Inteligentny monitoring dużych turbin wiatrowych Intelligent monitoring of big wind turbines
|
|
- Danuta Piątkowska
- 5 lat temu
- Przeglądów:
Transkrypt
1 Inteligentny monitoring dużych turbin wiatrowych Intelligent monitoring of big wind turbines dr. hab. Andrzej Bielecki ( Energetyka sierpień 2018) 1. Wstęp Rozwój energetyki odnawialnej jest obiecującą alternatywą dla energetyki termalnej i jądrowej. Energetyka wiatrowa jest, z kolei, jedną z ważniejszych gałęzi energetyki odnawialnej [3,14]. Jej atrakcyjność wynika z istnienia na kuli ziemskiej dużych zasobów energii wiatrowej, znacznie przekraczających aktualne globalne zapotrzebowanie na energię elektryczną [14,26]. Z energetyką wiatrową wiążą się jednak istotne problemy eksploatacyjne. Przy stosunkowo niskich (w porównaniu z elektrowniami termalnymi i jądrowymi) kosztach posadowienia farmy wiatrowej, jej eksploatacja jest kłopotliwa. Jedną z przyczyn tego stanu rzeczy jest wysoki koszt napraw i remontów. Z drugiej strony obserwuje się często szybsze zużycie mechanicznego układu turbiny w stosunku do okresu deklarowanego przez producenta. Prawdopodobną przyczyną takiego stanu rzeczy jest nieuwzględnienie w modelu obciążenia turbiny chaotycznej zmienności prędkości i kierunku wiatru, co powoduje specyficzny rodzaj obciążenia, który nie był uwzględniany w dotychczasowych modelach. Problemy te są już jednak badane naukowo [2], co zaowocowało modelem obciążenia turbiny, który uwzględnia chaotyczny charakter obciążenia [7,11]. Tematyka ta była poruszana w [9]. Wspomniane wysokie koszty napraw i remontów dużych turbin wiatrowych generują zapotrzebowanie na skuteczne systemy monitoringu turbin wiatrowych [17,18,19,21]. Systemy takie przetwarzają w czasie rzeczywistym dwie grupy parametrów. Pierwszą z nich jest grupa parametrów opisujących stan operacyjny turbiny. Absolutnym minimum jest w tym przypadku pomiar prędkości wiatru, prędkości wirnika i mocy generowanej na generatorze turbiny. Często uwzględnia się dodatkowe parametry, takie jak temperatura poszczególnych modułów turbiny, prąd mierzony przez falownik a nawet poziom i ciśnienie oleju w układzie hydraulicznym. Drugą grupą parametrów przetwarzanych przez system monitoringu turbiny są sygnały z czujników drgań rozmieszczonych w newralgicznych punktach kinematycznego
2 układu turbiny i, ewentualnie, w pewnych punktach masztu. Tak więc w praktyce, konieczność mierzenia i śledzenia kilkuset parametrów nie należy do rzadkości. Biorąc pod uwagę, że duża farma wiatrowa może się składać z kilkuset turbin, mamy problem przetwarzanie w czasie rzeczywistym kilkudziesięciu tysięcy parametrów. 2. Metody monitoringu dużych turbin wiatrowych Jak wspomniano, pomiar drgań układu kinematycznego i konstrukcji nośnej jest jednym z dwóch głównych zadań inteligentnego monitoringu. Sygnały z kanałów drganiowych przesyłane są do modułu integrującego dane, np. do tzw. puszki obiektowej a następnie do systemu, który dokonuje równoległego przetwarzania sygnałów w czasie rzeczywistym. Obliczane są, na przykład, trendy przyspieszenia drgań, wartości skutecznej oraz prędkości szczytowej. Sygnały otrzymywane są z czujników drgań, rozmieszczonych co najmniej w głównych węzłach konstrukcyjnych całego urządzenia. Omówmy dokładniej system monitoringu drgań w innowacyjnej turbinie typu Anew-B1, skonstruowanej w ramach grantu NCBiR 1, która była omawiana w [9]. Do pomiaru drgań użyte zostały piezoelektryczne czujniki typ MTN/2200CM6 firmy Monitran por. Rys.1. Do pomiaru fazy Rys.1. Piezoelektryczny czujnik drgań, typ MTN/2200CM6 obrotu użyty został czujnik indukcyjny typ IMF12/04BPSVC0S firmy Sick por. Rys.2. Głównym elementem systemu jest jednostka VIBmonitor, która jest częścią obiektową oprogramowania VIBstudio. Sygnały pochodzące z czujników drgań oraz z czujnika 1 Grant NCBiR nr WND-DEM-1-153/01: Innowacyjna elektrownia wiatrowa z pionową osią obrotu, o mocy 1,5 MW wyposażona w układ przekształtnikowy umożliwiający uzyskanie wysokiej efektywności przetwarzania energii wiatru w energię elektryczną przy niskich prędkościach wiatru
3 położenia wału zbierane są w puszce przejściowej. Następnie przesyłane są do jednostki VIBmonitor. Schemat blokowy systemu przedstawiony jest na Rys.3. Monitorowaniem objęto główne łożysko turbiny oraz generator. Użyto pięciu czujników drgań. Trzy umieszczono w obudowie łożyska górnego jeden pionowo, równolegle do osi, dwa poziomo, jeden Rys.2. Czujnik indukcyjny typ IMF12/04BPSVC0S.
