UNIVERZITET U TUZLI MAINSKI FAKULTET

S E M I N A R S K I R A D

Tema:Primjena vjetakih neuronskih mrea za kontrolu pada pritiska kod razvodnih ventila

Predmet:FLEKSIBILNA AUTOMATIKA II

Odsjek: MehatronikaDatum:20.03.2014. godineSadraj

1. UVOD........................................................................................................................................42. MODELIRANJE U NEURAL NETWORK TOOLBOX-U......................................................................53. PRIKAZ REZULTATA....................................................................................................................94. KOD NEURONSKE MREE..........................................................................................................12

Popis slika

Slika 1. Poetni prozor Neural Network StartSlika 2. Prozor Fitting ToolSlika 3. Uitavanje podatakaSlika 4. Validacija i testni podacSlika 5. Upisivanje broja skrivenih neuronaSlika 6. Treniranje neuronske mreeSlika 7. Treniranje neuronske mreeSlika 8. Dijagram PerformanceSlika 9. Dijagram Training StateSlika 10. Histogram grekeSlika 11. Dijagram regresijeSlika 12. Dijagram fitovanjaSlika 13. Snimanje rezultata

1. UVOD

U ovom seminarskom radu prikazat emo primjenu Neural Network Toolbox-a na primjeru pada pritiska na razvodnom ventilu.Uloga razvodnih ventila je da usmeravaju ulje pod pritiskom u komore izvrnih organa, kako bi oni ostvarili pomjeranje u eljenom smjeru. Razvodni ventili zaustavljaju ili reguliu kretanje radnih elemenata izvrnih komponenata (cilindar, hid. motor, zakretni motor). Osnovna uloga im je upravljaka.Prema konstrukcionom izvoenju razvodni ventili se dijele na:1. ventile sa razvodnim klipom (klasini, proporcionalni, servo);2. ventile sa sjeditem (kugla, konus, tanjir...);3. ventile sa zakretnim klipom (slavine);4. ventile sa odbojnim perom (servoventili).Najee se koristi: mehaniko (aktiviranje putem: pritiskivaa, opruge, poluge, pedale i sl.); elektrino (aktiviranje putem: releja (elekromagneta), elektromotora, podesivog pogona sa povratnom spregom i sl.); pneumohidraulino (aktiviranje putem: komprimovanog vazduha, tenosti pod pritiskom); kombinovano.Prema nainu ostvarivanja funkcije koju obavljaju razvodnici mogu biti: 1. diskretni i 2. analogni.Diskretni razvodni ventili se mogu nai u tano odreenom, unaprijed zadanom poloaju, bez mogunosti da zauzmu bilo koji meupoloaj i time utiu na koliinu ulja koja protie kroz razvodnik. Postoji vie tipova diskretnih razvodnika kao to su: klipni, ventilski, ploasti i sl. Od svih diskretnih razvodnika najvie se primjenjuju klipni. Klipni razvodnici imaju jednostavnu tehnologiju izrade i lako upravljanje klipom razvodnika koji se kree aksijalno.

1. MODELIRANJE U NEURAL NETWORK TOOLBOX-u (Matlab)

U command promt Matlaba upisujemo naredbu nnstart nakon ega nam se otvara poetni prozor Neural Network Start:

Slika 1. Poetni prozor Neural Network StartSljedei korak je izbor opcije Fitting Tool.

Slika 2. Prozor Fitting ToolOdabirom tipke Next otvara nam se novi prozor u koji je potrebno unijeti input i target podatke.

Slika 3. Uitavanje podatakaNakon unoenja i odabira tipke Next otvara nam se prozor gdje moemo vriti postavke u cilju odreivanja broja podataka koji otpadaju na treniranje, validaciju ili testiranje. Ostavljamo uee pojedinih operacija kao to je prikazano i na narednoj slici.

Slika 4. Validacija i testni podaciOdabirom opcije Next otvara nam se novi prozor u kojem podeavamo broj eljenih skrivenih neurona nae mree. U ovom primjeru upisat emo 20.

Slika 5. Upisivanje broja skrivenih neuronaPonovo biramo opciju Next, a nakon nje, u novom prozoru, i opciju Train kojom treniramo neuronsku mreu.

Slika 6. Treniranje neuronske mreeOtvara nam se sljedei prozor:

Slika 7. Treniranje neuronske mree

1. PRIKAZ REZULTATA Nakon to smo istrenirali mreu moemo izvriti prikaz podataka:a) Performance

Slika 8. Dijagram Performanceb) Training State

Slika 9. Dijagram Training Statec) Histogram greke

Slika 10. Histogram greked) Regresija

Slika 11. Dijagram regresijee) FIT-ovanje

Slika 12. Dijagram fitovanjaU sljedeem prozoru moemo sauvati rezultate neuronske mree i odabirom opcije SIMPLE SCRIPT Matlab nam ispisuje kod programa.

Slika 13. Snimanje rezultata

1. KOD NEURONSKE MREE

% Solve an Input-Output Fitting problem with a Neural Network% Script generated by NFTOOL% Created Thu Mar 27 17:43:00 CET 2014%% This script assumes these variables are defined:%% data - input data.% data - target data. inputs = data';targets = data'; % Create a Fitting NetworkhiddenLayerSize = 20;net = fitnet(hiddenLayerSize); % Setup Division of Data for Training, Validation, Testingnet.divideParam.trainRatio = 70/100;net.divideParam.valRatio = 15/100;net.divideParam.testRatio = 15/100; % Train the Network[net,tr] = train(net,inputs,targets); % Test the Networkoutputs = net(inputs);errors = gsubtract(targets,outputs);performance = perform(net,targets,outputs) % View the Networkview(net) % Plots% Uncomment these lines to enable various plots.%figure, plotperform(tr)%figure, plottrainstate(tr)%figure, plotfit(net,inputs,targets)%figure, plotregression(targets,outputs)%figure, ploterrhist(errors)

2