rola komputerowego wspomagania w projektowaniu i badaniu
TRANSCRIPT
Praca doktorska
_____________________________________________
________________________________________________________________ - 3 -
1 Wstęp ................................................................................................4 2 Przegląd prac w zakresie tematyki pracy.......................................6 3 Cel i zakres pracy...........................................................................12
3.1 Definicje i podstawowe pojęcia z zakresu sztucznej inteligencji ............................ 14 4 Sztuczne sieci neuronowe.............................................................16
4.1 Neuron biologiczny .................................................................................................. 16 4.2 Model neuronu ......................................................................................................... 17 4.3 Metody uczenia sieci ................................................................................................ 18
4.3.1 Uczenie z nauczycielem. .................................................................................. 18 4.3.2 Uczenie bez nauczyciela. ................................................................................. 19 4.3.3 Reguły uczenia sieci......................................................................................... 20
4.4 Sieci Backpropagation.............................................................................................. 21 4.5 Logika rozmyta ........................................................................................................ 23 4.6 Algorytmy Genetyczne ............................................................................................ 28
5 Wyznaczenie obciążenia konstrukcji z zastosowaniem sztucznej inteligencji.............................................................................................30
5.1 Algorytm rozpoznawania stanów lotu i syntezy obciążeń oparty na sieciach neuronowych. ....................................................................................................................... 32
5.1.1 Przetwarzanie danych wejściowych................................................................. 34 5.1.2 Struktura sieci neuronowych rozpoznających stany lotu ................................. 36 5.1.3 Struktura sieci rozpoznającej obciążenia ......................................................... 42 5.1.4 Analityczne wyznaczenie naprężeń ................................................................. 43
5.2 Opis opracowanych procedur i oprogramowania..................................................... 45 5.2.1 Usunięcie błędów pomiaru i nieciągłości......................................................... 45 5.2.2 Kompresja danych uczących............................................................................ 45 5.2.3 Przygotowanie wektorów uczących. ................................................................ 47 5.2.4 Opis sieci do rozpoznawania stanów lotu. ....................................................... 48 5.2.5 Sieci rozpoznające obciążenia.......................................................................... 48 5.2.6 Weryfikacja poprawności działania opracowanego oprogramowania............. 52
5.3 Podsumowanie ......................................................................................................... 74 6 Wykorzystanie algorytmów sztucznej inteligencji do wspomagania identyfikacji modeli za pomocą analizy modalnej. ...75
6.1 Analiza modalna....................................................................................................... 75 6.2 Estymacja rzędu modelu modalnego........................................................................ 76 6.3 Wyznaczenie rzędu modelu za pomocą sieci neuronowych .................................... 80
6.3.1 Analiza diagramu stabilizacyjnego .................................................................. 80 6.3.2 Tworzenie diagramu stabilizacyjnego dla modeli symulacyjnych. ................. 81 6.3.3 Dane wejściowe do sieci neuronowej .............................................................. 83 6.3.4 Schemat klasyfikacji danych wejściowych ...................................................... 83
6.4 Wyznaczenie biegunów układu z wykorzystaniem metod sztucznej inteligencji.... 88 6.4.1 Wyznaczenie biegunów układu za pomocą sieci neuronowej ......................... 90 6.4.2 Wyznaczenie biegunów układu za pomocą klasteryzacji danych.................... 93 6.4.3 Analiza wyników wyznaczenia biegunów dla układu symulowanego. ........... 97
7 Wnioski i kierunki dalszych prac................................................103 Literatura.............................................................................................106
Praca doktorska
_____________________________________________
________________________________________________________________ - 4 -
1 Wstęp Komputerowe wspomaganie prac inżynierskich jest dziedziną, której rozwój jest silnie
powiązany z rozwojem i dostępnością sprzętu komputerowego, dlatego też w ostatnich latach
obserwujemy znaczny jej rozwój. Lepsze zrozumienie zjawisk zachodzących w otaczającym
nas wszechświecie powoduje wzrost stopnia złożoności modeli pozwalających na jego
opisanie [Uhl T.1997, Korbicz J.2002]. Powstające modele są obecnie na tyle złożonymi
problemami matematycznymi, że stają się praktycznie nierozwiązywalne bez użycia
odpowiedniego oprogramowania i sprzętu komputerowego.
Miniaturyzacja maszyn obliczeniowych oraz duża redukcja kosztów sprzętu
komputerowego spowodowała wdrożenie i wykorzystanie komputerów do procesów
projektowania dowolnych układów mechanicznych [Tadeusiewicz R. 2004]. Klasyczne
podejście do projektowania polegało na tworzeniu prototypu układu mechanicznego a
następnie poddanie cyklom badań w celu ulepszenia prototypu. Klasyczny proces
projektowania był czasochłonny a także wymagał dużych nakładów finansowych.
Nowoczesne dziedziny nauki obecnie zajmują się eliminacją zbędnych działań w procesie
projektowania układów mechanicznych. Jedną z takich dziedzin nauki jest mechatronika,
którą definiuje się jako "synergiczną kombinacją mechaniki precyzyjnej, elektronicznego
sterowania i systemowego myślenia przy projektowaniu produktów i procesów
produkcyjnych". Definicja ta jest przyjęta przez International Federation for the Theory of
Machines and Mechanism. Projektowanie nowoczesnych układów obecnie odbywa się w
sposób równoległy, gdzie kluczowe problemy rozwiązuje się już na etapie tworzenia
wirtualnych prototypów [Uhl T. at al. 1999]. Obecnie dostępne narzędzia obliczeniowe
pozwalają na symulację układów mechanicznych, co pozwala na znaczną redukcję liczby
prototypów. W celu symulacji układów mechanicznych konieczne jest tworzenie modeli
badanych obiektów [Mańczak K. et al. 1983]. Tworzenie modeli matematycznych badanych
obiektów niejednokrotnie jest utrudnione ze względu na brak informacji o strukturze i rzędzie
badanego modelu. W przypadku trudności związanych z budową modelu matematycznego
stosuje się rozwiązania z zakresu sztucznej inteligencji [Tadeusiewicz R. 1998]. Sztuczna
inteligencja między innymi obejmuje tematykę związaną z sieciami neuronowymi
[Tadeusiewicz R. 1993], logiką rozmyta [Piegat A. 1999] i algorytmami genetycznymi
[Goldberg D. 1995].
Praca doktorska
_____________________________________________
________________________________________________________________ - 5 -
Model matematyczny układu może być zastąpiony poprzez model neuronowy, który
tworzony jest na podstawie informacji wejściowo-wyjściowych obiektu i wykorzystywany
szczególnie w przypadkach układów, w których występują silne nieliniowości jak również
tam gdzie jest bardzo duża ilość informacji. Modele tworzone z użyciem sztucznej inteligencji
tworzone są tam gdzie tradycyjny model matematyczny jest trudny w budowie lub wręcz
niemożliwy lecz nie zawsze budowa tego typu układów jest możliwa ze względu na ilość oraz
dostępność informacji wejściowo – wyjściowych do obiektu co stanowi pewne ograniczenia
w stosowalności układów inteligentnych.
Kolejnym sposobem opisu dynamiki konstrukcji są modele modalne [Uhl T. 1995],
będące zbiorami częstotliwości drgań własnych, odpowiadających im postaci drgań oraz
współczynników tłumienia. Modele modalne buduje się w oparciu o metodę elementów
skończonych (teoretyczna analiza modalna) lub też są one identyfikowane na obiektach
rzeczywistych na podstawie eksperymentu identyfikacyjnego (eksperymentalna analiza
modalna) [Uhl T. et al 2001]. Podstawowym narzędziem w eksperymentalnej analizie
modalnej jest diagram stabilizacyjny [Ewins D. 1986]. Analiza takiego diagramu jest
utrudniona dla osób, które nie posiadają doświadczenia w analizowaniu danych zawartych na
diagramie stabilizacyjnym, dlatego w ramach pracy podjęto próby zautomatyzowania procesu
wyznaczenia rzędu modelu za pomocą sieci neuronowych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 6 -
2 Przegląd prac w zakresie tematyki pracy Dynamiczny rozwój tematyki związanej z sztuczną inteligencją w latach 70-tych sprawił,
że obecnie jest dostępna dosyć duża liczba pozycji literaturowych dotyczących tematyki
zastosowania sztucznej inteligencji do wspomagania prac inżynierskich.
Algorytmy sztucznej inteligencji wykorzystywane są miedzy innymi do:
Systemów rozpoznawania mowy i obrazu [Tadeusiewicz R. et al. 1997]
Systemy diagnostyczne – klasyfikacja stanów dynamicznych maszyn [Batko W. et
al. 1999]
Systemy telekomunikacyjne – optymalizacja połączeń [Haykin S. 2004]
Medycyna – badania kardiologiczne oraz opieka pooperacyjna [Duch W. et al.
2000]
Systemy informatyczne – kompresja, selekcja danych, dynamiczne
programowanie bez użycia standardowych algorytmów sekwencyjnych
[Michalewicz Z. 1996].
Planowanie, interpretacja zjawisk stochastycznych, przewidywanie notowań
giełdowych, trendów w gospodarce oraz zjawisk socjologicznych [Witkowska D.
2002].
Systemy decyzyjne – wspomaganie podejmowania decyzji w przypadku
ograniczonej ilości danych wejściowych [Parsaye K. et al. 2001, Cichosz P. 2000].
Sterowanie i regulacja – nowoczesne systemy sterowania, z silnie nieliniowymi
zależnościami w obiektach regulacji [Tadeusiewicz R. et al. 2004].
Planowanie trajektorii manipulatorów i kontrola nad prawidłowością ich
odwzorowania [Uhl T. et al. 1999].
Analiza stanów naprężeń w konstrukcjach maszyn [Uhl T. 2000]
W rozprawie przedstawiono wyniki prac przeprowadzonych przez autora z zakresu
zastosowania sztucznej inteligencji w budowie i badaniu konstrukcji mechanicznych. Autor
przedstawił zastosowanie algorytmów sztucznej inteligencji do wyznaczania obciążeń
działających na elementy śmigłowca w czasie lotu oraz zastosowanie algorytmów sztucznej
inteligencji do wspomagania procesu identyfikacji modeli modalnych konstrukcji
mechanicznych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 7 -
Ze względu na wykorzystanie śmigłowców w celach militarnych oraz ze względów
marketingowych prace poświęcone badaniom śmigłowców nie są publiczne lub nie w pełni
dostępne ze względu na poufność zawartych w nich danych.
Obecnie prowadzone są badania nad wyznaczeniem obciążeń eksploatacyjnych w kilkunastu
światowych ośrodkach naukowych oraz zakładach produkujących helikoptery. Prace
prowadzone są z zakresu identyfikacji obciążeń działających na elementy krytyczne
helikoptera na postawie:
Pomiarów obciążeń na jednostkach testowych
Parametrów lotu
Kombinacji pomiarów obciążeń elementów podczas lotu oraz parametrów lotu
Drugi podział prac dotyczących wyznaczenia obciążeń w helikopterach to algorytmy
wykorzystujące dane pochodzące z:
Zmierzonych wielkości obciążeń podczas lotów testowych
Standardowo mierzonych wielkości (np. rejestrowanych w czarnej skrzynce)
Oraz kombinacja wielkości zmierzonych obciążeń z standardowo mierzonymi
wielkościami
Elementy krytyczne helikoptera to takie, których uszkodzenie powoduje katastrofę lotniczą
statku powietrznego. Piasta wirnika głównego jest elementem krytycznym. Autor w
rozprawie za pomocą algorytmów sztucznej inteligencji wyznaczył obciążenia działające na
piastę wirnika na podstawie parametrów lotu w celu optymalizacji współczynnika CRT
(ang.:Component Retirement Times). Współczynnik CRT definiuje bezpieczny czas życia
elementu krytycznego do momentu koniecznego serwisu (wymiany elementu) i jest ustalany
przez producenta. Ze względu na różny charakter użytkowania helikoptera niejednokrotnie
demontowany jest element sprawny, który mógłby jeszcze w stu procentach spełniać swoje
funkcje w sposób bezpieczny. Określenie rzeczywistych obciążeń działających na elementy
krytyczne daje korzyści ekonomiczne oraz podnosi bezpieczeństwo użytkowania statku
powietrznego. Złożoność problemu, jakim jest wyznaczenie rzeczywistych obciążeń dla
elementów krytycznych spowodowało podjęcie szeregu prac naukowych w tym zakresie.
Praca [Schafer C. G. 1989] poświęcona jest badaniom dotyczącym zużycia helikoptera
podczas walk powietrznych. W pracy tej przebadano 2 śmigłowce pilotowane przez 3 różnych
pilotów gdzie zauważono znacznie różniące się od siebie obciążenia oddziaływujące na
Praca doktorska
_____________________________________________
________________________________________________________________ - 8 -
śmigłowiec. Dla manewru „pitch-back-attack” wykonywanego przez różnych pilotów
obciążenie elementów helikoptera wzrastało od 193% do 730%.
Prace [Fraser K.F. 1991] oraz [Jackson J.W. 1994] opisują metody wyznaczania
współczynnika CRT oraz sposoby poprawy współczynników dla poszczególnych grup
eksploatacyjnych.
Autorzy pracy [Boorla R. et al. 1997] opisali badania uzyskane podczas 30-stu lotów (45
minutowych) przeprowadzonych na tym samym helikopterze. Loty składały się z 33
manewrów wykonywanych przez 6-ciu pilotów. Autorzy zaproponowali metody statystyczne
z użyciem rozkładu Weibula do wyznaczania obciążeń.
W celu identyfikacji widma obciążeń dla konkretnego manewru autorzy pracy [Tang S.S. et al.
1991] zaproponowali metodę wyznaczającą obciążenia za pomocą algorytmów
rozpoznawania obrazów.
Raport z badań [Gustavson B. et al. 1991] opisuje metody holometryczne dla zmniejszenia
kosztów eksploatacyjnych helikopterów.
Autor pracy [Haas D.J. 1991] zaproponował metodę wyznaczania obciążeń za pomocą
regresji wielokrotnej. Prezentowane w pracy wyniki zostały uzyskane na podstawie danych
pochodzących z badań helikoptera U.S. Navy SH-60B.
Praca [Wasilak A. 1999] dotyczy zagadnienia monitorowania warunków użytkowania
obiektów technicznych oraz wpływu użytkowania na trwałość zmęczeniową. Badaniami
objęto 21 śmigłowców eksploatowanych przez użytkowników cywilnych i wojskowych.
Łączny czas eksploatacji poddanej analizie wyniósł ponad 940 godzin. Wyodrębniono
podstawowe profile użytkowania dla obiektu helikoptera: loty przeciwpożarowe, loty
ratownicze w górach, szkolenie, loty pasażersko-transportowe. Wykonano symulację
monitorowania trwałości na podstawie wyników badań rzeczywistej eksploatacji.
Badania przeprowadzone przez autorów prac dotyczących wyznaczania obciążeń działających
na elementy krytyczne helikoptera skłoniły autora rozprawy do zaproponowania innych
metod opartych na algorytmach sztucznej inteligencji w celu wyznaczenia rzeczywistych
obciążeń działających na elementy krytyczne śmigłowca.
Jednym z częściej stosowanych na świecie narzędzi do badania własności dynamicznych
konstrukcji jest analiza modalna. W wyniki analizy modalnej otrzymuje się model modalny
konstrukcji za pomocą, którego rozwiązuje się zagadnienia inżynierskie takie jak synteza
układów mechanicznych, analiza zachowań konstrukcji oraz modyfikacji własności
dynamicznych konstrukcji.
Praca doktorska
_____________________________________________
________________________________________________________________ - 9 -
Eksperymentalna analiza modalna polega na wymuszeniu drgań badanego obiektu przy
jednoczesnym pomiarze siły wymuszającej i odpowiedzi układu. Podstawową metodą
przetwarzania sygnałów stosowaną w eksperymentalnej analizie modalnej jast analiza
częstotliwościowa, która realizowana jest za pomocą specjalizowanego analizatora lub
komputera PC ze specjalnym oprogramowaniem. Schemat eksperymentalnej analizy
modalnej przedstawiono na rysunku 2.1.
Rys.2.1. Schemat eksperymentalnej analizy modalnej
Analiza złożonych układów dynamicznych takich jak śmigłowiec za pomocą analizy
modalnej [Uhl T. et al. 2001] jest kolejnym przykładem problemów o wysokim stopniu
złożoności, dlatego autor rozprawy zdecydował się na wykorzystanie sztucznej inteligencji do
rozwoju identyfikacji modeli w analizie modalnej. Praca ta pozwoliła na automatyzację
procesu wyznaczenia rzędu modelu [Uhl T. 1997] oraz wyznaczenie rzeczywistych biegunów
układu za pomocą algorytmów sztucznej inteligencji.
W trakcie prac prezentowanych w tej rozprawie zajęto się problemem analizy stanu
obiektu w wykorzystaniem metod sztucznej inteligencji. Częstym problemem podczas analizy
diagramu stabilizacyjnego są blisko położone pasma stabilizacyjne biegunów. Osoba
przeprowadzająca analizę modalną często musi posiadać duże doświadczenie w analizie
diagramu, aby poprawnie zinterpretować skupiska biegunów a następnie wybrać odpowiedni
Praca doktorska
_____________________________________________
________________________________________________________________ - 10 -
biegun w badanym zakresie częstotliwości. Pracami dotyczącymi automatycznej interpretacji
diagramu stabilizacyjnego zajmuje się niewiele ośrodków badawczych na świecie miedzy
innymi ośrodki KUL (Katolicki Uniwersytet Leuven) i VUB (Vrije Universiteit Brussel)
[Goethals I. et al. 2003, Scionti M. 2003 et al., Verboven P. 2004], LMS [ LMS International
2003] oraz Akademia Górniczo-Hutnicza [Uhl T. 1997, Lisowski W. 2006]
Rozwój metod poprawnego wyznaczenia rzędu modelu datuje się od kilkudziesięciu
lat. Jednym z pierwszych był Akaike, który w 1972 roku [Akaike H. et al. 1972] pierwszy
opisał kryterium AIC jako algorytm do wyznaczenia rzędu modelu który dopasowuje
parametry modelu do danych. W 1978 roku Rissanen [Rissanen J. 1978] zaproponował
kryterium MDL (ang. Minimum Description Length) – gdzie podaje, że zwiększanie rzędu
modelu zwiększa dopasowanie modelu do danych jednocześnie zwiększając ilość obliczeń co
prowadzi do zwiększenia się ilości błędów obliczeniowych. Rok później Hannan i Quinn
[Hannen E.J. et al. 1979] zaproponowali kryterium bazujące na zasadzie największego
prawdopodobieństwa, w którym wybierany był punkt równowagi między AIC i MDL. W
kolejnych latach zostały stworzone inne kryteria bazujące na AIC i MDL. Powyższe kryteria
zostały stworzone na podstawie klasycznych obliczeniach statystycznych.
Spośród metod automatycznej interpretacji diagramu stabilizacyjnego można wyróżnić:
Metody wykorzystujące własności modelu modalnego reprezentowanego w
przestrzeni stanu
Metody heurystyczne
Metody oparte o ścisłe kryteria doboru biegunów podczas analizy diagramu polegają na
eliminacji biegunów obliczeniowych z diagramu. Metody te oparte są na:
Analizie lokalizacji zer i biegunów widmowych funkcji przejścia [Pappa R. et al.
1997]
Analizie wpływu usunięcia biegunów na przebiegi widmowych funkcji przejścia
[Pappa R. et al. 1997]
Redukcji modalnego modelu w postaci zbilansowanej [Goethals I. et al. 2002]
Wśród metod heurystycznych wykorzystywanych do analizy diagramu stabilizacyjnego
wyróżnia się algorytmy oparte na:
Praca doktorska
_____________________________________________
________________________________________________________________ - 11 -
Wnioskowaniu rozmytym [Lisowski W. et al. 2005]
Symetrycznych realizacji [Colomies B. et al. 2004]
Statystycznej obróbce diagramu stabilizacyjnego [Lisowski W. et al. 2004]
Metody opisane przez badaczy wykorzystują różne algorytmy. Algorytmy te pozwalają
na identyfikacje modelu z różnym błędem, co skłoniło autora do podjęcia prac nad
opracowaniem algorytmów lepiej identyfikujących badane obiekty.
Praca doktorska
_____________________________________________
________________________________________________________________ - 12 -
3 Cel i zakres pracy
Ze względu na złożoność zjawisk zachodzących podczas eksploatacji układów
mechanicznych tworzenie modeli matematycznych dla złożonych układów mechanicznych
jest trudne lub niemożliwe, dlatego stosuje się sztuczną inteligencje w celu budowy modelu
inteligentnego, który jest formułowany w większości przypadków na podstawie informacji
wejściowo - wyjściowych pochodzących z obiektu. Autor w pracy przedstawił budowę
modelu inteligentnego z wykorzystaniem algorytmów sztucznej inteligencji dla kilku
obiektów rzeczywistych gdzie budowa modeli matematycznych była utrudniona ze względu
na nieliniowość badanych obiektów.
W ramach pracy zrealizowano następujące zadania badawcze:
Opracowanie algorytmów do identyfikacji obciążeń piasty wirnika w śmigłowcu
„Sokół”
Automatyzacja procesu analizy modalnej poprzez wyznaczenie za pomocą sieci
neuronowych rzędu modelu na podstawie diagramu stabilizacyjnego a także
wyznaczenie biegunów układu.
W celu realizacji powyższych zagadnień sformułowano następujący cel pracy.
CEL:
Opracowanie algorytmów i metod umożliwiających wspomaganie procesów projektowania i
badania konstrukcji mechanicznych oraz automatyzacja procesów wymagających
podejmowania decyzji poprzez eksperta z wykorzystaniem algorytmów sztucznej inteligencji
Dla potrzeb niniejszej pracy autor sformułował następującą tezę:
TEZA:
W projektowaniu i badaniu układów mechanicznych możliwe jest zastosowanie algorytmów
sztucznej inteligencji w celu zawarcia wiedzy inżynierskiej pochodzącej od eksperta w modelu
inteligentnym a także zastąpienie wiedzy eksperta poprzez zastosowanie algorytmów sztucznej
inteligencji jako modelu inteligentnego.
Praca doktorska
_____________________________________________
________________________________________________________________ - 13 -
Zakres pracy
Praca składa się z siedmiu rozdziałów
Rozdział pierwszy stanowi wprowadzenie do zagadnień związanych z tematyką pacy
Rozdział drugi opisuje przegląd prac w zakresie tematyki pracy oraz uzasadnienie podjęcia
tego tematu.
W rozdziale trzecim przedstawiono cel pracy, sformułowano tezę oraz omówiono zakres
pracy.
Rozdział czwarty to zawiera podstawowe pojęcia związane z algorytmami sztucznej
inteligencji.
W rozdziale piątym przeanalizowano możliwość zastosowania algorytmów inteligentnych do
wyznaczenia obciążeń konstrukcji. Porównano wyniki wyznaczenia obciążeń działających na
śmigłowiec z użyciem algorytmów inteligentnych – sieci neuronowych oraz logiki rozmytej.
Rozdział szósty zawiera opis implementacji algorytmów sztucznej inteligencji do
automatyzacji wspomagania identyfikacji modeli za pomocą analizy modalnej.
W rozdziale siódmym autor przedstawił wnioski z przeprowadzonych badań oraz
zaproponował kierunki dalszych prac.
Praca doktorska
_____________________________________________
________________________________________________________________ - 14 -
3.1 Definicje i podstawowe pojęcia z zakresu sztucznej inteligencji
Termin "sztuczna inteligencja" (ang.artificial intelligence) zdefiniował John McCarthy w
1956 roku, organizując konferencję na temat inteligentnych maszyn. Jedną z klasycznych
definicji sztucznej inteligencji sformułował Marvin Minsky:
„Sztuczna inteligencja jest nauką o maszynach wykonujących zadania, które wymagają
inteligencji, gdy są rozwiązywane przez człowieka”. [Marvin Minsky 1954]
Inne powszechnie uznawane definicje pojęcia sztuczna inteligencja to:
„Sztuczna inteligencja to nauka mająca za zadanie nauczyć maszyny zachowań
podobnych do ludzkich”. [Callan R. 1999]
„Sztuczna inteligencja to nauka o komputerowych modelach wiedzy umożliwiających
rozumienie, wnioskowanie i działanie”. [Duch W. http://www.fizyka.umk.pl/~duch]
Ponieważ termin "inteligencja" trudno precyzyjnie zdefiniować, w szczególności w stosunku
do maszyn, zaproponowano w zamian test, którego wyniki mogą rozstrzygnąć czy układ
posiada sztuczną inteligencję. Najsłynniejszym jest test Turinga [Turing A. 1950], którego
celem jest stwierdzenie, czy maszyna jest inteligentna. Badacz zadaje pytania, na które
odpowiadają maszyna oraz człowiek. Nie widzi on swoich respondentów, a jego zadaniem
jest określenie, z kim ma do czynienia. Jeśli maszyna zostanie uznana za człowieka, to można
o niej powiedzieć, że jest inteligentna.
