Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül

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


 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


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


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


Füvesi Viktor






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


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


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


Füvesi Viktor

Mérések a rendszeren

I1 U12

I2

U31 U23

I3

Impulzusok 11 / 60


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]


Füvesi Viktor

Transzformált áram Transzformált feszültség

Bemenethez illesztés

Megfigyelők létrehozása

Sebesség becslése

Transzformált áram

Transzformált feszültség

13 / 60


„Fekete doboz” modellek


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, yt  1, yt  2, yt  3


(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


Füvesi Viktor

Sebesség becslő ARX struktúra

15 LLM használata

16 / 60


Füvesi Viktor

Transzformált áram Transzformált feszültség


Megfigyelők létrehozása

Sebesség becslése

Transzformált áram

Transzformált feszültség

17 / 60


„Fekete doboz” modellek


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 ut , ut  1, ut  2, yt  1

(12)

Maximum 35 LLM használata

18 / 60

Valós minta

ARX struktúra

Z-1


Közelített minta

Füvesi Viktor

Jellemző hibák a rendszerben  Jeladó teljes meghibásodása

 Rendszeres impulzus hiba

 Hiba a motor armatúrájában

19 / 60


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


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


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


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


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


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


12 / 12

12 / 12

12 / 12

Epoch MSE értéke

0,0212

0,0582

0,0225


15 / 15

15 / 15

15 / 15

Füvesi Viktor

Rendszeres impulzus hibák észlelése TÍPUS

MEGVALÓSÍTOTT FÜGGVÉNY

1. Konfig.

NNFIR

ye t   f ut 

2. Konfig.

NNFIR

ye t   f ut , ut  1

3. Konfig.

NNFIR

ye t   f ut , ut  1, u(t )  ut  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


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



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)


Füvesi Viktor

Hiba identifikáció Struktúrák Konfiguráció 1.

Megvalósított átviteli függvények

Konfiguráció 2.

ye t   f st , st  1, wt , wt  1, yt  1, yt  2, wm t , wm t  1

Konfiguráció 3. Konfiguráció 4.

Rendszeres impulzus hiba nagyságának közelítése

ye t   f st , wt , yt  1, wm t 

ye t   f st , st  1, st  2, wt , wt  1, wt  2,... yt  1, yt  2, yt  3, wm t , wm t  1, wm t  2

ye t   f st , st  1, st  2, st  3, wt , wt  1, wt  2, wt  2,... yt  1, yt  2, yt  3, yt  4, wm t , wm t  1, wm t  2, wm t  3

Teszt mintakészlet eredményei

27 / 60


Füvesi Viktor

NN hiba elkülönítő struktúra

28 / 60


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


Füvesi Viktor

Hiba elkülönítő eredményeinek kiértékelése

30 / 60


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


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


Füvesi Viktor






Füvesi Viktor

Indítómotor hibadiagnosztikája  Modellek kidolgozás 1

 Hibadiagnosztikai struktúra bemutatása

2

4 3

 Aktív tanítási módszer alkalmazása

 Kiértékelés 34 / 60


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


Füvesi Viktor


Transzformáció

Megfigyelők

Fordulatszám közelítés


36 / 60

Transzformáció

”Fekete doboz” modell


Tengely nyomaték közelítése

Füvesi Viktor

Megfigyelők  Keresőtáblás modellek

 SISO NN modellek

 MISO NN modellek

37 / 60


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


(18)

(19)

Füvesi Viktor

SISO NN megfigyelő Áram Fordulatszám

4 különböző mintakészlet Átlagolás és tükrözött mintakészlet vizsgálata

Leállítási kritériumok vizsgálata AIC  n  logMSE   2  w  b

(20) 39 / 60

BIC  n  logMSE   w  b  logn

(21)

 n wb FPE  n  log MSE   n  log   n wb

(22)


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.


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


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  logMSE   2  w  b

(28)

 BIC  n  logMSE   w  b  logn

(29)

 FPE  n  logMSE   n  log n  w  b 

(30)


 n wb 

Füvesi Viktor

Kiválasztási folyamata

EFSC  norm 2 (SCvelocity )  norm 2 (SCtorque)

43 / 60


(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


Tanító 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


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)



46 / 60


Füvesi Viktor

Aktív tanítás  A különféle tanítási algoritmusok szerepe

47 / 60


Füvesi Viktor

Aktív tanítás  Struktúrák befolyásoló szerepe

48 / 60


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


Füvesi Viktor

Hálózatok kiértékelése  Hiba nagyságának meghatározása

50 / 60


Füvesi Viktor

Hálózatok kiértékelése  Alkalmazott modellek befolyásoló szerepe

51 / 60


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


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


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


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


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


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.


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.


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


Füvesi Viktor

Köszönöm a megtisztelő figyelmet! Várom kérdéseiket!


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]


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.


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




(v7)

Füvesi Viktor

Opponensi kérdések g.) Különbség képző szerv jelölése


Füvesi Viktor

Opponensi kérdések h.) Jeladó teljes hibájának észlelése i.) Ciklikus mintakészlet

Használt neurális hálózat

Alkalmazott leállítási feltétel Tanító mintakészlet


Teszt mintakészlet


MLP

LLNF

MSE

PCC

MSE

Epoch MSE értéke

0,0207

0,0636

0,0223


9/9

9/9

9/9

Epoch MSE értéke

0,0210

0,0674

0,0219


12 / 12

12 / 12

12 / 12

Epoch MSE értéke

0,0212

0,0582

0,0225


15 / 15

15 / 15

15 / 15

Füvesi Viktor

Opponensi kérdések l.) Keresőtáblás modell eredménye


Füvesi Viktor

Opponensi kérdések m.) Mintakészletek hasznossága


Füvesi Viktor

Neurális hálózatokon alapuló modellezés és hibadiagnosztika villamos hajtások példáján keresztül

Recommend Documents