Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül

Átírás

1 Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül Ph.D. védés Jelölt: Okleveles gépészmérnök, tudományos segédmunkatárs Témavezető: Dr. Kovács Ernő Társ-témavezető: Váradiné Dr. habil Szarka Angéla Sályi István Gépészeti Tudományok Doktori Iskola Gépek és szerkezetek tervezése tématerület Mechatronikai rendszerek tervezése témacsoport Miskolc, augusztus 29.

2 Kutatási projekt célja Összetett elektromechanikus kinematikai láncok, aktuátorok hibadiagnosztikai feladatainak megoldása mesterséges intelligencián alapuló modellek felhasználásával. Csatlakozó tématerületek: Mesterséges intelligencia módszereinek alkalmazása a modellezésben Aktuátorok hibajelenségeinek tanulmányozása Hiba detektálás feladatainak megismerése Neurális hálózatokon alapuló hibadiagnosztikai feladatok megismerése és alkalmazása összetett nemlineáris aktuátorok eseteire 1 / 60 Miskolc, augusztus 29.

3 Bevezetés Neurális hálózatok Hibadiagnosztika Főbb tématerületek Gamma-log modellezése és hibáinak észlelése Probléma felvetés Rendszer bemutatása Modellalkotás Jellemző hibák Hiba detektálás Hibák szeparációja Indítómotor hibadiagnosztikája Modellek kidolgozás Hibadiagnosztikai struktúra bemutatása Aktív tanítási módszer alkalmazása Kiértékelés 2 / 60 Miskolc, augusztus 29.

4 Neurális hálózatok Perceptron Előrecsatolt, többrétegű neurális hálózat (MLP) n y( k) s( k) w 0 wi xi ( k) i1 (1) m p r Ok ( n) k wkj ( n) j w j w j0 i1 b 0 ji ( n) xi ( n) (2) 3 / 60 Miskolc, augusztus 29.

5 LLNF modell y e m i1 i( I) wi 0 wi1x 1... w ip x p (4) ( I) i m ( I) i ( I) j1 ( I) p Robusztus j j1 exp 1 2 x j c ij 2 ij 2 (5) (6) I = [x 1, x 2,, x p ] (3) Jól konvergencia tulajdonság Könnyen tanítható σ szórás c center 4 / 60 Miskolc, augusztus 29.

6 Hiba és hibadiagnosztika Hiba: egy váratlan változás a vizsgált rendszer állapotában Hibadiagnosztika Hiba észlelés (hiba detektálás) Rendszerben lévő hiba jelenlétének a megállapítása Hiba izoláció Hiba megjelenésének ideje megállapítása Hiba nagyságának meghatározása Hiba jelenlétének meghatározása Hiba szeparáció Több hiba közül a megfelelő jelenlétének jelzése 5 / 60 Miskolc, augusztus 29.

7 Hiba észlelés módszerei és a diagnosztika folyamata Észlelés több hibajel segítségével Jel modell alapú Folyamat modell alapú Többvariánsú adatvizsgálat Korreláció Paraméter közelítés Főkomponens elemzés Spektrum vizsgálat Neurális hálózatok Wavelet vizsgálat Állapot megfigyelő Állapot közelítés Paritás egyenletek 6 / 60 Miskolc, augusztus 29.

8 Bevezetés Neurális hálózatok Hibadiagnosztika Főbb tématerületek Gamma-log modellezése és hibáinak észlelése Probléma felvetés Rendszer bemutatása Modellalkotás Jellemző hibák Hiba detektálás Hibák szeparációja Indítómotor hibadiagnosztikája Modellek kidolgozás Hibadiagnosztikai struktúra bemutatása Aktív tanítási módszer alkalmazása Kiértékelés 7 / 60 Miskolc, augusztus 29.

9 Gamma-log modellezése és hibáinak észlelése Bevezetés Rendszer bemutatása Modellalkotás Elmozdulás becslő Sebesség becslő Jellemző hibák Hiba detektálási feladatok Hibák szeparációja 8 / 60 Miskolc, augusztus 29.

10 Mélység érték Probléma felvetés K Th U 1. Moduláris sínpálya 2. Detektor hordozó kocsi 3. Energialánc 4. Vezérlő PC Gamma-log 9 / 60 Miskolc, augusztus 29.

11 Rendszer bemutatása Kerék Átmérő: Ø110mm V-profil kivitel Szervomotor Gyártó: Omron Típus: SJME-02AMB41-OY Motorteljesítmény: 200 W Frekvenciatartomány: Hz Csigahajtómű Gyártó: Bonfiglioli Típus: VF 30 P56 B14 Mechanikai áttétel: 70 Növekményes jeladó Gyártó: Omron Típus E6C2-CWZ5B-1000P/R Felbontás: 1000 imp. / ford. 10 / 60 Miskolc, augusztus 29.

12 Mérések a rendszeren I 1 U 31 U 12 U 23 I 2 I 3 Impulzusok 11 / 60 Miskolc, augusztus 29.

13 Transzformált feszültség [V] Transzformált áram [A] Kocsi elmozdulása [mm] Jeladó impulzusai [V] Mérés és adatfeldolgozás Paraméterek Mértékegység Alsó határ Felső határ Áramok (I 1, I 2, I 3 ) Vonali feszültségek (U 12, U 23, U 31 ) A -0,5 0,5 V Idő [s] A kocsi elmozdulása (s) mm Áram jelek szűrése Idő [s] Feszültség jelek szűrése Idő [s] Transzformáció Idő [s] Idő [s] Idő [s] Transzformáció Idő [s] Idő [s] 12 / 60 Miskolc, augusztus 29.