Pojęcie „sztuczna inteligencja” obejmuje szereg dziedzin począwszy od matematyki i fizyki a
kończąc na neurobiologii i medycynie [Charniak 1985]. Obecnie istnieje wiele różnych
definicji pojęcia sztucznej inteligencji, jednakże zdaniem autora rozprawy najbardziej trafna
jest definicja pochodząca z encyklopedii internetowej [http://pl.wikipedia.org/wiki/Wikipedia]
która brzmi:
„Sztuczna inteligencja (ang. artificial intelligence, AI), dział informatyki zajmujący się
konstruowaniem maszyn i algorytmów, których działanie posiada znamiona inteligencji.
Rozumie się przez to zdolność do samorzutnego przystosowywania się do zmiennych
Praca doktorska
_____________________________________________
________________________________________________________________ - 15 -
warunków, podejmowania skomplikowanych decyzji, uczenia się, rozumowania
abstrakcyjnego itp.”
Taka definicja sztucznej inteligencji jest przyjęta w niniejszej pracy.
W początkowym okresie rozwoju metod sztucznej inteligencji głównym problemem z
jakim spotykano się były ograniczone możliwości obliczeniowe komputerów [Genesereth M.
et al. 1989]]. Dopiero w ostatnich latach rozwój metod numerycznych spowodował, że
możliwe stało się powszechne zastosowanie metod sztucznej inteligencji w procesie
wspomagania prac inżynierskich [Korbicz J. et al. 2002].
Metody sztucznej inteligencji znalazły zastosowanie w wielu dziedzinach nauki i
przemysłu. Spośród szerokiej gamy zastosowań [Barr A. et al. 1981] można wyliczyć:
rozumowanie logiczne gdzie za pomocą sieci neuronowej dowodzi się twierdzenia
matematyczne, tłumaczenie języka naturalnego, programowanie automatyczne gdzie na
podstawie pokazanych wzorców algorytm uczy się pewnych zachowań oraz tworzenie
ekspertyz gdzie wykorzystuje się algorytmy inteligentne jako inżynierów wiedzy [Duch W.
1997]. Jednakże najbardziej znane jest rozwiązywanie problemów logicznych takich jak gry i
zabawy logiczne, czego najlepszym przykładem jest system firmy IBM „Deep Blue”, który w
latach dziewięćdziesiątych rozegrał szereg meczy szachowych z szachowym mistrzem świata
Garrym Kasparowem, zakończonych zwycięstwem Deep Blue.
Do najbardziej znanych technik realizacji zadań sztucznej inteligencji należą:
Sztuczne sieci neuronowe [Tadeusiewicz 1993]
Logika rozmyta [Piegat 1999]
Algorytmy genetyczne [Goldberg D. 1995]
Zbiory przybliżone [Pawlak Z. 1999]
Praca doktorska
_____________________________________________
________________________________________________________________ - 16 -
4 Sztuczne sieci neuronowe
4.1 Neuron biologiczny
Aby móc zrozumieć jak działa struktura sztucznej sieci neuronowej, należy poznać
istotę działania pojedynczej komórki nerwowej żywego organizmu. Komórka
nerwowa – neuron jest elementarną częścią całej sieci nerwowej. Elementami komórki
nerwowej bezpośrednio odpowiedzialnymi za przepływ informacji są aksony oraz dendryty.
Jedna komórka nerwowa posiada bardzo wiele dendrytów, które przez tak zwane ciało
komórki łączą się z aksonem. Sąsiednie komórki nerwowe połączone są za pomocą synaps,
czyli złączem: aksonu jednej komórki z dendrytem innej.
Rys. 4.1. Schemat budowy komórki nerwowej i połączenia nerwowe. Przepływ impulsów w
komórce nerwowej.
Sygnały dochodzące do synaps są impulsami elektrycznymi. Połączenie synaptyczne
przekazuje tenże impuls za pomocą odpowiedniej substancji chemicznej. Pobudzony neuron
przesyła impuls do swojego aksonu, który połączony jest z innymi dendrytami. Neuron w
czasie zwanym okresem utajonego sumowania analizuje ilość pobudzeń dendrytów. Impulsy
pobudzające mają dwojaki charakter jedne starają się pobudzić cały neuron, drugie mają na
celu zahamowanie jego aktywacji. Jeżeli zostanie przekroczony określony poziom potencjału
błony komórkowej komórka się aktywuje. Neuron może być pobudzony przez sąsiedni
neuron lub przez samego siebie.
Praca doktorska
_____________________________________________
________________________________________________________________ - 17 -
W bardzo prostym uproszczeniu można, więc powiedzieć, że pojedynczy neuron sumuje
impulsy hamujące i pobudzające oraz w przypadku przekroczenia bariery potencjału aktywuje
się. [Tadeusiewicz R, 1993]
4.2 Model neuronu
Na podstawie bardzo schematycznego i uogólnionego przedstawienia zasady działania
neuronu biologicznego można skonstruowano jego odpowiednik matematyczny. Podobnie jak
w biologicznej sieci nerwowej komórka nerwowa jest elementarnym składnikiem całego
systemu, tak w przypadku sztucznej sieci neuronowej (SSN lub ang. Artificial Network AN)
sztuczny neuron jest podstawową częścią układu. Czasami jeden neuron może wykonywać
proste zadania i tworzyć całą sieć. Najczęściej jednak dopiero kilka neuronów tworzy SSN.
Rys. 4.2. Model neuronu
Na rysunku nr 4.2 został przedstawiony model neuronu. Posiada on wejścia, będące
odpowiednikiem dendrytów. Ilość wejść nie jest ograniczona. Po pojawieniu się sygnałów na
wejściach są one przemnażane przez odpowiednie wartości wag. Wagi są również zapisywane
w macierzy wag. Ważną rolę w działaniu całego neuronu odgrywa wartość zwana bias (b).
Jest to liczba będąca analogią do granicznej wartości potencjału elektrycznego komórki
nerwowej, aby ta mogła się uaktywnić [Osowski S. 1996]. Z sumatora wychodzi, więc sygnał
n, który jest argumentem dla funkcji aktywacji. W zależności od tego, jaki charakter ma mieć
sygnał wyjściowy, zdefiniowano szereg funkcji aktywacji [Demuth H. et al. 1997].
Praca doktorska
_____________________________________________
________________________________________________________________ - 18 -
4.3 Metody uczenia sieci
Głównym kryterium podziału sposobu uczenia sieci neuronowych jest to, czy sieć
uczymy w oparciu o naszą wiedzę, czy każemy jej poszukiwać bliżej nam nieznanych
rozwiązań. Dlatego metody uczenia dzielimy na uczenie z nadzorem (uczenie z nauczycielem)
i uczenie bez nadzoru (uczenie bez nauczyciela) [Tadeusiewicz R.1993].
4.3.1 Uczenie z nauczycielem.
Uczenie pojedynczego neuronu (ADALINE)
Uczenie te polega na poprawianiu wag neuronu i oparte jest na regule Widorowa-
Hoffa [Tadeusiewicz R. 1993]. Algorytm ten zakłada, że wraz z podaniem wektora
wejściowego X podawany jest wektor oczekiwanych odpowiedzi sieci Z. Odpowiedź
neuronu jest sygnałem Y w postaci
Y=W X (4.1)
Gdzie:
X - wektor wejściowy Y - wektor wyjściowy W - wektor wag
Błąd obliczany jest na podstawie zależności
= Z – Y (4.2)
Gdzie:
- sygnał błędu Z – wektor wartości oczekiwanych
Na podstawie wartości błędu możliwe jest obliczenie nowego wektora wag W’, by
funkcja przejścia mogła być lepiej realizowana (mniejszy błąd).
Obliczany jest on na podstawie wzoru:
W’=W+ X (5.3) Gdzie:
-współczynnik decydujący o szybkości uczenia
Praca doktorska
_____________________________________________
________________________________________________________________ - 19 -
Uczenie sieci neuronowej (MADALINE)
Powyższy algorytm może w prosty sposób zostać rozszerzony w celu uczenia całej
sieci elementów liniowych (MADALINE).
Obiektem który podlega uczeniu jest wektor wag Wk a ciąg uczący ma postać
U = ( (X1,Z1) , (X2,Z2) , . . . ,(Xn,Zn) ) (4.4) Gdzie:
Z(j) – k-elementowe wektory oznaczające wymagane zestawy odpowiedzi Postać formuły uczenia jest zapisana w postaci macierzowej
Wk(j+1) = Wk
(j) + ( Z(j) – Y(j)) ( X(j) )T (4.5) Gdzie:
Wk- macierz o rozmiarach [k x n] k – ilość elementów w wektorach Z i Y n – ilość elementów wektora X
4.3.2 Uczenie bez nauczyciela.
Powyższy schemat nauki jest niekiedy trudny do zrealizowania, ponieważ wymaga
znajomości zarówno wejść jak i odpowiadających im odpowiedzi układu, dlatego też często
stosowana jest inna metoda uczenia sieci neuronowej, nie wymagająca znajomości par
wejście-wyjście, uczenie bez nauczyciela.
Ogólna zasada polega na tym że waga wi(m) (i –tego wejścia neuronu m- tego neuronu)
wzrasta podczas prezentacji j- tego wektora wejściowego X(j) proporcjonalnie do iloczynu i-
tej składowej sygnału wejściowego xi(j) docierającego do rozważanej synapsy i sygnału
wyjściowego ym(j) rozważanego neuronu.
Zgodnie z formułą:
Wi (m)(j+1) = wi
(m)(j) + xi (j) ym
(j) (4.6) Gdzie:
ym(j)= wi
(m)(j) xi(j) (4.7)
Praca doktorska
_____________________________________________
________________________________________________________________ - 20 -
Wzmocnieniu ulegają te wagi które są aktywne kiedy ich neuron jest pobudzony.
Sygnały wejściowe zostają klasyfikowane w pewne kategorie wraz ze wzrostem liczby
pokazów.
Jeżeli neuron nauczy się rozpoznawać pewne sygnały wejściowe będzie też zdolny do
rozpoznawania sygnałów podobnych do wzorcowego.
Wadą tego procesu jest to, że efekt zależy od początkowych (z reguły przypadkowych)
wartości wag. Sieć tak może grupować sygnały wejściowe że na tę samą klasę może
wskazywać kilka neuronów dlatego musi posiadać większą liczbę neuronów niż liczbę klas
które rozpoznajemy.
Określenia (z nauczycielem i bez nauczyciela) przyjęte w polskojęzycznej literaturze
nie są najtrafniejsze. Lepsze określenia to uczenie nadzorowane i nienadzorowane ponieważ
cel nauki musi być określony w obu wariantach uczenia.
4.3.3 Reguły uczenia sieci.
W literaturze opisano wiele różnych reguł uczenia sieci neuronowych. Do najczęściej
stosowanych należą:
Reguła Hebba [Tadeusiewicz R. 1997] – Regułę tą wykorzystuje się do uczenia bez
nauczyciela. Sygnałem uczącym jest sygnał wejściowy neuronu. Reguła ta sprowadza się do
dodania lub odjęcia wektora wejściowego do lub od wektora wag.
Reguła perceptronowa [Tadeusiewicz R. 1997] – Stosowana do uczenia z nauczycielem.
Sygnał uczący jest różnicą między odpowiedzią pożądaną a rzeczywistą. Jest ona
wykorzystywana jedynie do sieci z neuronami dyskretnymi.
Reguła delty [Tadeusiewicz R. 1997] - podobna do reguły perceptronowej z tą różnicą że
posiada ciągłą funkcję aktywacji.
Reguła Widorowa-Hoffa [Tadeusiewicz R. 1997] - Stosowana dla sieci nadzorowanych o
dowolnych funkcjach aktywacji, ponieważ minimalizuje błąd średni kwadratowy pomiędzy
pożądaną odpowiedzią a pobudzeniem. (szczególny przypadek reguły delta). Wagi
początkowe mogą posiadać dowolne wartości.
Praca doktorska
_____________________________________________
________________________________________________________________ - 21 -
Reguła” wygrywający bierze wszystko” [Tadeusiewicz R. 1997] – Szczególna metoda oparta
na nauce z rywalizacją (bez nauczyciela).
Zastosowanie jednej z nich zależy od ilości posiadanych informacji dotyczących obiektu,
informacji wejściowych oraz wyjściowych z obiektu.
4.4 Sieci Backpropagation.
Sieci ze wsteczną propagacją błędów są to sieci jednokierunkowe, o wyraźnie
wydzielonych trzech rodzajach warstw - warstwie wejściowej, wyjściowej i warstwach
ukrytych. Neurony jednej warstwy nie są powiązane ze sobą, połączone są natomiast między
warstwami. Choć możliwe są różne kombinacje połączeń między warstwami, najczęściej
stosuje się schemat: wszystkie neurony danej warstwy połączone są z wszystkimi neuronami
warstw sąsiednich (poprzedniej i następnej).
W sieci muszą istnieć przynajmniej dwie warstwy - wejściowa i wyjściowa. Sieć określamy
jako L-warstwową, gdy L jest liczbą, na którą składa się liczba warstw ukrytych i warstwa
wyjściowa (nie liczymy warstwy wejściowej), stąd najmniejszą siecią jest sieć
jednowarstwowa.
Uczenie sieci Backpropagation. Dla tego typu sieci nie jest możliwe określenie dla warstw pośrednich (ukrytych)
oczekiwanych wartości sygnałów wyjściowych Zj a co za tym idzie nie ma możliwości
określenia błędu j
Ciąg uczący ma postać:
U = ( (X1,Z1) , (X2,Z2) , . . . ,(Xn,Zn) ) (4.8) Gdzie : X - n wymiarowy wektor wejściowy
Z – wektor wymaganych sygnałów wyjściowych z elementów domykających sieć
Wartość błędu w poszczególnych warstwach ukrytych obliczana jest za pomocą
„rzutowania” błędu będącego różnicą Z(j) – Y(j) .Gdzie Y(j) jest to wektor sygnałów
wyjściowych. Błąd (m)(j) – jest wyznaczany w j- tym kroku w neuronie o numerze m .
Praca doktorska
_____________________________________________
________________________________________________________________ - 22 -
Na rysunku 4.3 zamieszczono schemat zasady działania sieci neuronowej. Do wejść
doprowadzane są sygnały dochodzące z neuronów warstwy poprzedniej. Każdy sygnał
mnożony jest przez odpowiadającą mu wartość liczbową zwaną wagą. Wpływa ona na
percepcję danego sygnału wejściowego i jego udział w tworzeniu sygnału wyjściowego przez
neuron. Waga może być pobudzająca - dodatnia lub opóźniająca – ujemna; jeżeli nie ma
połączenia między neuronami to waga jest równa zero. Zsumowane iloczyny sygnałów i wag
stanowią argument funkcji aktywacji neuronu.
Rys. 4.3 Zasada działania sieci neuronowej
W powyższym rozdziale przedstawiono różne typy sieci neuronowych. Wybór
konkretnej z nich jest uzależniony od dostępności danych pochodzących z obiektu. Sieci typu
backpropagation są uczone wektorem uczącym, co pozwala na budowę modelu inteligentnego
zawierającego informację o poprawności modelu. Sieci tego typu zostały wykorzystane do
budowy algorytmów gdzie znano poprawną odpowiedź obiektu. Sieci, których uczenie
odbywa się bez nauczyciela zastosowano do zadań klasyfikacyjnych gdzie poszukiwano
zależności pomiędzy informacjami wejściowymi, które nie były możliwe do wyznaczenia w
sposób deterministyczny.
Inne algorytmy sztucznej inteligencji mające zastosowanie w projektowaniu i badaniach
konstrukcji
Dan
e w
ejśc
iow
e
Waga 1
Waga 4
Waga 3
Waga 2
Sumator Funkcja aktywacji
Dan
e w
yjśc
iow
e
Praca doktorska
_____________________________________________
________________________________________________________________ - 23 -
4.5 Logika rozmyta
Wnioskowanie oparte na logice klasycznej [Trzęsicki K. 2001], w której to dany
element może należeć bądź też nie należeć do danego zbioru powoduje w wielu sytuacjach
powstanie pewnych niejednoznaczności czy wręcz sprzeczności w przypadku opisywania
zjawisk ciągłych. Znacznie bardziej zbliżona do ludzkiego pojmowania świata jest,
zaproponowana po raz pierwszy w roku 1965 przez Zadeha [Zadeh L.A. 1965] logika
rozmyta. W tym przypadku, w odróżnieniu od logiki klasycznej gdzie układ mógł
przyjmować tylko wartości „0” i „1”, stopień przynależności do zbioru rozmytego może
przyjmować dowolne wartości zawierające się w przedziale <0,1>. Taki sposób opisu
rzeczywistości pozwala na znacznie dokładniejsze opisanie złożonych procesów fizycznych.
Ten sposób jest dla człowieka bardziej zbliżony do opisu naturalnego. Przykładowo w mowie
potocznej często padają sformułowania „dzisiaj pada”, „Tomek jest niski” czy też „zostało
jeszcze dużo czasu”. Granice pojęć „pada”, ”niski”, ”dużo” jednakże nie są dokładnie
zdefiniowanie, a ich zakresy są subiektywne i w zależności od osoby formułującej dany osąd
czy też okoliczności mogą się znacznie od siebie różnić. Dlatego też logikę rozmytą można
określić jako reprezentację procesów analogowych w strukturze cyfrowej i stosowana jest ona
szczególnie w przypadkach gdzie stosowanie tzw. logiki binarnej jest bardzo trudne czy
wręcz nie możliwe. W logice rozmytej granice pomiędzy poszczególnymi klasami nie są
dokładnie zdefiniowane lub dane częściowo pasują do złożeń.
Teoria zbirów rozmytych jest rozszerzeniem klasycznej teorii zbiorów i jest oparta na
bazie reguł IF-THEN [Arabas J. 2001]. W klasycznej teorii zbiorów spełniony jest
następujący warunek: dowolny element należy bądź nie należy do danego zbioru. Warunek
ten można zdefiniować w następujący sposób.
Niech U={x} będzie zbiorem wszystkich elementów, które spełniają pewną własność. W
takim przypadku funkcja (x) określa przynależność pewnego elementu x do zbioru X,
będącego podzbiorem zbioru U. Wówczas funkcja: (x):U [0,1] jest zdefiniowana jako
(4.9)
Praca doktorska
_____________________________________________
________________________________________________________________ - 24 -
W przypadku rozważania tego problemu z zastosowanie teorii zbiorów rozmytych
stopień przynależności nie jest tak ściśle zdefiniowany. W takim przypadku dowolny element
może częściowo należeć do pewnego zbioru, a stopień jego przynależności jest definiowany
poprzez pewną liczę rzeczywistą zawartą w przedziale [0,1]. Zatem funkcja przynależności
(ang. membership function) : (x):U [0,1] może być zdefiniowana następująco:
(4.10)
Gdzie:
f(x) jest funkcją przyjmującą wartości z przedziału [0,1].
Wartości takiej funkcji są nazywane stopniami przynależności. Zbiory, których funkcja
przynależności określana jest poprzez powyższą zależność nazywana jest zbiorami rozmytymi
(z ang. fuzzy sets)
Funkcje przynależności bardzo często przedstawiane są w postaci graficznej i mogą
przyjmować dowolną postać. Przykładowe kształty jakie mogą przybrać funkcje
przynależności zostały przedstawione na poniższym rysunku.
Rys 4.4. Przykładowe kształty funkcji przynależności
Ponieważ dowolny element może „mniej” lub „bardziej” przynależeć do pewnego zbioru
konieczne stało się wprowadzenie nowych definicji operacji przeprowadzanych na zbiorach
rozmytych. Dlatego teoria zbiorów rozmytych wprowadza nowe definicje operacji na
zbiorach.
Praca doktorska
_____________________________________________
________________________________________________________________ - 25 -
Podstawowe operacje na zbiorach rozmytych są zdefiniowane następująco:
iloczyn logiczny
(4.11)
suma logiczna
(4.12)
uzupełnienie logiczne
(4.13)
Przetwarzanie danych z zastosowanie teorii zbiorów rozmytych można schematycznie
przedstawić w postaci (rys. 4.5)
Rys 4.5. Schemat przetwarzania sygnałów z zastosowanie teorii zbiorów rozmytych
Jako pierwszy etap przetwarzania sygnałów w systemach opartych na logice rozmytej należy
uznać przetwarzanie wstępne (ang. preprocessing). W czasie przetwarzania wstępnego dane
dostarczane na wejścia do systemu są przekształcane do postaci akceptowalnej przez układ.
W przypadku systemów rozmytych jest to ciąg liczb rzeczywistych. Kolejnym etapem jest
proces fuzyfikacji.
Praca doktorska
_____________________________________________
________________________________________________________________ - 26 -
Fuzyfikacja (rozmywanie)
Dane trafiające na blok fuzyfikacji ulegają rozmyciu czyli określony zostaje ich stopień
przynależności do poszczególnych zbiorów rozmytych „A” i „B”. Aby poprawnie
przeprowadzić proces rozmywania w układzie muszą zostać zdefiniowanie funkcje
przynależności Ai(X1) i Bi(X2) do zbiorów rozmytych dla poszczególnych wejść (rys. 4.6 ).
Rys 4.6. Przykładowe zbiory rozmyte dla sygnałów wejściowych wraz z ilustracją obliczania
stopnia przynależności
Obliczone stopnie przynależności dla poszczególnych wejść są przekazywane na wejścia
kolejnego bloku.
Infererencja (wnioskowanie)
W bloku infererencji obliczana jest na podstawie wejściowych stopni przynależności Ai(X1) i
Bi(X2), uzyskany w bloku fuzyfikacji, wynikowa funkcja przynależności w(Y). Funkcja ta
bardzo często ma złożoną formułę i może być zrealizowana na wiele sposobów. Jednakże,
aby obliczenia mogły być przeprowadzone blok wnioskowania musi zawierać następujące
elementy:
o Bazę reguł
o Mechanizm wnioskowania
o Funkcje przynależności wyjścia modelu Y
Baza reguł zawiera zależności przyczynowo-skutkowe istniejące pomiędzy wejściami i
wyjściami systemu. Reguły te mają postać IF...AND...THEN, np.:
Praca doktorska
_____________________________________________
________________________________________________________________ - 27 -
IF x1 is A1 AND x2 is B1 THEN y is C1
IF x1 is A2 AND x2 is NOT B2 THEN y is C2
gdzie x1, x2, y są tzw. zmiennymi lingwistycznymi, natomiast A1,..., C2 są podzbiorami
rozmytymi.
Mechanizm wnioskowania czyli mechanizm obliczania wynikowej funkcji przynależności,
polega na przetwarzaniu otrzymanych rozmytych zbiorów wynikowych ze wszystkich reguł.
W wyniku tych operacji otrzymywany jest zbiór rozmyty będącym zbiorem wynikowym
wnioskowania rozmytego.
Defuzyfikacja (wyostrzanie)
Polega na określeniu ostrej wartości na podstawie otrzymanej wynikowej funkcji
przynależności w(Y). Istnieje cały szereg różnych metod przeprowadzania procesu
wyostrzania. Do najczęściej stosowanych należą:
o Metoda środka maksimum (ang. Middle of Maxima)
o Metoda pierwszego maksimum (ang.First of Maxima)
o Metoda ostatniego maksimum (ang.Last of Maxima)
o Metoda środka ciężkości (ang.Center of Gravity)
o Metoda wysokości (ang.Height Method)
Ostatnim krokiem procesu wnioskowania rozmytego jest przetwarzanie końcowe (ang.
postprocessing) Polega ono na konwersji danych wejściowych tego modułu do postaci
zgodnej z wymogami układów zewnętrznych.
Przedstawione algorytmy oparte na logice rozmytej pozwalają na budowę modeli
inteligentnych zawierających informację pochodzącą od doświadczonego inżyniera. Tworząc
reguły dla algorytmu rozmytego zawieramy informacje, które zostały zauważone na
podstawie analizy sygnałów wejściowo- wyjściowych. Modele tego typu zaimplementowano
dla śmigłowca „Sokół” w celu identyfikacji stanów lotu oraz obciążeń działających na
śmigłowiec.
