Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül Ph.D. védés Jelölt: Füvesi Viktor 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, 2014. augusztus 29.
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, 2014. augusztus 29.
Füvesi Viktor
Főbb tématerületek Bevezetés Neurális hálózatok Hibadiagnosztika
Gamma-log modellezése és hibáinak észlelése
Probléma felvetés Rendszer bemutatása Modellalkotás Jellemző hibák Hiba detektálás Hibák szeparációja
Indítómotor hibadiagnosztikája 2 / 60
Modellek kidolgozás Hibadiagnosztikai struktúra bemutatása Aktív tanítási módszer alkalmazása Kiértékelés Miskolc, 2014. augusztus 29.
Füvesi Viktor
Neurális hálózatok Előrecsatolt, többrétegű neurális hálózat (MLP)
Perceptron
n y (k ) s(k ) w0 wi xi (k ) i 1
(1) m Ok (n) k wkjr (n) j 0
3 / 60
Miskolc, 2014. augusztus 29.
j w j 0
p
i 1
wbji (n) xi (n)
(2)
Füvesi Viktor
LLNF modell ye
i ( I )wi0 wi1x1 ... wip x p m
(4)
i 1
i ( I )
(I )
(5)
m
j (I ) j 1
1 x c j ij i ( I ) exp 2 2 ij j 1 p
2
(6)
Robusztus Jól konvergencia tulajdonság I = [x1, x2, …, xp] 4 / 60
(3)
σ – szórás c – center
Könnyen tanítható
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
Hiba észlelés módszerei és a diagnosztika folyamata Észlelés több hibajel segítségével Jel modell alapú
Folyamat modell alapú
Korreláció
Paraméter közelítés
Spektrum vizsgálat
Neurális hálózatok
Wavelet vizsgálat
Állapot megfigyelő
Többvariánsú adatvizsgálat Főkomponens elemzés
Állapot közelítés Paritás egyenletek
6 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Főbb tématerületek Bevezetés Neurális hálózatok Hibadiagnosztika
Gamma-log modellezése és hibáinak észlelése
Probléma felvetés Rendszer bemutatása Modellalkotás Jellemző hibák Hiba detektálás Hibák szeparációja
Indítómotor hibadiagnosztikája 7 / 60
Modellek kidolgozás Hibadiagnosztikai struktúra bemutatása Aktív tanítási módszer alkalmazása Kiértékelés Miskolc, 2014. augusztus 29.
Füvesi Viktor
Gamma-log modellezése és hibáinak észlelése Bevezetés
Rendszer bemutatása Modellalkotás Elmozdulás becslő Sebesség becslő Jellemző hibák
Hiba detektálási feladatok Hibák szeparációja 8 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Probléma felvetés Th
U
1. 2. 3. 4.
Moduláris sínpálya Detektor hordozó kocsi Energialánc Vezérlő PC
Mélység érték
K
Gamma-log
9 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Rendszer bemutatása Szervomotor Gyártó: Omron Típus: SJME-02AMB41-OY Motorteljesítmény: 200 W Frekvenciatartomány: 0-500 Hz
Kerék Átmérő: Ø110mm V-profil kivitel
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, 2014. augusztus 29.
Füvesi Viktor
Mérések a rendszeren
I1 U12
I2
U31 U23
I3
Impulzusok 11 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
A kocsi elmozdulása (s)
Alsó határ
Felső határ
A
-0,5
0,5
V
-25
25
mm
0
100
Idő [s]
Idő [s]
Áram jelek szűrése
Feszültség jelek szűrése
Idő [s]
Transzformáció
Transzformált áram [A]
Áramok (I1, I2, I3) Vonali feszültségek (U12, U23, U31)
Mértékegység
Kocsi elmozdulása [mm]
Paraméterek
Jeladó impulzusai [V]
Mérés és adatfeldolgozás
Idő [s]
Idő [s] Transzformáció
Idő [s]
12 / 60
Transzformált feszültség [V]
Idő [s]
Idő [s]
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Transzformált áram Transzformált feszültség
Bemenethez illesztés
Megfigyelők létrehozása
Sebesség becslése
Transzformált áram
Transzformált feszültség
13 / 60
Bemenethez illesztés
„Fekete doboz” modellek
Miskolc, 2014. augusztus 29.