4 Rys.3. Schemat blokowy systemu pomiaru drgań zastosowanego w turbinie ANew-B1. stycznie do obudowy a drugi prostopadle. Dwa czujniki na generatorze umieszczono poziomo jeden prostopadle do obudowy a drugi stycznie. Do akwizycji przetwarzania oraz rejestracji danych użyto modułu VIBmonitor składającego się z czterech kart por. Rys.4. Dwie z nich używane są do przetwarzania i przesyłania zarejestrowanych danych, dwie pozostałe do
5 Rys.4. Moduł VIBmonitor, składający się z czterech kart. rejestracji sygnałów drganiowych oraz sygnału prędkości obrotowej. Rys.5 przedstawia zdjęcie ze studialnej instalacji czujnika, wykonanej w celu zebrania informacji o jego wymaganiach w zakresie monitorowania drgań. Jak już wspomniano, w zakres pomiarów wszedł również pomiar prędkości obrotowej wału, który może posłużyć do wyznaczenia stanów operacyjnych turbiny. Przy monitoringu stanów operacyjnych należy sprawdzać, czy parametry nie wychodzą poza zakres wartości typowych dla różnych trybów pracy, którymi zazwyczaj są bieg jałowy, rozruch, mała moc, średnia moc i duża moc. Monitoring dużych turbin wiatrowych, jak dotąd, bazuje na ustawieniu progów dla poszczególnych parametrów. W takich systemach sygnalizowane jest wyjście wartości parametrów poza wartości progowe. Standardem jest sztywne ustawienie progów przez eksperta. Systemy, które automatycznie
6 Rys.5. Studialna instalacja czujnika drgań na górnym łożysku turbiny wiatrowej. wyznaczają progi uznawane są obecnie za niestandardowe [18,19]. Trwają także prace naukowe nad wykorzystaniem systemów sztucznej inteligencji do inteligentnego monitoringu dużych turbin. System tego typu, bazujący na sztucznych sieciach neuronowych, został opracowany w ramach wspomnianego grantu NCBiR. W kolejnych dwóch rozdziałach opisane są użyte sieci neuronowe oraz wspomniany system inteligentnego monitoringu. 3. Sztuczne sieci neuronowe Sztuczne sieci neuronowe to systemy przetwarzania sygnałów, których budowa i działanie wzorowane są na budowie i działaniu układu nerwowego [16], rozdział 11.1, [20], rozdział 1.3, [23], rozdział 1.1., [25]. Podobnie, jak w biologicznych układach nerwowych, podstawową jednostką układu jest neuron, który jest jednostką mającą kilka wejść i jedno wyjście. Wejścia są ważone sygnały wejściowe mogą być zarówno wzmacniane jak i osłabiane. Możliwe jest też bardziej złożone przetwarzanie sygnałów wejściowych. Sygnał
7 wyjściowy jest zależny od wartości przetworzonych sygnałów wejściowych. W zależności od tego, jakie cechy neuronu biologicznego są uwzględniane, otrzymujemy różne modele neuronu. Ich przegląd można znaleźć w [8], oraz [10], rozdział 6. Najprostszym modelem jest model McCullocha-Pittsa, opracowany w 1943 roku i z niewielkimi modyfikacjami używany do dziś [15]. W modelu tym ważone sygnały wejściowe są sumowane. Otrzymana liczba, tzw. całkowite wzbudzenie neuronu, jest następnie przetwarzana przy pomocy zadanej funkcji, tzw. funkcji aktywacji neuronu por. Rys.6. Jak już wspomniano, jest to jeden z Rys.6. Schemat modelu neuronu McCulloch-Pittsa. Funkcja f jest funkcją aktywacji neuronu, s jest całkowitym wzbudzeniem neuronu. najprostszych modeli neuronu. W sieciach neuronowych, użytych w systemie monitoringu, oprócz neuronu McCullocha-Pittsa występowały dwa inne typy neuronu. Jeden z nich używany jest w sieciach rezonansowych i charakteryzuje się bardzo złożonym przetwarzaniem sygnałów wejściowych. Jego schemat zaprezentowany zostanie podczas omawiania struktury sieci rezonansowej typu ART. Drugi typ neuronu to tzw. neuron radialny. W neuronie tego typu parametrami nie są wagi poszczególnych sygnałów wejściowych, tylko centrum okręgu z i jego promień σ. Funkcją aktywacji neuronu jest funkcja Gaussa, a sygnał wyjściowy neuronu obliczamy wg wzoru f(x) = exp(- x-z / 2σ 2 ). Daje to oczywiście symetrię radialną funkcji f. Sztuczne sieci neuronowe są zbudowane na wzór biologicznych układów neuronowych. Oznacza to, że neurony połączone są w ten sposób, że sygnały wyjściowe jednych neuronów podawane są na wejścia innych neuronów. W ten sposób powstaje złożona struktura przetwarzająca sygnały. W zależności od tego, jaki model neuronu jest użyty i jaka jest struktura połączeń otrzymujemy różne typy sztucznych sieci neuronowych. Jeśli dana sieć neuronowa ma rozwiązywać konkretne zadanie, jej
8 parametry muszą mieć odpowiednie wartości. W związku z tym, że liczba neuronów w sieci jest zazwyczaj duża oraz że funkcja aktywacji jest, na ogół, nieliniowa, nie potrafimy bezpośrednio obliczyć właściwych wartości parametrów sieci neuronowej. Musimy je zatem ustalać iteracyjnie, zmieniając nieznacznie ich wartości w każdym kroku działania algorytmu. Proces ten nazywa się nauką sieci neuronowej. Jest wiele różnych algorytmów nauki sztucznych sieci neuronowych. Ich przegląd, podobnie jak omówienie różnych typów sieci neuronowej oraz ich możliwych zastosowań, można znaleźć w literaturze, m.in. w [8,10,16,20,22,23,24]. Jak już wspomniano, w systemie inteligentnego monitoringu turbiny użyto systemu hybrydowego złożonego z sieci RBF oraz z sieci rezonansowej