14 Bemenethez illesztés Bemenethez illesztés Megfigyelők létrehozása Transzformált áram Transzformált feszültség Sebesség becslése Fekete doboz modellek Transzformált áram Transzformált feszültség Elmozdulás becslése 13 / 60 Miskolc, augusztus 29.

15 Sebesség becslő y e t 1, x t 2, x t 3, x t 1, x t 2, x t 3 ( t) f x (7) Struktúra típus Korábbi bemenetek száma Korábbi kimenetek száma 1. FIR struktúra (2i0o) ARX struktúra (2i1o) FIR struktúra (4i0o) ARX struktúra (4i2o) FIR struktúra (6i0o) ARX struktúra (6i3o) 6 3 y e ( t) f x 1 x t 1, x1 t 2, x1 t 3, x2t 1, x2t 2, t 3, yt 1, yt 2, yt 3 2 (8) 14 / 60 Miskolc, augusztus 29.

16 Sebesség becslő Struktúra típus Teljesítmény index (I perf ) Almodellek száma Tanító mintakészlet MSE-je Kiértékelő mintakészlet MSE-je 1. FIR struktúra (2i0o) 1, ,494 6, ARX struktúra (2i1o) 1, ,887 4, FIR struktúra (4i0o) 1, ,317 4, ARX struktúra (4i2o) 1, ,728 1, FIR struktúra (6i0o) 1, ,302 5, ARX struktúra (6i3o) 1, ,470 1,900 MSE 1 n n y ei y i i1 (9) 2 I perf PCC 2 train PCC 2 valid (10) PCC n i1 n i1 y y y y 2 y y y y ei i e ei n i1 e i 2 (11) kék csillag: 2i0o; kék négyszög: 2i1o vörös plusz: 4i0o; vörös rombusz: 4i2o; zöld kereszt: 6i0o; zöld háromszög: 6i3o 15 / 60 Miskolc, augusztus 29.

17 Sebesség becslő ARX struktúra 15 LLM használata 16 / 60 Miskolc, augusztus 29.

18 Bemenethez illesztés Bemenethez illesztés Megfigyelők létrehozása Transzformált áram Transzformált feszültség Sebesség becslése Fekete doboz modellek Transzformált áram Transzformált feszültség Elmozdulás becslése 17 / 60 Miskolc, augusztus 29.

19 Valós minta ARX struktúra Jel Elmozdulás becslő u(t) u(t-1) Z -1 Z -1 u(t-2) y (t) e Értékelő mintakészlet y e Z -1 u(t-3) y(t-1) t, ut 1, ut 2, yt 1 ( t) f u LOLIMOT hálózat Maximum 35 LLM használata (12) mintakészlet Közelített minta 18 / 60 Miskolc, augusztus 29.

20 Jellemző hibák a rendszerben Jeladó teljes meghibásodása Rendszeres impulzus hiba Hiba a motor armatúrájában 19 / 60 Miskolc, augusztus 29.

21 Jellemző hibák a rendszerben Jeladó teljes meghibásodása Jelenség: Szenzor nem ad több impulzust, nincs növekedés az impulzusok számában Lehetséges okok: Hiba a vezérlő elektronikában Megszakadt a kapcsolat a jeladó tengelye és a kerék között A kocsi jeladóval felszerelt kereke nem érintkezik megfelelően a sínnel (pl.: kiegyensúlyozatlanság), stb. Kocsi megakadt és hajtott kerék csúszik 20 / 60 Miskolc, augusztus 29.

22 Jellemző hibák a rendszerben Rendszeres impulzus hiba Jelenség: Az enkóder nem ad megfelelő mennyiségű impulzust. Az impulzus kimaradások szabályos időközönként jelennek meg. Lehetséges okok: A jeladóval felszerelt kerék gyártási hibái Sínpálya egyenetlenségei Merev rendszer gyanánt a kiegyensúlyozatlanság Problémák a jeladó elektronikájával 21 / 60 Miskolc, augusztus 29.

23 Különbség és hibajel Normál kimenet és hibás kimenet Feszültség bemenet Jellemző hibák a rendszerben Hiba a motor armatúrájában Jelenség: Armatúra ellenállása lassan megváltozik. Lehetséges okok: Belső hőmérséklet megváltozik Kapcsok ellenállása megváltozik Mintakészlet Hibás kimenet Normál kimenet -20 Mintakészlet Mintakészlet 22 / 60 Miskolc, augusztus 29.

24 Teljes jeladó hiba észlelése Hiba észlelési és -diagnosztikai feladatok Rendszeres impulzus hiba észlelése Motor armatúrakörében megjelenő hiba észlelése Hiba identifikáció a rendszeres hiba esetére Hibák szeparációja 23 / 60 Miskolc, augusztus 29.

