feltétele: az
RészletesebbenMérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben
Mérnök informatikus mesterszak mintatanterve (GE-MI) nappali tagozat/ MSc in, full time Érvényes: 2011/2012. tanév 1. félévétől, felmenő rendszerben Tantárgy Tárgykód I. félév ősz II. félév tavasz Algoritmusok
RészletesebbenROBOT IRÁNYÍTÁS INFRAVÖRÖS LED TÖMBBEL
TÁMOP-4.2.2.C-11/1/KONV-212-4 infokommunikációs technológiák ROBOT IRÁNYÍTÁS INFRAVÖRÖS LED TÖMBBEL A KUTATÁSI TERÜLET RÖVID MEGFOGALMAZÁSA TÁMOP-4.2.2.C-11/1/KONV-212-4 Célok: Növekvő érdeklődés a non-boolean
RészletesebbenVÍZGŐZKONCENTRÁCIÓ-MÉRÉS DIÓDALÉZERES FOTOAKUSZTIKUS MÓDSZERREL
VÍZGŐZKONCENTRÁCIÓ-MÉRÉS DIÓDALÉZERES FOTOAKUSZTIKUS MÓDSZERREL BOZÓKI ZOLTÁN, MOHÁCSI ÁRPÁD, SZAKÁLL MIKLÓS, FARKAS ZSUZSA, VERES ANIKÓ, SZABÓ GÁBOR, BOR ZSOLT Szegedi Tudományegyetem Optikai és Kvantum
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
RészletesebbenBalatonőszöd, 2013. június 13.
Balatonőszöd, 2013. június 13. Egy tesztrendszer kiépítése Minőséges mérőláncok beépítése Hibák generálása Költséghatékony HW környezet kialakítása A megvalósított rendszer tesztelése Adatbázis kialakítása
RészletesebbenIrányításelmélet és technika II.
Irányításelmélet és technika II. Modell-prediktív szabályozás Magyar Attila Pannon Egyetem Műszaki Informatikai Kar Villamosmérnöki és Információs Rendszerek Tanszék amagyar@almos.vein.hu 2010 november
RészletesebbenOTKA nyilvántartási szám: T047198 ZÁRÓJELENTÉS
MESTERSÉGES INTELLIGENCIA MÓDSZEREK ALKALMAZÁSA A FOLYAMATMODELLEZÉSBEN című OTKA pályázatról 2004. jan. 01 2007. dec. 31. (Vezető kutató: Piglerné dr. Lakner Rozália) A mesterséges intelligencia eszközök
RészletesebbenB/16. számú melléklet Önéletrajz sablon
Europass Önéletrajz Személyi adatok Vezetéknév / Utónév(ek) Tímea Fülep Cím(ek) 3, Törökugrató u. 3., 1118, Budapest, Magyarország Telefonszám(ok) +36 96 50 3308 Mobil: +36 70 210 4319 Fax(ok) +36 1 436
RészletesebbenA CAN mint ipari kommunikációs protokoll CAN as industrial communication protocol
A CAN mint ipari kommunikációs protokoll CAN as industrial communication protocol Attila FODOR 1), Dénes FODOR Dr. 1), Károly Bíró Dr. 2), Loránd Szabó Dr. 2) 1) Pannon Egyetem, H-8200 Veszprém Egyetem
RészletesebbenDinamikus rendszerek identifikációja genetikus programozással
Dinamikus rendszerek identifikációja genetikus programozással Madár János, Abonyi János, Szeifert Ferenc Veszprémi Egyetem, Folyamatmérnöki Tanszék www.fmt.vein.hu/softcomp, abonyij@fmt.vein.hu Kulcsszavak:
RészletesebbenMÁTRIXALGEBRAI HIBAFA- ÉRZÉKENYSÉGELEMZÉS
Miskolci Egyetem Multidiszciplináris tudományok. kötet (2). szám pp. 3-. MÁTRIXALGEBRAI HIBAFA- ÉRZÉENYSÉGELEMZÉS Pokorádi László egyetemi tanár Debreceni Egyetem Műszaki ar 428 Debrecen Ótemető u. 2-4.