ART. Sieć RBF jest siecią dwuwarstwową. Pierwsza warstwa składa się z omówionych powyżej neuronów RBF. Druga warstwa to pojedynczy neuron McCullocha-Pittsa z funkcją identycznościową jako funkcją aktywacji. Tak więc, jeśli na sieć RBF podany jest wektor sygnału wejściowego x i pierwsza warstwa składa się z n neuronów, to sygnał wyjściowy y całej sieci jest obliczany według wzoru y n i 1 w exp( x / 2 ) - por. Rys.7. Sieć neuronowa typu RBF używana jest i z i 2 2 i Rys.7. Schemat sieci RBF. jako klasyfikator wykazano że jeśli zostanie użyta dostatecznie duża liczba neuronów, to dwa dowolne obszary nie mające wspólnej części mogą być rozdzielone przy pomocy sieci RBF w tym sensie, że dla wszystkich wektorów sygnału wejściowego, które odpowiadają punktom jednego obszaru, sygnał wyjściowy sieci jest dodatni, a dla punktów drugiego obszaru jest ujemny. Tak więc sieć RBF może służyć do klasteryzacji zbioru sygnałów wejściowych poszczególne grupy neuronów będą reprezentowały poszczególne klastry,
9 czyli skupiska punktów. Klasteryzacja dokonywana przez siec RBF ma jednak charakter statyczny zbiór skupisk jest zadany i nie może się zmieniać. Sieć dopasowuje w procesie nauki swoje parametry w ten sposób, aby jak najlepiej odwzorowywać dane skupiska punktów. Do klasteryzacji zbiorów dynamicznych, natomiast, używane są sieci rezonansowe typu ART. Potrafią one zapamiętywać nowo powstałe skupiska nie zapominając już zapamiętanych. Sieć ART składa się z dwóch warstw - por. Rys.8. Pierwsza warstwa, F 1, składa się z neuronów, które dokonują wstępnej obróbki sygnału i przekazują go do warstwy górnej, F 2. Składowe przekazanego sygnału są ważone wagi b ij na rysunku. Warstwa górna jest tzw. warstwą konkurencyjną, tzn. składa się z neuronów McCullocha-Pittsa, z których każdy reaguje na podany sygnał. Wybierany jest jeden neuron ten, który zareagował najsilniej, czyli miał sygnał wyjściowy o największej wartości. Jest to tzw. neuron Rys.8. Schemat sieci rezonansowej typu ART. Zaznaczono tylko jeden neuron warstwy dolnej. Składa się on z sześciu podmodułów, z których każdy dokonuje specyficznego przetworzenia sygnału.
10 zwycięski. Sygnały innych neuronów warstwy F 2 są wygaszane jest to tzw. schemat WTA (winner takes all zwycięzca bierze wszystko). Sygnał neuronu zwycięskiego podawany jest z powrotem na neurony warstwy pierwszej poprzez wagi t ji (por. Rys.8) i porównywany z sygnałem wejściowym. Jeśli sygnały te są wystarczająco do siebie podobne, to uznajemy, że zwycięski neuron warstwy F 2 wystarczająco dobrze reprezentuje dany sygnał wejściowy który, tym samym, jest zaliczany do klastra reprezentowanego przez zwycięski neuron. Czułość sieci, czyli próg powyżej którego sygnały nie są już uważane za wystarczająco podobne, jest zakodowany w module orientującym (por. Rys.8). Wagi zwycięskiego neuronu są nieznacznie modyfikowane, aby dobrze reprezentował cały klaster po dodaniu nowego wzorca. Jeśli natomiast zwycięski neuron nie odwzorowuje wystarczająco dobrze prezentowanego na wejściu sieci sygnału, wtedy sygnał ten jest podawany na warstwę F 2 po raz drugi aby wybrać neuron warstwy drugiej, który jeszcze nie reprezentuje żadnego wzorca, czyli nigdy dotychczas nie był neuronem zwycięskim. W ten sposób nowe skupiska są reprezentowane przez nowe neurony warstwy F 2. Sieć ART jest więc w stanie reprezentować coraz to nowe wzorce, generowane w trakcie pracy sieci. Oczywiście sieć może reprezentować co najwyżej tyle klastrów, ile jest neuronów w warstwie F Wykorzystanie sztucznej inteligencji do monitoringu dużych turbin wiatrowych Jak już wspomniano, standardowy monitoring turbin wiatrowych polega na sztywnym ustawieniu progów dla poszczególnych parametrów. W ramach badań dotyczących możliwości stworzenia bardziej elastycznego systemu monitoringu dużej turbiny, zbadano zdolność sieci rezonansowej ART do klasteryzacji zarówno stanów operacyjnych turbiny, jak też sygnałów drganiowych. Okazało się że, generalnie, sieć rezonansowa dokonuje prawidłowej klasteryzacji zarówno dla turbiny z osią poziomą jak i pionową [1,3,4,5,6]. Nadmienić jednak trzeba, że w przypadku turbin z osią pionową dotychczasowe badania prowadzone były jedynie dla turbiny ANew-S1 [9]. Problemem jednak okazała się nieliniowa, a nawet nieciągła, charakterystyka parametru czułości układu orientującego sieci ART. Sieć była albo za mało czuła w takim przypadku wszystkie punkty zaliczała do jednego klastra, albo zbyt czuła. W tym przypadku każdy punkt traktowała jak osobny klaster i szybko wyczerpywały się możliwości rozpoznawania nowych klastrów, gdyż zaczynało brakować neuronów w warstwie F 2. Połączenie sieci RBF i ART w jeden, dwumodułowy układ hybrydowy okazało się skutecznym rozwiązaniem [12,13] por. Rys.9. Sieć rezonansowa odpowiedzialna była wyłącznie z za wykrycie nowego klastra. Po jego wykryciu, sieć RBF aproksymowała klaster przy pomocy neuronów radialnych i zapamiętywała go. Dzięki temu,