25 Teljes jeladó hiba észlelése Használt neurális hálózat MLP LLNF Paramétereke Tanító Kiértékelő Teszt mintakészlet mintakészlet mintakészlet Epoch mérete [pont] Epochban található hibák száma [db] Mintakészletek előállítása során változott: hiba bekövetkeztének ideje Kocsi sebessége 3 különböző sebesség érték Kocsi gyorsulása 3 különböző gyorsulás érték Alkalmazott leállítási feltétel MSE PCC MSE Tanító mintakészlet Kiértékelő mintakészlet Teszt mintakészlet Epoch MSE értéke Felismert hibák száma Epoch MSE értéke Felismert hibák száma Epoch MSE értéke Felismert hibák száma 0,0207 0,0636 0, / 9 9 / 9 9 / 9 0,0210 0,0674 0, / / / 12 0,0212 0,0582 0, / / / / 60 Miskolc, augusztus 29.

26 Rendszeres impulzus hibák észlelése TÍPUS 1. Konfig. NNFIR 2. Konfig. NNFIR 3. Konfig. NNFIR 4. Konfig. NNARX 5. Konfig. NNARX 6. Konfig. NNARX y e t f ut MEGVALÓSÍTOTT FÜGGVÉNY y e t f ut, ut 1 t f ut, ut 1, u( t) ut 1 y e y e y e y e ( t) f u( t), u( t 1), y( t 1) ( t) f u( t), u( t 1), y( t 1), y( t 2) ( t) f u( t), u( t 1), y( t 1), y( t 2), y( t 1) y( t 2) HFK RF 100% RF BA MF (13) RF: felismert hibák száma BA: nem felismert hibák száma MF: Vakriasztások száma A jeladó 10 impulzust kihagy a vizsgált tartományon (5 alkalommal hibázik 2 impulzust) 25 / 60 Miskolc, augusztus 29.

27 Armatúrakör hibájának észlelése REJTETT NEURONOK AKTIVÁCIÓS FÜGGVÉNYE TANÍTÓ MINTAKÉSZLET MSE ÉRTÉKE VALIDÁLÓ MINTAKÉSZLET MSE ÉRTÉKE TESZT MINTAKÉSZLET MSE ÉRTÉKE Szigmaid Gaussian Lineáris Elliott Szinusz PARAMÉTEREK TANÍTÓ KÉSZLET VALIDÁLÓ KÉSZLET TESZT KÉSZLET Mintakészlet nagysága Hibát tartalmazó szimulációk száma Hibamentes szimulációk száma Hibátlan jelzések száma / összes eset / / / 192 u( t), u( t 1), y( t 1), y( t 2) y e ( t) f (14) 26 / 60 Miskolc, augusztus 29.

28 Hiba identifikáció Rendszeres impulzus hiba nagyságának közelítése Struktúrák Megvalósított átviteli függvények Konfiguráció 1. ye t f st, wt, yt 1, wm t Konfiguráció 2. ye t f st, st 1, wt, wt 1, yt 1, yt 2, wm t, wm t 1 Konfiguráció 3. yet f st, st 1, st 2, wt, wt 1, wt 2,... yt 1, yt 2, yt 3, wm t, wm t 1, wm t 2 Konfiguráció 4. yet f st, st 1, st 2, st 3, wt, wt 1, wt 2, wt 2,... yt 1, yt 2, yt 3, yt 4, w t, w t 1, w t 2, w t 3 Teszt mintakészlet eredményei m m m m 27 / 60 Miskolc, augusztus 29.

29 NN hiba elkülönítő struktúra 28 / 60 Miskolc, augusztus 29.

30 Feltételek Hiba elkülönítő eredményeinek kiértékelése Felfutó él Lefutó él s(i-1) < alsó határ s(i-1) > felső határ s(i) > felső határ s(i) < alsó határ a(i-1) > 0 a(i-1) < 0 a(i) < 0 a(i) > 0 s( i 1) s( i 1) ds ( i) (15) 2 Rising Edge Recognition Ability (Felfutóél felismerő képesség) RE RERA 100% RE BE ME Falling Edge Recognition Ability FERA RE 100% RE BE ME (17) RE (16) RE: felismert élek száma BE: rossz élek száma ME: elmulasztott élek száma BE 29 / 60 Miskolc, augusztus 29.

31 Hiba elkülönítő eredményeinek kiértékelése 30 / 60 Miskolc, augusztus 29.

32 Teljes jeladó hiba észlelése Vizsgálatokból levont következtetések MLP használata Rendszeres impulzus hiba észlelése NARX struktúra használata Motor armatúrakörében megjelenő hiba észlelése Elliott aktivációs fgv. használata a rejtett rétegben Hiba identifikáció a rendszeres hiba esetére 2-es szorzó a bemenet és a rejtett réteg neuron száma között Hibák szeparációja 31 / 60 Miskolc, augusztus 29.

