Mechatronikos sistemos duomenų tyrimas taikant dirbtinius neuronų tinklus
Pomarnacki, Raimondas | Recenzentas / Rewiewer |
Darbe įgyvendinti trys dirbtinių neuronų tinklų modeliai: sąsūkos (darbe vadinamas CNN), modelis, kurio vieno iš sluoksnių išėjimo duomenys paduodami į įėjimą (darbe vadinamas RNN), neuronų tinklas, kurio sluoksnių neuronai sujungti su visais kito sluoksnio neuronais (darbe vadinamas DNN). Šie modeliai ištirti naudojant nuolatinės srovės elektros variklio gedimų duomenis. Tyrimų metu keistas kiekvienas iš sudarytų dirbtinių neuronų tinklų modelių struktūros ar mokymo parametras atskirai ir stebėta keičiamo parametro įtaka klasifikavimo tikslumui, mokymo trukmei, mokymo klaidai. Kad būtų pasiektas 10,5 milijonų duomenų klasifikavimas į 42 gedimų būsenas, RNN mokymas užtruko 13min 52s, CNN - 7min 39s, DNN - 5min 16s. Palyginti įgyvendintų neuronų tinklų tyrimo duomenys, išskirtas DNN modelis, kaip pranašiausias dėl šio modelio klasifikavimo tikslumo, naudojant mažesnius mokymo duomenų kiekius, trumpesnio mokymo laiko, pasiekiant tokį patį tikslumą. Taikant darbe sudarytą DNN modelį, įgyvendinta nuolatinio duomenų atnaujinimo proceso komandų grandinė. Ši programa nuolat siunčiasi naujus duomenis iš duomenų rinkimo sistemos ir moko dirbtinių neuronų tinklą, taip didindama neuronų tinklo klasifikavimo tikslumą. Darbo apimtis - 56 p. teksto be priedų, 20 iliustr., 49 lent., 10 bibliografinių šaltinių.
Three models of artificial neural networks are implemented in this thesis: convolutional (called CNN), a model in which the output data of one of the layers is fed to the input (called RNN), a network of neurons where neurons of the layer are connected to every neuron of its preceding layer (called DNN). These models were studied using direct current electric motor failure data. During the research, the structure or training parameters of each of the created artificial neural network models were changed separately and the influence of the changed parameter on the classification accuracy, training duration, training error was observed. RNN training took 13min 52s, CNN - 7min 39s, DNN - 5min 16s to achieve classification of 10,5 million data into 42 failure states. The data of the implemented neural network study was compared, and the DNN model was singled out as the most advantageous due to the accuracy of the classification of this model, using smaller amounts of training data, shorter training time, achieving the same accuracy. A pipeline has been implemented using the DNN model developed in this thesis This program constantly retrieves new data from the data collection system and trains the artificial neural network, thus increasing the accuracy of neural network classification. Thesis consists of 56 pages of text excl. annexes, 20 pictures, 49 tables, 10 bibliographical entries.