11 Rys.9. Hybrydowy system neuronowy RBF-ART do inteligentnego monitoringu turbiny wiatrowej. po zapamiętaniu nowego klastra przez sieć RBF, neuron warstwy F 2 sieci ART, który rozpoznał ten klaster, nie był już potrzebny jako jednostka reprezentująca klaster i mógł być ponownie użyty do rozpoznania nowego klastra. Dzięki takiemu rozwiązaniu możliwe było uzyskanie zarówno dużej czułości systemu jak i dużej objętości jego pamięci. Na Rys.10 przedstawiony jest przykład klasteryzacji dokonanej przez opisany układ dla dużej turbiny wiatrowej z pozioma osią obrotu. Kontrolowane były trzy parametry operacyjne prędkość wiatru, prędkość wirnika i moc na generatorze oraz sygnały drganiowe z pięciu kanałów wibracyjnych, Tak więc klasteryzacji dokonywano w ośmiowymiarowej przestrzeni. Wizualizacja na rysunku jest trójwymiarowa uwzględniono dwa parametry operacyjne prędkość wiatru i moc na generatorze oraz jeden z kanałów wibracyjnych czujnik na głównym łożysku. Widać, że przed usterką układ dokonał poprawnej klasteryzacji bieg jałowy został wyspecyfikowany jako odrębny klaster (kolor zielony). Pozostałe trzy klastry kolory ciemnoniebieski, czerwony i jasnoniebieski odpowiadają małej mocy, średniej mocy i
12 Rys.10. Wizualizacja klasteryzacji dokonanej przez hybrydowy system monitoringu turbiny. Na osiach prędkość wiatru, moc na generatorze i sygnał z jednego kanału drganiowego. Na górze klasteryzacja przed wystąpieniem usterki, na dole dodatkowe klastry po wystąpieniu usterki. dużej mocy. Po wystąpieniu usterki na łożysku układ wygenerował nowe klastry. Pierwszy z nich został wykryty kilkadziesiąt sekund po wystąpieniu usterki. Oznacza to, że system działa skutecznie jako system wczesnego ostrzegania. Na Rys.11 przedstawiona jest klasteryzacja stanów operacyjnych turbiny wiatrowej ANew-S1 posadowionej w Bochni. Klasteryzacja została dokonana w trójwymiarowej przestrzeni parametrów operacyjnych prędkość wiatru, prędkość wirnika i moc na generatorze. Nie dysponowano danymi z usterkami klasteryzacja jest dokonana dla prawidłowo działającej turbiny.
13 Rys.11. Wizualizacja klasteryzacji stanów operacyjnych turbiny wiatrowej ANew-S1 z pionową osią obrotu. 5. Wnioski Opisany w artykule hybrydowy system inteligentnego monitoringu turbiny wiatrowej udowodnił swoją skuteczność jako system monitoringu i wczesnego ostrzegania. System dokonuje poprawnej klasyfikacji stanów turbiny bez usterki, natomiast usterki wykrywa w praktyce natychmiast po ich wystąpieniu. Charakterystyka każdej usterki jest zapamiętywana jako klaster w przestrzeni parametrów, co pozwala w przypadku powtórnego wystąpienia tej samej usterki na szybką diagnozę. Należy podkreślić, że opisywany system jest nowatorski nie tylko w kontekście inteligentnego monitoringu turbiny wiatrowej, ale również jako nowy typ hybrydowego systemu sztucznej inteligencji. Jest to tym bardziej cenne, że sieci ART są trudne w implementacji i w związku z tym w literaturze naukowej nie ma wielu doniesień o ich udanych zastosowaniach. Opisane rozwiązanie jest tym cenniejsze, że dotychczas sieci RBF nie były łączone z sieciami ART w jednym systemie sztucznej inteligencji.
14 Literatura [1] Barszcz T., Bielecka M., Bielecki A., Wójcik M. (2011), Wind turbines states classification by a fuzzy-art neural network with a stereographic projection as a signal normalization, Lecture Notes in Computer Science, vol.6594, [2] Barszcz T., Bielecka M. Bielecki A., Wójcik M. (2012), "Wind speed modelling using Weierstrass function fitted by a genetic algorithm", Journal of Wind Engineering and Industrial Aerodynamics; 109: [3] Barszcz T., Bielecka M. Bielecki A., Wójcik M., Włuka M. (2014), "Stability of power grids with significant share of wind farms, Proceedings of the Second International Conference on Advances in Mechanical and Robotics Engineering AMRE 2014: [4] Barszcz T., Bielecki A., Bielecka M., Wójcik M., Włuka M. (2016), Vertical axis wind turbine states classification by a ART-2 neural network with a stereographic projection as a signal normalization, w: Chaari et al. eds., Advances in Condition Monitoring of Machinery in Non-Stationary Operations, series: Applied Condition Monitoring, vol.4, [5] Barszcz T., Bielecki A., Wójcik M. (2010), ART-type artificial neural networks applications for classification of operational states in wind turbines, Lecture Notes in Artificial Intelligence, vol.6114, [6] Barszcz T., Bielecki A., Wójcik M., Bielecka M. (2014), ART-2 artificial neural networks applications for classification of vibration signals and operational state of wind turbines for intelligent monitoring, w: Advances in Condition Monitoring of Machinery in Non-Stationary Operations, seria: Lecture Notes in Mechanical Engineering, [7] Bielecka M., Barszcz T., Bielecki A., Wójcik M. (2012), "Fractal modelling of various wind characteristics for application in a cybernetic model of a wind turbine", Lecture Notes in Artificial Intelligence, vol.7268, [8] Bielecki A. (2003), Matematyczne podstawy sztucznych sieci neuronowych, Matematyka Stosowana, vol.4, [9] Bielecki A. (2018), Duże turbiny wiatrowe z pionową osią obrotu obiecująca innowacja, Energetyka, vol.6/2018, [10] Bielecki A. (2018), "Models of Neurons and Perceptrons: Selected Problems and Challenges", Springer, series: Studies in Computational Intelligence. [11] Bielecki A., Barszcz T., Wójcik M., Modelling of a chaotic load of wind turbines drivetrain, Mechanical Systems and Signal Processing, vol.54-55, 2015, [12] Bielecki A., Barszcz T., Wójcik M., Bielecka M. (2014), Hybrid system of ART and RBF neural networks for classification of vibration signals and operational states of wind turbines, Lecture Notes in Artificial Intelligence, vol.8467, [13] Bielecki A., Wójcik M. (2017), Hybrid system of ART and RBF neural networks