33 1. Tézis Neurális hálózatokon alapuló módszert dolgoztam ki egy elektromechanikus hajtáslánc modellezésére és megalkottam a rendszer tág paraméter tartományon működő, az aktuátor elmozdulásának és sebességének becslésére alkalmas nemlineáris, LLNF alapú modelljeit. A modellek felhasználásával megvizsgáltam több jellemző hiba típus észleléséhez szükséges neurális hálózat kialakítást és megállapítottam, hogy a detektáló MLP hálózat, NARX dinamika használata mellett, az Elliott neurontípus alkalmazása a rejtett és a kimeneti rétegben jobb eredményt ért el, mint az irodalomban elterjedtebb szigmoid és lineáris aktivációs függvények. A felépített modell bemenetként a gerjesztő áram és vonali feszültségek transzformáltját használja. A valós rendszeren történt mérésekből előállítottam a hálózat betanításához szükséges mintakészleteket. Az optimális modell megtalálásához egy PCC alapú teljesítményindexet használtam. A modell hatékonyságát igazolja, hogy a modellt felhasználtam hibadiagnosztikai feladatok elvégzéséhez, amihez megvizsgáltam a hajtáslánc, valamint a Gamma-log kocsi lehetséges hibalehetőségeit. A mérésekből nyert adatok felhasználásával, mesterségesen előállítottam három, a vizsgált kocsira jellemző hibatípus mintáit, amelyek felhasználásra kerültek a hibamentes állapot és a különféle hibatípusok külön-külön jelzésére alkalmas, multi-modell alapú, analitikus redundancia témakörébe tartozó, mesterséges intelligenciát alkalmazó, hibadetektáló rendszer kiépítéséhez. Ugyancsak a korábban felépített modellek felhasználásával kidolgoztam az egyik hiba identifikációját elvégezni képes, előrecsatolt neurális hálózatot alkalmazó struktúrát és vizsgáltam a struktúra eredményre gyakorolt hatásait. A különféle hibák szétválasztására és időben való jelzésére kidolgoztam egy hibadiagnosztikai rendszert. Megvizsgáltam a módszert befolyásoló tényezőket úgy, mint rejtett réteg neuronjainak száma, alkalmazott hálóstruktúra. Kapcsolódó publikációk: [5], [13], [32], [33], [34], [36] 32 / 60 Miskolc, augusztus 29.

34 Bevezetés Neurális hálózatok Hibadiagnosztika Főbb tématerületek Gamma-log modellezése és hibáinak észlelése Probléma felvetés Rendszer bemutatása Modellalkotás Jellemző hibák Hiba detektálás Hibák szeparációja Indítómotor hibadiagnosztikája Modellek kidolgozás Hibadiagnosztikai struktúra bemutatása Aktív tanítási módszer alkalmazása Kiértékelés 33 / 60 Miskolc, augusztus 29.

35 Indítómotor hibadiagnosztikája Modellek kidolgozás 1 2 Hibadiagnosztikai struktúra bemutatása 3 4 Aktív tanítási módszer alkalmazása Kiértékelés 34 / 60 Miskolc, augusztus 29.

36 Mérési elrendezés 1 indítómotor 2 tengely kapcsoló 3 mágnesporos fék 4 fék vezérlő elektronikája 1 2 Fék vezérlése Főbb jellemzők mérése 800 Hz mintavételi frekvencia Tengely nyomaték Fordulatszám 3 4 Paraméterek M.e. Alsó határ Felső határ Áram Akkumulátor feszültsége Armatúra áram (I) A Akkumulátor feszültsége (U) V Motor sebessége (ω) rpm Tengely nyomaték (T shaft ) Nm / 60 Miskolc, augusztus 29.

37 Megfigyelők Transzformáció Transzformáció Áram Akkumulátor feszültsége Fordulatszám közelítés Fekete doboz modell Áram Akkumulátor feszültsége Tengely nyomaték közelítése 36 / 60 Miskolc, augusztus 29.

38 Keresőtáblás modellek Megfigyelők SISO NN modellek MISO NN modellek 37 / 60 Miskolc, augusztus 29.

39 Keresőtáblás modellek 38 / 60 ) ) /( ( ) ~ ( d d d d z d z d z d z d t z 2 2 ) ( ) ( y y x x d i i i (18) (19) Miskolc, augusztus 29.

40 SISO NN megfigyelő Áram Fordulatszám 4 különböző mintakészlet Átlagolás és tükrözött mintakészlet vizsgálata Leállítási kritériumok vizsgálata n w b FPE n logmse n log MSE logmse w b BIC nlogmse w blogn y ei y i AIC n 2 n w b i1 (20) (21) (22) (23) 39 / 60 Miskolc, augusztus n n 2

41 SISO NN megfigyelő Hálózat méret vizsgálata Az átlagolás elsimította a különböző paraméterű hálózatok eredményei közti különbségeket. A legjobb modell is az átlagoláson átesett mintakészlet használatából származott. Nagyobb befolyásoló szerepe van a bemenetek számának, mint a neurális hálózat méretének. Hosszabb minta esetén a hálózat méretének kisebb befolyásoló szerepe van, mint a rövidebb készlet használatakor. Nagyobb bemenetszám esetén, a nagy hálózat méret jobb eredményt produkált, mintha kisebb rejtett neuron számot alkalmazunk. 40 / 60 Miskolc, augusztus 29.

42 FIR ARX TDL TDL u(t-1) Feszültség Virtuális bementek (m) i(t-1) Áram MISO NN megfigyelők o(t) Fordulatszám v. Tengely nyomaték o( t) f [ i( t 1), i( t 1 d), i( t 1 2d),..., i( t 1 md), u( t 1), u( t 1 d), u( t 1 2d),..., u( t 1 md)] (24) o( t) f [ i( t 1), i( t 1 d), i( t 1 2d),..., i( t 1 md), u( t 1), u( t 1 d), u( t 1 2d),..., u( t 1 md), y( t 1)] (25) Bemenetek száma (m+1): 2, 3, 4, 5 Eltolás nagysága a használt regresszorok között (d): 10, 20,, db FIR sebesség megfigyelő 88 db FIR nyomaték megfigyelő 88 db ARX sebesség megfigyelő 88 db ARX nyomaték megfigyelő 41 / 60 Miskolc, augusztus 29.

