3833473509

14    Diagnostyka ’27 - Artykuły główne

BOCHEŃSKI, Mruk, Metody oceny stanu technicznego układu common raił...

exp(-i>,x, 4

w przeciwnyr wartość 0:

1

,_[*]. t.j¹ dla>76S

•    ^{1 J} [0 dla xeS

⁽⁵⁾

Do procesu uzyskania modelu zmian ciśnienia w badanym układzie zastosowano sieć neuronową o tizech wejściach, na które podany został wektor x (6) zawierający rozpatrywane zmienne niezależne, oraz jednym wyjściu y (6), na którym uzyskujemy sygnał modelowanego przebiegu względnego ciśnienia w_p\

*4,T_r,n_r], y=W    <^{1 2 3 4 5 6}>

W procesie uczenia zastosowano algorytm wstecznej propagacji błędów⁷ typu Levenberg Marąuardt [5], [6].

Rys. 6. Wyniki dopasowania modelu z wykorzy staniem wybranej sieci neuronowej do wybranych danych z pomiarów spadku ciśnienia w rurze akumulacyjnej

Na podstawie uzyskanych wyników z procesu uczenia, do dalszych etapów⁷ budowy metody diagnostycznej została wybrana sieć zawierająca trzy neurony w warstwie ukrytej oraz jeden neuron w warstwie wyjściowej, która charakteryzowała się uzy skaniem minimalnej wartości 8w_p = 0,015 po procesie uczenia. Jakość aproksymacji potwierdza także rysunek 6, na którym zostały przedstawione w artości uzyskane z wybranych pomiarów w postaci znaczników oraz linie przebiegu względnego ciśnienia uzyskane z wykorzystaniem nauczonej sieci neuronowej.

Dla uzyskania właściwości klasyfikujących w sieci zostały zastosowane we wszystkich warstwach funkcje aktywacji w⁷ postaci zależności (7) [9]:

/,(*)./_;(4/,(*) = -

Zastosowana sieć neuronowa posiadała trzy wejścia, na które podany został wektor x (8) zawierający rozpatrywane zmienne niezależne oraz dodatkow o chw ilową wartość względnego ciśnienia Wp. Pojedynczy wektor wyjściowy y zawiera sygnał klasyfikujący k, który' uzyskuje wartość 1 gdy parametry wejściowe należą do zbioru S (9) charakteryzującego stan zużycia poniżej wielkości granicznej (stan sprawności technicznej).

m przypadku na wyjściu uzyskujemy

(8)

(9)

Dla rozpatrywanych sieci zastosowano w czasie procesu uczenia algorytm wstecznej propagacji błędów typu Levenberg Marąuardt. Wartość średniego błędu kwadratowego AP została przyjęta jako kryterium stopnia nauczenia się sieci.

Na podstawie uzyskanych wartości £J? z procesu uczenia do budowy metody diagnostycznej została wybrana sieć zawierająca dziesięć neuronów w dwóch warstwach ukrytych oraz jeden neuron w warstwie wyjściowej.

1

   2    4    6    8    10 <(sl

2

Rys. 7. Przykładowy obszar wy generowany przez nauczoną sieć neuronową, w którym dane pomiarow e klasyfikowane są jako stan spraw ności technicznej (pow ierzchnia zakreskowana)

3.2. Metoda komputerowej oceny poprawności procesu w tryskowego

3

Elementami kluczowymi, od których zależy proces rozpylenia paliwa są wttyskiwacze elektromagnetyczne. W czasie eksploatacji w miarę zużywania się powierzchni par precyzyjnych następują niekorzystne zmiany parametrów funkcjonalnych, które prowadzą do pogorszenia się jakości procesu wtrysku paliwa.

4

Zastosowanie metody umożliwiającej ciągłą ocenę poprawności procesu wtryskowego pozwala na uniknięcie w ielu zagrożeń eksploatacyjnych.

5

W procesie opracowania algorytmu metody oceny poprawności procesu wtryskowego wykorzystano różne techniki analizy⁷ danych oparte

-    sieci neuronowej o cechach aproksymujących:

6

-    sieci neuronowej o cechach klasyfikujących.

7

Rejestracja chwilowej wartości ciśnienia paliwa w układzie wtryskowym oraz ich analiza pozwoliła na uzyskanie informacji o zmianach tego parametru w czasie trwania wtrysku. Rysunek 8 przedstawia przykładowe przebiegi uzyskane w czasie badań w postaci różnicy ciśnienia chwilowego i ciśnienia początkowego uzyskanego bezpośrednio przed otwarciem wtryskiw acza p_v - p_p0-