15 for online clustering, Applied Soft Computing, vol.58, [14] Boczar T. (2008), Energetyka wiatrowa. Aktualne możliwości wykorzystania, Wydawnictwo PAK, Warszawa. [15] McCulloch W.S., Pitts P.H. (1943), A logical calculus of the ideas immanent in nervous activity, Bulletin of Mathematical Biophysics, vol.5, [16] Flasiński M. (2011), Wstęp do sztucznej inteligencji, Wydawnictwo Naukowe PWN, Warszawa. [17] Hameeda Z., Honga Y.S., Choa T.M., Ahnb S.H., Son C.K., (2009), "Condition monitoring and fault detection of wind turbines and related algorithms: a review", Renewable and Sustainable Energy Reviews, vol.13, [18] Jabłoński A., Barszcz T., Bielecka M. (2011), Automatic validation of vibration signals in wind farm distributed monitoring systems, Measurement, vol.44, [19] Jabłoński A., Barszcz T., Bielecka M., Brehaus P. (2013), Modeling of probability distribution functions for automatic threshold calculation in condition monitoring systems, Measurement, vol.46, [20] Korbicz J., Obuchowicz A., Uciński D. (1994), Sztuczne sieci neuronowe. Podstawy i zastosowania, Akademicka Oficyna Wydawnicza PLJ [21] Kusiak A., Li W. (2011), The prediction and diagnosis of wind turbine faults", Renewable Energy, vol.36, [22] Osowski S. (1996), Sieci neuronowe w ujęciu algorytmicznym, Wydawnictwa Naukowo-Techniczne, Warszawa. [23] Osowski S. (2006), Sieci Neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej. [24] Tadeusiewicz R. (1993), Sieci neuronowe, Akademicka Oficyna Wydawnicza, Warszawa. [25] Tadeusiewicz R. (1994), Problemy biocybernetyki, Wydawnictwo Naukowe PWN, Warszawa. [26] Tytko R. (2009), Odnawialne źródła energii, OWG, Warszawa.
WNIOSEK O PORTFOLIO: Inteligentny system zintegrowanej automatycznej analizy sygnałów z maszyn wirnikowych
WNIOSEK O PORTFOLIO: Inteligentny system zintegrowanej automatycznej analizy sygnałów z maszyn wirnikowych Autorzy: Tomasz Barszcz, Andrzej Bielecki, Marzen Bielecka, Mateusz Wójcik, Andrzej Rychlicki
Bardziej szczegółowoNazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia. Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia
Nazwa Wydziału Nazwa jednostki prowadzącej moduł Nazwa modułu kształcenia Kod modułu Język kształcenia Efekty kształcenia dla modułu kształcenia Wydział Matematyki i Informatyki Instytut Informatyki i
Bardziej szczegółowoDuże turbiny wiatrowe z pionową osia obrotu - obiecująca innowacja
Duże turbiny wiatrowe z pionową osia obrotu - obiecująca innowacja Andrzej Bielecki, Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii Biomedycznej, AGH 1. Wstęp Fakt, że energii elektrycznej
Bardziej szczegółowo1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda
Sieci neuropodobne 1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN Agenda Trochę neurobiologii System nerwowy w organizmach żywych tworzą trzy
Bardziej szczegółowoMetody Sztucznej Inteligencji II
17 marca 2013 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką, która jest w stanie odbierać i przekazywać sygnały elektryczne. Neuron działanie Jeżeli wartość sygnału
Bardziej szczegółowoLiteratura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu
Literatura Wykład : Wprowadzenie do sztucznych sieci neuronowych Małgorzata Krętowska Wydział Informatyki Politechnika Białostocka Tadeusiewicz R: Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa
Bardziej szczegółowoSieć przesyłająca żetony CP (counter propagation)
Sieci neuropodobne IX, specyficzne architektury 1 Sieć przesyłająca żetony CP (counter propagation) warstwa Kohonena: wektory wejściowe są unormowane jednostki mają unormowane wektory wag jednostki są
Bardziej szczegółowoSztuczna Inteligencja Tematy projektów Sieci Neuronowe
PB, 2009 2010 Sztuczna Inteligencja Tematy projektów Sieci Neuronowe Projekt 1 Stwórz projekt implementujący jednokierunkową sztuczną neuronową złożoną z neuronów typu sigmoidalnego z algorytmem uczenia
Bardziej szczegółowoWYKRYWANIE USZKODZEŃ W LITYCH ELEMENTACH ŁĄCZĄCYCH WAŁY
ZESZYTY NAUKOWE AKADEMII MARYNARKI WOJENNEJ ROK LI NR 4 (183) 2010 Radosł aw Pakowski Mirosł aw Trzpil Politechnika Warszawska WYKRYWANIE USZKODZEŃ W LITYCH ELEMENTACH ŁĄCZĄCYCH WAŁY STRESZCZENIE W artykule
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.
Wstęp do teorii sztucznej inteligencji Wykład III Modele sieci neuronowych. 1 Perceptron model najprostzszy przypomnienie Schemat neuronu opracowany przez McCullocha i Pittsa w 1943 roku. Przykład funkcji
Bardziej szczegółowo8. Neuron z ciągłą funkcją aktywacji.