RészletesebbenKutatási beszámoló. 2015. február. Tangens delta mérésére alkalmas mérési összeállítás elkészítése
Kutatási beszámoló 2015. február Gyüre Balázs BME Fizika tanszék Dr. Simon Ferenc csoportja Tangens delta mérésére alkalmas mérési összeállítás elkészítése A TKI-Ferrit Fejlsztő és Gyártó Kft.-nek munkája
RészletesebbenVáltoztatható fordulatszámú hajtások hibakeresése
ÜZEMFENNTARTÁSI TEVÉKENYSÉGEK 3.14 5.27 Változtatható fordulatszámú hajtások hibakeresése Tárgyszavak: fordulatszám-szabályozás; hibakeresés; hibafelismerés; hajtás. Ipari berendezésekben használatos,
RészletesebbenSYS700-PLM Power Line Monitor modul DDC rendszerelemek, DIALOG-III család
DDC rendszerelemek, DIALOG-III család KIVITEL ALKALMAZÁS A az energiaellátás minőségi jellemzőinek mérésére szolgáló szabadon programozható készülék. Épületfelügyeleti rendszerben (BMS), valamint önállóan
RészletesebbenÉlpont osztályozáson alapuló robusztus tekintetkövetés
KÉPFELDOLGOZÁS Élpont osztályozáson alapuló robusztus tekintetkövetés HELFENBEIN TAMÁS Ipari Kommunikációs Technológiai Intézet, Bay Zoltán Alkalmazott Kutatási Közalapítvány helfenbein@ikti.hu Lektorált
RészletesebbenELEKTROHIDRAULIKUS RÉSÁLLÍTÓ RENDSZER MODELLEZÉSE ÉS A BEAVATKOZÓ SZERV SZIVÁRGÁSÁNAK DETEKTÁLÁSA A MELEGHENGERMŰI ÁLLVÁNYOKON
DOKTORI (PhD) ÉRTEKEZÉS TÉZISEI ELEKTROHIDRAULIKUS RÉSÁLLÍTÓ RENDSZER MODELLEZÉSE ÉS A BEAVATKOZÓ SZERV SZIVÁRGÁSÁNAK DETEKTÁLÁSA A MELEGHENGERMŰI ÁLLVÁNYOKON Kővári Attila főiskolai adjunktus okleveles
RészletesebbenPélda: Tartó lehajlásfüggvényének meghatározása végeselemes módszer segítségével
Példa: Tartó lehajlásfüggvényének meghatározása végeselemes módszer segítségével Készítette: Dr. Kossa Attila (kossa@mm.bme.hu) BME, Műszaki Mechanikai Tanszék 213. október 8. Javítva: 213.1.13. Határozzuk
RészletesebbenGeoelektromos tomográfia alkalmazása a kőbányászatban
Geoelektromos tomográfia alkalmazása a kőbányászatban Dr. Baracza Mátyás Krisztián tudományos főmunkatárs Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet 1. Bevezetés 2. Felhasznált mérési módszer
RészletesebbenRendszermodellezés: házi feladat bemutatás
Rendszermodellezés: házi feladat bemutatás Budapest University of Technology and Economics Fault Tolerant Systems Research Group Budapest University of Technology and Economics Department of Measurement
RészletesebbenSAR AUTOFÓKUSZ ALGORITMUSOK VIZSGÁLATA ÉS GYAKORLATI ALKALMAZÁSA 2
Szüllő Ádám 1 SAR AUTOFÓKUSZ ALGORITMUSOK VIZSGÁLATA ÉS GYAKORLATI ALKALMAZÁSA A szintetikus apertúrájú radar (SAR) elven alapuló mikrohullámú képalkotási módszer matematikailag egy holografikus jelfeldolgozási
Részletesebben