43 MSE AIC FPE Kiválasztási folyamata Eltolások száma(d) Eltolások száma (d) Eltolások száma (d) MSE 1 n n y o i1 2 (26) AIC MSE w b nlog 2 (28) PCC n i1 n i1 y yo o 2 y y o o i i n i i1 i 2 (27) MSE w blogn BIC nlog (29) n w b FPE nlog MSE nlog (30) n w b 42 / 60 Miskolc, augusztus 29.

44 Kiválasztási folyamata EF SC 2 2 norm ( SC ) norm ( SC ) (31) velocity torque 43 / 60 Miskolc, augusztus 29.

45 Diagnosztikai struktúra Hiba a feszültség jelben Hiba áram jelben Hiba a sebesség jelben Hiba a nyomaték jelben Paraméter Kialakított mintakészletek száma [db] Egy mintakészlet pontjainak száma [db] Egy mintakészletben szereplő hibaimpulzusok száma [db] Mintakészletben szereplő F1 típusú hibák száma [db] Mintakészletben szereplő F2 típusú hibák száma [db] Mintakészletben szereplő F3 típusú hibák száma [db] Mintakészletben szereplő F4 típusú hibák száma [db] Mintakészletben szereplő alapmérések száma [db] Tanító mintakészlet Kiértékelő mintakészlet Teszt mintakészlet / 60 Miskolc, augusztus 29.

46 Aktív tanítás Mintakészlet frissítési idejének vizsgálata 45 / 60 Miskolc, augusztus 29.

47 Tanító mintakészlet átlagos nagysága [x 10 5 db] Memória igény (RSS) [x 10 2 MB] Átlagos négyzetes hiba (MSE) [x 10-4 ] Tanításhoz szükséges idő [x 10 2 perc] Aktív tanítás A hálózat bemeneteinek száma a) c) Bemenetek száma [db] b) Bemenetek száma [db] d) Bemenetek száma [db] Bemenetek száma [db] 46 / 60 Miskolc, augusztus 29.

48 Aktív tanítás A különféle tanítási algoritmusok szerepe 47 / 60 Miskolc, augusztus 29.

49 Aktív tanítás Struktúrák befolyásoló szerepe 48 / 60 Miskolc, augusztus 29.

50 Hálózatok kiértékelése 1D Canny éldetektáló algoritmus alkalmazása ÉFK RE 100[%] RE ME BE RE: Felismert élek száma ME: Elhibázott élek száma BE: Rossz élek száma 49 / 60 Miskolc, augusztus 29.

51 Hálózatok kiértékelése Hiba nagyságának meghatározása 50 / 60 Miskolc, augusztus 29.

52 Hálózatok kiértékelése Alkalmazott modellek befolyásoló szerepe 51 / 60 Miskolc, augusztus 29.

53 Szoftveres és hardveres háttér Scilab/Xcos programcsomag C/C++ programokat fejlesztettem Adatok elő és utófeldolgozása Hálózatok betanítása és kiértékelése Diagramok elkészítése A használt szoftver és hardver Intel E , 4GB RAM Fedora 18, GCC, Code::blocks Felhasznált könyvtárak Fann leenissen.dk/fann/wp/ MathGL mathgl.sourceforge.net/ Armadillo arma.sourceforge.net/ GSL 52 / 60 Miskolc, augusztus 29.

54 2. Tézis Kidolgoztam egy többmodelles, előrecsatolt neurális hálózatot alkalmazó hibadiagnosztikai módszert. Igazoltam, hogy a módszer alkalmas a vizsgált rendszerben felmerülő jellemző hibák észlelésére és a hiba nagyságának becslésére. A felépített struktúra működéséhez szükséges a vizsgált aktuátor rendszer megfelelő pontosságú, kimeneti mennyiségeinek (pl.: sebesség és nyomaték) vagy azok deriváltjainak becslését szolgáltató modellek létezése, illetve a kimenetek korábbi időpillanathoz tartozó értéke. A kidolgozott rendszer kimeneteinek száma megegyezik a rendszerben található, jelzésre szánt hibák számával. A generált hibajelek megjelenése a rendszerben megjelenő hibáira utal, a nagysága arányos a rendszerben található hiba nagyságával. A módszer hatékonyságát a 3. tézisben meghatározott modell felhasználásával bizonyítottam. Kapcsolódó publikációk: [4], [8], [9], [16], [28], [30], [31] 53 / 60 Miskolc, augusztus 29.

55 3. Tézis Kidolgoztam egy indítómotor tág működési tartományon érvényes, nemlineáris, többrétegű neurális hálózaton alapuló, NARX regresszorral ellátott, MISO modelljét. A modell felhasználásával hibadiagnosztikai rendszert dolgoztam ki. A kidolgozott hibadiagnosztikai rendszer érzékenységvizsgálata során megállapítottam, hogy a diagnosztikai rendszer eredményessége jelentősen romlik a betanításhoz alkalmazott modellek MSE értékéhez képest alacsonyabb MSE értékű modellek alkalmazásakor, míg egy ahhoz képest jelentősen pontosabb modell használata nem növeli érdemben a diagnosztika teljesítményét A modell bemenetként a kapocsfeszültséget és a gerjesztő áramot használja. A modell felépítéshez szükséges eredményeket a valós aktuátoron készült mérésekből nyertem. A felépített modell teljesítményét összehasonlítottam alapjaiban más elveken működő modellek hatékonyságával. A hiba szétválasztására és diagnosztikára alkalmas struktúra tanításához, értékeléséhez és teszteléséhez mintakészleteket alakítottam ki a korábban elvégzett mérések felhasználásával. Kapcsolódó publikációk: [4], [8], [9], [16], [28], [30], [31] 54 / 60 Miskolc, augusztus 29.