Elmozdulás becslése
Füvesi Viktor
Sebesség becslő
ye (t ) f x1 t 1, x1 t 2, x1 t 3, x2 t 1, x2 t 2, x2 t 3
Struktúra típus 1. FIR struktúra (2i0o) 1. ARX struktúra (2i1o) 2. FIR struktúra (4i0o) 2. ARX struktúra (4i2o) 3. FIR struktúra (6i0o) 3. ARX struktúra (6i3o)
14 / 60
Korábbi bemenetek száma 2 4 6 2 4 6
Korábbi kimenetek száma 0 0 0 1 2 3
(7)
ye (t ) f x1 t 1, x1 t 2, x1 t 3, x2 t 1, x2 t 2, x2 t 3, yt 1, yt 2, yt 3
Miskolc, 2014. augusztus 29.
(8)
Füvesi Viktor
Sebesség becslő Struktúra típus
Teljesítmény index (Iperf)
Almodellek száma
1. FIR struktúra (2i0o) 1. ARX struktúra (2i1o) 2. FIR struktúra (4i0o) 2. ARX struktúra (4i2o) 3. FIR struktúra (6i0o) 3. ARX struktúra (6i3o)
1,4048 1,4073 1,4076 1,4113 1,4081 1,4115
16 3 10 21 31 15
Tanító mintakészlet MSE-je 5,494 4,887 4,317 1,728 2,302 1,470
Kiértékelő mintakészlet MSE-je 6,731 4,750 4,879 1,949 5,5011 1,900
(9) n
1 yei yi 2 MSE n i 1
2 2 I perf PCCtrain PCCvalid
(10)
n
PCC
yi y yei ye i 1
n
n
yei ye yi y i 1
2
(11)
2
i 1
kék csillag: 2i0o; kék négyszög: 2i1o vörös plusz: 4i0o; vörös rombusz: 4i2o; zöld kereszt: 6i0o; zöld háromszög: 6i3o 15 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Sebesség becslő ARX struktúra
15 LLM használata
16 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Transzformált áram Transzformált feszültség
Bemenethez illesztés
Megfigyelők létrehozása
Sebesség becslése
Transzformált áram
Transzformált feszültség
17 / 60
Bemenethez illesztés
„Fekete doboz” modellek
Miskolc, 2014. augusztus 29.
Elmozdulás becslése
Füvesi Viktor
Elmozdulás becslő
Értékelő mintakészlet
y (t ) e
u(t)
Jel
u(t-1)
Z-1
u(t-2)
Z-1
u(t-3) y(t-1)
mintakészlet
LOLIMOT hálózat
y e (t ) f ut , ut 1, ut 2, yt 1
(12)
Maximum 35 LLM használata
18 / 60
Valós minta
ARX struktúra
Z-1
Miskolc, 2014. augusztus 29.
Közelített minta
Füvesi Viktor
Jellemző hibák a rendszerben Jeladó teljes meghibásodása
Rendszeres impulzus hiba
Hiba a motor armatúrájában
19 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
Hiba a motor armatúrájában Jelenség: Armatúra ellenállása lassan megváltozik. Lehetséges okok: Belső hőmérséklet megváltozik Kapcsok ellenállása megváltozik
Mintakészlet Normál kimenet és hibás kimenet
Feszültség bemenet
Jellemző hibák a rendszerben
100 80 60
Hibás kimenet
40 20 0
Normál kimenet
-20
Különbség és hibajel
Mintakészlet
Mintakészlet
22 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Hiba észlelési és -diagnosztikai feladatok Teljes jeladó hiba észlelése Rendszeres impulzus hiba észlelése Motor armatúrakörében megjelenő hiba észlelése Hiba identifikáció a rendszeres hiba esetére Hibák szeparációja 23 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Teljes jeladó hiba észlelése
Használt neurális hálózat
Paramétereke Epoch mérete [pont] Epochban található hibák száma [db]
Kiértékelő mintakészlet 1050
Teszt mintakészlet 1312
9
12
15
Mintakészletek előállítása során változott:
24 / 60
Tanító mintakészlet 787
hiba bekövetkeztének ideje Kocsi sebessége 3 különböző sebesség érték Kocsi gyorsulása 3 különböző gyorsulás érték
Alkalmazott leállítási feltétel Tanító mintakészlet
Kiértékelő mintakészlet
Teszt mintakészlet
Miskolc, 2014. augusztus 29.