8. Neuron z ciągłą funkcją aktywacji. W tym ćwiczeniu zapoznamy się z modelem sztucznego neuronu oraz przykładem jego wykorzystania do rozwiązywanie prostego zadania klasyfikacji. Neuron biologiczny i
Bardziej szczegółowoINSTRUKCJA LABORATORYJNA NR 4-EW ELEKTROWNIA WIATROWA
LABORATORIUM ODNAWIALNYCH ŹRÓDEŁ ENERGII Katedra Aparatury i Maszynoznawstwa Chemicznego Wydział Chemiczny Politechniki Gdańskiej INSTRUKCJA LABORATORYJNA NR 4-EW ELEKTROWNIA WIATROWA ELEKTROWNIA WIATROWA
Bardziej szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe wykład 1. Właściwości sieci neuronowych Model matematyczny sztucznego neuronu Rodzaje sieci neuronowych Przegląd d głównych g
Bardziej szczegółowoLista zagadnień kierunkowych pomocniczych w przygotowaniu do egzaminu dyplomowego magisterskiego Kierunek: Mechatronika
Lista zagadnień kierunkowych pomocniczych w przygotowaniu do Kierunek: Mechatronika 1. Materiały używane w budowie urządzeń precyzyjnych. 2. Rodzaje stali węglowych i stopowych, 3. Granica sprężystości
Bardziej szczegółowoS O M SELF-ORGANIZING MAPS. Przemysław Szczepańczyk Łukasz Myszor
S O M SELF-ORGANIZING MAPS Przemysław Szczepańczyk Łukasz Myszor Podstawy teoretyczne Map Samoorganizujących się stworzył prof. Teuvo Kohonen (1982 r.). SOM wywodzi się ze sztucznych sieci neuronowych.
Bardziej szczegółowoElementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD X: Sztuczny neuron
Elementy kognitywistyki II: Sztuczna inteligencja WYKŁAD X: Sztuczny neuron Koneksjonizm: wprowadzenie 1943: Warren McCulloch, Walter Pitts: ogólna teoria przetwarzania informacji oparta na sieciach binarnych
Bardziej szczegółowoNajprostsze modele sieci z rekurencją. sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga;
Sieci Hopfielda Najprostsze modele sieci z rekurencją sieci Hopfielda; sieci uczone regułą Hebba; sieć Hamminga; Modele bardziej złoŝone: RTRN (Real Time Recurrent Network), przetwarzająca sygnały w czasie
Bardziej szczegółowoLaboratorium LAB1. Moduł małej energetyki wiatrowej
Laboratorium LAB1 Moduł małej energetyki wiatrowej Badanie charakterystyki efektywności wiatraka - kompletnego systemu (wiatrak, generator, akumulator) prędkość wiatru - moc produkowana L1-U1 Pełne badania
Bardziej szczegółowoZastosowanie sztucznej inteligencji w testowaniu oprogramowania
Zastosowanie sztucznej inteligencji w testowaniu oprogramowania Problem NP Problem NP (niedeterministycznie wielomianowy, ang. nondeterministic polynomial) to problem decyzyjny, dla którego rozwiązanie
Bardziej szczegółowoSIECI RBF (RADIAL BASIS FUNCTIONS)
SIECI RBF (RADIAL BASIS FUNCTIONS) Wybrane slajdy z prezentacji prof. Tadeusiewicza Wykład Andrzeja Burdy S. Osowski, Sieci Neuronowe w ujęciu algorytmicznym, Rozdz. 5, PWNT, Warszawa 1996. opr. P.Lula,
Bardziej szczegółowoZastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym
Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym Jan Karwowski Wydział Matematyki i Nauk Informacyjnych PW 17 XII 2013 Jan Karwowski
Bardziej szczegółowoAlgorytmy sztucznej inteligencji
Algorytmy sztucznej inteligencji Dynamiczne sieci neuronowe 1 Zapis macierzowy sieci neuronowych Poniżej omówione zostaną części składowe sieci neuronowych i metoda ich zapisu za pomocą macierzy. Obliczenia
Bardziej szczegółowoID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. KARTA MODUŁU / KARTA PRZEDMIOTU Kod modułu ID1SII4 Nazwa modułu Systemy inteligentne 1 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoUrządzenie do monitoringu wibracji i diagnostyki stanu technicznego (w trybie online) elementów stojana turbogeneratora
Urządzenie do monitoringu wibracji i diagnostyki stanu technicznego (w trybie online) elementów stojana turbogeneratora Wytwórca urządzenia: Instytut Energetyki; Zespół Ekspertów ul. Mory 8, 01-330 Warszawa
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechatronika Rodzaj przedmiotu: obowiązkowy Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Zapoznanie studentów z inteligentnymi
Bardziej szczegółowoElementy Sztucznej Inteligencji. Sztuczne sieci neuronowe cz. 2
Elementy Sztucznej Inteligencji Sztuczne sieci neuronowe cz. 2 1 Plan wykładu Uczenie bez nauczyciela (nienadzorowane). Sieci Kohonena (konkurencyjna) Sieć ze sprzężeniem zwrotnym Hopfielda. 2 Cechy uczenia
Bardziej szczegółowoWYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)
WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO Stanisław Kowalik (Poland, Gliwice) 1. Wprowadzenie Wstrząsy podziemne i tąpania występujące w kopalniach
Bardziej szczegółowoSieci neuronowe jako przykład współczesnej technologii informatycznej
Maciej Roszkowski Sieci neuronowe jako przykład współczesnej technologii informatycznej Sieci neuronowe są technologią sztucznej inteligencji, trochę zapomnianą we współczesnym świecie. Współczesny ogólnie
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)
Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2) Ewa Wołoszko Praca pisana pod kierunkiem Pani dr hab. Małgorzaty Doman Plan tego wystąpienia Teoria Narzędzia
Bardziej szczegółowoPOMIAR CZĘSTOTLIWOŚCI NAPIĘCIA W URZĄDZENIACH AUTOMATYKI ELEKTROENERGETYCZNEJ
Prace Naukowe Instytutu Maszyn, Napędów i Pomiarów Elektrycznych Nr 63 Politechniki Wrocławskiej Nr 63 Studia i Materiały Nr 9 9 Piotr NIKLAS* pomiar częstotliwości, składowe harmoniczne, automatyka elektroenergetyczna
Bardziej szczegółowoSztuczne sieci neuronowe (SNN)
Sztuczne sieci neuronowe (SNN) Pozyskanie informacji (danych) Wstępne przetwarzanie danych przygotowanie ich do dalszej analizy Selekcja informacji Ostateczny model decyzyjny SSN - podstawy Sieci neuronowe
Bardziej szczegółowoInstrukcja do ćwiczenia jednopłaszczyznowe wyważanie wirników
Instrukcja do ćwiczenia jednopłaszczyznowe wyważanie wirników 1. Podstawowe pojęcia związane z niewyważeniem Stan niewyważenia stan wirnika określony takim rozkładem masy, który w czasie wirowania wywołuje
Bardziej szczegółowoUniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych
Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych ELEMENTY SZTUCZNEJ INTELIGENCJI Laboratorium nr 6 SYSTEMY ROZMYTE TYPU MAMDANIEGO
Bardziej szczegółowoSieć Hopfielda. Sieci rekurencyjne. Ewa Adamus. ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych.