Praca doktorska
_____________________________________________
________________________________________________________________ - 28 -
4.6 Algorytmy Genetyczne
Algorytmy genetyczne [Rudkowska et al. 1999] swoje istnienie zawdzięczają
obserwacji i próbie naśladowania naturalnych procesów zachodzących w świecie organizmów
żywych, a mianowicie ewolucji i związanej z nią naturalnej selekcji występującej w
populacjach żywych osobników. Idea stosowania algorytmów genetycznych jest następująca:
odpowiednio wprowadzony algorytm do komputera może dostarczyć techniki rozwiązywania
trudnych problemów w sposób, w jaki czyni to natura poprzez ewolucję. Zadaniem tych
algorytmów jest wykorzystywanie analogicznych do występujących w naturalnej ewolucji
mechanizmów selekcji i reprodukcji [Cytowski J. 1996].
Rys 4.7. Symbol algorytmu genetycznego
Podobnie jak w naturze, algorytmy te mają za zadanie rozwiązywanie problemów znalezienia
„dobrych” chromosomów, nie wiedząc nic o rodzaju problemu, który jest przedmiotem
rozważań. Jedyną posiadaną informacją jest ocena każdego chromosomu, odzwierciedlająca
jego przystosowanie. Podobnie jak w przypadku układów rozmytych przyjęto w schematach
obliczeniowych oznaczenie graficzne takiego układu wykorzystującego algorytmy genetyczne,
zilustrowane na rys. 4.7. W algorytmach genetycznych występuje wiele terminów fachowych
zaczerpniętych z biologii. Te które są niezbędne ze względu na niniejszą pracę opisano
poniżej. Mechanizm selekcji polega na wyborze chromosomów z najwyższą oceną (najlepiej
przystosowanych), które skłaniają się do reprodukcji częściej niż te ze słabą oceną (słabo
przystosowane). Reprodukcja natomiast oznacza tworzenie nowych chromosomów w wyniku
rekombinacji genów chromosomów rodzicielskich. Rekombinacja to proces w wyniku,
którego powstają nowe kombinacje genów. Podstawowe pojęcia algorytmów genetycznych to
Praca doktorska
_____________________________________________
________________________________________________________________ - 29 -
np.: populacja, czyli zbiór osobników o określonej liczebności. Osobniki populacji to
zakodowane w postaci chromosomów zbiory parametrów zadania, czyli rozwiązania
określane też jako punkty przestrzeni poszukiwań. Osobniki czasami nazywa się również
organizmami. Chromosomy (inaczej łańcuchy lub ciągi kodowe) to uporządkowane ciągi
genów. Szerzej definicje i pojęcia związane z algorytmami genetycznymi można znaleźć w
literaturze, [Rudkowska D. 1997] Algorytmy genetyczne są obecnie najczęściej stosowane do
zadań optymalizacji [Russel S. et al. 2003] .
Przedstawione algorytmy sztucznej inteligencji takie jak sieci neuronowe oraz logika rozmyta
zostały zaimplementowane w oprogramowaniu Matlab w postaci bibliotek, co pozwoliło
autorowi rozprawy na implementacje oraz testowanie zbudowanych algorytmów dla
analizowanych obiektów. Wyniki testowanych algorytmów poddano porównaniu i ocenie w
celu wyznaczenia najlepszego narzędzia inteligentnego dla rozważanego problemu.
Praca doktorska
_____________________________________________
________________________________________________________________ - 30 -
5 Wyznaczenie obciążenia konstrukcji z zastosowaniem sztucznej inteligencji
Aby dokonać prawidłowej oceny zużycia urządzeń technicznych należy zdefiniować
stany technologiczne wynikające z realizacji założonego procesu użytkowego [Batko W. et al.
1999]. W każdym ze stanów możemy na podstawie mierzalnych wielkości określających
parametry pracy urządzenia, określić zużycie danej maszyny [Giergiel J. et al. 1990]. Obecnie
jest to metoda szeroko rozpowszechniona w analizie i diagnostyce urządzeń. Każdemu ze
stanów maszyny odpowiadają inne czynniki zewnętrzne a co za tym idzie i inne zużycie w
czasie eksploatacji. Prawidłowe korzystanie z bazy informacyjnej pozwala ocenić warunki
użytkowania tj. opisać stany technologiczne maszyny i na tej podstawie wnioskować o
żywotności urządzenia. Podejście to jest metodą, która weryfikuje stan maszyny w sposób
ciągły i elastyczny. W takim przypadku żywotność nie jest ustalona z góry przez producenta,
bezawaryjny czas pracy, planowanie przeglądów technicznych zależy od warunków pracy.
Rola takiej metody jest tym większa im bardziej różnorodne mogą być warunki eksploatacji
urządzenia.
Wyznaczenie obciążeń konstrukcji może być zrealizowane poprzez: Bezpośredni pomiar obciążeń
Dokonuje się pomiaru odpowiednich wielkości fizycznych (drgania, odkształcenia)
w czasie trwania eksploatacji i na tej podstawie określa się obciążenia badanej
konstrukcji;
Synteza obciążeń
Jest to metoda polegająca na pomiarze tylko wielkości fizycznych towarzyszących
obciążeniu i na tej podstawie określa się obciążenia.
Analiza widma eksploatacyjnego
Na podstawie znanego widma eksploatacji maszyny w danym horyzoncie czasowym
można określić przybliżony czas dalszej bezpiecznej eksploatacji konstrukcji.
Stosunkowo często do oceny obciążeń konstrukcji wykorzystuje się jej modele
dynamiczne.
Praca doktorska
_____________________________________________
________________________________________________________________ - 31 -
Śmigłowiec jest obiektem silnie nieliniowym, dlatego budowa jego modelu dynamicznego
(zmęczeniowego) jest zadaniem trudnym.
Dynamika statku powietrznego [Padfield G. 1998] może być traktowana jako zbiór
cech wewnętrznych takich jak: realizowany profil lotu (misja) i środowisko (warunki
atmosferyczne), w którym ma być realizowana. Oddziaływania zewnętrzne to pilot i układy
sprzęgające pilota ze śmigłowcem.
Rys. 5.1. Składniki dynamiki lotu.
Symulacja dynamiki lotu śmigłowca powinna obejmować ważne czynniki
aerodynamiczne i strukturalne oraz inne wewnętrzne elementy dynamiki (np. silniki i
elementy układu wspomagania). Zagadnienie to jest wysoce złożone zaś zachowanie
śmigłowca jest często ograniczone przez zjawiska lokalne (np. oderwanie opływu powietrza
na łopacie).Widzimy, więc że ilość parametrów wpływających na obiekt jest bardzo duża.
Najnowsze metody przetwarzania sygnałów, jakimi są sieci neuronowe dają możliwość
rozpoznania stanów maszyny a także otrzymania widma obciążeń bez konieczności
zagłębiania się w złożoność powyższych parametrów.
Praca doktorska
_____________________________________________
________________________________________________________________ - 32 -
Na rysunku 5.2. przedstawiono schemat implementacji sztucznych sieci neuronowych do
wyznaczenia obciążeń działających na śmigłowiec „Sokół” .
Rys. 5.2. Schemat wyznaczenia obciążeń za pomocą sieci neuronowej
5.1 Algorytm rozpoznawania stanów lotu i syntezy obciążeń oparty na sieciach neuronowych.
Bezpośredni pomiar obciążeń, a co za tym idzie, możliwość wyznaczenia naprężeń w
częściach i zespołach strukturalnych statku powietrznego pozwala ocenić zmęczenia
konstrukcji w sposób bezpośredni przez zliczanie rzeczywistych cykli obciążeń. Analizę
uszkodzenia zmęczeniowego można przeprowadzić bez potrzeby korzystania z modelu
warunków eksploatacji. Z punktu widzenia dokładności oceny jest to sposób bez wątpienia
najlepszy, wymaga jednak stosowania złożonych technik pomiarowych na pokładzie
śmigłowca. Lista krytycznych elementów śmigłowca PZL SOKÓŁ [Wasilak A. 1999]
obejmuje kilkadziesiąt pozycji stąd, aby spełnić warunki montuje urządzenia pomiarowe
Śmigłowiec „Sokół”
Dan
ew
ejśc
iow
e
Dane uczące
Sieci neuronowe rozpoznające stan
lotu
Sieci neuronowe rozpoznające obciążenia
Stan lotu
Obciążenie
Praca doktorska
_____________________________________________
________________________________________________________________ - 33 -
rejestrują dużą liczbę parametrów. Pomiary obciążeń wykonywane są z reguły przy użyciu
czujników tensometrycznych, ich wrażliwość na czynniki środowiskowe stwarza wiele
problemów przy ich wykorzystaniu w procesie eksploatacji, szczególnie w przypadku
pomiarów na zespołach wirujących jak piasty i wirniki wymagających urządzeń
kolektorowych, które z kolei wprowadzają dodatkowe szumy.
Obecnie w praktyce nie korzysta się z bezpośredniego pomiaru obciążeń do oceny
kumulacji zmęczenia konstrukcji. Stosuje się tą metodę jako odniesienie dla testowania
innych metod.
W pracy wykorzystano pomiary obciążeń jako dane uczące sieci rozpoznające cykle
obciążenia poszczególnych elementów krytycznych śmigłowca.
Do rozwiązania problemu rozpatrywanego w niniejszej pracy posłużono się
sztucznymi sieciami neuronowymi mającymi zdolność do klasyfikowania [Bishop C. 1996] i
predykcji obciążeń. Poprzez nauczenie sieci pewnych cech charakterystycznych możliwe jest,
aby sieć w sposób interaktywny rozpoznała i kwalifikowała sygnał wejściowy do
poszczególnych grup. Wektor lub macierz wejść, jest przypisywana do odpowiedniego stanu
wektora lub macierzy wyjść, będącego jednoznacznym wzorcem w prcesie klasyfikacji.
Główne założenia algorytmu :
Sieć ma wyznaczać wartości obciążeń elementów krytycznych w oparciu o dane
pochodzące z pokładowego rejestratora lotów
Działanie ma się odbywać w czasie rzeczywistym
Wartość błędu odwzorowania obciążeń ma nie przekraczać 10%.
W celu wyznaczenia stanu obciążeń należało zrealizować następujące zadania badawcze:
Zbudować algorytm do rozpoznawania stanów lotu
Sformułować algorytm rozpoznający obciążenia
Przeprowadzić analizę otrzymanych wyników
Ocenić skuteczność i prognozę na przyszłość na podstawie analizy otrzymanych
wyników.
Praca doktorska
_____________________________________________
________________________________________________________________ - 34 -
5.1.1 Przetwarzanie danych wejściowych
Dane pochodzące z rejestratora lotów wprowadzone do przestrzeni roboczej Matlaba [Mrozek
B. 1996] zawierały znaczną liczbę błędów i nieciągłości. Aby usunąć powyższe
nieprawidłowości wykonano następujące czynności:
Przygotowano dane do analizy
Usunięto błędy zapisu i zakłóceń pomiarowych
Zidentyfikowano nieciągłości w zapisie
Przeprowadzono normalizację danych
Zsynchronizowano czasowo wszystkie dane
Przeprowadzono kompresje danych
W ten sposób uzyskano dane wejściowe posiadające następujące cechy:
Macierz wejściowa jest znormalizowana
Zminimalizowano ilość danych (kompresja danych przez uśrednienie wartości
chwilowych – wartość średnia danych z jednego obrotu wirnika)
Brak skorelowanych wektorów wejściowych
Wektory wejściowe są reprezentatywne dla całej próby
Usunięcie błędów pomiaru i nieciągłości.
W wyniku błędów pomiarowych w odczytanych zbiorach danych zauważono
nieciągłości. Wartości w wektorach wejściowe w takich wypadkach, dla danej chwili czasu
przyjmują wartości „NaN” (ang. Not a Number). Wielkości takie w dalszej analizie są
niedopuszczalne. Wobec tego napisano funkcję „nocontin”, która usuwa powyższe błędy
poprzez wstawienie wartości zerowych w miejsca nieciągłości. Wstawienie wartości
zerowych nie wpływa istotnie na wynik identyfikacji obciążeń, ponieważ ilość tych
nieciągłości jest mała w stosunku do ilości danych pomiarowych.
Normalizacja
Dane pomiarowe wprowadzone do przestrzeni roboczej muszą być znormalizowane.
Większość sieci neuronowych na wejściu musi mieć wartości z zakresu od –1 do 1. Wartości
Praca doktorska
_____________________________________________
________________________________________________________________ - 35 -
fizyczne mierzone podczas prób różniły się rzędami wielkości. W celu dalszej analizy
wszystkie parametry lotu sprowadzono do wartości z zakresu od –1 do 1, stosując
standardową procedurę normalizacji wektora [Lyons R. 1999]:
normA=(A./max(abs(A)) (5.1)
Znormalizowany wektor wartości A równy jest iloczynowi każdego elementu wektora A
przez jego bezwzględną maksymalną wartość.
Synchronizacja
Dostępne urządzenia pomiarowe zbierały w czasie lotu dane z różną częstotliwością
próbkowania. Aby zapewnić prawidłową symulację sieci neuronowych, wszystkie
dostarczane dane na wejścia muszą odpowiadać tej samej chwili czasu. W początkowym okresie przeprowadzanych doświadczeń analizowano próbki,
których częstotliwości próbkowania były różne. Sieć neuronowa jest w stanie sama rozróżnić
różnice w częstotliwościach poszczególnych sygnałów, jednak ze względu na kompresję
danych wejściowych przeprowadzono synchronizację przed wejściem na sieć. W celu
synchronizacji czasowej przeprowadzono synchronizację próbek do wartości o najmniejszej
częstotliwości próbkowania.
Najprostszą metodą synchronizacji jest sprowadzenie sygnałów do najmniejszej
częstotliwości (w naszym przypadku 50 Hz). Częstotliwość ta jest wystarczająca dla
prawidłowej realizacji sformułowanych algorytmów. Wszystkie sygnały próbkowane z
częstotliwością wyższą, zostały uśrednione.
Kompresja danych uczących
Rzeczywiste obciążenia badane na piaście helikoptera mają charakter okresowy. Pełny
cykl obciążeń jest realizowany w czasie trwania jednego pełnego obrotu wirnika głównego.
W celu wyznaczenia obciążeń zmęczeniowych piasty wirnika wykorzystuje się wartości
uśrednione z jednego obrotu wirnika [Wasilak A. 1999]. Aby optymalnie wykorzystać sieci
neuronowe oraz zredukować ilość nadmiarowych informacji na wejścia sieci neuronowych
podano wartości średnie na jeden obrót wirnika.
Praca doktorska
_____________________________________________
________________________________________________________________ - 36 -
5.1.2 Struktura sieci neuronowych rozpoznających stany lotu
Wyznaczenie obciążeń piasty wirnika przeprowadzono dwuetapowo. Pierwszy etap
obejmował wyznaczenie stanu lotu. Etap ten wykonano za pomocą układu sieci neuronowych
ze wsteczna propagacją błędów. Sieć neuronowa przedstawiona na rys 5.3. rozpoznaje jeden z
45 stanów lotu na podstawie pięciu parametrów wejściowych. Drugim etapem było
wyznaczenie obciążeń. W tym celu stworzono algorytmy rozpoznawania obciążeń dla
konkretnego stanu wykorzystujące sieci neuronowe tego samego typu. Parametry wejściowe
do wszystkich sieci były identyczne.
Parametry wejściowe do sieci neuronowych pochodziły z pokładowego rejestratora
lotów (czarnej skrzynki) oraz do nauki sieci neuronowej wykorzystano dane pomiarowe
pochodzące z lotów testowych rejestrowane za pomocą rejestratora „ESAM”.
W śmigłowcu PZL SOKÓŁ jest zamontowany rejestrator pokładowy BUR-1-2
(czarna skrzynka). Zestaw parametrów rejestrowanych przez rejestrator BUR-1-2
zamieszczono w tabeli 5.1.
W pracy wykorzystano wyniki pomiarów wykonanych przez Ośrodek Badań w Locie PWSK
PZL Świdnik; które szczegółowo opisano w pracy [Wasilak 1999]
Rys. 5.3. Schemat struktury sieci SSN
Praca doktorska
_____________________________________________
________________________________________________________________ - 37 -
lp. Oznaczenie Nazwa parametru Próbkowanie próbek/s 1. Py Przeciążenie w kierunku pionowym 8 2. Gamma Kąt przechylenia 4 3. Teta Kąt pochylenia 4 4. Psi Kurs geomagnetyczny 2 5. OAT Temperatura otoczenia 2 6. Px Przeciążenie w kierunku podłużnym 2 7 Hg Geometryczna wysokość lotu 2 8. Hmr Przemieszczenie suwaka tarczy sterującej 4 9. Xrp Położenie prawego pedału 2 10. Htr Wysuw trzonu śmigła ogonowego 4 11. Kappa Podłużne odchylenie tarczy sterującej 4 12. Eta Poprzeczne odchylenie tarczy sterującej 4 13 NR Obroty wirnika nośnego 1 14. Xcoll Położenie dźwigni skoku ogólnego 2 15. Xlong Podłużne odchylenie drążka sterowego 2 16. TQ_1 Moment skrętny na wale lewego silnika 2 17. TQ_2 Moment skrętny na wale prawego silnika 2 18. Xlat Poprzeczne odchylenie drążka sterowego 2 19. IAS Prędkość przyrządowa 1 20. Hb Barometryczna wysokość lotu 1 21. Alfa Kąt ślizgu 1 22. N2_1 Obroty turbiny napędowej lewego silnika 1 23. N2_2 Obroty turbiny napędowej prawego silnika 1
Tabela [5.1]. Zestaw parametrów rejestratora pokładowego BUR 1-2 stosowanego w
śmigłowcu Sokół.
W zakładach lotniczych PZL „Świdnik” wykonano szereg lotów doświadczalnych
służących do zgromadzenia danych. Za pomocą 32 – kanałowego systemu pomiarowego
„ESAM” w sposób ciągły rejestrowano przebieg lotu. Rejestrowane parametry zestawiono w
tabeli 5.2.
Praca doktorska
_____________________________________________
________________________________________________________________ - 38 -
Nr Nazwa punktu 1 Drgania pod fotelem pilota X 2 Drgania pod fotelem pilota Y 3 Drgania pod fotelem pilota Z 4 Drgania przekładni głównej X 5 Drgania przekładni głównej Y 6 Drgania przekładni głównej Z 7 Moment tłum. na piaście WN wokół przeg.pion 5-5’/ I 8 Moment tłum. na piaście WN wokół przeg.pion 5-5’/ II 9 Moment tłum. na piaście WN wokół przeg.pion 5-5’/III 10 Moment tłum. na piaście WN wokół przeg.pion 5-5’/ IV 11 Moment ster. ramie piasty WN 7-7’/ I 12 Moment gn. ramie piasty WN 8-8 /I 13 Moment gn. ramie piasty WN 9-9/II 14 Moment gn. ramie piasty antywibratora 5-6-7-8 / I 15 Moment gn. łopatę WN LM (2-2’)/ I 16 Moment gn. łopatę WN LD (2-2’)/ I 17 Kąt wahań łopaty WN względem przegubu poz. beta/ I 18 Kąt wahań łopaty WN względem przegubu pion. xi/ I 19 Kąt wahań łopaty WN względem przegubu pion. xi/ II 20 Kąt wahań łopaty WN względem przegubu pion. xi/ III 21 Kąt wahań łopaty WN względem przegubu pion. xi/ IV 22 Sterowanie podłużne 51-51’ 23 Sterowanie poprzeczne 50-50’ 24 Siła skoku ogólnego 52-52’ 28 Przeciążenie osi Y 29 Pochylenie Ts 30 Przechylenie Ts 31 Skok ogólny WN 32 Skok SO (trzpień) 33 Kąt ślizgu 34 Kanał ON /OFF 35 Temperatura otoczenia 36 Wysokość barometryczna 37 Prędkość lotu V 38 Moment silnika lewego 39 Moment silnika prawego 40 Pochylenie śmigłowca 41 Przechylenie śmigłowca 82 Prędkość kątowa X 83 Prędkość kątowa Y 95 Zużycie paliwa SP 96 Zużycie paliwa SL 97 Obroty SP 98 Obroty SL 99 Obroty WN 100 Marker
Praca doktorska
_____________________________________________
________________________________________________________________ - 39 -
101 Licznik ramek - wolny 102 Licznik ramek - średni 103 Licznik ramek - szybki 104 Numer formatu PCM 105 Numer operacyjny 106 Czas IRIG 107 Czas IRIG 108 Synchro A|B11101101 109 Synchro 1011010010 110 Synchro 0001010000
Tabela [5.2] Dane zapisane przez urządzenia rejestrujące
Sygnały przygotowane do analizy pochodzące z rejestratora („czarnej skrzynki”)
wchodzą na wejście grupy sieci neuronowych klasyfikujących, gdzie zostaje rozpoznany stan
lotu (jeden z 45 możliwych stanów). Po zaklasyfikowaniu wektora wejściowego jako dany
stan, sygnał wejściowy zostaje wprowadzony na sieć rozpoznającą obciążenie.
Rys. 5.4. Struktura rozpoznawania stanów lotu
Na rysunku 5.4. przedstawiono schemat procesu rozpoznawania stanów lotu. Sygnał
wejściowy wchodzi na sieć decyzyjną dwustanową SD1 . Jeżeli wektor prędkości ma wartości
„około zerowe” to sygnał wchodzi na siec neuronowa SN1, która rozpoznaje stany lotów 1, 2,
3, 42, 43, 44, 45. Jeżeli prędkość śmigłowca jest niezerowa to sygnał wejściowy przechodzi
do sieci decyzyjnej SD2. W sieci SD2 na podstawie parametru przechylenia ( =0 lub 0)
Rejestrator lotów
SD1
SN1 SD2
SD3
SN3 SN4
SN2
(1,2,3,42,43,44,45)
(4,5,6,7,8,9,10,11,12,13, 14,15,16,17,18,19)
(20,21,22,26,27,30, 31,34,36,37,40) (23,24,25,28,29,32,33,35,38,39,41)
Praca doktorska
_____________________________________________
________________________________________________________________ - 40 -
zostaje podjęta decyzja czy analizowany stan jest lotem poziomym czy innym stanem. Jeżeli
jest to lot poziomy to sygnał wejściowy zostaje wprowadzony na SN2 rozpoznającą stany lotu
poziomego, jeżeli nie to sygnał przechodzi na sieć decyzyjną SD3. Sieć decyzyjna nr 3 na
podstawie znaku parametru przechylenia podejmuje decyzje czy rozpoznawany stan lotu jest
zakrętem lub ślizgiem w prawo czy w lewo. Jeżeli w prawo to przechodzi na SN3, która
rozpoznaje zakręty i ślizgi lewe czyli stany 20, 21, 22, 26, 27, 30, 31, 34, 36, 37, 40 natomiast
jeżeli w prawo to sieć SN4 rozpoznaje stany 23, 24, 25, 28, 29, 32, 33, 35, 38, 39, 41. W
tabeli nr 5.3 przedstawione zostały możliwe stany lotów.
Rozpoznanie stanu lotu może być też zrealizowane za pomocą innych algorytmów co
przedstawiono w dalszej części rozprawy.
Praca doktorska
_____________________________________________
________________________________________________________________ - 41 -
Nazwa stanu lotu Nr stanu Na ziemi 1
Start Pionowy 2 Zawis 3
Rozpędzanie 0-130 km/h 4 Wznoszenie N start v=130 km/h 5 Wznoszenie N mi v=130 km/h 6
Lot poziomy v=50 km/h 7 Lot poziomy v=60 km/h 8 Lot poziomy v=80 km/h 9
Lot poziomy v=100 km/h 10 Lot poziomy v=120 km/h 11 Lot poziomy v=140 km/h 12 Lot poziomy v=160 km/h 13 Lot poziomy v=180 km/h 14 Lot poziomy v=200 km/h 15 Lot poziomy v=220 km/h 16 Lot poziomy v=240 km/h 17 Lot poziomy v=250 km/h 18 Lot poziomy v=260 km/h 19
V=160 km/h zakręt lewy 15 deg 20 V=160 km/h zakręt lewy 30 deg 21 V=160 km/h zakręt lewy 45 deg 22
V=160 km/h zakręt prawy 15 deg 23 V=160 km/h zakręt prawy 30 deg 24 V=160 km/h zakręt prawy 45 deg 25 V=220 km/h zakręt lewy 15 deg 26 V=220 km/h zakręt lewy 30 deg 27
V=220 km/h zakręt prawy 15 deg 28 V=220 km/h zakręt prawy 30 deg 29 V=240 km/h zakręt lewy 15 deg 30 V=240 km/h zakręt lewy 30 deg 31
V=240 km/h zakręt prawy 15 deg 32 V=240 km/h zakręt prawy 30 deg 33 V=240 km/h zakręt lewy 35 deg 34
V=240 km/h zakręt prawy 35 deg 35 V=160 km/h ślizg lewy 10 deg 36 V=160 km/h ślizg lewy 20 deg 37
V=160 km/h ślizg prawy 10 deg 38 V=160 km/h ślizg prawy 20 deg 39 V=220 km/h ślizg lewy 15 deg 40
V=220 km/h ślizg prawy 15 deg 41 Opadanie silnikowe v=130 km/h 42
Hamowanie v=130 –0 km/h 43 Zawis przed lądowaniem 44
Lądowanie pionowe 45 Tabela 5.3. Stany ustalone rozpoznawane przez sieć neuronową
Praca doktorska
_____________________________________________
________________________________________________________________ - 42 -
5.1.3 Struktura sieci rozpoznającej obciążenia
Kolejnym etapem po identyfikacji stanu lotu było wyznaczenie obciążeń ramienia
tłumika piasty wirnika.