MLP
LLNF
MSE
PCC
MSE
Epoch MSE értéke
0,0207
0,0636
0,0223
Felismert hibák száma
9/9
9/9
9/9
Epoch MSE értéke
0,0210
0,0674
0,0219
Felismert hibák száma
12 / 12
12 / 12
12 / 12
Epoch MSE értéke
0,0212
0,0582
0,0225
Felismert hibák száma
15 / 15
15 / 15
15 / 15
Füvesi Viktor
Rendszeres impulzus hibák észlelése TÍPUS
MEGVALÓSÍTOTT FÜGGVÉNY
1. Konfig.
NNFIR
ye t f ut
2. Konfig.
NNFIR
ye t f ut , ut 1
3. Konfig.
NNFIR
ye t f ut , ut 1, u(t ) ut 1
4. Konfig.
NNARX
ye (t ) f u(t ), u(t 1), y(t 1)
5. Konfig.
NNARX
ye (t ) f u(t ), u(t 1), y(t 1), y(t 2)
6. Konfig.
NNARX
ye (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, 2014. augusztus 29.
Füvesi Viktor
Armatúrakör hibájának észlelése REJTETT
TANÍTÓ
VALIDÁLÓ
TESZT
KÉSZLET
KÉSZLET
KÉSZLET
Mintakészlet nagysága
6191
6191
16511
Hibát tartalmazó szimulációk száma
54
54
144
Hibamentes szimulációk száma
18
18
48
Hibátlan jelzések száma / összes eset
72 / 72
72 / 72
192 / 192
PARAMÉTEREK
ye (t ) f u(t ), u(t 1), y(t 1), y(t 2) 26 / 60
NEURONOK AKTIVÁCIÓS FÜGGVÉNYE
TANÍTÓ
VALIDÁLÓ
TESZT
MINTAKÉSZLET MSE ÉRTÉKE
MINTAKÉSZLET MSE ÉRTÉKE
MINTAKÉSZLET MSE ÉRTÉKE
Szigmaid Gaussian Lineáris Elliott Szinusz
0.008874 0.006446 0.010745 0.006401 0.008463
0.009258 0.008357 0.010808 0.008285 0.009053
0.009430 0.008010 0.010811 0.007805 0.009260
(14)
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Hiba identifikáció Struktúrák Konfiguráció 1.
Megvalósított átviteli függvények
Konfiguráció 2.
ye t f st , st 1, wt , wt 1, yt 1, yt 2, wm t , wm t 1
Konfiguráció 3. Konfiguráció 4.
Rendszeres impulzus hiba nagyságának közelítése
ye t f st , wt , yt 1, wm t
ye t 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
ye t f st , st 1, st 2, st 3, wt , wt 1, wt 2, wt 2,... yt 1, yt 2, yt 3, yt 4, wm t , wm t 1, wm t 2, wm t 3
Teszt mintakészlet eredményei
27 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
NN hiba elkülönítő struktúra
28 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Hiba elkülönítő eredményeinek kiértékelése Feltételek
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
ds(i)
s(i 1) s(i 1) 2
(15)
Rising Edge Recognition Ability (Felfutóél felismerő képesség) RERA
RE 100% RE BE ME
(16)
Falling Edge Recognition Ability FERA
RE 100% RE BE ME
RE: felismert élek száma BE: rossz élek száma ME: elmulasztott élek száma
(17)
RE
BE
29 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Hiba elkülönítő eredményeinek kiértékelése
30 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Vizsgálatokból levont következtetések Teljes jeladó hiba észlelése
MLP használata
Rendszeres impulzus hiba észlelése
NARX struktúra használata
Motor armatúrakörében megjelenő hiba észlelése Hiba identifikáció a rendszeres hiba esetére
Elliott aktivációs fgv. használata a rejtett rétegben 2-es szorzó a bemenet és a rejtett réteg neuron száma között
Hibák szeparációja 31 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
Főbb tématerületek Bevezetés Neurális hálózatok Hibadiagnosztika
Gamma-log modellezése és hibáinak észlelése
Probléma felvetés Rendszer bemutatása Modellalkotás Jellemző hibák Hiba detektálás Hibák szeparációja
Indítómotor hibadiagnosztikája 33 / 60
Modellek kidolgozás Hibadiagnosztikai struktúra bemutatása Aktív tanítási módszer alkalmazása Kiértékelés Miskolc, 2014. augusztus 29.
Füvesi Viktor
Indítómotor hibadiagnosztikája Modellek kidolgozás 1
Hibadiagnosztikai struktúra bemutatása
2
4 3
Aktív tanítási módszer alkalmazása
Kiértékelés 34 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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
3
Fordulatszám
Áram Akkumulátor feszültsége
35 / 60
4
Paraméterek
M.e.