Sieci rekurencyjne Ewa Adamus ZUT Wydział Informatyki Instytut Sztucznej Inteligencji i Metod Matematycznych 7 maja 2012 Jednowarstwowa sieć Hopfielda, z n neuronami Bipolarna funkcja przejścia W wariancie
Bardziej szczegółowoMechatronika i inteligentne systemy produkcyjne. Paweł Pełczyński ppelczynski@swspiz.pl
Mechatronika i inteligentne systemy produkcyjne Paweł Pełczyński ppelczynski@swspiz.pl 1 Program przedmiotu Wprowadzenie definicja, cel i zastosowania mechatroniki Urządzenie mechatroniczne - przykłady
Bardziej szczegółowoMetody sztucznej inteligencji Zadanie 3: (1) klasteryzacja samoorganizująca się mapa Kohonena, (2) aproksymacja sieć RBF.
Metody sztucznej inteligencji Zadanie 3: ( klasteryzacja samoorganizująca się mapa Kohonena, (2 aproksymacja sieć RBF dr inż Przemysław Klęsk Klasteryzacja za pomocą samoorganizującej się mapy Kohonena
Bardziej szczegółowoSTANOWISKO MOCY KRĄŻĄCEJ JAKO SYSTEM POZYSKIWANIA DANYCH TESTUJĄCYCH DLA KLASYFIKATORÓW NEURONOWYCH
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2009 Seria: TRANSPORT z. 65 Nr kol. 1807 Grzegorz WOJNAR, Tomasz FIGLUS, Piotr CZECH STANOWISKO MOCY KRĄŻĄCEJ JAKO SYSTEM POZYSKIWANIA DANYCH TESTUJĄCYCH DLA KLASYFIKATORÓW
Bardziej szczegółowoLekcja 5: Sieć Kohonena i sieć ART
Lekcja 5: Sieć Kohonena i sieć ART S. Hoa Nguyen 1 Materiał Sieci Kohonena (Sieć samo-organizująca) Rysunek 1: Sieć Kohonena Charakterystyka sieci: Jednowarstwowa jednokierunkowa sieć. Na ogół neurony
Bardziej szczegółowoAlgorytmy decyzyjne będące alternatywą dla sieci neuronowych
Algorytmy decyzyjne będące alternatywą dla sieci neuronowych Piotr Dalka Przykładowe algorytmy decyzyjne Sztuczne sieci neuronowe Algorytm k najbliższych sąsiadów Kaskada klasyfikatorów AdaBoost Naiwny
Bardziej szczegółowoStruktura układu pomiarowego drgań mechanicznych
Wstęp Diagnostyka eksploatacyjna maszyn opiera się na obserwacji oraz analizie sygnału uzyskiwanego za pomocą systemu pomiarowego. Pomiar sygnału jest więc ważnym, integralnym jej elementem. Struktura
Bardziej szczegółowoZ powyższej zależności wynikają prędkości synchroniczne n 0 podane niżej dla kilku wybranych wartości liczby par biegunów:
Bugaj Piotr, Chwałek Kamil Temat pracy: ANALIZA GENERATORA SYNCHRONICZNEGO Z MAGNESAMI TRWAŁYMI Z POMOCĄ PROGRAMU FLUX 2D. Opiekun naukowy: dr hab. inż. Wiesław Jażdżyński, prof. AGH Maszyna synchrocznina
Bardziej szczegółowoKONCEPCJA WYKORZYSTANIA SZTUCZNYCH SIECI NEURONOWYCH W DIAGNOSTYCE PRZEKŁADNI ZĘBATYCH
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2009 Seria: TRANSPORT z. 65 Nr kol. 1807 Piotr CZECH, Bogusław ŁAZARZ KONCEPCJA WYKORZYSTANIA SZTUCZNYCH SIECI NEURONOWYCH W DIAGNOSTYCE PRZEKŁADNI ZĘBATYCH Streszczenie.