56 4. Tézis Kidolgoztam egy aktív tanításon alapuló algoritmust, amelynek alkalmazása mellett, az előrecsatolt neurális hálózatok osztályozási feladatokra visszavezethető hibadiagnosztikai alkalmazásokban a hálózat betanítási ideje jelentősen lerövidül. A módszer az aktív tanulás módszerét alkalmazza, vagyis a tanítási procedúra alatt a mintakészlet pontjai és így vele a hossza is dinamikusan változtatásra kerül. Az algoritmus az négyzetes hiba kritériumfüggvényt használja szükséges pontok beválogatásához. Megvizsgáltam az algoritmust legjobban befolyásoló paramétereket, mint új mintakészlet előállítási frekvencia, a tanított hálózat bemeneteinek száma, az alkalmazott tanítási algoritmus, különféle alkalmazott hálózat struktúra típusok. Arra a következtetésre jutottam, hogy NFIR és NARX struktúrákhoz egyaránt jól használható illetve az algoritmus alkalmazásával elért tanítási idő nyereség, a hálózat nagyságával arányosan csökken. Azonos kiindulási feltételek mellett összehasonlítottam az algoritmus teljesítményét több hagyományos passzív tanító algoritmussal és megállapítottam, hogy az algoritmus Rprop tanítási eljárás használata mellett produkálja az időnyereséget legnagyobb mértékben. Kapcsolódó publikációk: [34], [37], [38] 55 / 60 Miskolc, augusztus 29.

57 5. Tézis Kidolgoztam egy, a hibadiagnosztikai feladatok értékelésére alkalmas eljárást, amely külön értékeli a hiba detektálásának hatékonyságát és a hiba nagyság becslésének teljesítményét. A hiba észlelés pontosságát a hibák megjelenési és megszűnési idejeinek vizsgálataival, illetve a rendszerben lévő valós és a diagnosztikai rendszer generálta közelítő hibák viszonyainak módszeres összehasonlításával éri el. A jelsorozatokban az élek megtalálásához Canny éldetektáló algoritmus használata javasolt. Az impulzusszerű hibák kiértékeléséhez bevezettem a hibadiagnosztikai rendszer kimeneti jelsorozataiban megjelenő generált élek és a vizsgált rendszerben észlelt hibaimpulzusok felfutásainak és megszűnéseinek viszonyából számítható EFK [%] mérőszámot. A mérőszámot több feladatnál sikeresen alkalmaztam a kiértékelés leegyszerűsítésére. A hiba nagyság összehasonlításhoz és kiértékeléshez az átlagos relatív hibát használtam. Kapcsolódó publikációk: [34], [37], [38] 56 / 60 Miskolc, augusztus 29.

58 Magyar publikációk Nem lektorált konferencia cikk 1. Kovács E., Füvesi V., Szalontai L., Szabó L., Villamos aktuátor modellezése Scilab környezetben, IX. ENELKO International Conference on Energetics Electrical Engineering, Csíksomlyó, október 9 12, ISSN , pp Szalontai L., Kovács E., Füvesi V.: Indítómotor behúzótekercsének szimulációs vizsgálata, X. ENELKO International Conference on Energetics Electrical Engineering, Marosvásárhely, október 8 11., ISSN , pp Kovács E., Füvesi V., Szabó L.: Aktuátor rendszer kaotikus viselkedésének vizsgálata, X. ENELKO International Conference on Energetics Electrical Engineering, Marosvásárhely, október 8 11, ISSN , pp Kovács E., Füvesi V.: Indítómotor neurális háló modelljének kiválasztása információs kritériumok segítségével, XI. ENELKO International Conference on Energetics Electrical Engineering, Szatmárnémeti, október 7 10., ISSN , pp Füvesi V., Kovács E., Jónap K., Vörös Cs.: Mobil Gamma-log berendezés hajtásláncának modellezése LOLIMOT használatával, XII. Nemzetközi Energetikai Elektrotechnikai Konferencia, ENELKO 2011, Erdélyi Magyar Műszaki Tudományos Társaság, Románia, Kolozsvár, 2011, ISSN , pp Füvesi V., Kovács E.: Összetett mechatronikai rendszer hibadetektálása és hiba identifikácója, XIII. Nemzetközi Energetika - Elektrotechnika Konferencia, ENELKO 2012, október , Gyulafehérvár, ISSN , pp Lektorált konferencia cikk 7. Kovács E., Füvesi V., Robot rendszer modellezés Scilab környezetben, DFTH 2008, november , A Dunújvárosi Főiskola Közleményei, XXX/1, 1. kötet, Gépészeti szekció, ISSN , pp Kovács E., Füvesi V.: Indítómotor modellezése különféle módszerekkel, Műszaki Tudomány az Észak Kelet Magyarországi Régióban 2011, Debrecen, 2011, ISBN , pp Füvesi V., Kovács E.: Aktuátor modell kiválasztása és objektív összehasonlítása, Proc. of XXVII. microcad Int. Scientific Conf., Section H: Electrical Engineering, University of Miskolc, th March, 2013, ISBN , CD kiadvány. 10. Füvesi V., Kovács E.: Elektromechanikus hajtáslánc hibáinak detektálása mesterséges intelligenciás módszerek segítségével, Műszaki Tudomány az Észak-kelet Magyarországi Régióban 2012, Szolnok, május 10., ISBN , pp Vörös Cs., Füvesi V., Jónap K.: Automatikus vegyszeradagoló rendszerek gáztermeléshez, Műszaki Tudomány az Észak-kelet Magyarországi Régióban 2012, Szolnok, május 10., ISBN , pp / 60 Miskolc, augusztus 29.