Rys. 5.5. Widok piasty wirnika śmigłowca
Dla każdego z 45 stanów lotu stworzono sieć neuronową wyznaczającą obciążenia
tłumika piasty wirnika. Schemat struktury sieci neuronowej do wyznaczenia obciążeń
przedstawiono na rys. 5.6.
Rys. 5.6. Schemat struktury rozpoznającej obciążenia
Sygnał wejściowy, zawierający parametry lotu, był identyczny jak w sieci
rozpoznającej stany lotu. Na wyjściu sieci otrzymujemy wektor wartości średnich i
amplitud na jeden obrót wirnika momentu tłumika piasty wirnika. Na podstawie wyjść z
Praca doktorska
_____________________________________________
________________________________________________________________ - 43 -
sieci neuronowej możliwe są dalsze obliczenia analityczne pozwalające określić
naprężenia zmęczeniowe wirnika.
5.1.4 Analityczne wyznaczenie naprężeń
Wartość średnią obciążenia i amplitudę odnosi się z reguły do okresu równego
jednemu obrotowi wirnika nośnego wykorzystując zależności:
2minmax xxavl
−= (5.2)
2minmax xxamn
+= (5.3)
Gdzie:
avl - amplituda umowna obciążeń dla przedziału czasu równemu jednemu obrotowi
wirnika nośnego.
amn - wartość średnia obciążeń dla przedziału czasu równemu jednemu obrotowi
wirnika nośnego
xmax - wartość maksymalna obciążenia w danym okresie
xmin - wartość minimalna obciążenia w danym okresie
Określenie trwałości zmęczeniowej zespołu w określonym przekroju krytycznym wirnika
może być wykonane wg wzoru [5.4] .
⎟⎠⎞⎜
⎝⎛
Σ
=SaSg
m
NfeNbR *
****3600 ηηη σ
(5.4)
Gdzie:
R - wyznaczona trwałość zmęczeniowa w godzinach
fe - ilość cykli obciążeń w trakcie jednej sekundy (częstość dominująca)
Nb - bazowa liczba cykli przy której określano wytrzymałość zmęczeniową, z
reguły przyjmuje się 107 cykli
Praca doktorska
_____________________________________________
________________________________________________________________ - 44 -
M - wykładnik krzywej Wohlera w zakresie ograniczonej wytrzymałości
zmęczeniowej dla Nb<107 przyjmowany jako m=6, a dla większych wartości Nb jako
m=10.
- współczynnik pewności na hipotezę liniowej kumulacji uszkodzeń
zmęczeniowych, =2, gdy próba stanowiskowa jest prowadzona bez odwzorowania
zmienności obciążeń w locie.
-współczynnik pewności na rozrzut pomiarów obciążeń w locie =1,2.
N - współczynnik pewności na rozrzut wytrzymałości zmęczeniowej zależny od
ilości przebadanych próbek.
Sg -gwarantowana wytrzymałość zmęczeniowa określona na bazie Nb cykli w
próbie zmęczeniowej.
Sa -ekwiwalentna amplituda naprężenia z prób w locie.
Z wielkości wchodzących do wyrażenia [5.4] amplituda równoważna Sa jest związana
z profilem użytkowania śmigłowca i zależna od obciążeń zarejestrowanych w stanach
wchodzących w skład wektora stanów lotu U oraz udziałów procentowych poszczególnych
stanów lotu zawartych w wektorze W zależnością
m U TWSa * (5.5)
Wartości względnych udziałów stanów lotu w widmie w wektorze W wyznaczane są
metodami opisanymi w pracy [Wasilak 1999] Wartości obciążeń w wektorze U określane są
w próbach w locie na podstawie analizy rejestrowanych sygnałów obciążeń. Obciążenia te
mogą być identyfikowane za pomocą zaproponowanej sieci neuronowej.
Praca doktorska
_____________________________________________
________________________________________________________________ - 45 -
5.2 Opis opracowanych procedur i oprogramowania
5.2.1 Usunięcie błędów pomiaru i nieciągłości.
Dla uniknięcia błędów występujących w pomiarach a opisanych we wcześniejszych
rozdziałach stworzono funkcję „nocontin”. Funkcja tworzy wektor indeksów, w których
występują nieciągłości. Następnie tworzony jest wektor wyjściowy który jest kopią wektora
wejściowego lecz z usuniętymi wartościami NaN.
W efekcie takiej operacji, następuje częściowa utrata informacji zawartej w sygnale. Ilość
nieciągłości w analizowanych wektorach jest jednak bardzo mała w porównaniu z ich
rozmiarami, dlatego postępowanie takie, praktycznie nie wpływa na wartości średnie i
maksymalne. Wyeliminowanie nieciągłości nie ma również istotnego wpływu na
synchronizację czasową. Celowo nie zdecydowano się na interpolację w celu predykcji
utraconych danych w obszarach zakłóconych, ponieważ wymusiłoby to na systemie dłuższy
czas obliczeń.
5.2.2 Kompresja danych uczących
Rozmiar danych wykorzystany do uczenia sieci powinien być możliwie najmniejszy.
Rzeczywiste obciążenia badane mają charakter okresowy. Pełny cykl obciążeń jest
realizowany w czasie trwania jednego pełnego obrotu wirnika głównego (rys. 7.5)
Praca doktorska
_____________________________________________
________________________________________________________________ - 46 -
0 0.5 1 1.5-1
-0.8
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
Czas [s]
A/A
max
Rys. 5.7. Zmniejszenie ilości danych wejściowych
Zmniejszenie ilości danych wejściowych w trybie uczenia sieci, zrealizowano wyliczając
wartość średnią Asr oraz wartość maksymalną Amax przypadającą na jeden pełny obrót
wirnika. Informacja o czasie trwania pełnego obrotu została zapisane podczas prób w postaci
sygnału znacznika (tab. 5.2)
W wyniku uśrednienia wartości chwilowych (z jednego obrotu wirnika) uzyskano
dwudziestokrotną redukcję informacji, bez utraty danych istotnych do wyznaczenia obciążeń.
Na wykresach przedstawionych na rysunkach 5.8. oraz 5.9. przedstawiono wartości średnie
Asr i maksymalne Amax dla jednego ustalonego stanu lotu.
Rys 5.8. Wartości Amax
5 10 15 20 25 30 35 40 45 50
-0.9
-0.85
-0.8
-0.75
-0.7
-0.65
Nr próbki
Am
ax/A
max
(max
)
Praca doktorska
_____________________________________________
________________________________________________________________ - 47 -
5 10 15 20 25 30 35 40 45 50-0 .95
-0.9
-0 .85
-0.8
-0 .75
-0.7
-0 .65
próbki
Asr
/Asr
(max
)
Rys. 5.9. Wartości Asr
5.2.3 Przygotowanie wektorów uczących.
Dane dostarczone przez producenta śmigłowca otrzymano w postaci danych dla
konkretnego stanu lotu. Aby przeprowadzić proces nauki sieci neuronowych wykonano
scalenie danych pomiarowych (usunięto wartości typu NaN) oraz synchronizację tak, aby
dane podane na sieć neuronową reprezentowały wyniki pomiarów z pełnego lotu (od startu do
lądowania). Tabela 5.4 przedstawia wykaz zbudowanych wektorów wartości średnich lub
wartości maksymalnych z uwzględnieniem kompresji i nieciągłości danych, które zostały
wykorzystane do nauki sieci neuronowych.
Nazwa wektora Opis Asr Moment tłumika na piaście wirnika (wart. śr) Amax Moment tłumika na piaście wirnika (wart. max) Asr33 Kąt ślizgu Asr36 Wysokość barometryczna Asr37 Prędkość lotu Asr40 Pochylenie śmigłowca Asr41 Przechylenie śmigłowca
Tabela 5.4 Wektory wejściowe i uczące
Praca doktorska
_____________________________________________
________________________________________________________________ - 48 -
5.2.4 Opis sieci do rozpoznawania stanów lotu.
W pakiecie Matlab zbudowano sieci typu „backpropagation”. Na podstawie danych
uczących, zawierających parametry lotu, wygenerowano sieci, które przeprowadzały
klasyfikacje stanów lotu. Dane Asr i Amax wykorzystano w późniejszym etapie do budowy
sieci rozpoznających obciążenia.
Nazwa sieci
Ilość klasyfikowanych
stanów
Ilość warstw
Ilość Neuronów
w warstwie ukrytej
Ilość neur. w warst.
Wyjściowej
Funkcja aktywacji
w warstwie ukrytej
Funkcja aktywacji
w warstwie
wyjściowej
Maksymalna ilość epok
Max błąd SSE (średnio kwadratowy)
net0* 5 2 5 1 tansig purel. 3000 0.001 net1 2 2 5 1 tansig purel. 3000 0.001 net2* 21 2 15 1 tansig purel. 3000 0.004 net4* 2 2 5 1 tansig purel. 2000 0.001 net5 4 2 15 1 tansig purel. 3000 0.001 net6 12 2 10 1 tansig purel. 3000 0.001 net8 2 2 5 1 tansig purel. 4000 0.001 net9 2 2 5 1 tansig purel. 3000 0.001
* - sieci dwustanowe decyzyjne ; dla wszystkich sieci ustalono współczynnik uczenia 0.05
Tabela 5.5 Parametry sieci klasyfikujących.
W tabeli 5.5 przedstawiono parametry sieci klasyfikujących wygenerowanych podczas nauki
sieci. Wszystkie sieci posiadały te same funkcje aktywacji oraz różną liczbę warstw ukrytych.
Ilość możliwych stanów klasyfikacyjnych dla danej sieci wyznaczono doświadczalnie. W
dalszej części budowy algorytmu rozpoznawania stanów zdefiniowano przedziały ufności dla
odpowiednich stanów. Podczas wyznaczenia stanu lotu dla każdej próbki sprawdzano
warunek przynależności do odpowiedniego przedziału.
5.2.5 Sieci rozpoznające obciążenia
Proces uczenia sieci rozpoznających obciążenia wykonano na podstawie danych
pochodzących z konkretnych stanów lotu. Wykorzystano w tym celu parametry lotu
śmigłowca oraz określone wcześniej wartości momentu tłumika piasty wirnika. W tabeli 7.6
przedstawiono parametry sieci rozpoznających obciążenia.
Praca doktorska
_____________________________________________
________________________________________________________________ - 49 -
Tabela 5.6. Parametry sieci rozpoznające naprężenia
Nazwa sieci
Numer ustalonego stanu lotu
Ilość warstw
Ilość Neuronów w wrst. Ukr.
Ilość neur. w w. Wyj.
Funkcja aktywacji w warst. ukr.
Funkcja aktywacji w wyj.
Maksymalna ilość epok
Max. błąd SSE
net10 1 2 17 2 logsig purel. 4000 0.04 net11 2 2 17 2 logsig purel. 3000 0.04 net12 3 2 18 2 logsig purel. 3000 0.04 net13 4 2 17 2 logsig purel. 3000 0.04 net14 5 2 18 2 logsig purel. 3000 0.04 net15 6 2 17 2 logsig purel. 4000 0.008 net16 7 2 20 2 logsig purel. 4000 0.001 net17 8 2 29 2 logsig purel. 4000 0.09 net18 9 2 20 2 logsig purel. 3000 0.01 net19 10 2 25 2 logsig purel. 3000 0.009 net20 11 2 25 2 logsig purel. 3000 0.04 net21 12 2 30 2 logsig purel. 3000 0.001 net22 13 2 30 2 logsig purel. 3000 0.001 net23 14 2 35 2 logsig purel. 3000 0.001 net24 15 2 15 2 logsig purel. 3000 0.04 net25 16 2 20 2 logsig purel. 3000 0.001 net26 17 2 28 2 logsig purel. 3000 0.04 net27 18 2 20 2 logsig purel. 8000 0.001 net28 19 2 25 2 logsig purel. 4000 0.004 net29 20 2 15 2 logsig purel. 4000 0.004 net30 21 2 20 2 logsig purel. 4000 0.004 net31 22 2 20 2 logsig purel. 4000 0.004 net32 23 2 20 2 logsig purel. 4000 0.004 net33 24 2 20 2 logsig purel. 4000 0.001 net34 25 2 20 2 logsig purel. 4000 0.04 net35 26 2 20 2 logsig purel. 6000 0.01 net36 27 2 20 2 logsig purel. 6000 0.01 net37 28 2 25 2 logsig purel. 8000 0.004 net38 29 2 20 2 logsig purel. 6000 0.001 net39 30 2 35 2 logsig purel. 8000 0.001 net40 31 2 25 2 logsig purel. 4000 0.001 net41 32 2 25 2 logsig purel. 4000 0.004 net42 33 2 25 2 logsig purel. 4000 0.004 net43 34 2 25 2 logsig purel. 4000 0.004 net44 35 2 25 2 logsig purel. 4000 0.004 net45 36 2 25 2 logsig purel. 6000 0.004 net46 37 2 25 2 logsig purel. 6000 0.004 net46 38 2 25 2 logsig purel. 6000 0.004 net48 39 2 30 2 logsig purel. 6000 0.001 net49 40 2 25 2 logsig purel. 6000 0.004 net50 41 2 22 2 logsig purel. 4000 0.004 net51 42 2 25 2 logsig purel. 4000 0.004 net52 43 2 25 2 logsig purel. 4000 0.004 net53 44 2 25 2 logsig purel. 3000 0.004 net54 45 2 25 2 logsig purel. 6000 0.004
Dla wszystkich sieci przyjęto współczynnik uczenia sieci 0.05
Praca doktorska
_____________________________________________
________________________________________________________________ - 50 -
Na rysunkach (5.10.-5.19.), umieszczono wykresy przedstawiające historie uczenia dla kilku przykładowych sieci.
0 100 200 300 400 500 600 700 80010
-2
10-1
100
101
102
103 Performance is 0.0510955, Goal is 0.05
890 Epochs
Trai
ning
-Blu
e G
oal-B
lack
0 200 400 600 800 1000 1200 1400 1600 180010
-3
10-2
10-1
100
101
102
103
104 Performance is 0.0345104, Goal is 0.004
1900 Epochs
Trai
ning
-Blu
e G
oal-B
lack
Rys. 5.10. Historia nauki dla sieci net10 Rys. 5.11. Historia nauki dla sieci net12
0 500 1000 1500 2000 2500 3000 350010
-3
10-2
10-1
100
101
102
103 Performance is 0.00399979, Goal is 0.004
3841 Epochs
Trai
ning
-Blu
e G
oal-B
lack
0 500 1000 1500 2000 2500 3000 3500 400010
-3
10-2
10-1
100
101
102
103 Performance is 0.0088573, Goal is 0.004
4000 Epochs
Trai
ning
-Blu
e G
oal-B
lack
Rys. 5.12. Historia nauki dla sieci net14 Rys. 5.13. Historia nauki dla sieci net15
0 500 1000 1500 2000 2500 3000 3500 400010
-3
10-2
10-1
100
101
102
103 Performance is 0.0133615, Goal is 0.004
4000 Epochs
Trai
ning
-Blu
e G
oal-B
lack
0 500 1000 1500 2000 2500 3000 3500 400010
-3
10-2
10-1
100
101
102
103 Performance is 0.00960546, Goal is 0.004
4000 Epochs
Trai
ning
-Blu
e G
oal-B
lack
Rys. 5.14. Historia nauki dla sieci net16 Rys. 5.15.. Historia nauki dla sieci 17
Praca doktorska
_____________________________________________
________________________________________________________________ - 51 -
0 500 1000 1500 2000 2500 300010
-3
10-2
10-1
100
101
102
103 Performance is 0.0230606, Goal is 0.004
3000 Epochs
Trai
ning
-Blu
e G
oal-B
lack
0 500 1000 1500 2000 2500 300010
-3
10-2
10-1
100
101
102
103
104 Performance is 0.00956079, Goal is 0.004
3000 Epochs
Trai
ning
-Blu
e G
oal-B
lack
Rys. 5.16. Historia nauki dla sieci net18 Rys. 5.17. Historia nauki dla sieci net19
0 500 1000 1500 200010
-2
10-1
100
101
102
103 Performance is 0.0399815, Goal is 0.04
2338 Epochs
Trai
ning
-Blu
e G
oal-B
lack
0 500 1000 1500 2000 2500 3000 3500
10-2
10-1
100
101
102
103 Performance is 0.0399559, Goal is 0.04
3764 Epochs
Trai
ning
-Blu
e G
oal-B
lack
Rys. 5.18. Historia nauki dla sieci net24 Rys. 5.19. Historia nauki dla sieci net28 Powyższe rysunki (rys.5.10.-5.19.) przedstawiają różne historie nauki. Autor wybrał
najbardziej istotne w celu pokazania trudności nauki. Niektóre sieci uzyskały dopuszczalny
błąd już po 900 pokazach jak to miało miejsce dla sieci net10 przedstawionej na rysunku (rys.
5.10). Większość z sieci, które były poddane procesowi nauki uczyła się w podobny sposób
jak sieć net10. Natomiast autor przedstawił pozostałe historie nauki gdzie ilość pokazów
musiała być dużo większa.
Następnie zbudowano program wykorzystujący sieci neuronowe do klasyfikacji stanu lotu
oraz rozpoznający obciążenia. Jego zadaniem było określanie dla każdej chwili czasu lotu,
jakie obciążenie występuje na piaście wirnika i jaki jest stopień zużycia tego elementu
(wyczerpanie wytrzymałości zmęczeniowej).
Praca doktorska
_____________________________________________
________________________________________________________________ - 52 -
5.2.6 Weryfikacja poprawności działania opracowanego oprogramowania
Weryfikacje działania zbudowanych sieci przeprowadzono na zbiorach danych
pochodzących z innego lotu niż dane uczące. Każdy zbiór danych zawierał dane uzyskane
podczas startu helikoptera, zawisu oraz wybranych stanów spośród wcześniej zdefiniowanych
[Wasilak 1999] tak, aby możliwe było przetestowanie metody wyznaczania stanów dla
wszystkich zdefiniowanych stanów lotu. Symulacje miały za zadanie określenie jakości
nauczonych sieci.
Symulacja sieci klasyfikujących dwustanowych
W tabeli [5.7] zamieszczono wartości przedziału, jakie odpowiada przypisanemu
stanowi. Jeżeli wartość na wyjściu z sieci należała do tego przedziału, to spełniony był
warunek przynależności do danego stanu.
siec Kryterium Przedział wartości
Net0 Prędkość (V 0) 0 - 0.13 Tabela 5.7. Wartości przedziału odpowiadające przypisanemu stanowi Net0
Wyniki przykładowej symulacji działania sieci przedstawia rys. 5.20 na rysunku tym
przedstawiono odpowiedz sieci na sygnał wejściowy. Wartości należące do przedziału
podanego w tabeli 5.7, identyfikują dla danych próbek prędkość około zera. Prędkości zerowe
występują w początkowej i końcowej fazie lotu.
Obszar dla których prędkość pozioma lotu jest bliska 0
500 1000 1500 2000 2500 3000 3500 4000 0.08
0.1
0.12
0.14
0.16
0.18
0.2
odpowiedz sieci rozpoznajaca lot V=0
probki
Rys. 5.20. Symulacja sieci dwustanowej
Praca doktorska
_____________________________________________
________________________________________________________________ - 53 -
Symulacja sieci klasyfikujących stany lotu. W tabeli 5.8 zamieszczono wartości przedziałów , jakie odpowiadają każdemu stanowi.
Klasyfikowane stany Przedział wartości
1 0.05 - 0.17 2 0.17 - 0.25 3 0.25 – 0.35
45 0.35 - 0.45 20 0.55 - 0.65 21 0.65 - 0.76 22 0.76 - 0.85 26 0.85 - 0.97 27 0.97 - 1.05 31 1.05 - 1.15 32 1.15 - 1.25 37 1.25 - 1.35 38 1.35 - 1.45 41 1.45 - 1.55 23 1.52 - 1.65 24 1.65 - 1.75 25 1.75 - 1.85 28 1.85 - 1.95 29 1.95 - 2.05 30 2.05 - 2.15 33 2.15 - 2.25 34 2.25 - 2.35 35 2.35 - 2.45 39 2.45 - 2.55 40 2.55 - 2.65 42 2.65 - 2.75 5 2.15 - 2.25 6 2.25 - 2.38
43 2.38 - 2.45 44 2.45 - 2.55 4 2.95 - 3.06 7 3.06 - 3.17 8 3.17 - 3.25 9 3.25 - 3.35
10 3.35 - 3.45 11 3.45 - 3.55 12 3.55 - 3.65 13 3.65 - 3.75 14 3.75 - 3.85 15 3.85 - 3.95 16 3.95 - 4.05 17 4.05 - 4.15 18 4.15 - 4.25 19 4.25 - 4.35
Tabela 5.8. Przedziały klasyfikujące stany lotu
Praca doktorska
_____________________________________________
________________________________________________________________ - 54 -
Przykładowe wyniki uzyskane w trakcie symulacji przedstawiono na wykresach (rys.
5.21-5.24)
50 100 150 200 250 300 350
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55symulacja dla sieci net1
próbki
odpo
wie
dz s
ieci
100 200 300 400 500 600 700 800 900
0.6
0.7
0.8
0.9
1
1.1
1.2
1.3
1.4
1.5
symulacja sieci net7
próbki
war
tosc
wyj
scio
we
Rys. 5.21. Symulacja sieci net1 Rys. 5.22. Symulacja sieci net7
100 200 300 400 500 600 700
1.5
1.6
1.7
1.8
1.9
2
2.1
2.2
2.3
symulacja sieci net9
war
tosc
wyj
scio
we
próbki 200 250 300 350 400 450
2.36
2.38
2.4
2.42
2.44
2.46
2.48
2.5
2.52
próbki
war
tosc
wyj
scio
we
symulacja sieci net5
Rys. 5.23. Symulacja sieci net9 Rys. 5.24. Symulacja sieci net5
Na rysunku 5.24, pokazano odpowiedź sieci dla dwóch sąsiednich stanów lotu. Stan
43 oraz stan 44. Na wykresie punkty czerwone nie są skupione, co sugeruje, że przejście ze
stanu 43 w stan 44 było płynnie. Z wykresów tych można także określić dynamikę przejść
pomiędzy dwoma różnymi stanami ustalonymi. Linią ciągłą przedstawione są wartości
oczekiwane, natomiast wartości uzyskane w wyniku symulacji zaznaczone zostały kolorem
czerwonym. Punkty w obszarach wartości określonych w tabeli 5.8, odpowiadają
poszczególnym stanom lotu. Z wykresów wynika, że dla niektórych sąsiednich stanów
istnieje przesunięcie w czasie. Rzeczywiste stany lotu, nie pokrywają się z informacją o
stanach lotu podaną w otrzymanych danych, za pomocą, których uczono sieci neuronowe.
Sieci klasyfikujące spełniają dodatkową rolę – weryfikują inną metodę wyznaczania stanów
lotu podanej w pracy [Wasilak A. 1999]. Dla stanów zbliżonych sieci neuronowe dają wynik
pośredni. Nie możemy, więc jednoznacznie określić, jaki stan występuje w rzeczywistości.
Praca doktorska
_____________________________________________
________________________________________________________________ - 55 -
Problem ten nie jest istotny w predykcji obciążeń, ponieważ dla zbliżonych stanów, mamy
zbliżone wartości obciążeń i tak rozpoznają je zbudowane sieci neuronowe.
Ocena jakości rozpoznawania stanów lotu.
W trakcie symulacji sieci rozpoznających stany lotu, dla niektórych próbek nie można
zidentyfikować ustalonego stanu. Przyczyną takiej sytuacji mogą być:
Duże zakłócenia zewnętrzne – związane ze środowiskiem pracy
Zakłócenia w torze pomiarowym rejestratorów
Stany dynamiczne (związany z przejściem z jednego stanu do innego)
Rys. 5.25. Przedstawia procentowy udział stanów nierozpoznanych przez sieci.
