3833473510

Diagnostyka’27- Artykuły główne    15

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

'„[ms]    ¹    - 0.015    ^,[sl

prawidłowemu funkcjonowaniu procesu regulacji ciśnienia przedstawia rysunek 10.

	i - f ■s i 11	Sieć neuronowa aproksymacji na	Sieć neuronowa klasyfikująca
	Proces uczenia
Liczebność punktów pomiarowych | |	600	600	1512
Liczba powtórzeń [ |	1	100	500
Całkowity czas uczenia [sl	0,099	3,02	669
Operacje zmiennoprzecinkowe | |	0.768-10‘'	42.2-10^6	43.4-10’
	Proces eksploatacji
Liczebność punktów pomiarowych | |	100	100	100
Czas obliczeń [ms|	0.266	2,02	2,10
Operacje zmiennoprzecinkowe [ ]	t.io-io^3	4,30-10^3	17,2-10^3

Sieci neuronowe klasyfikujące wymagają w procesie uczenia zastosowania zbiom o bardzo dużej liczbie danych w porównaniu z innymi rozwiązaniami (tabela 1 i 2 proces uczenia). Porównanie czasów dla procesu uczenia

Rys. 8. Przebiegi pulsacji ciśnienia w układzie Common Raił w czasie procesu wtrysku

Do budowy pierwszego wariantu metody oceny poprawności procesu wtryskowego wykorzystano jednokierunkową, wielowarstwową sieć neuronową o właściwościach aproksymacyjnych z algorytmem uczenia typu wstecznej propagacji błędów Levenberg Marąuardt. Sieć w tym zastosowaniu posiada trzy wejścia, na które podany został wektor x określony przez zależność (10) dwa neurony w warstwie ukrytej oraz jeden sygnał wyjściowy y:

y-h\ ^<10>

Po procesie uczenia uzyskano wartość 5F_p = 0.115 pozwalającą na zastosowanie jej w metodzie diagnostycznej. Jakość aproksymacji potwierdza także rysunek 9. na którym zostały przedstawione wartości uzyskane z wybranych pomiarów oraz linie przebiegu zmian r_p ciśnienia uzyskane z wykorzystaniem nauczonej sieci neuronowej.

₆    Vt(7i.ft.U.7;-80-C

Rys. 9. Wyniki dopasowania modelu z wykorzystaniem wybranej nauczonej sieci neuronowej

W drugim rozwiązaniu algorytmu metody diagnostyczne wykorzystano jednokierunkową, wielowarstwową sieć neuronową o właściwościach klasyfikujących z algorytmem uczenia typu wstecznej propagacji błędów Lcvenberg-Marquardt. posiadającą cztery wejścia, na które podany został wektor x oraz jedno wyjście y (11):

x = [T_p,p_p,t_w,r„], y = [k]    (11)

Na podstawie uzyskanych wartości AF z procesu uczenia do budowy metody diagnostycznej została wybrana sieć zawierająca trzy neurony w dwóch warstwach ukrytych oraz jeden neuron w warstw ie wyjściowej, której obszar klasyfikacji danych odpowiadających

Rys. 10. Obszar wygenerowany przez nauczoną sieć neuronową stanu spraw ności technicznej (pow ierzchnia zakreskowana)

3.2. Badanie oraz analiza w laściw ości

opracowanych rozwiązań metod oceny stanu technicznego

Badania metod oceny stanu technicznego wybranych elementów układu wtryskowego Common Raił polegał}’ na określeniu szybkości pracy ich postaci aplikacyjnych. Do pomiaru wszystkich rozwiązań został użyty niezależny system komputerowy PC charakteryzujący się następującymi podstawowymi cechami:

-    Typ procesora, częstotliwość taktowania Pentium m, 800 MHz:

-    Ilość pamięci, częstotliwość taktowania 128 MB. 133 MHz.

Tab. 1. Zestawienie badanych właściwości użytkowych opracowanych rozwiązań metody oceny stopnia zużycia układu _ wtryskowego