Sztuczne sieci neuronowe i ich zastosowanie w

Sztuczne sieci neuronowe i ich zastosowanie w

elektrotechnice i energetyce

Józef Korbicz

E-mail:j.korbicz@issi.uz.zgora.pl

Uniwersytet Zielonogórski

Instytut Sterowania i Systemów Informatycznych

Slajd 1

k1 korbicz; 2009-08-30

Plan

Wprowadzenie

Dynamiczne sieci neuronowe - perceptronowe i GMDH

Modelowanie i sterowanie neuronowe silnikiem elektrycznym

Diagnostyka neuronowa silnika elektrycznego

Prognozowanie neuronowe zużycia energii elektrycznej

Podsumowanie

Wprowadzenie

Sztuczna inteligencja

Sztuczne sieci neuronowe Logika rozmyta i przybliżona Sieci neuronowo-rozmyte Systemy eksperckie

Algorytmy ewolucyjne

Wprowadzenie

Atrakcyjność sieci neuronowych:

aproksymacja dowolnej funkcji nieliniowej

zdolność uczenia, czyli adaptacji parametrów i czasami struktury

zdolność uogólniania wiedzy odporność na uszkodzenia Wymagania:

pełne i wiarygodne dane uczące

wstępna znajomość badanego procesu aby wybrać właściową

strukturę sieci

Wprowadzenie

Zastosowania sztucznej inteligencji

prognozowanie zużycia energii elektrycznej diagnostyka układów elektronicznych

prognozy giełdowe

prognozowanie sprzedaży poszukiwania ropy naftowej

interpretacja badań biologicznych prognozy cen

analiza badań medycznych planowanie remontów maszyn synteza mowy

optymalizacja działalności handlowej analiza spektralna

optymalizacja utylizacji odpadów rozpoznawanie pisma

sterowanie procesów przemysłowych

i wiele innych

Wprowadzenie

Sieci neuronowe w elektrotechnice i energetyce

Silniki elektryczne

Transformatory mocy Turbogeneratory

Elektroenergetyczne sieci rozdzielcze

Linie elektroenergetyczne

Dynamiczne sieci neuronowe

Sieci neuronowe z liniami opóźniającymi

Sieć neuronowa z zewnętrzną pamięcią

Opis modelu

,

( ^k ) ^f ( ^y ( ) ^{k y} ( ^{k m} ) ( ) ^{u k u} ( ^{k m} ) )

y

+ 1 = ,..., − , ,..., −

Dynamiczne sieci neuronowe

Sieci globalnie rekurencyjne

- sprzężenia zwrotne pomiędzy warstwami

Sieć w pełni rekurencyjna Williamsa-Zipsera

Dynamiczne sieci neuronowe

Sieci lokalnie rekurencyjne (Patan, 2006)

- sprzężenia zwrotne w modelu neuronu

1 m T

p p i

k k w u k

ϕ

=

= = ∑

( ) w u( ) ( )

- sumator - filtr

- moduł aktywacji

Opis modelu

∑

∑

=

=

− +

−

=

i i n

i

i

x k i b k i

a k

x

0 1

) (

) (

)

( ϕ

)]

( [

)]

( [ )

( k F x k F g x k

y = =

Dynamiczne sieci neuronowe

GMDH

Dynamiczne sieci neuronowe GMDH

Model dynamicznego neuronu

Model dynamicznego neuronu

Dynamiczne sieci neuronowe GMDH

Model dynamicznego neuronu (Mrugalski i Korbicz, 2008)

Kryterium oceny jakości

( ) ( ) ( )

( ) ^k ( ) ^k ( ^{k n} )

k n a z

k a z

k z

T b n T

T

n a

b a

− +

+

− +

+

−

−

−

−

−

=

b u b u

b u 1 , ,

1

1 0

1

K K

( ) ^{k F} ( ^z ( ) ^k )

y =

( )

∑

∑

=

=

−

=

i

i n

i

i p i

R i

i

y y y

e

1 2 1

2 ,

System diagnostyki z modelem

Schemat ogólny

u ^{- wejścia}

f - wektor uszkodzeń

y

y ˆ , ^- wyjścia procesu i modelu odpowiednio

r - wektor residuów ( r = y − y ˆ )

Uszkodzenia

Uszkodzenia Uszkodzenia

MODEL

u

SYSTEM

PROCES Aktuator

Generator residuów

y

Residua Układ pomiar.

yˆ

Sygnały

diagnostyczne Ewaluacja

residuów

Lokalizacja uszkodzeń

Uszkodzenia

r

f

Sztuczne sieci neuronowe w diagnostyce

Zalety

Nie wymagają dokładnych modeli analitycznych diagnozowanych procesów

Wymagają reprezentatywnych danych uczących

Problem modelowania – dynamika procesów

Układ diagnostyki

– +

PROCES

Model neuronowy

) ˆ k ( y

) (

i 1,2,..., q

i

=

f )