Stany nierozpoznane są klasyfikowane jako stany sklasyfikowane w poprzedniej chwili czasu.
Postępowanie takie wydaje się być uzasadnione, ponieważ prawdopodobieństwo wystąpienia
zmiany stanu, w czasie jednego okresu jest bardzo małe.
Praca doktorska
_____________________________________________
________________________________________________________________ - 56 -
Na rysunku 5.26 przedstawiono wykres rozpoznanych stanów dla całej próby (wraz z
uwzględnieniem stanów niesklasyfikowanych).
Rys. 5.26. Wykres symulacji dla wszystkich stanów lotu.
Na podstawie rysunku 5.26 można zauważyć że stany lotu od 1 do 20 są lepiej rozpoznawane
niż pozostałe stany lotu. Stany od 1 do 20 to stany związane z lotami poziomymi z różnymi
prędkościami oraz stanami gdzie śmigłowiec jest w zawisie. Pozostałe stany, dla których sieci
wykazały błędy identyfikacji to stany złożone (np. ślizgi).
Weryfikacja poprawności działania sieci rozpoznających obciążenia.
Symulacje sieci rozpoznających obciążenia, podobnie jak przy weryfikacji sieci
neuronowych wyznaczających stan lotu, przeprowadzono na zestawie danych uzyskanych w
trakcie innego lotu helikoptera niż dane uczące.
Na wykresach 5.27-5.50 przedstawiono przykładowe wyniki symulacji wartości
średnich oraz maksymalnych. Proste regresji załączone do wykresów obrazują jakość
nauczonych sieci.
Praca doktorska
_____________________________________________
________________________________________________________________ - 57 -
0 10 20 30 40 50 60 70 80 90 1000.2
0 .25
0.3
0 .35
0.4
0 .45
0.5symulacja sieci net10
il. p róbek
Sre
dnia
wzg
ledn
a am
plitu
da o
bcia
zen
0 10 20 30 40 50 60 70 80 90 100
0.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
il. próbek
Mak
sym
alna
wzg
ledn
a am
plitu
da o
bcia
zen
symulacja sieci net10
Rys. 5.27. Symulacja sieci net10– Asr Rys. 5.28. Symulacja sieci net10 – Amax
0.2 0.25 0.3 0.35 0.4 0.45 0.50.2
0.25
0.3
0.35
0.4
0.45
0.5
T
A
Best Linear Fit: A = (0.985) T + (0.00476)
R = 0.992
Data PointsA = TBest Linear Fit
0.2 0.3 0.4 0.5 0.6 0.70.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
T
A
Best Linear Fit: A = (0.991) T + (0.00293)
R = 0.996
Data PointsA = TBest Linear Fit
Rys. 5.29. Prosta regresji dla sieci net10 (Asr)
Rys. 5.30. Prosta regresji dla sieci net10 (Amax)
20 40 60 80 100 120
-0.2
0
0.2
0.4
0.6
0.8
symulacja sieci net13
ilość probek
wzg
ledn
a w
artość
sre
dnie
j am
plitu
dy o
bcia
zeni
a
20 40 60 80 100 120
-0.2
0
0.2
0.4
0.6
0.8
1
max
war
tość
sre
dnie
j am
plitu
dy o
bcia
zeni
a
ilość probek
symulacja sieci net13
Rys. 5.31 Symulacja sieci net13 –Asr Rys. 5.32. Symulacja sieci net13 –Amax
Praca doktorska
_____________________________________________
________________________________________________________________ - 58 -
-0.5 0 0.5 1-0.4
-0.2
0
0.2
0.4
0.6
0.8
1
T
A
Best Linear Fit: A = (0.99) T + (0.00518)
R = 0.995
Data PointsA = TBest Linear Fit
-0.5 0 0.5 1-0.2
0
0.2
0.4
0.6
0.8
1
1.2
T
A
Best Linear Fit: A = (0.984) T + (0.0105)
R = 0.992
Data PointsA = TBest Linear Fit
Rys. 5.33. Prosta regresji dla sieci net13 (Asr)
Rys. 5.34. Prosta regresji dla sieci net13 (Amax)
0 10 20 30 40 50 60 700
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
wzg
lędna
sre
dnia
am
plitu
da o
bciąz
enia
il. próbek
symulacja sieci net15
0 10 20 30 40 50 60 70
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
wzg
lędna
mak
sym
alna
am
plitu
da o
bciąz
enia
il. próbek
symulacja sieci net15
Rys. 5.35. Symulacja sieci net15 –Asr Rys. 5.36. Symulacja sieci net15 –Amax
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
T
A
Best Linear Fit: A = (0.993) T + (0.00362)
R = 0.996
Data PointsA = TBest Linear Fit
0 0.2 0.4 0.6 0.8 10.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
T
A
Best Linear Fit: A = (0.984) T + (0.0106)
R = 0.992
Data PointsA = TBest Linear Fit
Rys. 5.37. Prosta regresji dla sieci net15 (Asr) Rys. 5.38. Prosta regresji dla sieci net15 (Amax)
Praca doktorska
_____________________________________________
________________________________________________________________ - 59 -
0 20 40 60 80 100 120 1400.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1symulacja sieci net16
il. próbek
wzg
ledn
a sr
edni
a am
plitu
da o
bcia
zen
0 20 40 60 80 100 120 140
0.4
0.5
0.6
0.7
0.8
0.9
1
il. próbek
wzg
ledn
a m
aksy
mal
na a
mpl
ituda
obc
iaze
n
symulacja sieci net16
Rys. 5.39. Symulacja sieci net16 – Asr Rys. 5.40. Symulacja sieci net16 –Amax
0.2 0.4 0.6 0.8 10.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
T
A
Best Linear Fit: A = (0.936) T + (0.0337)
R = 0.968
Data PointsA = TBest Linear Fit
0.4 0.5 0.6 0.7 0.8 0.9 10.4
0.5
0.6
0.7
0.8
0.9
1
T
A
Best Linear Fit: A = (0.906) T + (0.0673)
R = 0.952
Data PointsA = TBest Linear Fit
Rys. 5.41. Prosta regresji dla sieci net16 (Asr) Rys. 5.42. Prosta regresji dla sieci net16 (Amax)
0 10 20 30 40 50 60 70 80 90-0.2
0
0.2
0.4
0.6
0.8
1
1.2symulacja sieci net17
il. próbek
wzg
ledn
a sr
edni
a am
plitu
da o
bcia
zen
0 10 20 30 40 50 60 70 80 90
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1symulacja sieci net17
il. próbek
wzg
ledn
a m
aksy
mal
na a
mpl
ituda
obc
iaze
n
Rys. 5.43. Symulacja sieci net17– Asr Rys. 5.44. Symulacja sieci net17– Amax
Praca doktorska
_____________________________________________
________________________________________________________________ - 60 -
-0.5 0 0.5 1-0.2
0
0.2
0.4
0.6
0.8
1
1.2
T
A
Best Linear Fit: A = (0.996) T + (0.0022)
R = 0.998
Data PointsA = TBest Linear Fit
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
T
A
Best Linear Fit: A = (0.984) T + (0.012)
R = 0.992
Data PointsA = TBest Linear Fit
Rys. 5.45. Prosta regresji dla sieci net17 (Asr) Rys. 5.46. Prosta regresji dla sieci net17
(Amax)
0 10 20 30 40 50 60 70 80 90 100-0.1
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
il. próbek
symulacja sieci net17
wzg
ledn
a sr
edni
a am
plitu
da o
bcia
zen
0 10 20 30 40 50 60 70 80 90 100
0
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9symulacja sieci net19
il. próbek
wzg
ledn
a m
aksy
mal
na a
mpl
ituda
obc
iaze
n
Rys. 5.47. Symulacja sieci net19 – Asr Rys. 5.48. Symulacja sieci net19 –Amax
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
T
A
Best Linear Fit: A = (0.979) T + (0.015)
R = 0.99
Data PointsA = TBest Linear Fit
0 0.2 0.4 0.6 0.8 10
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
T
A
Best Linear Fit: A = (0.979) T + (0.015)
R = 0.99
Data PointsA = TBest Linear Fit
Rys. 5.49. Prosta regresji dla sieci net19 (Asr) Rys. 5.50. Prosta regresji dla sieci net19
(Amax) Na rysunkach (5.27- 5.48) przedstawiono wyniki symulacji dla kilku wybranych sieci
identyfikujących obciążenia ponieważ wyniki dla wszystkich sieci były podobne, widać że
wszystkie z przedstawionych sieci mają podobny błąd dopasowania widoczny na rysunkach
obrazujących proste regresji dla badanego przebiegu. Różnice pomiędzy wartościami
pomiarowymi a wynikami symulacji w poszczególnych przebiegach są nieznaczne co jest
Praca doktorska
_____________________________________________
________________________________________________________________ - 61 -
wynikiem dobrze nauczonych sieci neuronowych. Wyniki symulacji dla całego lotu
zaprezentowano w dalszej części rozprawy.
Implementacja sieci neuronowych w pakiecie Matlab
W celu automatyzacji procesu wyznaczania obciążeń piasty wirnika w ramach pracy
napisano oprogramowanie, które automatycznie realizuje sieci neuronowe zbudowane do
identyfikacji stanów lotu oraz obciążeń. Program pozwala na analizę dowolnej ilości danych
pochodzących z badań obiektu w locie w celu weryfikacji utworzonych sieci neuronowych.
Po uruchomieniu programu na ekranie pojawiają się komunikaty z informacjami dotyczącymi
realizowanych badań:
numer analizowanej próbki,
rozpoznany stan lotu,
wartości amplitud obciążenia,
Rys. 5.51. Komunikaty ekranowe po uruchomieniu symulacji
Na wykresie 5.52. przedstawiono wyniki działania sieci dla całego przelotu. Przelot składał
się ze wszystkich stanów ustalonych podanych w tablicy 5.7. Linia czerwona obrazuje
rzeczywiste dane z piasty wirnika uzyskane w trakcie pomiarów, linia niebieska obrazuje
odpowiedz symulacyjną sieci neuronowych.
nr= 1, stan lotu: NA ZIEMI, Aśr.= -0.63123 nr= 2, stan lotu: NA ZIEMI, Aśr.= -0.61966 nr= 3, stan lotu: NA ZIEMI, Aśr.= -0.70929 nr= 4, stan lotu: NA ZIEMI, Aśr.= -0.61512 nr= 5, stan lotu: NA ZIEMI, Aśr.= -0.55065 nr= 6, stan lotu: NA ZIEMI, Aśr.= -0.54197 nr= 7, stan lotu: NA ZIEMI, Aśr.= -0.64486 nr= 8, stan lotu: NA ZIEMI, Aśr.= -0.53946 nr= 9, stan lotu: NA ZIEMI, Aśr.= -0.47496 nr= 10, stan lotu: NA ZIEMI, Aśr.= -0.47805 nr= 11, stan lotu: NA ZIEMI, Aśr.= -0.55886 nr= 12, stan lotu: NA ZIEMI, Aśr.= -0.47688 nr= 13, stan lotu: NA ZIEMI, Aśr.= -0.3823 nr= 14, stan lotu: NA ZIEMI, Aśr.= -0.362 nr= 15, stan lotu: NA ZIEMI, Aśr.= -0.458 nr= 16, stan lotu: NA ZIEMI, Aśr.= -0.42106 nr= 17, stan lotu: NA ZIEMI, Aśr.= -0.33547 nr= 18, stan lotu: NA ZIEMI, Aśr.= -0.29188 nr= 19, stan lotu: NA ZIEMI, Aśr.= -0.3508 nr= 20, stan lotu: NA ZIEMI, Aśr.= -0.32744 nr= 21, stan lotu: NA ZIEMI, Aśr.= -0.25983 nr= 22, stan lotu: NA ZIEMI, Aśr.= -0.2145 nr= 23, stan lotu: NA ZIEMI, Aśr.= -0.28457 nr= 24, stan lotu: NA ZIEMI, Aśr.= -0.24456
Praca doktorska
_____________________________________________
________________________________________________________________ - 62 -
Porównanie tych przebiegów wskazuje na dobre dopasowanie odpowiedzi sieci do danych
mierzonych podczas przelotu śmigłowca.
500 1000 1500 2000 2500 3000 3500 4000
-0.6
-0.4
-0.2
0
0.2
0.4
0.6
0.8
il. próbek
wzg
ledn
a sr
edni
a am
plitu
da o
bcia
zen
symulacja obciazen dla calego przelotu
sygnal oryginalnyodpowiedz SN
Rys. 5.52. Symulacja sieci neuronowych dla całego lotu.
Ocena jakości rozpoznawanych obciążeń
Na podstawie otrzymanych wyników określono trzy parametry decydujące o jakości
rozpoznawania obciążeń. Zestawiono je w tabeli 5.9.
Porównywano następujące wielkości wektorowe:
Asr(rz) - rzeczywista wartość względnych średnich amplitud obciążenia
Amax(rz) - rzeczywista wartość względnych maksymalnych amplitud obciążenia
Asr(wyz) - wyznaczona wartość względnych średnich amplitud obciążenia
Amax(wyz) - wyznaczona wartość względnych maksymalnych amplitud obciążenia
Wymiar wektorów jest równy liczbie badanych próbek.
Praca doktorska
_____________________________________________
________________________________________________________________ - 63 -
Dla wartości średnich Dla wartości
maksymalnych Funkcje statystyczne
Asr(rz) – Asr(wyz) Amax(rz) – Amax(wyz)
Współczynnik korelacji
0.995 0.995
Odchylenie standartowe
0.308 0.301
Średni błąd względny [%]
5.284 5.232
Tabela 5.9. Współczynniki porównawcze.
Rys. 5.53. Prosta regresji dla całego przebiegu Asr (rzecz.) – Asr (wyz.)
Rys. 5.54. Prosta regresji dla całego przebiegu Amax (rzecz.) – Amax (wyz.)
W tabeli 5.9 zestawiono współczynniki porównawcze dla całego przelotu. Średni błąd
pomiędzy wartościami pomiarowymi pochodzącymi z przelotu śmigłowca a wartościami
pochodzącymi z symulacji wynosił, około 5% co jest wynikiem zadawalającym.
Wyznaczenie obciążeń działających na śmigłowiec z błędem w granicach kilku procent jest
dopuszczalne.
Praca doktorska
_____________________________________________
________________________________________________________________ - 64 -
Wyznaczenie stanów lotu oraz obciążeń piasty wirnika za pomocą algorytmów opartych na logice rozmytej.
W trakcie budowy układu rozmytego założono przyjęcie jak najprostszej jego struktury
(jak najmniej funkcji przynależności) przy spełnieniu wymaganych kryteriów dokładności.
Sposób rozpoznawania aktualnego stanu lotu, odbywający się według schematu
przedstawionego na rys. 5.55., został wybrany wśród kilku możliwości przyjętych przez
eksperta [Piegat A. 1997] jako dający najlepsze wyniki w czasie weryfikacji
eksperymentalnej. Podział na stany lotu jest wykonywany przez osiem układów rozmytych
(UR_1, ..., UR_8), które kolejno klasyfikują aktualny stan lotu do odpowiedniej grupy lub
rozpoznają go. Na rys. 5.55. w nawiasie pod oznaczeniem każdego układu rozmytego podano
parametry lotu, na podstawie których podejmowana była decyzja o zaklasyfikowaniu stanu do
danej grupy lub na podstawie których był on rozpoznawany. Strzałki rysowane cieńszą linią
oznaczają rozpoznanie konkretnego stanu a strzałki rysowane linią grubszą oznaczają
zaklasyfikowanie stanu do kolejnej grupy.
Dla porównania te same dane z lotu przeanalizowano wykorzystując algorytmy oparte na
logice rozmytej.
UR_1
(h)
UR _2
( )
UR_3( )v
UR _4
( )UR
(v, h, ) _5
UR_6( )v
UR
_7(v, h, )
UR_8( )v,h,
7 do 12, 14 do 19
6,13,37,38,39,4320 do 25, 40
26 do 29, 31 do 33,35, 41, 42
1,2,3,4,5,44,45,46
Rys. 5.55. Schemat rozpoznawania stanów lotu z zaznaczonym przebiegiem rozpoznania
stanów z rys. 5.56.
Praca doktorska
_____________________________________________
________________________________________________________________ - 65 -
Wynik rozpoznawania sześciu stanów lotu dla około 600 próbek pokazano na rys. 5.56 a
przebieg rozpoznania tych samych stanów zaznaczony jest na rys. 5.55, na którym widać, że
dane są w pierwszym kroku przydzielane (przez układ rozmyty UR_1) do jednej z dwóch
grup w zależności od wartości wysokości barometrycznej h, na której znajduje się śmigłowiec.
Następnie w zależności od przechylenia śmigłowca są znowu przyporządkowywane (przez
UR_2) do grupy rozpoznawanej w następnym kroku przez układ rozmyty UR_6. Układ ten
rozpoznaje dany stan lotu (7 do 12 lub 14 do 19) na podstawie wartości prędkości v albo
przekazuje dane do kolejnej grupy (do układu UR_7).
0 100 200 300 400 500
14
15
16
17
18
19
Rys. 5.56. Sześć rozpoznanych stanów lotu (14 do 19).
Układy rozmyte były budowane na dwa sposoby. Jeżeli różnica między wartościami
parametrów (v, h, , , ) dla poszczególnych stanów była dostrzegalna, jak to ma miejsce dla
trzech stanów z rys. 7.55 w przypadku wartości prędkości v, wtedy układ był budowany na
podstawie wiedzy eksperta. Różnica wartości parametrów nie zawsze była widoczna, w takim
przypadku układ rozmyty był budowany przy pomocy biblioteki „Anfis”[Brzózka J. 1998],
która pozwala dobrać parametry układu rozmytego typu "Sugeno" na podstawie danych
uczących. Danymi uczącymi w tych przypadkach były dane wybrane z parametrów lotu jako
wejścia i numer stanu lotu jako wyjście. W tabeli 7.10 podano, które stany i na podstawie
jakich zmiennych były rozpoznawane przez poszczególne układy rozmyte.
Praca doktorska
_____________________________________________
________________________________________________________________ - 66 -
Układ rozmyty Numer
rozpoznawanego stanu lotu
Parametry na podstawie których dokonywane
klasyfikacji i rozpoznawania
UR_1 - h
UR_2 -
UR_3 - v
UR_4 20 do 25, 40
UR_5 26 do 29, 31 do
33, 35, 41, 42 v, h,
UR_6 7 do 12,
14 do 19
v
UR_7 6, 13, 37, 38, 39,
43 v, h,
UR_8 1, 2, 3, 4, 5, 44,
45 v, h,
Tabela 5.10. Stany lotu i zmienne na podstawie których były rozpoznawane
0 50 100 150 200 250-0.2
0
0.2
0.4
0.6
0.8
1
1.2
Rys. 5.57. Wartości prędkości v dla trzech różnych stanów lotu
Przykładową powierzchnię układu rozmytego pokazano na rys. 5.58. Liczba źle
określonych stanów lotu wynosi 2,25%. Jest to lepszy wynik w porównaniu z identyfikacją
stanów lotu za pomocą sieci neuronowych.
pręd
kość
Nr próbki
Praca doktorska
_____________________________________________
________________________________________________________________ - 67 -
-40 -30 -20 -10 0 10 20 30 40
20
22
24
26
28
30
32
34
36
38
40
input1
outp
ut
Rys. 5.58. Przykładowa powierzchnia układu rozmytego UR_4 rozpoznającego stany lotu od
20 do 25 i 40 na podstawie wartości przechylenia.
Dla realizacji opisanego algorytmu zbudowano oprogramowanie w pakiecie MATLAB. Na
kolejnych rysunkach (5.59, 5.60, 5.61) pokazano widok interfejsu graficznego z układem
rozmytym UR_1 tworzonego na podstawie wiedzy eksperta oraz widok układu UR_7
tworzonego przy pomocy biblioteki „anfis”. Na rys. 5.59 pokazano schemat układu
rozmytego UR_1 typu „sugeno” z jednym wejściem i wyjściem budowanego na podstawie
wiedzy eksperta..
Rys. 5.59. Widok interfejsu graficznego ze schematem blokowym układu rozmytego UR_1
Na rys. 5.60 pokazano kształt funkcji przynależności dla wejść układu rozmytego UR_1.
Praca doktorska
_____________________________________________
________________________________________________________________ - 68 -
Rys. 5.60. Widok interfejsu graficznego biblioteki Fuzzy z funkcjami przynależności dla
wejść układu UR_1.
Zakres zmienności wartości wejściowej ( od 214 do 1049) określono na podstawie zakresu
wielkości danych uczących. Układ rozmyty UR_1 służył do rozpoznawania stanu lotu na
podstawie wysokości barometrycznej h. Jeżeli wielkość wejściowa była z zakresu od 241 do
około 700 to została ona przydzielona do funkcji przynależności o nazwie ’in1mf1’, w dalszej
części klasyfikacja była dokonywana przez układ rozmyty UR_8. Jeżeli wartość wejściowa
była z zakresu od około 700 do 1049 to została przydzielona do funkcji przynależności
‘in1mf2’ a dalsza część klasyfikacji stanu lotu odbywała się przy pomocy układów
rozmytych UR_2 do UR_7. Widok okna realizującego reguły dla układu UR_1 pokazano na
rys. 5.61.
Rys. 5.61. Widok interfejsu graficznego biblioteki Fuzzy z regułami dla układu rozmytego
UR_1
Reguły te zostały utworzone przez eksperta systemu na podstawie obserwacji przebiegu
danych eksperymentalnych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 69 -
Widok interfejsu graficznego dla wyjść układu rozmytego UR_1 pokazano na rys. 7.60. Są to
dwie funkcje przynależności typu ‘singleton’ o wartościach 0 oraz 1.
Rys. 5.62. Widok interfejsu graficznego biblioteki fuzzy dla wyjść układu rozmytego UR_1
Na rysunku 5.63 pokazano schemat blokowy układu rozmytego UR_7, który był zbyt
skomplikowany, aby został stworzony na podstawie wiedzy eksperta. Jest to również układ
rozmyty typu „sugeno” o trzech wejściach i jednym wyjściu.
Rys. 5.63. Widok interfejsu graficznego biblioteki Fuzzy ze schematem blokowym układu rozmytego UR_7.
Do budowy tego układu wykorzystano bibliotekę „anfis”. Z góry założono, że układ ten
będzie posiadał funkcje przynależności typu trójkątnego. Po wstępnej analizie zdecydowano,
że wejście pierwsze odpowiadające zmiennej v będzie posiadało cztery funkcje
przynależności, wejście drugie odpowiadające zmiennej h dwie a wejście trzecie
odpowiadające zmiennej cztery funkcje. Po przyjęciu takiej struktury układ poddano nauce
wykorzystując w tym celu bibliotekę „anfis”. W ten sposób stworzonych zostało 32 reguły
Praca doktorska
_____________________________________________
________________________________________________________________ - 70 -
oraz 32 funkcje wyjściowe typu liniowego, a ich parametry zostały dobrane w taki sposób,
aby układ prawidłowo rozpoznawał wybrane stany lotu.
Przewidywanie obciążeń piasty wirnika
W celu wyznaczenia obciążeń działających na konstrukcję zbudowano 90 układów
(dwa dla każdego stanu lotu). Połowa z nich służy do obliczenia średniej amplitudy obciążeń
(Asr) a druga połowa do obliczenia maksymalnej amplitudy obciążeń (Amax). Po wyznaczeniu
stanu lotu zostają wybrane dwa układy (jeden dla obciążeń średnich i jeden dla obciążeń
maksymalnych), które na podstawie wartości parametrów lotu obliczają wartości Asr i Amax.
Przewidywanie obciążeń zmęczeniowych piasty wirnika za pomocą logiki rozmytej.
Wszystkie układy rozmyte służące do przewidywania obciążeń posiadają 5 wejść i jedno
wyjście.
Rys. 5.64. Schemat działania układów do przewidywania obciążeń wirnika z
wykorzystaniem logiki rozmytej
Układy różnią się między sobą liczbą i rodzajem funkcji przynależności dla poszczególnych
wejść oraz dla wyjść. Uzależnienie wartości wyjściowych od pięciu zmiennych wejściowych
oraz duża liczba próbek spowodowało, że nawet w najprostszym przypadku niemożliwe było
budowanie układów rozmytych z wykorzystaniem wiedzy eksperta, tak jak to miało miejsce
w przypadku określania aktualnego stanu lotu. Przebieg zmiennych wejściowych i zmiennej
wyjściowej dla jednego stanu lotu jest zbyt skomplikowany dla człowieka, aby dokonać
analizy zależności między nimi, dlatego wszystkie układy zostały zbudowane z
wykorzystaniem biblioteki „Anfis”. Z uwagi na dużą liczbę układów, które należało
zbudować została napisana procedura w postaci skryptu w programie Matlab, która tworzyła
układy rozmyte o różnej liczbie funkcji przynależności i reguł, przeprowadzała dobór ich
parametrów na podstawie danych uczących a następnie wybierała układy, które najlepiej
odwzorowywały wartości wyjściowe. Utworzone w ten sposób układy rozmyte posiadały
różne liczby funkcji przynależności dla wejść i wyjść zgodnie z opisem w tabeli 5.11.
