Neuronowa detekcja zmian parametrów układu dynamicznego z wykorzystaniem transformat czas-częstotliwość

dr inż. Ewa Świercz

Przed­sta­wio­ny zo­sta­nie neu­ro­no­wy de­tek­tor zmian pa­ra­me­trów ukła­du dy­na­micz­ne­go SISO. Zmia­na pa­ra­me­trów ukła­du może wy­ni­kać z błęd­nej pracy ukła­du, a wy­kry­cie okre­ślo­nej wady jest nie­in­wa­zyj­ną me­to­dą dia­gno­stycz­ną. Ana­li­zo­wa­ny sys­tem opi­sy­wa­ny jest nie­li­nio­wą funk­cją dys­kret­ną

y(k) = f(y(k − 1), …, y(k − p), u(k), …, u(k − p), Θ)

gdzie y(k), …, y(k − q) są prób­ka­mi wyj­ścio­wy­mi ukła­du, u(k), …, u(k − q) są prób­ka­mi wej­ścio­wy­mi, na­to­miast Θ jest wek­to­rem we­wnętrz­nych para­metrów ukła­du. War­to­ści wek­to­ra Θ mogą zmie­niać się w lo­so­wym mo­men­cie czasu, co wy­ma­ga in­te­li­gent­nych metod wy­kry­cia tych zmian.

Kon­cep­cja de­tek­cji po­le­ga na okre­śle­niu cech cha­rak­te­ry­zu­ją­cych układ i za­pro­jek­to­wa­niu de­tek­to­ra neu­ro­no­we­go wy­ko­rzy­stu­ją­ce­go wy­se­lek­cjo­no­wa­ne cechy (wek­tor cech Φ). Wek­tor cech jest wej­ściem sieci neu­ro­no­wej re­ali­zu­ją­cej al­go­rytm de­tek­cji. Wy­bra­no in­te­li­gent­ny al­go­rytm LVQ (Le­ar­ning Vec­tor Qu­an­ti­sa­tion) do prze­pro­wa­dze­nia za­da­nia de­tek­cji-kla­sy­fi­ka­cji. Al­go­rytm LVQ opar­ty o kwan­ty­za­cję wek­to­ro­wą wska­zu­je na naj­bar­dziej praw­do­po­dob­ną war­tość wek­to­ra Θ.

Pro­po­no­wa­ne po­dej­ście re­ali­zo­wa­ne jest w czte­rech kro­kach:

• Po­bu­dze­nie sys­te­mu wy­se­lek­cjo­no­wa­nym sy­gna­łem nie­sta­cjo­nar­nym.
• Trans­for­ma­cja sy­gna­łu wyj­ścio­we­go al­go­ryt­ma­mi czas-czę­sto­tli­wość.
• Eks­trak­cja wek­to­ra cech Φ z cha­rak­te­ry­stycz­nych punk­tów trans­for­mat czas-czę­sto­tli­wość.
• De­tek­cja i kla­sy­fi­ka­cja wek­to­ra Θ w al­go­ryt­mie neu­ro­no­wym LVQ ne­twork.

Zo­sta­ną rów­nież przed­sta­wio­ne sy­mu­la­cje pro­po­no­wa­ne­go al­go­ryt­mu kla­sy­fi­ka­cji.