59 Magyar publikációk Nem lektorált folyóirat cikk 12. Kovács E., Füvesi V.: 5 tengelyű robot kinematikai és dinamikai vizsgálata, Doktoranduszok Fóruma 2007, Gépészmérnöki és Informatikai Kar szekciókiadványa, 2007., pp Kovács E., Füvesi V.: Lineáris aktuátorok villamos hajtásainak modellezése, Doktoranduszok Fóruma, Gépészmérnöki és Informatikai Kar szekciókiadványa, november 13, Miskolc,. pp Kovács E., Füvesi V.: Kefenélküli egyenáramú motorról működtetett aktuátor kaotikus viselkedésének vizsgálata, Doktoranduszok Fóruma, Gépészmérnöki és Informatikai Kar szekciókiadványa, Miskolc, 2009., November, pp Lektorált folyóirat cikk 15. Füvesi V.: Intelligens hatlábú mobil robot kinematikai vizsgálata, GÉP c. folyóirat, LVIII. évfolyam, 2007/10-11 szám, Miskolc, ISSN , pp Kovács E., Füvesi V.: Indítómotorok modellezésére alkalmas módszerek összehasonlító elemezése, Miskolci Egyetem Közleményei, Interdiszciplináris tudományok, 1. kötet (2011), 1. szám, Miskolci Egyetemi Kiadó, Miskolc, 2011, ISSN , pp Füvesi V., Kovács E.: Módszer inkrementális jeladó modell alapú hibadetektálására, GÉP c. folyóirat, LXIII. évfolyam, 2012/3. szám, Miskolc, ISSN , pp Füvesi V., Kovács E.: Mesterséges intelligencián alapuló módszer elektromechanikus aktuátor hibadiagnosztikájára, Multidiszciplináris tudományok, 3. kötet, 2013, 2, Miskolc, ISSN , pp / 60 Miskolc, augusztus 29.

60 Idegen nyelvű publikációk Nem lektorált konferencia cikk 19. G. Fekete, E. Kovács, V. Füvesi, L. Szalontai, J. Lengyel, Á. Nyerges: Measuring the Difference in Output Power Between Fixed and Rotatable PV Arrays, Proceedings of the 1st Knowbridge Conference on Renewables, September 27 28th, 2010, Miskolc, ISBN , pp J. Subert, V. Füvesi: Development and tests of hydrate inhibitor technology on Foundation Fieldbus system, Distributed Control Systems 18th Meeting, 24 26th October 2012., Miskolc Lillafüred. [Előadás anyag CD kiadvány]. 21. Cs. Vörös, V. Füvesi, Á. Pintér: Design of a new chemical injection pump system, Proc. of Factory Automation Conference, University of Pannon, May , Veszprém, Hungary, pp Lektorált konferencia cikk 22. E. Kovács, V. Füvesi: Dynamic analization of a 5-axed robot in Scilab enviroment, MicroCAD International Scientific Conference 2008, Miskolc, J Section, ISBN: , pp E. Kovács, V. Füvesi, L. Szabó, M. Ruba: Model based dynamic analysis of a robot actuator with BLDC drive, XXIII. MicroCAD Internastional Scientific Conference 2009, Miskolc, J Section, ISBN , pp M. Ruba, L. Szabó, V. Füvesi, E. Kovács: Diagnosis of Advanced Fault Tolerant Switched Reluctance Machines used in Safety Automated Industrial Systems, XXIII. MicroCAD Internastional Scientific Conference 2009, Miskolc, J Section, ISBN , pp E. Kovács, L. Szalontai, V. Füvesi: Vibration analysis of a linear actuator, XXIII. MicroCAD Internastional Scientific Conference 2009, Miskolc, J Section, ISBN , pp E. Kovács, V. Füvesi, L. Szabó: Analyses of servomechanism with BLDC motor drive, DFTH2009, november , Dunaújváros. (befogadott, nem megjelent) 27. E. Kovács, V. Füvesi, L. Szabó: Analyses of a nonsmooth actuator drive, XXIV. MicroCAD Internastional Scientific Conference 2010, Miskolc, ISBN , pp V. Füvesi, E. Kovács, Cs. Blága: Measurement and identification of a starter motor system, MACRo2010, International Conference on Recent Achievements in Mechatronics, Automation Computer Science and Robotics, 14 15th, may 2010, Marosvásárhely, ISBN , pp V. Füvesi, E. Kovács: Analyses the modelling capability of feedforwared neural network, Proceedings of XXV. microcad International Scientific Conference, Section I: Electrical Engineering, Miskolc, 2011, pp E. Kovács, V. Füvesi: Modelling of a starter motor with feedforward neural network, Proceedings of 17th International Conference on Electrical Drives and Power Electronics, EDPE 2011, September, 2011, Stará Lesná, Slovakia, ISBN , pp V. Füvesi, E. Kovács: Modelling Loaded Starter Motor with Neural Network, Proceedings of 12th IEEE International Symposium on Computational Intelligence and Informatics, (CINTI2011), Budapest, Hungary, November 2011, ISBN , pp V. Füvesi, E. Kovács: Process model based fault detection with LLNF model - An overview and case study, Proc. of XXVI. microcad Int. Scientific Conf., Section H: Electrical Engineering, University of Miskolc, 29 30th March, 2012, ISBN , CD kiadvány. 33. V. Füvesi, E. Kovács: Fault detection based on modelling electromechanical drive chain, Proc. of 2012 Int. Symposium on Power Electronics, Electrical Drives, Automation and Motion, SPEEDAM 2012, Sorrento, Italy, June, 2012, ISBN , pp V. Füvesi, E. Kovács: Separation of faults of electromechanical drive chain using artificial intelligence methods, Recent innovations in mechatronics, Proc. of 18th Building Services, Mechanical and Building Industry days Int. Conf, october 2012, Debrecen, Hungary, ISBN , pp V. Füvesi, E. Kovács: Neural network multi-model based Fault detection based method of fault diagnostics of actuators, Proc. of 2014 Int. Symposium on Power Electronics, Electrical Drives, Automation and Motion, SPEEDAM 2014, Ischia, Italy, June, 2014, ISBN , pp / 60 Miskolc, augusztus 29.