Układy rozmyte Parametry lotu Obciążenie
Praca doktorska
_____________________________________________
________________________________________________________________ - 71 -
Nr stanu lotu Liczba funkcji przynależności
1 10 2 8 3 15 4 12 5 16 6 14 7 14 8 13 9 6 10 8 11 10 12 11 13 14 14 12 15 9 16 16 17 19 18 7 19 13 20 12 21 15 22 8 23 10 24 11 25 14 26 12 27 15 28 12 29 16 30 13 31 6 32 8 33 15 34 8 35 10 36 7 37 8 38 12 39 16 40 13 41 12 42 10 43 9 44 8 45 15
Tabela 5.11. Parametry układów rozmytych obliczających obciążenia We wspomnianym skrypcie użyto między innymi następujących funkcji dostępnych w
programie Matlab:
o „readfis” - do odczytania zapamiętanego na dysku układu rozmytego,
o „writefis” - do zapamiętania układu na dysku,
o „genfis1” i „genfis2” - do tworzenia nowego układy rozmytego,
Praca doktorska
_____________________________________________
________________________________________________________________ - 72 -
o „anfis” - do nauki układu rozmytego na podstawie danych uczących,
o „evalfis” - do obliczenia wartości wyjścia układu rozmytego dla zadanej
wartości wejściowej.
Ponadto skorzystano z graficznego interfejsu wywoływanego komendą „fuzzy”.
Na rysunku 5.65 przedstawiono schemat działania skryptu który w sposób automatyczny
dobierał liczbę funkcji przynależności.
n = n + 1
Utworzenie układu rozmytego przy pomocy funkcji „genfis2”
Nauczenie układu rozmytego przy pomocy funkcji „anfis”
Sprawdzenie błędu uczeniaprzy pomocy funkcji „evalfis”
Zapamiętanie układu rozmytego i błędu nauki przy pomocy funkcji „writefis”
Start n= 3
NIE
TAK
Wybór układu rozmytego
n=20
n- liczba funkcji przynależności
Rys 5.65. Schemat automatycznego doboru funkcji przynależności
Praca doktorska
_____________________________________________
________________________________________________________________ - 73 -
Procedura ta była wykonywana dla wszystkich 90 układów rozmytych. Wynikiem
przedstawionej procedury były gotowe układy rozmyte o różnych funkcjach przynależności
wraz z błędami nauczenia przyporządkowanymi do danego układu rozmytego. Po otrzymaniu
wyników zbiory rozmyte zostały wybrane przez eksperta systemu na podstawie wartości
błędu przy uwzględnieniu jak najmniejszej liczby funkcji przynależności do wejść.
Przykładowe wyniki uzyskane w trakcie przeprowadzonych symulacji przedstawione
zostały na wykresach na rys. 5.66.
0 10 20 30 40 50 60 70 80 90 1000.2
0.25
0.3
0.35
0.4
0.45
0.5
0 10 20 30 40 50 60 70 80 90 1000.2
0.25
0.3
0.35
0.4
0.45
0.5
0.55
Rys. 5.66. Wyniki symulacji obciążeń dla jednego stanu a) średnia amplituda obciążeń Asr, b) maksymalna amplituda obciążeń Amax.
Wyniki symulacji obciążeń działających na śmigłowiec za pomocą algorytmów rozmytych
nie dały lepszych wyników w porównaniu do sieci neuronowych symulujących obciążenia.
Błąd wyznaczony dla układów rozmytych symulujących obciążenia był w zakresie 7 %.
Praca doktorska
_____________________________________________
________________________________________________________________ - 74 -
5.3 Podsumowanie
Na podstawie przedstawionych wyników można stwierdzić, że sieci neuronowe i logika
rozmyta mogą być stosowane do wyznaczania dynamicznych obciążeń konstrukcji.
Zaimplementowanie metody pośredniego pomiaru do wyznaczenia obciążeń elementów
urządzeń jest korzystne ze względów eksploatacyjnych i ekonomicznych. Opracowano
algorytmy pozwalające na określenie stanów ustalonych, dzięki czemu można prowadzić
badania nad warunkami eksploatacji śmigłowców oraz wpływem warunków na ich zużycie
zmęczeniowe.
Algorytmy oparte na logice rozmytej w przedstawionym przykładzie lepiej rozpoznają stany
lotu helikoptera natomiast sieci neuronowe z większą precyzją wyznaczają obciążenia
działające na piastę wirnika. Wynika to z faktu, że w trakcie budowy układu rozmytego
można zawrzeć w nim wiedzę eksperta, (jeżeli taka wiedza jest dostępna, co ma miejsce w
przypadku rozpoznawania większości stanów lotu). Sieci neuronowe natomiast tworzy się
wyłącznie ( w rozpatrywanym algorytmie) na danych z eksperymentu bez udziału wiedzy.
Jeżeli zależności między wartościami wejściowymi i wyjściowymi nie są wyraźnie
zauważalne na podstawie analizy (tak jak w przypadku przewidywania obciążeń) wtedy układ
z logiką rozmytą można zastąpić układem z siecią neuronową, co w przedstawionym
przykładzie pozwoliło osiągnąć lepsze wyniki.
Praca doktorska
_____________________________________________
________________________________________________________________ - 75 -
6 Wykorzystanie algorytmów sztucznej inteligencji do wspomagania identyfikacji modeli za pomocą analizy modalnej.
6.1 Analiza modalna
Najczęściej stosowanym rozwiązaniem podczas analizy modalnej układu
mechanicznego jest podejście polegające na dokonaniu podziału złożonego układu na
prostsze komponenty oraz modelowaniu zachowania każdego z nich osobno. Analiza
modalna może być wykonana jako analiza teoretyczna na podstawie znajomości modelu
strukturalnego lub też jako analiza doświadczalna wykonana na podstawie wyników
eksperymentu identyfikacyjnego.
Analiza modalna przeprowadzana jest w następujących etapach
Zestawienie macierzy mas, współczynników tłumień i sztywności dla analizowanego
obiektu.
Sformułowanie równań ruchu.
Sformułowanie modelu w przestrzeni stanu.
Rozwiązanie zagadnienia własnego dla tak przygotowanego problemu.
Wyznaczenie częstotliwości drgań własnych, współczynników tłumienia modalnego i
postaci drgań
Wyrażenie równań ruchu w funkcji widmowych funkcji przejścia.
Wyrażenie widmowej funkcji przejścia w funkcji otrzymanych parametrów
modalnych
W eksperymentalnej analizie modalnej istotna jest znajomość rzędu modelu jest potrzebna dla
poprawnego rozdziału biegunów fizycznych od obliczeniowych podczas analizy diagramu
stabilizacyjnego.
Praca doktorska
_____________________________________________
________________________________________________________________ - 76 -
6.2 Estymacja rzędu modelu modalnego
W praktyce estymacji parametrów modelu modalnego na podstawie danych
pomiarowych wybór odpowiedniego rzędu modelu jest sprawą podstawową. Istnieje wiele
wskaźników ułatwiający wybór właściwych biegunów układu. Wskaźniki te nie dają jednak
prawie nigdy jednoznacznych rozwiązań. W związku z tym rozwiązanie tego problemu
wymaga dużego doświadczenia w wykonywaniu badań modalnych. Dostępne wskaźniki,
umożliwiające dokonanie selekcji biegunów układu, budowane są na podstawie danych
pomiarowych w dziedzinie częstotliwości [Uhl T. 1997].
Do otrzymania modelu modalnego na podstawie estymacji parametrów zawierającego
wszystkie znajdujące się w zakresie pasma analizy bieguny, rząd tego modelu musi zostać
powiększony o pewną liczbę [Lisowski W. 2006]. To powiększenie rzędu modelu związane
jest z uwzględnieniem w modelowaniu błędów, które są związane ze sposobem wykonania
pomiarów, jak również mogą pochodzić od błędów obliczeniowych. Otrzymany w ten sposób
model modalny zawiera, więc zazwyczaj pewną nadmiarową liczbę biegunów, nazywanych
biegunami obliczeniowymi. W związku z powyższym wybór odpowiedniego rzędu modelu
sprowadza się w tym przypadku do selekcji biegunów, które w rzeczywistości są związane z
własnościami dynamicznymi badanej konstrukcji, a nie z błędami pomiarów i obliczeń (nie
fizyczne postacie drgań)
Jednym z częściej w praktyce badań modalnych używanych wskaźników jest MIF (ang. Mode
Indicator Function) [Uhl T. 1997]. Wskazuje on na częstotliwości własne zawarte w widmie
odpowiedzi układu poprzez analizę stosunku energii drgań znajdujących się w fazie do
całkowitej energii drgań. Przykładowy przebieg dla tego wskaźnika pokazany jest na rys. 6.1.
Praca doktorska
_____________________________________________
________________________________________________________________ - 77 -
0 20 40 60 80 100 120 140 160 180 2000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rys. 6.1. Przykładowy przebieg wskaźnika MIF
Wartości minimalne tego wskaźnika związane są z częstotliwościami, które
najprawdopodobniej są biegunami badanego układu.
Kolejnym wskaźnikiem jest SUM będący jednym z prostszych kryteriów wspomagających
wybór odpowiednich biegunów badanego układu [Uhl T. 1997]. Kryterium budowane jest na
podstawie funkcji odpowiedzi częstotliwościowych, wyznaczonych dla badanego obiektu.
Wskaźnik ten może zostać zdefiniowany jako:
( )∑∑= =
ω=ωi oN
1i
N
1jij
ji
jHNN
1)j(SUM (6.12)
Na rysunku 6.2 przedstawiono przykładowy przebieg wskaźnika SUM.
Praca doktorska
_____________________________________________
________________________________________________________________ - 78 -
0 20 40 60 80 100 120 140 160 180 2000
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9
1
Rys. 6.2. Przebieg wskaźnika SUM dla przykładowych danych eksperymentalnych
Maksima na przebiegu wskazują na częstotliwości, dla których mogą występować bieguny
badanego układu.
Innym najczęściej w praktyce stosowanym rozwiązaniem wspomagającym wybór
odpowiedniego rzędu modelu modalnego jest metoda bazująca na diagramie stabilizacyjnym
[CADA-X 1998].
0 20 40 60 80 100 120 140 160 180 200 0
5
10
15
20
25
30
35
40
ff
f ff d
f f f d d d d f d d s d d v d d s s s d s s s v v s s s v s s v s s s fv s s s s s s s ss s v s s s s s v s s s s s f s s s vv v v s s vv vs v v s s vv vv v v s sf sv ss v v v s sv ss ss v v v v v vs vs vv v s s s s ss ss ss v s s v v v sv vs ss v s v v v sv ss ss v s v s v ss ss ss v s s s s ss v ss ss s s s s s ss s ss ss v s s s s s ss v ss ss s s s s v sv ss ss v v s s s s v ss v ssf ss s s s s v sv vs ss fs s s s s ss v vs ss s s s s s ss f ss fss fs v s s s s v ss f ss sfs v s v s s s s v ss v sss sss s s
Hz
Ord
er
Rys. 6.3. Przykładowy widok diagramu stabilizacyjnego
W metodzie tej za pomocą wybranego algorytmu analizy modalnej estymowane są modele o
zmieniającym się w pewnych zadanych granicach rzędzie. Następnie bieguny uzyskane dla
modeli kolejnych sąsiadujących ze sobą rzędów są porównywane ze sobą ze względu na
Praca doktorska
_____________________________________________
________________________________________________________________ - 79 -
częstotliwość drgań, współczynnik tłumienia oraz wektor modalny. Porównanie dwóch
pierwszych parametrów, z uwagi na to, że są one skalarami, nie nastręcza większych
problemów. W praktyce badań modalnych przyjmuje się, iż wartości procentowe błędów
względnych dla tych wielkości nie powinny przekraczać w przypadku stabilnych biegunów
odpowiednio 1% i 5%.
Dla porównania wektorów modalnych stosowany jest natomiast dodatkowy wskaźnik;
(1 - MAC) 100%, gdzie MAC (ang. Modal Assurance Criterion) jest współczynnikiem
korelacji zdefiniowanym dla dwóch wektorów [Uhl T. 1997]. Wartość poprawna dla tego
wskaźnika w przypadku biegunów stabilnych przyjmowana jest na poziomie 2%.
Następnie buduje się diagram zależności rzędu modelu względem częstotliwości, na który
zrzutowane zostają wszystkie wyznaczone bieguny. Przykładowy wykres diagramu
stabilizacyjnego przedstawiony jest na rys. 6.3
Dla częstotliwości, dla których występują bieguny fizyczne na diagramie stabilizacyjnym,
tworzone są pionowe linie stabilizacji danego bieguna.
Bardzo często dla skomplikowanych układów pojedyncze wskaźniki nie dają dobrego wyniku
pozwalającego na poprawny wybór rzędu modelu. W takich wypadkach konieczne jest
stosowanie kilku wskaźników jednocześnie i na podstawie ich wartości podejmuje się decyzje
co do struktury modelu.
Decyzje te podejmuje operator przeprowadzający test modalny na podstawie swojej
wiedzy i doświadczenia. Jest to jedna z podstawowych i kluczowych dla jakości wyników
czynność procedury badań modalnych. Obecnie prowadzone są liczne prace [Lisowski W.
2006] nad automatyzacją analizy modalnej, która powinna być przeprowadzona bez udziału
subiektywnych decyzji operatora. Jedną z możliwości jest przedstawiona i opracowana przez
autora metoda oparta o wykorzystanie sieci neuronowych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 80 -
6.3 Wyznaczenie rzędu modelu za pomocą sieci neuronowych
Opracowana i przetestowana procedura wyboru rzędu modelu polega na zastosowaniu sieci
neuronowej do interpretacji przebiegu diagramu stabilizacyjnego.
6.3.1 Analiza diagramu stabilizacyjnego
Autor rozprawy zaproponował metodę wyznaczenia rzędu modelu składającego się z dwóch
podstawowych etapów: uczenia sieci i rozpoznawaniu rzędu modelu.
Proces uczenia realizowany jest na podstawie wyników symulacji modelu dyskretnego
i składa się z następujących czynności:
Zbudowanie równań dynamicznych dla różnych układów drgających
Wyznaczenie funkcji przejścia dla badanych układów
Utworzenie diagramów stabilizacyjnych dla rozpatrywanych układów
Wyznaczenie współczynników wagowych dla rozpatrywanych diagramów
stabilizacyjnych
Zbudowanie sieci neuronowej w oparciu o dane symulacyjne
Symulacja sieci neuronowych na danych symulacyjnych
Weryfikacja otrzymanych wyników oraz dobranie odpowiednich współczynników
dla sieci neuronowej
Proces wyznaczenia rzędu modelu realizowany przez sieć neuronową na danych z
symulacji składa się z następujących czynności.
Wyznaczenia funkcji przejścia dla badanego obiektu
Budowa diagramów stabilizacyjnych za pomocą oprogramowania
„Vioma”[Kurowski P. 2001]
Wyznaczenie wektora współczynników wagowych
Grupowanie z pomocą sieci neuronowej danych zawartych w wektorze
współczynników wagowych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 81 -
Zliczenie liczby wyznaczonych grup i wyświetlenie wyniku jako liczbę, która
określa rząd modelu dla danego obiektu.
W kolejnych paragrafach opisano szczegółowo poszczególne czynności obu etapów
opracowanej procedury.
6.3.2 Tworzenie diagramu stabilizacyjnego dla modeli symulacyjnych.
Diagramy stabilizacyjne tworzone są na podstawie wartości własnych oraz wektorów
własnych otrzymanych poprzez estymację parametrów modelu badanego obiektu dla
zmieniającego się rzędu. Na podstawie funkcji przejścia generowane są diagramy
stabilizacyjne. Układ o wielu stopniach swobody tworzy się jako złożenie funkcji przejścia
dla układów o jednym stopniu swobody.
Poniżej przedstawiono przykładowe funkcje przejścia dla układu o trzech stopniach swobody
dla układu symulowanego i obiektu rzeczywistego o nieznanej liczbie stopni swobody.
Rys. 6.4. Funkcja przejścia i diagram stabilizacyjny dla symulowanego
Rys. 6.5. Funkcja przejścia i diagram stabilizacyjny dla rzeczywistego
Praca doktorska
_____________________________________________
________________________________________________________________ - 82 -
Na powyższych wykresach zaprezentowano różnice pomiędzy funkcjami przejścia i
diagramami stabilizacyjnymi dla dwóch typów obiektów – symulacyjnych i rzeczywistych.
Na wykresach uzyskanych w wyniku badań doświadczalnych można zauważyć wpływ
zakłóceń działających na obiekt rzeczywisty, przez co przebieg diagramu jest bardziej
złożony.
Dla częstotliwości, dla których występują bieguny związane z dynamiką strukturalną
badanego obiektu na diagramie stabilizacyjnym, tworzone są pionowe linie stabilizacji
danego bieguna. Poprawne wyznaczenie rzędu modelu metodą diagramu stabilizacyjnego
wymaga dużego doświadczenia od osoby analizującej diagram stabilizacyjny. Ocena rzędu
modelu w metodzie diagramu stabilizacyjnego polega na zliczeniu linii stabilizacyjnych
biegunów. Proces ten został przedstawiony na rysunku nr 6.6.
Rys. 6.6. Przykładowy diagram stabilizacyjny dla modelu ramy stalowej estymowany w
oprogramowaniu „VIOMA” Diagramy stabilizacyjne wygenerowane na podstawie danych pomiarowych są
niejednokrotnie trudne do analizy, ponieważ pasma stabilizacyjne biegunów nie układają się
liniowo. Wynika to z rozdzielania się linii stabilnych biegunów przy wzroście rzędu modelu.
Dzięki zastosowaniu sztucznej inteligencji możliwa jest automatyzacja procesu wyboru rzędu
modelu a także eliminacja błędów związanych z wizualną oceną rzędu modelu.
Liczba stabilnych biegunów jest równa rzędowi modelu
Praca doktorska
_____________________________________________
________________________________________________________________ - 83 -
6.3.3 Dane wejściowe do sieci neuronowej
Diagramy stabilizacyjne tworzone są na podstawie wartości własnych oraz wektorów
własnych otrzymanych poprzez estymację parametrów modelu badanego obiektu dla
zmieniającego się rzędu. W czasie tworzenia diagramu stabilizacyjnego porównywane są ze
sobą bieguny otrzymane dla modeli kolejnych rzędów. Wynikom porównania biegunów, dla
których przynajmniej jeden z parametrów (częstość drgań, modalny współczynnik tłumienia
lub współczynnik MAC dla wektora modalnego) zawiera się wewnątrz zadanego przedziału,
przypisywane są odpowiednie wagi. Macierz współczynników wagowych sumowana jest
następnie względem częstości tworząc wektor. Tak zbudowany wektor ma tę własność, iż
częstości, dla których prawdopodobne jest wystąpienie bieguna układu, markowane są
poprzez maksima na wykresie. Maksima te mają amplitudy proporcjonalne do wielkości
prawdopodobieństwa pojawienia się rzeczywistego bieguna badanego układu dla danej
częstości.
Rys. 6.7. Wektor współczynników wagowych dla obiektu symulowanego
Rys. 6.8. Wektor współczynników wagowych dla obiektu rzeczywistego
Wektor współczynników wagowych razem z biegunami układu oraz wektorem częstości, dla
których przeprowadzane były badania modalne, podawany jest następnie na wejście
klasyfikującej sieci neuronowej [Tadeusiewicz R. 1993].
6.3.4 Schemat klasyfikacji danych wejściowych
Sieci neuronowe są powszechnie stosowane do rozwiązywania zagadnień klasyfikacji
do którego można zaliczyć zadanie wyboru rzędu modelu. Do wyznaczenia rzędu modelu
użyto samo-organizującej się sieci neuronowej. Sieć ta wykorzystuje procedury uczenia bez
Praca doktorska
_____________________________________________
________________________________________________________________ - 84 -
nauczyciela. Klasyfikuje ona wektor współczynników wagowych na dowolną liczbę grup
reprezentujących rząd badanego obiektu. Wektor uczący jest to wektor współczynników
wagowych pochodzący z modeli symulacyjnych. Dane weryfikacyjne dla sieci neuronowej
zostały zgromadzone na podstawie pomiarów układów rzeczywistych przeprowadzonych
przez bardzo doświadczonych operatorów systemów do realizacji analizy modalnej.
Rys. 6.9. Schemat klasyfikacji danych wejściowych
Wektor współczynników wagowych wygenerowany na podstawie diagramu stabilizacyjnego
jest obarczony dwoma błędnymi maksimami na początku i końcu analizowanego zakresu
częstotliwościowego co jest widoczne w postaci pasm stabilizacyjnych (rys 6.6). Błędne
maksima w wektorze współczynników wagowych są usuwane przez program automatycznie,
co powoduje, że dane wejściowe do sieci neuronowej lepiej opisują badany model.
Rys. 6.10. Normalizacja wektorów wejściowych do zadanej długości
Badania obiektów rzeczywistych przeprowadza się w różnych zakresach częstotliwości co
powoduje, że otrzymane wektory współczynników wagowych mają różne liczby
współrzędnych. Sieć neuronowa ze względu na zdolność do równoległego przetwarzania
danych musi otrzymać na wejściu wektory o identycznym wymiarze. W celu wyeliminowanie
Praca doktorska
_____________________________________________
________________________________________________________________ - 85 -
powyższego problemu wszystkie wektory zostały znormalizowane do założonego wymiaru
równego 1024 próbek Proces ten był realizowany przez uzupełnianie próbkami o wartości
zerowej do zadanego wymiaru wektora.
Opracowany proces wyznaczania rzędu modelu, opisany w poprzednich rozdziałach, można
schematycznie przedstawić jak na rysunku 6.11:
Rys. 6.11. Kolejne etapy wyznaczenia rzędu modelu
Sieć neuronowa o strukturze zawierającej 2 warstwy wejściowe i 5 warstw ukrytych oraz
doświadczalnie dobrane współczynniki sąsiedztwa wyodrębnia grupy danych wejściowych,
przyporządkowuje elementy współczynnika wag do odpowiednich grup.
Rys. 6.12. Wynik grupowania biegunów
Liczba grup wyodrębnionych przez sieć neuronową jest zliczana, co automatyzuje proces
wyznaczenia rzędu modelu. Sposób zliczania wyodrębnionych grup został przedstawiony na
rys. 6.12, gdzie rząd analizowanego modelu jest wyświetlany w postaci liczby w górnej
części diagramu grupowania.
Liczba grup jest równa rzędowi modelu
Praca doktorska
_____________________________________________
________________________________________________________________ - 86 -
Sieć neuronowa została przetestowana na danych pochodzących z obiektów rzeczywistych
przedstawionych na rysunkach 6.13- 6.16 a wyniki porównano z metodą wyznaczenia rzędu
modelu na podstawie diagramu stabilizacyjnego realizowanego przez bardzo doświadczonego
operatora.
Rys. 6.13. Obiekt 1 Śmigło helikoptera Rys. 6.14. Obiekt 2 Stalowa rama
Rys. 6.15. Obiekt 3 Śmigłowiec „Sokół” Rys. 6.16. Obiekt 4 Dzwon Zygmunta
Wyniki identyfikacji rzędu modelu dwóch obiektów przedstawiono na rys.6.17-6.18.
Rys. 6.17. Wynik identyfikacji rzędu modelu dla łopaty wirnika śmigłowca Sokół
Praca doktorska
_____________________________________________
________________________________________________________________ - 87 -
Rys. 6.18. Wynik identyfikacji rzędu modelu dla stalowej ramy
Algorytm wyznaczania rzędu modelu przetestowano na danych pochodzących z czterech
obiektów rzeczywistych, a następnie porównano z wynikami identyfikacji rzędu modelu na
podstawie diagramu stabilizacyjnego.
Na podstawie porównania zamieszczonego w tabeli 6.1 można stwierdzić że badany algorytm
poprawnie identyfikuje rząd modeli modalnych badanych obiektów (tak jak doświadczony
badacz).
