FAULT DETECTION OF AN ELECTROMECHANICAL DRIVE CHAIN USING ARTIFICIAL INTELLIGENCE METHODS

Füvesi V., Kovács E.: Elektromechanikus hajtáslánc hibáinak detektálása mesterséges intelligenciás módszerek segítségével, Műszaki Tudomány az Észak-kelet Magyarországi Régióban 2012, Szolnok, 2012. május 10., ISBN 978–963–7064–28–9, pp. 99–108.

ELEKTROMECHANIKUS HAJTÁSLÁNC HIBÁINAK DETEKTÁLÁSA MESTERSÉGES INTELLIGENCIÁS MÓDSZEREK SEGÍTSÉGÉVEL FAULT DETECTION OF AN ELECTROMECHANICAL DRIVE CHAIN USING ARTIFICIAL INTELLIGENCE METHODS FÜVESI Viktor1, KOVÁCS Ernő2 1

1

tudományos segédmunkatárs; 2PhD, egyetemi docens Miskolci Egyetem, Alkalmazott Földtudományi Kutatóintézet, Műszerfejlesztési és Informatikai Osztály HU-3515 Miskolc-Egyetemváros, Pf. 2 tel.: +36-(46)-565-255 mellék: 25-12, fax: +36-(46)-363-349 2 Miskolci Egyetem, Elektrotechnikai és Elektronikai Tanszék HU-3515 Miskolc-Egyetemváros tel.: +36-(46)-565-111 mellék: 12-16, 12-18, fax: +36-(46)-563-447 1 [email protected]; [email protected]

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


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.


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. 3.1. 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].


A LOLIMOT hálózat kimenete (ye) a következő módon számítható (1) [17]:



M

ye  i (u ) wi 0  wi1u1  ...  wip u p i 1

ahol: M u p wxy ϕi

– – – – –



(1) ,

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.

i (u ) 

 (u )

(2)

M

  j (u) j 1

,



 1 u c j ij  i (u )   exp    2  2  ij j 1   p

2    

(3) ,

ahol: c – Gauss függvény center vonala; σ – szórás. 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 (u1) és feszültség (u2) szolgált bemenetként és a kocsi mozgását leíró időfüggvény pedig kimenetként. 3.2. 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.


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


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   ut  y t  f 1. Konfig. NNFIR y t   f ut , ut  1 2. Konfig. NNFIR y t   f ut , ut  1, u(t )  ut  1 3. Konfig. NNFIR y (t )  f u(t ), u(t  1), y(t  1) 4. Konfig. NNARX y (t )  f u(t ), u(t  1), y(t  1), y(t  2) 5. Konfig. NNARX y (t )  f u(t ), u(t  1), y(t  1), y(t  2), y(t  1)  y(t  2) 6. Konfig. NNARX 1. táblázat Vizsgált hálózatkonfigurációk, hálóstruktúra e

e

e

e

e

e

Általában neurális hálózat eredményét az átlagos négyzetes hibával (MSE) értékelik. Jelen esetben különféle hálóstruktúrák értékelésére a neurális struktúra hibajelének deriváltja


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.

HFK 

RF 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


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 Mintakészlet nagysága Hibát tartalmazó szimulációk száma Hibamentes szimulációk száma Hibátlan jelzések száma / összes eset

TANÍTÓ MINTAKÉSZLET

VALIDÁLÓ MINTAKÉSZLET

TESZT MINTAKÉSZLET

6191

6191

16511

54

54

144

18

18

48

72 / 72

72 / 72

192 / 192


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

0.008874

0.009258

0.009430

Gaussian

0.006446

0.008357

0.008010

Lineáris

0.010745

0.010808

0.010811

Elliot

0.006401

0.008285

0.007805

Szinusz

0.008463

0.009053

0.009260

3. 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.


A vizsgálatok során több hálózatot elemeztünk és bizonyítottuk, hogy a legjobb eredményt az NNARX struktúra szolgáltatja. 7. KÖSZÖNETNYILVÁNÍTÁS A bemutatott kutató munka a TÁMOP-4.2.1.B-10/2/KONV-2010-0001 jelű projekt részeként az Európai Unió támogatásával, az Európai Szociális Alap társfinanszírozásával valósul meg. 8. FELHASZNÁLT IRODALOM [1]

[2]

[3] [4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12] [13]

[14] [15]

[16]

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.722 – 729. TURKI, A.; CHTOUROU, M.; DJEMEL, M.: Neural Approaches for Modelling Nonlinear Systems. Proc. of 7th International Multi-Conference on System, Signal and Devices, June 2010, pp. 1-6. REMESAN, R.; SHAMIM, M. A.; HAN, D.; MATHEW, J.: ANFIS and NNARX based Rainfall-Runoff Modeling, Systems, Man and Cybernetics, 2008. (SMC '08), pp. 1454-1459. 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. 9-20. SCHWARTE, A.; ISERMANN, R.: Neural Network Applications for Model Based Fault Detection with Parity Equations, Proc. of 15th Triennial World Congress of the International Federation of Automatic Control, Barcelona, 21–26 July 2002, Vol. 15, Part 1. 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 2004. LU, Y.; COLLINS, E. G.; SELEKWA, M. F.: Parity Relation Based Fault Detection, Isolation and Reconfiguration for Autonomous Ground Vehicle Localization Sensors. Proc. of 24th Army Science Conference, 2004. 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, 2009. 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. 726-736. 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. 1182-1189. 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. 999-1010. HÖFING, T.; ISERMANN, R.: Fault detection based on adaptive parity equations and singleparameter tracking, Control Engineering Practice – CEP, 4(10), 1996, pp 1361–1369. 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. 2939–2951. University of Miskolc - RIAES RII, MGL-01F: User's Manual, Miskolc, 2011, pp. 2-14. 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. 1563-1568. 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.


[17] ISERMANN, R.: Mechatronic system, Fundamentals. Springer, London, ISBN 1-85233-9306, 2005, pp. 314-323.

FAULT DETECTION OF AN ELECTROMECHANICAL DRIVE CHAIN USING ARTIFICIAL INTELLIGENCE METHODS

Recommend Documents