Alsó határ
Felső határ
Armatúra áram (I)
A
0
300
Akkumulátor feszültsége (U)
V
9.5
13
Motor sebessége (ω)
rpm
0
5000
Tengely nyomaték (Tshaft)
Nm
0
5
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Áram Akkumulátor feszültsége
Transzformáció
Megfigyelők
Fordulatszám közelítés
Áram Akkumulátor feszültsége
36 / 60
Transzformáció
”Fekete doboz” modell
Miskolc, 2014. augusztus 29.
Tengely nyomaték közelítése
Füvesi Viktor
Megfigyelők Keresőtáblás modellek
SISO NN modellek
MISO NN modellek
37 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Keresőtáblás modellek ~ z (t ) (d1z4 d 2 z3 d3 z2 d 4 z1 ) /( d1 d 2 d3 d 4 )
di ( xi x) 2 ( yi y) 2
38 / 60
Miskolc, 2014. augusztus 29.
(18)
(19)
Füvesi Viktor
SISO NN megfigyelő Áram Fordulatszám
4 különböző mintakészlet Átlagolás és tükrözött mintakészlet vizsgálata
Leállítási kritériumok vizsgálata AIC n logMSE 2 w b
(20) 39 / 60
BIC n logMSE w b logn
(21)
n wb FPE n log MSE n log n wb
(22)
Miskolc, 2014. augusztus 29.
MSE
n
1 yei yi 2 n i 1
(23)
Füvesi Viktor
SISO NN megfigyelő Hálózat méret vizsgálata
40 / 60
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.
Miskolc, 2014. augusztus 29.
Füvesi Viktor
MISO NN megfigyelők u(t-1)
…
Virtuális bementek (m)
TDL
Feszültség 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)
ARX
FIR
Áram
TDL
i(t-1)
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, …, 220
88 db FIR sebesség megfigyelő 88 db FIR nyomaték megfigyelő 41 / 60
88 db ARX sebesség megfigyelő 88 db ARX nyomaték megfigyelő
Miskolc, 2014. augusztus 29.
Füvesi Viktor
FPE
AIC
MSE
Kiválasztási folyamata
Eltolások száma(d)
Eltolások száma (d)
1 n 2 MSE y o n i 1
(26)
n
PCC
yi y oi o i 1
n
y y o o i 1
42 / 60
n
2
i
i 1
2
i
(27)
Eltolások száma (d)
AIC n logMSE 2 w b
(28)
BIC n logMSE w b logn
(29)
FPE n logMSE n log n w b
(30)
Miskolc, 2014. augusztus 29.
n wb
Füvesi Viktor
Kiválasztási folyamata
EFSC norm 2 (SCvelocity ) norm 2 (SCtorque)
43 / 60
Miskolc, 2014. augusztus 29.
(31)
Füvesi Viktor
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]
44 / 60
Miskolc, 2014. augusztus 29.
Tanító mintakészlet
Kiértékelő mintakészlet
Teszt mintakészlet
1
1
240
231900
36490
7300
72
16
3
18
4
3
18
4
3
18
4
3
18
4
3
9
1
1
Füvesi Viktor
Aktív tanítás Mintakészlet frissítési idejének vizsgálata
45 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Aktív tanítás A hálózat bemeneteinek száma c)
Átlagos négyzetes hiba (MSE) [x 10-4]
Tanításhoz szükséges idő [x 102 perc]
a)
Bemenetek száma [db]
Bemenetek száma [db] d)
Memória igény (RSS) [x 102 MB]
Tanító mintakészlet átlagos nagysága [x 105 db]
b)
Bemenetek száma [db]
Bemenetek száma [db]
46 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Aktív tanítás A különféle tanítási algoritmusok szerepe
47 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Aktív tanítás Struktúrák befolyásoló szerepe
48 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
Hálózatok kiértékelése Hiba nagyságának meghatározása
50 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Hálózatok kiértékelése Alkalmazott modellek befolyásoló szerepe
51 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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 E8400©3000, 4GB RAM Fedora 18, GCC, Code::blocks
Felhasznált könyvtárak 52 / 60
Fann – leenissen.dk/fann/wp/ MathGL – mathgl.sourceforge.net/ Armadillo – arma.sourceforge.net/ GSL – www.gnu.org/software/gsl/ Miskolc, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
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, 2014. augusztus 29.
