Documente Academic
Documente Profesional
Documente Cultură
REZUMAT
zAiwij
bji1
ALS poate fi realizat într-o manieră calitativă 3.1(b) Porțile arborelui defecte
sau cantitativă, în funcție de tipul de date
disponibile. Dacă nu sunt disponibile date, un Operatorii logici cunoscuți sub numele de porți
arbore de defecte poate fi analizat calitativ determină modul în care sunt generate evenimentele.
utilizând seturi minime de tăiere. Analiza Un eveniment de bază reprezintă cel mai scăzut nivel al
calitativă este utilizată pentru a identifica ce unui arbore de defecte. Porțile sunt folosite pentru a
combinații de evenimente determină reprezenta căile logice de eșec între diferitele niveluri
producerea evenimentului de top. ale arborelui. Porțile pot fi fie statice, fie dinamice. O
poartă statică indică faptul că ordinea intrărilor unei
Un set de tăiere este un set de evenimente de porți nu contează, prin urmare nu sunt dependente de
bază, care, dacă au loc toate, vor avea ca secvență ca în porțile dinamice. Pe de altă parte, în
rezultat apariția evenimentului superior al porțile dinamice, ordinea apariției evenimentelor de
arborelui de erori. Un set minim de tăieturi este intrare este vitală pentru determinarea ieșirii. Dacă
o combinație (intersecție) de evenimente dinamic
primare suficientă pentru evenimentul de top.
Combinația este o combinație „minimă” prin
aceea că toate eșecurile sunt necesare pentru ca
evenimentul de vârf să aibă loc; dacă una dintre
defecțiunile din setul de tăiere nu are loc, atunci
evenimentul de vârf nu va avea loc (prin
această combinație). Pentru a determina seturile
minime de tăiere ale unui arbore de defecte,
arborele este mai întâi tradus în ecuațiile sale
booleene echivalente. Unul dintre scopurile
principale ale reprezentării unui arbore de
defecte în termeni de ecuații booleene este
acela că aceste ecuații pot fi apoi utilizate
pentru a determina seturile de tăieturi minime
asociate.
T M1 M2... Mk
O rețea neuronală artificială constă din structurile neliniare într-o serie de timp. Deoarece nu
interconectarea neuronilor. Neuronii sunt de există o bază teoretică care să ghideze selecția, în
obicei asamblați în straturi [12]. Fiecare strat practică numărul de noduri ascunse este adesea ales
are un număr de elemente simple, de procesare prin experimentare sau prin încercare și eroare.
a neuronilor, numite noduri sau neuroni, care
interacționează între ele folosind conexiuni ANN-urile învață relația dintre intrările și ieșirile
ponderate numeric [21]. În general, o rețea sistemului printr-un proces iterativ numit
neuronală constă din n straturi de neuroni dintre antrenament [22]. Rețelele neuronale sunt antrenate
care două sunt straturi de intrare și, respectiv, pentru datele de intrare și ieșirea este calculată.
de ieșire. Primul este primul și singurul strat Eroarea obținută prin compararea ieșirilor cu un
care primește și transmite semnale externe, în răspuns dorit este utilizată pentru a modifica
timp ce al doilea este ultimul și cel care trimite ponderile cu un algoritm de antrenament specific.
rezultatele calculelor. Cele n- 2 interioare se Această procedură este efectuată utilizând setul de
numesc straturi ascunse care extrag, în relee, date de antrenament până când este îndeplinit un
caracteristici sau modele relevante din criteriu de convergență. Rețelele neuronale au diferiți
semnalele primite. algoritmi de învățare pentru antrenament. Alegerea
unui anumit algoritm de învățare este influențată de
Interconectivitatea definește topologia ANN sarcinile de învățare pe care trebuie să le
[5]. Topologia rețelei descrie aranjamentul îndeplinească o rețea neuronală. Performanța
rețelei neuronale. Modelarea ANN de succes se antrenamentului este evaluată folosind următoarele
bazează pe numărul de neuroni, numărul de măsuri de performanță, și anume suma medie a
straturi ascunse, valorile ponderilor și erorilor pătratice (MSE) a erorilor pătratice și
părtinirilor, tipul funcției de activare, structura
rețelei, stilurile de antrenament și algoritmi,
precum și structura datelor. Cu toate acestea,
cea mai bună structură este cea care poate
prezice comportamentul sistemului cât mai
precis posibil. Un pas crucial în construirea
unui model de rețea neuronală este
determinarea numărului de elemente de
procesare și a straturilor ascunse din rețea.
Nodurile ascunse sunt folosite pentru a captura
unde P = numărul de elemente de RNN-urile pot stoca informații secvențiale sub
procesare a ieșirii; N = numărul de formă de date istorice și pot fi utilizate în
exemplare din setul de date; yij = ieșire de prognoză. De exemplu, într-un RNN, nodurile
rețea pentru exemplarele i la elementul de de intrare sunt luate ca valoare a condiției
procesare j ; și dij = ieșirea dorită pentru curente Xt și valorile condiției anterioare din
exemplarele i la elementul de procesare j. seria temporală (Xt-1, Xt-2, Xt-3,..., Xt-d și
Xn) . Valoarea ieșirii Xt+1 poate oferi o
Pentru predicție este utilizată o rețea predicție cu un pas înainte a unei stări de serie
neuronală dinamică autoregresivă de timp, care este o funcție a
neliniară. Se utilizează o funcție de
transfer tangentă hiperbolică în stratul
ascuns și o funcție de transfer liniar în
stratul de ieșire, capabile să aproximeze
orice funcție cu un număr finit de
discontinuități. Sistemul este mai întâi
modelat ca un sistem în buclă deschisă
pentru a antrena rețeaua cu acuratețe până
în prezent cu toate datele pentru a realiza
predicții corecte; și apoi este transformat
în buclă închisă pentru calcularea
predicțiilor cu mai multe etape înainte. În
timpul antrenamentului, ponderile și
părtinirile rețelei sunt actualizate după ce
toate intrările și valorile țintă au fost
prezentate rețelei. Rețeaua este
autoregresivă deoarece singurele intrări
sunt valorile țintă întârziate. Rețeaua
neuronală este antrenată folosind
algoritmul de retropropagare a
regularizării bayesiane. Termenul de
propagare inversă se referă la procesul
prin care pot fi calculate derivatele erorii
de rețea, în raport cu ponderile și
părtinirile rețelei. Algoritmul de
regularizare bayesian oferă o performanță
de generalizare mai bună și este cel mai
potrivit pentru seturi de date mici în
comparație cu alți algoritmi de
antrenament. Performanța rețelei este
evaluată folosind măsura performanței
MSE și coeficientul de corelație R.
Sisteme
Sisteme
de ulei
de racire
de
lubrifi
ere
4. STUDIU DE CAZ
1 Cap
cilindru
Coroana Inel de piston
pistonului
2 Cap
cilindru
Coroana Cutie de umplere a
pistonului tijei de piston
3 Cilindru
linie
de Coroana Inel de piston
pistonului
4 Carter Arbore
cotit
Arbore cu came
5 Filtru
ulei de
de Pompe de Injector de
combustibi combustibil
combustibil l
Tabelul 3: Top cinci seturi minime de tăiere a
arborelui defecte
Înregistrat ANN
Previziune e Previziune Eroare
La bord
ore °C °C
+1 263,00 261,66 0,51%
+2 260,00 261,45 0,56%
+3 262,00 261,29 0,27%
+4 262,00 261,14 0,33%
+5 263,00 261,00 0,76%
Tabelul 4: Rezultatele predicției ANN versus
rezultatele reale
6. CONCLUZII