61 Idegen nyelvű publikációk Lektorált folyóirat cikk 36. L. Szabó, M. Ruba, E. Kovács, V. Füvesi: Fault Tolerant Modular Linear Motor for Safe-Critical Automated Industrial Applications, Journal of Computer Science and Control Systems, 2009, Vol. 2/1, Oradea, Romania, ISSN , pp V. Füvesi, E. Kovács, Cs. Vörös: Identification of a complex drive chain based on local linear model tree, Production Systems and Information Engineering, Volume 6, 2013., Miskolc, ISSN , pp V. Füvesi, E. Kovács: Separation of faults of electromechanical drive chain using artificial intelligence method, Int. Rev. Appl. Sci. Eng. 4, (2013) 1, ISSN , Budapest, DOI: /IRASE , pp / 60 Miskolc, augusztus 29.

62 Köszönöm a megtisztelő figyelmet! Várom kérdéseiket! Miskolc, augusztus 29.

63 Opponensi kérdések Mekkora a mérőrendszer felbontása? Növekményes jeladó Gyártó: Omron Típus E6C2-CWZ5B-1000P/R Felbontás: 1000 imp. / ford. Mérőrendszer felbontásának értéke a jeladó impulzusainak felfutó éleinek felhasználása esetén: (v1) Mérőrendszer felbontásának értéke a jeladó impulzusainak fel- és lefutó éleinek figyelembevételével: (v2) Mérőrendszer felbontása négyélkiértékelés esetén: F 4él = 110mm π 4000 = 0,086 mm (v3) Miskolc, augusztus 29.

64 Kocsi elmozdulása [mm] Jeladó kimenete [V] Opponensi kérdések Miért a kétélkiértékelés került alkalmazásra? Jeladó egy csatornájának mérése került megvalósításra (haladási irány megkülönböztetése nem volt fontos). Idő [s] x10 2 Idő [s] Miskolc, augusztus 29.

65 Opponensi kérdések Keresőtáblás modell kérdéskörének tisztázása. Isermann, R.: Mechatronic system, Fundamentals, Springer, London, ISBN , 2005, pp (v4) 1. Mérésekből a diszkrét adatrács (adatbázis) létrehozása. 2. AP pont x és y koordinátái alapján a megadott számú legközelebbi RP referencia pontok kiválasztása. 3. A d 1, d 2, d 3 és d 4 távolság értékeinek kiszámítása és csökkenő sorrendbe rendezése az ábra alapján. 4. z közelítésének kiszámítása. Miskolc, augusztus 29.

66 Opponensi kérdések c.) Miskolc, augusztus T T T T T T cos sin 0 sin cos T T T T T T c c φ atan2 T α,t β (v5) (v6) (v7)

67 Opponensi kérdések g.) Különbség képző szerv jelölése Miskolc, augusztus 29.

68 Opponensi kérdések h.) Jeladó teljes hibájának észlelése i.) Ciklikus mintakészlet Használt neurális hálózat MLP LLNF Alkalmazott leállítási feltétel MSE PCC MSE Tanító mintakészlet Kiértékelő mintakészlet Teszt mintakészlet Epoch MSE értéke Felismert hibák száma Epoch MSE értéke Felismert hibák száma Epoch MSE értéke Felismert hibák száma 0,0207 0,0636 0, / 9 9 / 9 9 / 9 0,0210 0,0674 0, / / / 12 0,0212 0,0582 0, / / / 15 Miskolc, augusztus 29.

69 Opponensi kérdések l.) Keresőtáblás modell eredménye Miskolc, augusztus 29.

70 Opponensi kérdések m.) Mintakészletek hasznossága Miskolc, augusztus 29.