Füvesi Viktor
Magyar publikációk Nem lektorált konferencia cikk
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, 2008. október 9–12, ISSN 18424546, pp. 26–31. 2. Szalontai L., Kovács E., Füvesi V.: Indítómotor behúzótekercsének szimulációs vizsgálata, X. ENELKO International Conference on Energetics–Electrical Engineering, Marosvásárhely, 2009. október 8–11., ISSN 1842–4546, pp. 88–92. 3. Kovács E., Füvesi V., Szabó L.: Aktuátor rendszer kaotikus viselkedésének vizsgálata, X. ENELKO International Conference on Energetics–Electrical Engineering, Marosvásárhely, 2009. október 8–11, ISSN 1842–4546, pp. 84–87. 4. Kovács E., Füvesi V.: Indítómotor neurális háló modelljének kiválasztása információs kritériumok segítségével, XI. ENELKO International Conference on Energetics – Electrical Engineering, Szatmárnémeti, 2010. október 7–10., ISSN 1842–4546, pp. 49–53. 5. 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 1842–4546, pp. 38–41. 6. Füvesi V., Kovács E.: Összetett mechatronikai rendszer hibadetektálása és hiba identifikácója, XIII. Nemzetközi Energetika - Elektrotechnika Konferencia, ENELKO 2012, 2012. október 11–14., Gyulafehérvár, ISSN 1842–4546, pp. 61–66.
7. Kovács E., Füvesi V., Robot rendszer modellezés Scilab környezetben, DFTH 2008, 2008. november 10-14., A Dunújvárosi Főiskola Közleményei, XXX/1, 1. kötet, Gépészeti szekció, ISSN 1586–8567, pp. 51–58. 8. Kovács E., Füvesi V.: Indítómotor modellezése különféle módszerekkel, Műszaki Tudomány az Észak–Kelet Magyarországi Régióban 2011, Debrecen, 2011, ISBN 978– 963–7064–25–8, pp. 339–345. 9. Füvesi V., Kovács E.: Aktuátor modell kiválasztása és objektív összehasonlítása, Proc. of XXVII. microCAD Int. Scientific Conf., Section H: Electrical Engineering, University of Miskolc, 21–22th March, 2013, ISBN 978–963–358–018, CD kiadvány. 10. 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. 11. Vörös Cs., Füvesi V., Jónap K.: Automatikus vegyszeradagoló rendszerek gáztermeléshez, Műszaki Tudomány az Észak-kelet Magyarországi Régióban 2012, Szolnok, 2012. május 10., ISBN 978–963–7064–28–9, pp. 331–339.
57 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Magyar publikációk Nem lektorált folyóirat cikk 12.
13.
14.
Lektorált folyóirat cikk
Kovács E., Füvesi V.: 5 tengelyű robot kinematikai és dinamikai vizsgálata, Doktoranduszok Fóruma 2007, Gépészmérnöki és Informatikai Kar szekciókiadványa, 2007., pp. 45–50. Kovács E., Füvesi V.: Lineáris aktuátorok villamos hajtásainak modellezése, Doktoranduszok Fóruma, Gépészmérnöki és Informatikai Kar szekciókiadványa, 2008. november 13, Miskolc,. pp. 19–22. Kovács E., Füvesi V.: Kefenélküli egyenáramú motorról működtetett aktuátor kaotikus viselkedésének vizsgálata, Doktoranduszok Fóruma, Gépészmérnöki és Informatikai Kar szekciókiadványa, Miskolc, 2009., November, pp. 59– 64.
58 / 60
15.
16.
17.
18.
Füvesi V.: Intelligens hatlábú mobil robot kinematikai vizsgálata, GÉP c. folyóirat, LVIII. évfolyam, 2007/10-11 szám, Miskolc, ISSN 0016-8572, pp. 47–50. 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 2062–9737, pp. 197–204. Füvesi V., Kovács E.: Módszer inkrementális jeladó modell alapú hibadetektálására, GÉP c. folyóirat, LXIII. évfolyam, 2012/3. szám, Miskolc, ISSN 0016–8572, pp. 91–94. Füvesi V., Kovács E.: Mesterséges intelligencián alapuló módszer elektromechanikus aktuátor hibadiagnosztikájára, Multidiszciplináris tudományok, 3. kötet, 2013, 2, Miskolc, ISSN 2062–9737, pp. 225–240.
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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 978–963–661–944–2, pp. 119–122. 20. 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. 2013., Veszprém, Hungary, pp. 124–127. Lektorált konferencia cikk
30.
31.
32.