Obiekt Rząd modelu wyznaczony
metodą diagramu stabilizacyjnego
Rząd modelu wyznaczony za pomocą sieci neuronowej
Dzwon 3 3 Stalowa rama 6 6
Śmigło 4 4 Śmigłowiec Sokół 5 5
Tabela 6.1. Zestawienie porównawcze identyfikacji rzędu modelu przebadanych obiektów
Przestawiony algorytm automatycznego wyznaczania rzędu modelu został
zaimplementowany w programie „VIOMA”. Wspomaga on inżyniera dokonującego analizy
diagramu stabilizacyjnego sugerując mu rząd modelu oraz częstotliwości przy których
występują dominujące bieguny. Na rys. 6.19 przedstawione jest przykładowe okno
„Diagramu stabilizacyjnego” wraz z oknem informującym o rzędzie modelu rozpoznanym
poprzez sieć neuronową.
Praca doktorska
_____________________________________________
________________________________________________________________ - 88 -
Rys. 6.19. Okno diagramu stabilizacyjnego wraz z oknami informującymi o rozpoznanym
rzędzie modelu
Narzędzie to pełni w obecnej realizacji jedynie rolę wspomagającą proces analizy diagramu
stabilizacyjnego. Inżynier wykonujący analizę w dalszym ciągu zmuszony jest do
samodzielnego podjęcia decyzji, który z biegunów należy przyjąć jako właściwy.
6.4 Wyznaczenie biegunów układu z wykorzystaniem metod sztucznej inteligencji
Opisane w rozdziale 8.3 zadanie wyboru rzędu modelu może być rozwiązane w
odmienny sposób również z zastosowaniem metod sztucznej inteligencji. Metoda opisana
poniżej umożliwia automatyzacje procesu wyznaczania biegunów układu. W trakcie pracy
zastosowane zostały algorytmy oparte na sieciach neuronowych i procedury klasteryzacji
danych [Yager R. 1994, Weiss S. et al. 1990]. Podobnie jak poprzednio także i w tym
przypadku wszystkie implementacje wykonano wykorzystując oprogramowanie MATLAB
wraz z bibliotekami „neural networks” i „fuzzy toolbox”.
Praca doktorska
_____________________________________________
________________________________________________________________ - 89 -
Celem analizy diagramu stabilizacyjnego jest wybór biegunów widmowych funkcji
przejścia odpowiadających fizycznym postaciom drgań własnych obiektu. W celu
automatyzacji tego procesu wykonano analizę rozkładu biegunów na diagramie
stabilizacyjnym. Analizie poddano 60 przykładowych linii pasm stabilizacyjnych biegunów.
Bieguny wybrano na podstawie diagramów stabilizacyjnych przez doświadczonego badacza.
W pakietach do analizy modalnej przyjmuje się w estymacji parametrów maksymalny rząd
modelu w zakresie 30 do 40 i taki sam zakres przyjęto w trakcie przeprowadzanych analiz.
Rys. 6.20. Zależność pomiędzy położeniem bieguna w linii stabilizacyjnej a długością linii
Na podstawie przeanalizowanych linii zauważono że bieguny wybrane przez doświadczonego
badacza najczęściej ulokowane są w części środkowej linii biegunów. Na podstawie
powyższego wykresu (rys 6.20) nie znaleziono zależności, która w jednoznaczny sposób
determinowałaby położenie bieguna w zależności od długości linii co spowodowało, że dalsze
prace badawcze były ukierunkowane na zastosowanie metod heurystycznych w automatyzacji
wyboru bieguna z linii stabilizacyjnej biegunów.
W analizie diagramu zastosowanie modelu stabilizacji umożliwia wykorzystania ścisłych
kryteriów w doborze biegunów. Procedura analizy diagramu zwykle polega na eliminacji
biegunów obliczeniowych z diagramu.
Obecnie stosowane algorytmy[Lisowski W. 2006] to:
Praca doktorska
_____________________________________________
________________________________________________________________ - 90 -
Analiza wpływu usunięcia bieguna na jakość predykcji widmowych funkcji przejścia
Analiza lokalizacji (odległości) zer i biegunów widmowych funkcji przejścia na
płaszczyźnie zmiennej zespolonej
Stochastyczna analiza wiarygodności estymacji biegunów
Redukcja modelu modalnego w postaci zbilansowanej
W pracy [Lisowski W. 2006] wykazano, że analiza danych oparta na algorytmach analizy
diagramu stabilizacyjnego zwykle nie działają lepiej niż sformułowane algorytmy
heurystyczne. Praca ta wykazała, że istotnym kierunkiem rozwoju jest doskonalenie
zastosowania metod heurystycznych.
Po przeanalizowaniu wyników badań oraz prac prowadzonych przez innych autorów
zajmujących się tematyką wyznaczenia biegunów z linii stabilizacyjnej biegunów, autor
zaproponował trzy metody wyznaczenia biegunów oparte na algorytmach sztucznej
inteligencji:
wyznaczenie biegunów za pomocą sieci neuronowej gdzie zbiór wejściowy złożony
był z trzech wektorów (częstotliwości, tłumienia, stopień ustabilizowania bieguna)
wyznaczenie biegunów za pomocą sieci neuronowej gdzie zbiór wejściowy złożony
był z trzech wektorów (długość linii stabilizacyjnej)
wyznaczenie biegunów za pomocą algorytmu klasteryzacji danych
Algorytmy utworzone zostały na podstawie 9 eksperymentów modalnych przeprowadzonych
na 7 obiektach. Wynikiem przeprowadzonych doświadczeń było utworzenie 28 diagramów
stabilizacyjnych dobrze reprezentujących 125 linii (skupień) stabilizacyjnych biegunów na
diagramie stabilizacyjnym.
6.4.1 Wyznaczenie biegunów układu za pomocą sieci neuronowej
Do wyznaczenia biegunów opracowano dwa algorytmy oparte na sieciach
neuronowych typu „backpropagation”. Architektura tego typu sieci pozwala na proces
uczenia z nauczycielem, dzięki czemu możemy wykorzystać informacje pochodzące od
doświadczonego inżyniera, który potrafi dobrze wyznaczyć bieguny układu na podstawie
diagramu stabilizacyjnego.
Praca doktorska
_____________________________________________
________________________________________________________________ - 91 -
Tworzenie procedury wyznaczania biegunów z linii stabilizacyjnej biegunów na
podstawie sieci neuronowych można podzielić na następujące etapy:
Przeprowadzenie badań modalnych na obiektach rzeczywistych
Wyznaczenie diagramów stabilizacyjnych dla badanych obiektów w określonym
zakresie częstotliwości
Wygenerowanie linii (skupień) stabilizacyjnych na podstawie diagramów
Wyodrębnienie w sposób losowy części danych jako dane symulacyjne i dane służące
do weryfikacji algorytmu
Przeprowadzenie normalizacji wektorów wejściowych do sieci neuronowych
Nauczenie sieci neuronowych oraz doświadczalne ustalenie struktury sieci
neuronowej
Weryfikacja poprawności działania sieci na podstawie danych testowych.
Pierwszy algorytm NN1 oparty na sieciach neuronowych przedstawiono na rysunku nr
6.21 Algorytm ten wykorzystuje informacje zawarte w linii pochodzącej z diagramu
stabilizacyjnego a także informacje o właściwym położeniu bieguna w linii od
doświadczonego inżyniera. Na podstawie wektora częstotliwości, tłumienia, miary
ustabilizowania oraz położenia bieguna w linii wyznaczono bieguny dla poszczególnych linii.
Rys. 6.21. Wyznaczenie biegunów za pomocą algorytmu NN1
Do budowy algorytmu wykorzystano sieć typu „backpropagation” o strukturze 3-25-1 (3
neurony w warstwie wejściowej, 25 w warstwie ukrytej, 1 w warstwie wyjściowej) gdzie
zastosowano funkcje aktywacji typu „tansig” i „purelin” (rys. 6.22). Większa część danych
(116 linii ) została wykorzystana w procesie uczenia natomiast 9 linii wykorzystano w
procesie weryfikacji wyników działania algorytmu.
Sieć neuronowa
częstotliwość
tłumienie
stabilizacja
Położenie w linii
Wybrany biegun
Praca doktorska
_____________________________________________
________________________________________________________________ - 92 -
Rys. 6.22. Schemat ideowy struktury sieci neuronowej
Na rysunku 6.23 przedstawiono historię uczenia dla sieci NN1 gdzie kryterium była
minimalizacja błędu średniokwadratowego (sse). Założono dopuszczalny błąd sse=0,001.
Wartość błędu sse<0,001 uzyskano przy 88501 pokazie danych uczących [Tadeusiewicz R.
1997].
Rys. 6.23. Historia nauki dla sieci NN1
Drugi algorytm oparty o sieć NN2 zbudowano przy użyciu mniejszej ilości informacji.
Zastosowana w tym algorytmie sieć typu „backpropagation” została nauczona przy użyciu
danych pochodzących z rzeczywistych obiektów oraz wiedzy doświadczonego inżyniera,
który dostarczył dane uczące. Podobnie jak poprzednim przykładzie wektorem uczącym jest
wybrany przez doświadczonego badacza biegun. Różnice pomiędzy algorytmami NN1 i NN2
polegają na różnych wektorach będących wejściami na sieć neuronową (w procesie uczenia).
Praca doktorska
_____________________________________________
________________________________________________________________ - 93 -
W tym przypadku wykorzystano informacje o długości linii stabilizacyjnej biegunów.
Schemat sieci NN2 przedstawiono na rys. 6.24.
Rys. 6.24. Wyznaczenie biegunów za pomocą algorytmu NN2
Struktura sieci to 1-50-1 z funkcjami aktywacji typu „tansig” i „purelin”. Założono
dopuszczalny błąd sse=0,001. Wartość błędu sse<0,001 uzyskano przy 8501 pokazie danych
uczących.
6.4.2 Wyznaczenie biegunów układu za pomocą klasteryzacji danych
Do wyznaczenia biegunów opracowany został algorytm oparty na klasteryzacji danych.
Wybór biegunów z linii stabilizacyjnej biegunów nie wymaga korzystania z wiedzy
doświadczonego badacza. Klasteryzacja, czyli analiza skupień polega [Yager R. et al. 1994]
na tym, że z rozpatrywanego zbioru obiektów wydzielić można jednorodne podzbiory
(klastry), zapewniając jednocześnie jak największe zróżnicowanie tych podzbiorów między
sobą. Kierunkowa analiza skupień daje dodatkowo możliwość uporządkowania podzbiorów
według jakiejś ukrytej cechy, którą udaje się zwykle zidentyfikować i zinterpretować.
Podzbiór początkowy i końcowy różnią się najsilniej, sąsiednie podzbiory są do siebie
zbliżone. W dodatku obiekty wewnątrz każdego podzbioru są również uporządkowane
według tej samej ukrytej cechy, tworząc uporządkowaną serię mniejszych wewnętrznych
skupień. Liczba wyróżnionych skupień jest wybierana przez osobę przeprowadzającą analizę.
Metoda wyznaczenia środków skupisk została zaproponowana przez Yagera [Yager R. et
al.1994]
W celu wykonania klasteryzacji danych zawartych w linii stabilizacyjnej biegunów
zastosowano metodę „subtractive” zaimplementowaną w środowisku Matlab, zakładająca, że
każdy punkt danych jest potencjalnym centrum klastra i oblicza miarę prawdopodobieństwa
Sieć neuronowa Długość lini
Położenie w linii
Wybrany biegun
Praca doktorska
_____________________________________________
________________________________________________________________ - 94 -
że każdy punkt danych może definiować środek klastra bazując na gęstości otoczenia tego
punktu.
Kolejne kroki procesu, klasteryzacji są następujące:
Wybór punktów z najwyższym potencjałem, które będą stanowiły centrum pierwszego
klastra
Usunięcie wszystkich punktów danych z sąsiedztwa pierwszego centrum klastra po to,
aby zdeterminować nowe dane klastra i lokalizacje jego centrum
Proces ten jest powtarzany do momentu, gdy wszystkie dane znajdą się w promieniu
klastra
Etapy algorytmu wyznaczania biegunów z linii stabilizacyjnej biegunów na podstawie
klasteryzacji danych są następujące:
Przeprowadzenie badań modalnych na obiektach rzeczywistych
Wyznaczenie diagramów stabilizacyjnych dla badanych obiektów w określonym
zakresie częstotliwości
Wygenerowanie linii (skupień) stabilizacyjnych na podstawie diagramów
Wyodrębnienie w sposób losowy części danych jako dane symulacyjne i dane służące
do weryfikacji algorytmu
Doświadczalne dobranie współczynników (wpływu i akceptacji) na podstawie danych
symulacyjnych
Weryfikacja poprawności działania sieci na podstawie danych testowych
Opracowanie oprogramowania działające w środowisku Matlab bez użycia biblioteki
„neural network” i „fuzzy logic” [Mrozek B et al. 1996]
Na rysunku 6.25 przedstawiono schemat procesu klasteryzacji danych zawartych w linii
stabilizacyjnej biegunów. Wektorami wejściowymi są częstotliwość własną i tłumienie
modalne pochodzącej z pasma stabilizacyjnego biegunów.
Rys. 6.25. Wyznaczenie biegunów za pomocą algorytmu klasteryzacji
Klasteryzacja
częstotliwość
tłumienieWybrany biegun
Praca doktorska
_____________________________________________
________________________________________________________________ - 95 -
W pakiecie Matlab w bibliotece „Fuzzy logic” wykonano wstępne badania dotyczące
poszukiwania skupisk oraz środków tych skupisk pochodzących z linii stabilizacyjnej
biegunów. W tym celu użyto funkcji „findcluster” gdzie istnieje możliwość przetestowania
różnych metod klasteryzacji.
Rys. 6.26. Widok przybornika “findcluster” w pakiecie Matlab
Weryfikacja poprawności działania algorytmów wyboru biegunów została przeprowadzona
dwuetapowo:
wyznaczenie biegunów dla modelu symulacyjnego układu
wyznaczenie biegunów dla obiektów rzeczywistych
Pierwszy etap weryfikacji wykonano na podstawie wyników symulacji modelu kładu
przedstawionego na rysunku 6.27 Przykład ten pochodzi z pracy [Lisowski W. 2006].Jest to
układ masowo-sprężysty o siedmiu stopniach swobody – założono możliwość ruchu
postępowego prostoliniowego pionowego mas. Parametry układu masowo-sprężystego
zostały dobrane tak że model modalny zawiera dwie grupy bliskich postaci drgań własnych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 96 -
Rys. 6.27. Schemat modelu układu o siedmiu stopniach swobody
Parametry modelu:
m1 = 5 [kg], m2 = 1 [kg], m3 = 1 [kg]
m4 = 1 [kg], m5 = 4[kg], m6 = 2[kg]
m7 = 2[kg];
c01 = 12 [kg/s], c12 = 5 [kg/s]
c13 = 5 [kg/s], c14 = 5 [kg/s]
c25 = 5 [kg/s], c35 = 5 [kg]
c45 = 5 [kg/s], c56 = 9 [kg/s]
c57 = 9 [kg/s];
k01 = 80000 [N/m]
k12 = 15000 [N/m]
k13 = 15000 [N/m]
k14 = 15000 [N/m]
k25 = 14800 [N/m]
k35 = 15000 [N/m]
k45 = 15000 [N/m]
k56 = 28000 [N/m]
k57 = 28000 [N/m]
Parametry wyestymowano na podstawie 14 widmowych funkcji przejścia (2 punkty
przyłożenia i 7 punktów pomiaru sygnału odpowiedzi). Całość analizy przeprowadzono w
Praca doktorska
_____________________________________________
________________________________________________________________ - 97 -
przyborniku „Vioma”. Wyniki zastosowania algorytmów wyboru biegunów zostały
przedstawione w tabeli 6.2.
Biegun
wyestymowany
przez badacza
Bieguny wyznaczone
przez
NN1
Bieguny wyznaczone
przez
NN2
Bieguny wyznaczone
przez
klasteryzacje
lp.
Częstot.
[Hz]
Tłumienie
[%]
częstot.
[Hz]
Tłumienie
[%]
Częstot.
[Hz]
Tłumienie
[%]
częstot.
[Hz]
Tłumienie
[%]
1 6,64 0,59 6,64 0,59 6,64 0,59 6,64 0,58
2 18,83 1,9 18,83 1,9 18,83 1,9 18,83 1,9
3 19,62 1,51 19,62 1,51 19,62 1,51 19,62 1,51
4 27,5 2,89 27,53 2,89 27,47 2,91 27,49 2,89
5 27,57 2,89 27,55 2,89 27,55 2,89 27,55 2,89
6 27,74 2,53 27,73 2,53 27,73 2,53 27,73 2,53
7 34,43 3,5 34,41 3,5 34,41 3,5 34,41 3,48
Tabela 6.2. Wyniki zastosowania algorytmów analizy diagramu stabilizacyjnego
6.4.3 Analiza wyników wyznaczenia biegunów dla układu symulowanego.
W przypadku układu symulacyjnego (rys. 8.27) dla algorytmu opartego o sieci
neuronowe NN1 różnice wartości częstotliwości pomiędzy fizycznymi biegunami a
wartościami wyznaczonymi poprzez sieć NN1 maksymalny błąd jest dla bieguna nr 4 i
wynosi on 0,03 Hz. Wartości tłumień sieć NN1 wyznaczyła bezbłędnie.
Praca doktorska
_____________________________________________
________________________________________________________________ - 98 -
-0,04
-0,03
-0,02
-0,01
0
0,01
0,02
0,03
1 2 3 4 5 6 7
nr bieguna
Hz/
% Częstot.Tłum.
Rys. 6.28. Różnica częstotliwości i tłumień dla algorytmu NN1
Na rys. 6.29 przedstawiono wynik identyfikacji biegunów za pomocą NN2. Podobnie jak w
algorytmie NN1 dla bieguna nr 4 zaobserwowano maksymalny błąd.
Rys. 6.29. Różnica częstotliwości i tłumień dla algorytmu NN2
Algorytm klasteryzacji zidentyfikował bieguny z maksymalnym błędem dla bieguna nr 7.
Wartość maksymalna błędu dla częstotliwości i tłumienia nie przekraczała 0,02 Hz lub dla
tłumienia 0,02%.
Różnice dla algorytmu NN2
-0,03-0,02-0,01
00,010,020,030,04
1 2 3 4 5 6 7
nr bieguna
Hz Czestot.
Tłum.
Praca doktorska
_____________________________________________
________________________________________________________________ - 99 -
0
0,005
0,01
0,015
0,02
0,025
1 2 3 4 5 6 7
nr bieguna
Hz/
% Czestot.Tłum.
Rys. 6.30. Różnica częstotliwości i tłumień dla algorytmu klasteryzacji
W celu weryfikacji poprawności wyszukiwania biegunów z linii stabilizacyjnej biegunów
wykonano analizę 9-ciu linii stabilizacyjnych wyodrębnionych z pośród 125 linii
pochodzących z badań modalnych przeprowadzonych na 9 obiektach. Mając do dyspozycji
informację dotyczące położenia bieguna w linii stabilizacyjnej pochodzące od
doświadczonego badacza wykonano następujące analizy:
Wyznaczenie biegunów za pomocą algorytmu NN1
Wyznaczenie biegunów za pomocą algorytmu NN2
Wyznaczenie biegunów za pomocą algorytmu klasteryzacji danych
Wyniki przeprowadzonych analiz zamieszczono w tabeli nr 6.3.
Biegun wyestymowany przez badacza
Biegun wyznaczony za
pomocą NN1
Biegun wyznaczony za
pomocą NN2
Biegun wyznaczony za
pomocą klasteryzacji
Częstotl. [Hz]
Tłum. [%]
Częstotl. [Hz]
Tłum. [%]
Częstotl. [Hz]
Tłum. [%]
Częstotl. [Hz]
Tłum. [%]
230,69 0,10 230,68 0,10 230,66 0,11 230,66 0,11230,67 0,10 230,67 0,10 230,67 0,10 230,67 0,10
3,86 1,53 3,86 1,50 3,86 1,49 3,86 1,49116,21 1,65 116,21 1,65 116,42 1,66 116,42 1,66126,19 4,36 126,06 4,43 126,05 4,55 126,02 4,54207,20 0,98 207,84 1,37 207,75 1,39 208,35 1,56209,72 2,42 209,96 2,50 208,80 2,15 209,22 2,18117,33 4,03 117,33 4,03 117,34 4,01 117,33 4,02155,67 0,46 155,67 0,48 155,59 0,44 155,64 0,38
Tabela 6.3. Tabela porównawcza wyników identyfikacji biegunów dla trzech metod
Praca doktorska
_____________________________________________
________________________________________________________________ - 100 -
Analiza wyników
Na podstawie otrzymanych wyników identyfikacji biegunów pochodzących z
diagramów stabilizacyjnych dla rzeczywistych obiektów zbudowano wykresy różnic
pomiędzy wartościami częstotliwości i tłumień dla biegunów wyznaczonych przez
doświadczonego badacza oraz biegunów wyznaczonych przez algorytmy NN1, NN2 oraz
klasteryzacji.
-0,80-0,60-0,40-0,200,000,200,400,600,801,00
1 2 3 4 5 6 7 8 9
nr bieguna
Hz/
%
Czest.Tłum.
Rys. 6.31. Różnica częstotliwości i tłumień dla algorytmu NN1
Na rysunku nr 6.31 przedstawiono różnice dla algorytmu NN1, gdzie zauważono maksymalny
błąd dla bieguna nr 7. Błąd ten dla wartości częstotliwości wynosił około 0,9Hz.
Praca doktorska
_____________________________________________
________________________________________________________________ - 101 -
-1,40
-1,20
-1,00
-0,80
-0,60
-0,40
-0,20
0,00
0,20
0,40
0,60
1 2 3 4 5 6 7 8 9
nr bieguna
Hz/
%
CzestTłum
Rys. 6.32. Różnica częstotliwości i tłumień dla algorytmu NN2
Dla algorytmu NN2 maksymalny błąd zauważono dla linii 6, który wynosił powyżej 1 Hz.
-0,70
-0,60
-0,50
-0,40
-0,30
-0,20
-0,10
0,00
0,10
0,20
1 2 3 4 5 6 7 8 9
nr bieguna
Hz/
%
CzestTłum.
Rys. 6.33. Różnica częstotliwości i tłumień dla algorytmu klasteryzacji
W przypadku algorytmu klasteryzacji maksymalny błąd zaobserwowano dla bieguna nr 6.
Praca doktorska
_____________________________________________
________________________________________________________________ - 102 -
Posumowanie wyników wyznaczenia biegunów
Na podstawie przeprowadzonych badań dla obiektu symulacyjnego stwierdzono, że
błędy estymacji biegunów są niewielkie. Maksymalny błąd dla układu symulacyjnego był
rzędu setnych części Hz, co jest dopuszczalne przy analizie diagramu stabilizacyjnego.
Estymacja biegunów pochodzących z rzeczywistych obiektów wykazała błędy większe od
błędów estymacji biegunów na podstawie danych symulacyjnych. Zauważono, że
maksymalny błąd estymacji biegunów pojawiał się dla biegunów nr 5,6 i 7. Pozostałe bieguny
posiadają błędy znacznie niższe. Autor podejrzewa, że bieguny z tych trzech linii
wyestymowano z danych o większych zakłóceniach, co było powodem powstania większych
wartości błędów. Maksymalne błędy dla pozostałych biegunów zaobserwowano na poziomie
setnych części Hz co jest dopuszczalne w estymacji biegunów w analizie modalnej. Jest to
wartość o rząd mniejsza od stosowanej najczęściej w praktyce rozdzielczości
częstotliwościowej widmowych funkcji przejścia, (0.125 Hz). Wyniki przetestowanych
algorytmów pokazały, że efektywność ich działania zależy od doboru parametrów tych
algorytmów oraz od własności analizowanych diagramów stabilizacyjnych a w największym
stopniu od poprawności doboru zbioru uczącego. Powoduje to występowanie niepewności
wyników zastosowania tego typu algorytmów. W celu eliminacji tych błędów zalecane jest
stosowanie minimum dwóch algorytmów.
Praca doktorska
_____________________________________________
________________________________________________________________ - 103 -
7 Wnioski i kierunki dalszych prac Na podstawie przeprowadzonych badań można wysnuć następujące wnioski dotyczące
zastosowania algorytmów sztucznej inteligencji w procesie badania układów dynamicznych:
Możliwe jest zastosowanie algorytmów sztucznej inteligencji do badania
złożonych układów dynamicznych
Algorytmy oparte na logice rozmytej w przedstawionym przykładzie wyznaczenia
obciążeń piasty wirnika lepiej rozpoznają stany lotu helikoptera natomiast sieci
neuronowe z większą precyzją wyznaczają obciążenia działające na piastę wirnika.