(k

u y (k )

r Klasyfikator neuronowy

k2

Slajd 14

k2 korbicz; 2009-08-30

Silnik prądu stałego

Stanowisko laboratoryjne - silnik prądu stałego M

- silnik prądu stałego M

- czujnik do pomiaru prędkości obrotowej silnika - sprzęgła K

Wał silnika M

sprzężony jest z silnikiem M

za pomocą

sprzęgła K

Silnik prądu stałego

Modelowanie

Model silnika

gdzie: T – obroty silnika

C

– sygnał pobudzenia silnika

Sieć neuronowa z dynamicznymi modelami neuronów 3 )

3 . 0 2 sin(

3

7 ) 1

. 1 2 sin(

3 ) 7 . 1 2 sin(

3 ) (

π π

π π π

+ +

− +

=

k

k k

C

k

( C ) f

T =

Silnik prądu stałego

Modelowanie

Odpowiedź silnika (linia ciągła) i modelu neuronowego

(linia kropkowo-kreskowa) – układ zamknięty

Silnik prądu stałego

Diagnostyka

Opis uszkodzeń (Korbicz i Kowal, 2007)

Uszkodzenia:

wolno narastające (W), małe (M),

średnie (Ś) i duże (D)

Uszk. Opis M Ś D W

f

f

Uszkodzenie prądnicy tachometrycznej

Wzrost oporów ruchu

obrotowego silnika

Modele cząstkowe Takagi-Sugeno

Silnik prądu stałego

Diagnostyka

Dane ogólne: liczba reguł - 9

liczba uszkodzeń - 7

( ) k a

y ( ) k ¹ b

u ( ) k ¹ b

u ( k ² ) b

u ( k ³ ) b

u ( k ⁴ ) b

^,

y

=

− + − + − + − + − +

gdzie: ^y

( ) ^k - wyjście i-tego modelu cząstkowego,

( ) ^k

u ^- sterowanie pracą silnika.

Przedział ufności oraz wyjścia silnika i modelu: małe uszkodzenie f

Przedział ufności dla

residuum: małe uszkodzenie f

Silnik prądu stałego

Diagnostyka

Silnik indukcyjny

Diagnostyka

Neuronowy detektor wirnika klatkowego (Kowalski, 2005)

Neuronowy detektor uszkodzeń wirnika, amplitudy harmonicznych poślizgowych prądu stojana

Neuronowy detektor uszkodzeń stojana: zwarcia międzyzwojowe (Kowalski, 2005)

I −

I

Silnik indukcyjny

Diagnostyka

Detektor uszkodzeń wirnika i łożysk (Kowalski,2005)

Struktura neuronowego systemu diagnostycznego z

transformacją falkową

Transformator mocy

Diagnostyka

Wykrywanie uszkodzeń

falkowe sieci neuronowe i algorytmy genetyczne (Chen i in. 2009)

analiza gazów oraz sieci neuronowe (Guardado i in.

2001)

Wykrywanie, klasyfikacja oraz identyfikacja

uszkodzeń – hierarchiczny, 3-stopniowy system

neuronowy (Mohamed i in. 2005)

Linie przesyłowe

Diagnostyka

Lokalizacja uszkodzeń w linii zasilającej z

wykorzystaniem sieci neuronowych (Sousa-Martins i in.

2005)

Detekcja uszkodzeń za pomocą sieci SVM

(Parikh i in., 2008)

Lokalizacja uszkodzeń za pomocą sieci samoorganizujących (Purushothama i in., 2001)

Detekcja i klasyfikacja uszkodzeń za pomocą

perceptronu wielowarstwowego (Silva i in., 2006)

Silnik prądu stałego

Sterowanie

Poprawa jakości sterowania poprzez odtwarzanie

strumienia stojana z wykorzystaniem pomiarów napięcia i prądu stojana oraz modelu neuronowego (Grzesiak i

Kazmierkowski, 2007)

Bezczujnikowa ocena prędkości silnika na podstawie pomiarów prądu i napięcia stojana oraz modelu

neuronowego (Grzesiak i Kazmierkowski, 2007)

Silnik prądu stałego

Estymacja prędkości

Estymacja prędkości silnika z zastosowaniem nieliniowego

przetwarzania wstępnego i neuronowego aproksymatora

Prognoza zużycia energii elektrycznej

Prognoza krótkoterminowa na 24 godziny (Osowski i in., 2009)

Zintegrowany system do prognozowania obciążenia sieci energetycznej

Prognoza zużycia energii elektrycznej

Metamodel szeregowy – połączenie modeli neuronowych (predykatorów) z uwzględnieniem czynników

meteorologicznych (Protasiewicz,2008)

Podsumowanie

Zalety stosowania sieci neuronowych

nie wymagają znajomości modeli matematycznych

adaptacja parametrów i/lub struktury w procesie uczenia aproksymacja dowolnych nieliniowych zależności

modelowanie nieliniowych procesów dynamicznych Trudności stosowania sieci neuronowych

pozyskanie danych uczących w warunkach

przemysłowych np. dla neuronowych detektorów

proces uczenia sieci jest procesem optymalizacji

globalnej