22. E. Kovács, V. Füvesi: Dynamic analization of a 5-axed robot in Scilab enviroment, MicroCAD International Scientific Conference 2008, Miskolc, J Section, ISBN: 978-963-661-821-6, pp. 19-24. 23. 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 978–963–661–875–9, pp. 45–50. 24. 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 978–963– 661–875–9, pp. 87–92. 25. E. Kovács, L. Szalontai, V. Füvesi: Vibration analysis of a linear actuator, XXIII. MicroCAD Internastional Scientific Conference 2009, Miskolc, J Section, ISBN 978–963–661–875–9, pp. 51–55. 26. E. Kovács, V. Füvesi, L. Szabó: Analyses of servomechanism with BLDC motor drive, DFTH2009, 2009. november 10–14., 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 978–963–661–915–2, pp. 139-144. 28. V. Füvesi, E. Kovács, Cs. Blága: Measurement and identification of a starter motor system, MACRo2010, International Conference on Recent Achievements in Mechatronics, Automation Computer
59 / 60
29.
33.
34.
35.
Science and Robotics, 14–15th, may 2010, Marosvásárhely, ISBN 978–973–1970–39–4, pp. 183–188. 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. 29–34. 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 978–80–553–0734–3, pp. 205– 209. 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 978–1–4577–0044–6, pp. 551– 554. 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 978–963–661– 773–8, CD kiadvány. 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, 20-22 June, 2012, ISBN 978–1– 4673–1300–1, pp. 1336–1341. 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, 11–12 october 2012, Debrecen, Hungary, ISBN 978–963–473–463–5, pp. 19–27. 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, 18-20 June, 2014, ISBN 978–1–4799–4750–8, pp. 207–212.
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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 1844– 6043, pp. 128–131. 37. 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 1785–1270, pp. 3–14. 38. V. Füvesi, E. Kovács: Separation of faults of electromechanical drive chain using artificial intelligence method, Int. Rev. Appl. Sci. Eng. 4, (2013) 1, ISSN 2062– 0810, Budapest, DOI: 10.1556/IRASE.4.2013.1.5, pp. 35–41.
60 / 60
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Köszönöm a megtisztelő figyelmet! Várom kérdéseiket!
Miskolc, 2014. augusztus 29.
Füvesi Viktor
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: 𝐹4é𝑙 =
110𝑚𝑚 ∙ 𝜋 = 0,086 𝑚𝑚 4000
(v3) Miskolc, 2014. augusztus 29.
Füvesi Viktor
Opponensi kérdések Miért a kétélkiértékelés került alkalmazásra?
Jeladó kimenete [V]
Jeladó egy csatornájának mérése került megvalósításra (haladási irány megkülönböztetése nem volt fontos).
Kocsi elmozdulása [mm]
x102
Idő [s]
Idő [s]
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Opponensi kérdések Keresőtáblás modell kérdéskörének tisztázása. Isermann, R.: Mechatronic system, Fundamentals, Springer, London, ISBN 1–85233–930–6, 2005, pp. 314–326.
(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 d1, d2, d3 és d4 távolság értékeinek kiszámítása és csökkenő sorrendbe rendezése az ábra alapján. 4. z közelítésének kiszámítása.
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Opponensi kérdések c.)
1 2 1 2 T1 3 2 3 2 T2 12 1 2 T3
(v5)
Tc1 cos sin 0 T T sin cos 0 T c2 T00 0 0 1 T0
(v6)
T 1 T 2 0 3 T0 1 2
φ atan2 Tα ,Tβ
Miskolc, 2014. augusztus 29.
(v7)
Füvesi Viktor
Opponensi kérdések g.) Különbség képző szerv jelölése
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Opponensi kérdések h.) Jeladó teljes hibájának észlelése i.) Ciklikus mintakészlet
Használt neurális hálózat
Alkalmazott leállítási feltétel Tanító mintakészlet
Kiértékelő mintakészlet
Teszt mintakészlet
Miskolc, 2014. augusztus 29.
MLP
LLNF
MSE
PCC
MSE
Epoch MSE értéke
0,0207
0,0636
0,0223
Felismert hibák száma
9/9
9/9
9/9
Epoch MSE értéke
0,0210
0,0674
0,0219
Felismert hibák száma
12 / 12
12 / 12
12 / 12
Epoch MSE értéke
0,0212
0,0582
0,0225
Felismert hibák száma
15 / 15
15 / 15
15 / 15
Füvesi Viktor
Opponensi kérdések l.) Keresőtáblás modell eredménye
Miskolc, 2014. augusztus 29.
Füvesi Viktor
Opponensi kérdések m.) Mintakészletek hasznossága
Miskolc, 2014. augusztus 29.
Füvesi Viktor