Predikce zbytkové životnosti izolačních materiálů elektrických strojů točivých pomocí fuzzy-neuonových sítí.

The Use of Fuzzy-Neural Networks for Residual Lifetime Prediction of Insulating Materials Used for Electrical Rotary Machines.

článek ve sborníku ve WoS nebo Scopus

cs

V dnešní době je kladen čím dál větší důraz na včasnou diagnostiku provozního stavu výrobních strojů a zařízení. Na našem ústavu jsme se soustředili na problematiku degradačních procesů v izolačních soustavách elektromotorů a jejich řešení pomocí metod umělé inteligence. Konkrétně je náš výzkum zaměřen na predikci životnosti izolačních materiálů vinutí elektrických strojů pomocí metod umělé inteligence. Mezi nejpoužívanější metody umělé inteligence patří fuzzy systémy a neuronové sítě. Tato práce je zaměřena na řešení problematiky predikce pomocí fuzzy-neuronových sítí, jenž v sobě spojují výhody fuzzy systémů a neuronových sítí. Existují dva základní typy fuzzy-neuronových sítí. První méně složitý typ spočívá v úpravě fungující klasické neuronové sítě připojením modulů fuzzifikace a defuzzifikace, díky kterým tato síť potom pracuje s fuzzy čísly. Vnitřní struktura této sítě ale zůstává nezměněna. Druhý mnohem náročnější způsob tvorby fuzzy-neuronových sítí spočívá v kompletním návrhu jednotlivých vrstev sítě, přičemž každý neuron je tvořen fuzzy množinou. Síť sama ve své druhé vrstvě provádí fuzzifikaci a na výstupu defuzzifikaci. Pro učení sítě bude využit Backpropagation algoritmus ovšem upravený pro fuzzy čísla.

V dnešní době je kladen čím dál větší důraz na včasnou diagnostiku provozního stavu výrobních strojů a zařízení. Na našem ústavu jsme se soustředili na problematiku degradačních procesů v izolačních soustavách elektromotorů a jejich řešení pomocí metod umělé inteligence. Konkrétně je náš výzkum zaměřen na predikci životnosti izolačních materiálů vinutí elektrických strojů pomocí metod umělé inteligence. Mezi nejpoužívanější metody umělé inteligence patří fuzzy systémy a neuronové sítě. Tato práce je zaměřena na řešení problematiky predikce pomocí fuzzy-neuronových sítí, jenž v sobě spojují výhody fuzzy systémů a neuronových sítí. Existují dva základní typy fuzzy-neuronových sítí. První méně složitý typ spočívá v úpravě fungující klasické neuronové sítě připojením modulů fuzzifikace a defuzzifikace, díky kterým tato síť potom pracuje s fuzzy čísly. Vnitřní struktura této sítě ale zůstává nezměněna. Druhý mnohem náročnější způsob tvorby fuzzy-neuronových sítí spočívá v kompletním návrhu jednotlivých vrstev sítě, přičemž každý neuron je tvořen fuzzy množinou. Síť sama ve své druhé vrstvě provádí fuzzifikaci a na výstupu defuzzifikaci. Pro učení sítě bude využit Backpropagation algoritmus ovšem upravený pro fuzzy čísla.

In this contribution we are especially focused to use hybrid systems like fuzzy-neural networks. We have two main types of these networks. First is less difficult and there is used classical neural network with some no-fundamental changes. We only put on two blocks: block of fuzzyfication into the input and block of defuzzyfication into the output. There are some changes in number of neurons in input and output layers. The result is classical neural network with some changes, which works with fuzzy numbers. In the second type of fuzzy-neural network, there are particular neurons represented by fuzzy sets. There are many differences between this network and classical neural network. All the layers are converted for using as a completely fuzzy model. Modules of fuzzyfication and defuzzyfication are included too. We used back-propagation learning algorithm but converted for our need.

umělá inteligence, fuzzy

artificial intelligence, fuzzy,

17.06.2004

Academia centrum Univerzity Tomáše Bati ve Zlíně

Zlín

80-7318-195-9

. mezinárodní konference s výstavou, DIAGON 2004

37–39

4