Wynika to z faktu, że w trakcie budowy układu rozmytego można zawrzeć w nim
wiedzę eksperta. Jeżeli zależności między wartościami wejściowymi i
wyjściowymi nie są wyraźnie widoczne na podstawie analizy (tak jak w przypadku
przewidywania obciążeń) wtedy układ z logiką rozmytą można zastąpić układem z
siecią neuronową, co w przedstawionym przykładzie pozwoliło osiągnąć lepsze
wyniki.
Zbudowano algorytmy pozwalające docelowo, dla śmigłowców, wyznaczyć
obciążenia bez stosowania skomplikowanych urządzeń pomiarowych.
Wymienione zalety opisanych układów, pomimo czasochłonności prac nad nimi i
niejednokrotnie uzależnienia wyników od doświadczenia osób go tworzących,
wydają się przemawiać za wykorzystaniem tego typu systemów w budowie i
badaniu układów mechanicznych.
Przy uczeniu sieci neuronowej i układu rozmytego istnieje możliwość
nieprawidłowego doboru ciągu uczącego, co może prowadzić do przeuczenia lub
niedouczenia, a w efekcie do nieprawidłowego określenia stanów i obciążeń. W
przypadku syntezy układu rozmytego na podstawie wiedzy eksperta taki problem
nie występuje, dlatego w opisanych przypadkach, gdy ta wiedza jest dostępna
korzystniejszym okazało się wybranie układu rozmytego zamiast sieci neuronowej.
Przedstawiona metoda wyznaczania obciążeń w helikopterze może wpływać na
zwiększenie bezpieczeństwa użytkowania statku powietrznego oraz redukcję
kosztów serwisowych.
Praca doktorska
_____________________________________________
________________________________________________________________ - 104 -
Na podstawie przebadanych układów można stwierdzić, że sieci neuronowe
ułatwiają poprawne wyznaczenie rzędu modelu dla badanego obiektu modalnego.
Dzięki zastosowanej metodzie możliwe jest wyeliminowanie błędów wyznaczenia
rzędu modelu popełnianych przy wizualnej interpretacji diagramu stabilizacyjnego.
Zawarcie wiedzy eksperta w modelu inteligentnym może istotnie zautomatyzować
proces identyfikacji.
Wyznaczenie biegunów układu może być realizowane za pomocą algorytmów
sztucznej inteligencji. Zarówno algorytmy oparte na sieciach neuronowych jak i
algorytmy klasteryzacji danych wykazały poprawność działania dla badanych
obiektów.
Wszystkie opisane algorytmy posiadają jedną wspólną ujemną cechę, taką że są
one czasochłonne ze względu na dobór struktur tych algorytmów w sposób
wymagający uciążliwego uczenia.
Dalsze prace związane z wyznaczeniem obciążeń wirnika za pomocą algorytmów
sztucznej inteligencji powinny obejmować wykonanie serii dodatkowych pomiarów, które w
sposób bardziej precyzyjny wyznaczą obciążania działające na piastę wirnika. Dane te
mogłyby być użyte do ponownego nauczenia sieci neuronowych a także do weryfikacji
utworzonych algorytmów. Kolejnym etapem powinno być testowanie opracowanej metody na
rzeczywistym obiekcie wraz z wykonywaniem dokładniejszych pomiarów rzeczywistego
zużycia piasty wirnika, co pozwoliłoby na całkowitą weryfikację opracowanej metody.
Kolejnym etapem prac nad zaproponowaną metodą wyznaczania obciążeń jest zbudowanie
układu wewnątrz śmigłowca, który informowałby pilotów o przekroczeniach dozwolonych
obciążeń piasty wirnika, co pozwoliłoby na wydłużenie żywotności piasty wirnika a co za
tym idzie obniżenie kosztów eksploatacji śmigłowca.
Możliwa jest także poprawa wyników estymacji biegunów. W tym celu konieczne jest
zgromadzenie większej ilości danych uczących. Ponadto w celu lepszej weryfikacji
opracowanych algorytmów należy zaimplementować wszystkie przedstawione algorytmy
wybory biegunów w przyborniku „Vioma” i dokonać większej liczby analiz wyznaczenia
biegunów przez doświadczonego badacza, który porówna wyniki automatycznego
wyznaczenia biegunów z wynikami analizy diagramu w sposób tradycyjny.
Praca doktorska
_____________________________________________
________________________________________________________________ - 105 -
Celem pracy było opracowanie algorytmów sztucznej inteligencji do wspomagania
projektowania oraz badania konstrukcji mechanicznych. Autor samodzielnie opracował i
zaimplementował kilka algorytmów z zastosowaniem sztucznej inteligencji, które
wspomagają prace inżynierskie dotyczące konstrukcji mechanicznych. Zaproponował
nowatorskie rozwiązania w zakresie wyznaczania obciążeń działających na piastę wirnika
śmigłowca „Sokół”. Przeprowadzone badania w przyszłości mogą podnieść bezpieczeństwo
eksploatacji śmigłowców oraz obniżyć koszty ich eksploatacji.
W pracy pokazana została celowość stosowania zaawansowanych metod związanych
wyborem odpowiedniego rzędu modelu. Szczególnie dużą rolę odgrywa tu metoda bazująca
na analizie diagramów stabilizacyjnych. Wydaje się, iż metoda ta w przyszłości może być
wykorzystana do automatyzacji procesu wykonywania analizy modalnej. Zastosowanie
zaawansowanych algorytmów opartych na sztucznej inteligencji może doprowadzić ponadto
do obiektywizacji analizy modalnej poprzez zminimalizowanie udziału inżyniera
obsługującego dane oprogramowanie.
Przedstawione prace wykorzystano w powodzeniem wykorzystane w pracach badawczych
Katedry Robotyki i Mechatroniki. Autor przedstawione wyniki referował na kilkunastu
konferencjach krajowych, seminariach oraz konferencjach zagranicznych. Można, zatem
stwierdzić, że autor opracował unikalne i autorskie algorytmy bazujące na metodach sztucznej
inteligencji wykorzystywane do wspomagania projektowania i badania układów
mechanicznych.
Na podstawie przeprowadzonych analiz i wyników można stwierdzić, że cel pracy został
osiągnięty a teza zastała udowodniona.
Praca doktorska
_____________________________________________
________________________________________________________________ - 106 -
Literatura 1. Akaike H., “A Bayesian analysis of the minimum AIC procedure”, Ann. Inst.
Statist. Math., 30(Part A):s. 9-14,1978 r. 2. Arabas J., „Wykłady z algorytmów ewolucyjnych”, WNT, Warszawa, 2001 r. 3. Barr A., Feigenbaum E. A., “The Handbook of Artificial Intelligence”, vol. I,
II, III, William Kaufmann Inc, 1981 r. 4. Batko W., Gibiec M.: „Diagnozowanie stanu maszyn procesowych z
wykorzystaniem sieci neuronowych”, Seminarium "Przegląd Projektów Badawczych KBN Akustyka w Technice, Medycynie i Kulturze", Komitet Akustyki PAN, s. 6, 1999 r.
5. Boorla R., Rotenberger K., “Load Variability of a Two-Bladed Helicopter”, Journal of the American Helicopter Society, vol.42, nr 1, s. 15-26, 1997 r.
6. Bishop C.M., “Neutral network for pattern recognition”, Oxford University Press Inc., Nowy York, 1996 r.
7. Brodie M.L., Mylopoulos J., “Readings in Artificial Intelligence”, Morgan Kaufmann Inc., 1989 r.
8. Brzózka J., Dorobczyński L., „Programowanie w Matlab” Zakład Nauczania Informatyki „Mikom” 1998 r.
9. Callan R., “The Essence of Neural Networks”, Prentice Hall, 1999 r. 10. Charniak E., McDermott D., “Introduction to Artificial Intelligence”,
Addison-Wesley, 1985 r. 11. Cholewa W. Diagnostyka techniczna maszyn: przetwarzanie cech sygnałów.
Wydawnictwa Politechniki Śląskiej 1995. 12. Cichosz P., „Systemy uczące się”, WNT, Warszawa 2000 r. 13. Colomies B., Benveniste A., “Project ‘FliTE’ Flight Test Easy, EU2419,
Final summary report”, 2004 r. 14. Cytowski J., „Algorytmy genetyczne”, Akademicka oficyna Wydawnicza,
1996 r. 15. Demuth H., Beale M., „Matlab Neural Network Toolbox”, The Math Works,
Inc 1997 r. 16. Dietrich M. „Podstawy Konstrukcji Maszyn” WNT Warszawa 1995 r. 17. Duch W., Korbicz J., Rutkowski J., Tadeusiewicz R., "Biocybernetyka i
inżynieria biomedyczna", Tom 6, "Sieci neuronowe" AOW Warszawa 2000 r. 18. Duch W. http://www.fizyka.umk.pl/~duch/ 19. Duch W., „Fascynujący świat komputerów”. Wydawnictwo Nakom, Poznań
1997 r. 20. Ewins D. J., „Modal Testing: Theory and Practise”, Research Studies Press
LTD., Letchworth, Hertfordshire, England, 1986 r. 21. Fraser K. F., “General Requirement and Techniques for Component Fatigue
Life” 22. “Substantiation in Australian Service Helicopters”, Aeronautical Research
Laboratories Propulsion Report 187, AR-006-619, 1991 r. 23. Genesereth M., Nilsson N., “Logical Foundations of Artificial Intelligence”,
Morgan Kaufmann Inc., 1989 r. 24. Giergiel J., Uhl T., „Identyfikacja układów mechanicznych”, Państwowe
Wydawnictwo Naukowe, Warszawa, 1990 r. 25. Goldberg D., “Algorytmy genetyczne i ich zastosowania”, WNT, Warszawa
1995 r.
Praca doktorska
_____________________________________________
________________________________________________________________ - 107 -
26. Goethals I., De Moor B., “Model reduction and energy analysis as a tool to detect spurious modes”, Proc. of ISMA2002, K.U. Leuven, s. 1307-1314 , 2002 r.
27. Goethals I., De Moor B., ``Subspace identification combined with new mode selection techniques for modal analysis of an airplane'', in Proc. of the 13th IFAC symposium on system identification (SYSID 2003), Rotterdam, the Nederlands, s. 695-700, 2003 r.
28. Haykin S., „Systemy telekomunikacyjne” WKiŁ, 2004 r. 29. Scionti M., Lanslots J., Goethals I., Vecchio A., Van der Auweraer H.,
Peeters B., De Moor B., ``Tools to improve detection of structural changes from in-flight flutter data'', in Proc. of the Eigth International Conference on Recent Advances in Structural Dynamics (ISVR), Southampton, UK, s. 12 2003 r.
30. Hannen E.J., Quinn B.G., “The determination of the order of an autoregression”, Journal of Royal Statistical Society vol.41, 1979 r.
31. Hass D.J., “Identification of Helicopter Component Loads Using Multiple Regression” AIAA Dynamics Specialists Conference, Technical Papers American Institute of Aeronautics and Astronautics, s. 302-314, 1992 r.
32. Hass D.J., Milano J., Flitter L., „Prediction of Helicopter Component Loads Using Neural Networks”, Journal of the American Helicopter Society, no.1, 1995 r.
33. Heylen W., Lammens S., Sas P., “Modal Analysis Theory and Testing”, Department of Mechanical Engineering, Katholieke Universiteit Leuven, Leuven, Belgium, 1995 r.
34. Jackson J.W., “Black Hawk Helicopter Component Fatigue Life Substantiation - Parameter Measurement”, Aeronautical Research Laboratories Technical Note 54, 1994 r.
35. Kaczorek T., „Teoria Sterowania i systemów”, Wydawnictwo Naukowe PWN, Warszawa, 1993 r.
36. Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W., ”Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania”, WNT, Warszawa 2002 r.
37. Korbicz J., Obuchowicz A., Uciński D., „Sztuczne sieci neuronowe . Podstawy i zastosowania”, Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1994 r.
38. Kotarbiński T., „Elementy teorii poznania logiki formalnej i metodologii nauki”, PWN, 1986 r.
39. Kurowski P., „Identyfikacja modeli modalnych konstrukcji na podstawie pomiarów eksploatacyjnych”, Rozprawa doktorska, Kraków, 2001 r.
40. Lisowski W., „Dyskryminacja rezonansów strukturalnych w eksploatacyjnej analizie modalnej”, K.R.i D.M.AGH, Materiały z obchodów 70-lecia urodzin i 45-lecia pracy naukowej prof. dr hab. inż. Józefa Giergiela oraz V Szkoły Analizy Modalnej, Kraków 2000 r.
41. Lisowski W., Góral G., Uhl T., „An example of application of soft computing in experimental modal analysis”, Proc. of NNSC-2005, Paper C13, 2005 r.
42. Lisowski W.,Kurowski P., “Applicability of selected indicators and algorithms for decision-making in an autonomous modal parameter estimation procedure”, Proceedings of the ISMA2002, K.U. Leuven, s. 1369-1378, 2002 r.
Praca doktorska
_____________________________________________
________________________________________________________________ - 108 -
43. Lisowski W., “Classification of vibration modes in operational modal analysis”, In Proc. of International Conference on Structural System Identification, Kassel, Niemcy, 2001 r.
44. Lisowski W., Aplication of autonomous algorithms in experimental modal analysis”, Materiały IX International Conference on Theory of Machinies and Mechanisms, Liberec, s. 485-490, Technical University of Liberec, 2004 r.
45. Lisowski W., „Wybrane problemy automatyzacji eksperymentalnej analizy modalnej”, Rozprawa habilitacyjna K.R.i M., Kraków, 2006 r.
46. Lisowski W., Uhl T., Kurowski P., Mendrok K., Góral G., Klepka A., „Example of autonomous parameter estimation procedure and its application to results of modal testing of an airplane”, Proc. of the ISMA2004, K.U. Leuven, s. 1019-1031, 2004 r.
47. LMS International. “LMS Test.Lab – Structural Testing Rev 4B”, Leuven, Belgium, www.lmsintl.com, 2003 r.
48. Luger G., “Artificial Intelligence: structures and strategies for complex problem solving”, Addison Wesley, 2005 r.
49. Lyons R.G., „Wprowadzenie do cyfrowego przetwarzania sygnałów” Wydawnictwo Komunikacji i Łączności, 1999 r.
50. Maia N.M.M., Silva J.M.M., He J., Lieven N.A.J., Lin R.M., Skingle G.W., To W.-M., Urgueira A.P.V., “Theoretical and Experimental Modal Analysis”, Research Studies Press, Taunton, Somerset, Wielka Brytania, 1997 r.
51. Mańczak K., Nahorski Z., „Komputerowa identyfikacja obiektów dynamicznych”, PWN, Warszawa, 1983 r.
52. Craig M., Gillian E., „Zarys cyfrowego przetwarzania sygnałów” Wydawnictwo Komunikacji i Łączności, 1999 r.
53. Minsky M., "Neural Nets and the Brain Model Problem," Praca doktorska , Princeton University, 1954 r.
54. McCarthy J., “Defending AI research : a collection of essays and reviews”, CSLI lecture notes: no. 49. Center for the Study of Language and Information, Cambridge University Press, 1996 r.
55. Michalewicz Z., “Genetic Algorithms + Data Structures = Evolution Programs”, Springer Verlag, 1996 r.
56. Mrozek B., Mrozek Z., „MATLAB Uniwersalne środowisko do obliczeń naukowo-technicznych”, CCATIE, Kraków, 1995 r.
57. Mrożek B, Mrożek Z., „Matlab” Wydawnictwo PLJ, Warszawa, 1996 r. 58. Muraszkiewicz M., Rybiński H., „Bazy danych”, Wydawnictwo
Akademickie, 1993 r. 59. Osowski S., „Sieci neuronowe w ujęciu algorytmicznym”, WNT, Warszawa,
1996 r. 60. Padfield G., Gareth D., „Dynamika lotu śmigłowca”, Wydawnictwa
Komunikacji i Łączności, 1998 r. 61. Parsaye K., Chignell M., Khoshafian S., Wong H., “Inteligent Databases.
Object Oriented”, 2001 r. 62. Pappa R.S., Woodard S.E., Juang J.-N., “A benchmark problem for
development of autonomous structural modal identification”, Proc of XV IMAC, SEM USA, s. 1071-1077, 1997 r.
63. Pawlak Z., „Analiza danych z zastosowaniem teorii zbiorów przybliżonych”, 1999 r.
Praca doktorska
_____________________________________________
________________________________________________________________ - 109 -
64. Peeters B., De Roeck G., Hermans L., Wauters T., Krämer Ch., De Smet C., “Comparison of system identification methods using operational data of a bridge test”, Proceedings of ISMA 23, the International Conferece of Noise and Vibration Engeeering, s. 923-930,K.U. Leuven, Belgium, 1998 r.
65. Piegat. A., „Modelowanie i sterowanie rozmyte” Exit, 1999 r. 66. Polanco. F.G. “Estimation of Structural Component Loads in Helicopters: A
Review of Current Methodologies”, Airframes and Engines Division Aeronautical and Maritime Research Laboratory DSTO-TN-023, 1999 r.
67. J. Rissanen, “Modeling by the the shortest data description”, Automatica, 1978 r.
68. Russell S., Norvig P., “Artificial Intelligence: A Modern Approach”, Prentice Hall, 2003 r.
69. Rutkowska D., „Inteligentne systemy obliczeniowe. Algorytmy genetyczne i sieci neuronowe w systemach rozmytych”, Akademicka Oficyna Wyd., Warszawa, 1997 r.
70. Rutkowska D. , Piliński M. , Rutkowski L., „Sieci neuronowe, algorytmy genetyczne i systemy rozmyte”, Wydawnictwo Naukowe PWN , Warszawa – Łódź, 1999 r.
71. Schaefer, Jr. C.G., “The Effects of Aerial Combat on Helicopter Structural Integrity”, Proceedings of the American Helicopter Society 45th Annual Forum, Boston, s. 197–210, 1989 r.
72. Scionti. M., Lanslots J., Goethals I., Vecchio A., Van der Auweraer H., Peeters B., de Moor B., “Tools to improve detectionof structural changes from in-flight flutter data”, Proc. Of the Eight International Conference on Recent Advances in Structural Dynamics, ISVR Southampton, Wielka Brytania , 2003 r.
73. Söderström T., Stoica P., „Identyfikacja systemów”, PWN, Warszawa, 1997 r. 74. Praca zbiorowa „Sprawozdania z badań modalnych wykonanych w ramach
prac katedry”, Katedra Robotyki i Dynamiki Maszyn, AGH, Kraków, 2000 r.75. Stevens P.W. , Hall D.L. , Smith E.C., “A Multi-Disciplinary Research
Approach to Rotorcraft Health and Usage Monitoring”, Proceedings of the 52nd America Helicopter Society Annual Forum, Washington, 1996 r.
76. Tadeusiewicz R., „Elementarne wprowadzenie do techniki sieci neuronowych z przykładowymi programami”, Akad. Oficyna Wyd. PLJ, Warszawa, 1998 r.
77. Tadeusiewicz R., „Sieci neuronowe”, Akad. Oficyna Wyd. PLJ, Warszawa, 1993 r.
78. Tadeusiewicz R., „Edytory tekstowe dla ATARI”, SOETO, Warszawa, 1988 r. 79. Tadeusiewicz R., Korohoda P., „Algorytmy i metody komputerowej analizy i
przetwarzania obrazów”, Materiały Szkoły Letniej TEMPUS, Wydawnictwo Poldex, Kraków, 1997 r.
80. Tadeusiewicz R., Piwniak G.G., Tkaczow W.W., Szaruda W.G., Oprzędkiewicz K., „Modelowanie komputerowe i obliczenia współczesnych układów automatyzacji”, UWND AGH, Kraków, 2004 r.
81. Trzęsicki K., „Logika i teoria mnogości Ujęcie systematyczno-historyczne Akademicka Oficyna Wydawnicza EXIT, 2003 r.
82. Uhl T., „Analiza modalna i jej zastosowania”, KRiDM Praca zbiorowa pod redakcją Tadeusza Uhla, Kraków 1995 r.
Praca doktorska
_____________________________________________
________________________________________________________________ - 110 -
83. Uhl T., „Historia i rozwój analizy modalnej”, Katedra Robotyki i Dynamiki Maszyn AGH, Materiały z obchodów 70-lecia urodzin i 45-lecia pracy naukowej prof. dr hab. inż. Józefa Giergiela oraz V Szkoły Analizy Modalnej, Kraków 2000 r.
84. UHL T. „Komputerowo wspomagana identyfikacja modeli konstrukcji mechanicznych”, WNT, Warszawa, 1997 r.
85. Uhl T., Lisowski W., „Identyfikacja modeli modalnych śmigłowców na podstawie wyników badań w locie”, Journal of Theoretical and Applied Mechanics, vol. 39 nr 1 s. 105–128, 2001 r.
86. Uhl T., Bojko T., Petko M., Szwabowski W., „Mechatroniczne podejście do projektowania i implementacji układów sterowania”, I Konferencja Automatyzacja Maszyn, Urządzeń i Procesów APPRO'99, Krynica, s. 239-250, 1999 r.
87. Uhl T., Lisowski W., „Eksploatacyjna analiza modalna”, K.R.iD.M., Kraków, 2001 r.
88. Uhl T., Lisowski W., “Identification of Modal Models of Helicopters using in-flight measurements”, Journal of Theoretical and Applied Mechanics, vol. 1,nr 39, 2001 r.
89. Uhl T., Lisowski W., „Praktyczne problemy analizy modalnej konstrukcji”, Wydawnictwo AGO, Kraków, 1996 r.
90. Uhl T., Lisowski W., Wasilak A., Hermans L., Van der Auweraer H., “Comparison of the ground and in-flight helicopter vibration testing”, Proc. of the 3rd Seminar on Recent research and design progress in aeronautical engineering and its influence on education, Institute of Aeronautics and Applied Mechanics (Warsaw University of Technology) Research Bulletin, Nr 9, s.157-162, 1999 r.
91. Verboven P, B. Cauberghe, E. Parloo, S. Vanlanduit, P. Guillaume, “User Assisting Tools for a Fast Frequency-domain Modal Parameter Estimation Method”, Mechanical Systems and Signal Processing, vol.18, nr 4, s.759-780, 2004 r.
92. P. Verboven, B. Cauberghe, P. Guillaume, S. Vanlanduit, E. Parloo, “Modal parameter estimation and monitoring for online flight flutter analysis”, Mechanical Systems and Signal Processing, vol.18, nr 3, s.587-610, 2004 r.
93. Verboven P, Parloo E., Guillaume P., Van Overmeire M., “Autonomous Modal Parameter Identification based on a Statistical Frequency-Domain Maximum Likelihood Approach”, Proceedings of 19th International Modal Analysis Conference, s. 1511-1517, Kissimmee, USA, 2001 r.
94. Verboven P., Guillaume P., Cauberghe B., Vanlanduit S., Parloo E. “Stabilization Charts and Uncertainty Bounds for Frequency-domain Linear Least Squares Estimators”, Proceedings of the 21st International Modal Analysis Conference, paper.no.130, Kissimmee, Orlando, USA, 2003 r.
95. Wasilak A., „Badania warunków użytkowania obiektów technicznych na przykładzie śmigłowca PZL Sokół i ich wpływu na trwałość zmęczeniową”, Rozprawa doktorska, Kraków, 1999 r.
96. Weiss S. M., Kapouleas I., “An empirical comparison of pattern recognition, neural nets and machine learning classification methods”, Readings in Machine Learning. Morgan Kauffman, 1990 r.
97. Witkowska D., „Sztuczne sieci neuronowe i metody statystyczne. Wybrane zagadnienia finansowe”, WNT, 2002 r.
Praca doktorska
_____________________________________________
________________________________________________________________ - 111 -
98. Yager, R. and D. Filev, "Generation of Fuzzy Rules by Mountain Clustering", Journal of Intelligent & Fuzzy Systems, Vol. 2, Nr 3, s. 209-219, 1994 r.
99. Zalewski A, Cegieła R., „MATLAB – obliczenia numeryczne i ich zastosowanie”, Wydawnictwo Nakom, Poznań, 1996 r.
100 Zadeh, L.A., „Fuzzy sets, Information and Control” Vol.8, s. 338-353, 1965 r. 101 Zadeh, L.A., “Fuzzy sets as a basis for a theory of possibility”, Fuzzy sets and
systems, vol 1, s 3-28, 1978 r. 102 Zion L. „Predicting fatigue loads using regression diagnostics” Proceedings
of The American Helicopter Society Annual Forum, Washington, 1994 r 103 “CADA-X, Modal Analysis Manual, Revision 3.5”, LMS International,
Leuven, Belgium, [http://www.lmsintl.com], 1998.