Bardziej szczegółowoWstęp do sztucznych sieci neuronowych
Wstęp do sztucznych sieci neuronowych Michał Garbowski Zachodniopomorski Uniwersytet Technologiczny w Szczecinie Wydział Informatyki 15 grudnia 2011 Plan wykładu I 1 Wprowadzenie Inspiracja biologiczna
Bardziej szczegółowoMETODYKA BADAŃ MAŁYCH SIŁOWNI WIATROWYCH
Inżynieria Rolnicza 2(100)/2008 METODYKA BADAŃ MAŁYCH SIŁOWNI WIATROWYCH Krzysztof Nalepa, Maciej Neugebauer, Piotr Sołowiej Katedra Elektrotechniki i Energetyki, Uniwersytet Warmińsko-Mazurski w Olsztynie
Bardziej szczegółowoZdjęcia Elektrowni w Skawinie wykonał Marek Sanok
Zdjęcia Elektrowni w Skawinie wykonał Marek Sanok 8 III konferencja Wytwórców Energii Elektrycznej i Cieplnej Skawina 2012 Problemy fluktuacji mocy biernej w elektrowniach wiatrowych Antoni Dmowski Politechnika
Bardziej szczegółowoHAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM
ZASTOSOWANIE SIECI NEURONOWYCH W SYSTEMACH AKTYWNEJ REDUKCJI HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM WPROWADZENIE Zwalczanie hałasu przy pomocy metod aktywnych redukcji hałasu polega
Bardziej szczegółowoWykład wprowadzający
Monitorowanie i Diagnostyka w Systemach Sterowania na studiach II stopnia specjalności: Systemy Sterowania i Podejmowania Decyzji Wykład wprowadzający dr inż. Michał Grochowski kiss.pg.mg@gmail.com michal.grochowski@pg.gda.pl
Bardziej szczegółowoPROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**
Górnictwo i Geoinżynieria Rok 31 Zeszyt 3 2007 Dorota Pawluś* PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH** 1. Wstęp Eksploatacja górnicza złóż ma niekorzystny wpływ na powierzchnię
Bardziej szczegółowoZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE
ZACHODNIOPOMORSKI UNIWERSYTET TECHNOLOGICZNY W SZCZECINIE INSTYTUT TECHNOLOGII MECHANICZNEJ Metody Sztucznej Inteligencji Sztuczne Sieci Neuronowe Wstęp Sieci neuronowe są sztucznymi strukturami, których
Bardziej szczegółowoBadanie charakterystyk turbiny wiatrowej w funkcji prędkości wiatru
POLITECHNIKA BIAŁOSTOCKA Wydział Budownictwa i Inżynierii Środowiska Instrukcja do zajęć laboratoryjnych w funkcji prędkości wiatru Ćwiczenie nr 1 Laboratorium z przedmiotu Odnawialne źródła energii Kod:
Bardziej szczegółowoSztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW
Sztuczne Sieci Neuronowe Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW SN są częścią dziedziny Sztucznej Inteligencji Sztuczna Inteligencja (SI) zajmuje się
Bardziej szczegółowoWSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH
WSKAZÓWKI DO WYKONANIA SPRAWOZDANIA Z WYRÓWNAWCZYCH ZAJĘĆ LABORATORYJNYCH Dobrze przygotowane sprawozdanie powinno zawierać następujące elementy: 1. Krótki wstęp - maksymalnie pół strony. W krótki i zwięzły
Bardziej szczegółowoTemat: Sieci neuronowe oraz technologia CUDA
Elbląg, 27.03.2010 Temat: Sieci neuronowe oraz technologia CUDA Przygotował: Mateusz Górny VIII semestr ASiSK Wstęp Sieci neuronowe są to specyficzne struktury danych odzwierciedlające sieć neuronów w
Bardziej szczegółowoĆWICZENIE NR.6. Temat : Wyznaczanie drgań mechanicznych przekładni zębatych podczas badań odbiorczych
ĆWICZENIE NR.6 Temat : Wyznaczanie drgań mechanicznych przekładni zębatych podczas badań odbiorczych 1. Wstęp W nowoczesnych przekładniach zębatych dąży się do uzyskania małych gabarytów w stosunku do
Bardziej szczegółowoSztuczne sieci neuronowe Ćwiczenia. Piotr Fulmański, Marta Grzanek
Sztuczne sieci neuronowe Ćwiczenia Piotr Fulmański, Marta Grzanek Piotr Fulmański 1 Wydział Matematyki i Informatyki, Marta Grzanek 2 Uniwersytet Łódzki Banacha 22, 90-232, Łódź Polska e-mail 1: fulmanp@math.uni.lodz.pl,
Bardziej szczegółowoAlgorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta
Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta www.michalbereta.pl Sieci radialne zawsze posiadają jedną warstwę ukrytą, która składa się z neuronów radialnych. Warstwa wyjściowa składa
Bardziej szczegółowoPolitechnika Warszawska
Politechnika Warszawska Wydział Elektryczny Laboratorium Teletechniki Skrypt do ćwiczenia T.02. Woltomierz RMS oraz Analizator Widma 1. Woltomierz RMS oraz Analizator Widma Ćwiczenie to ma na celu poznanie
Bardziej szczegółowoPodstawy Sztucznej Inteligencji (PSZT)
Podstawy Sztucznej Inteligencji (PSZT) Paweł Wawrzyński Uczenie maszynowe Sztuczne sieci neuronowe Plan na dziś Uczenie maszynowe Problem aproksymacji funkcji Sieci neuronowe PSZT, zima 2013, wykład 12
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa, Andrzej Rutkowski Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-10-15 Projekt
Bardziej szczegółowoUczenie sieci radialnych (RBF)
Uczenie sieci radialnych (RBF) Budowa sieci radialnej Lokalne odwzorowanie przestrzeni wokół neuronu MLP RBF Budowa sieci radialnych Zawsze jedna warstwa ukryta Budowa neuronu Neuron radialny powinien
Bardziej szczegółowoGdansk Possesse, France Tel (0)
Elektrownia wiatrowa GP Yonval 40-16 została zaprojektowana, aby osiągnąć wysoki poziom produkcji energii elektrycznej zgodnie z normą IEC 61400-2. Do budowy elektrowni wykorzystywane są niezawodne, europejskie
Bardziej szczegółowoZagadnienia optymalizacji i aproksymacji. Sieci neuronowe.
Zagadnienia optymalizacji i aproksymacji. Sieci neuronowe. zajecia.jakubw.pl/nai Literatura: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym. WNT, Warszawa 997. PODSTAWOWE ZAGADNIENIA TECHNICZNE AI
Bardziej szczegółowoANALIZA WYKORZYSTANIA ELEKTROWNI WIATROWEJ W DANEJ LOKALIZACJI
ANALIZA WYKORZYSTANIA ELEKTROWNI WIATROWEJ W DANEJ LOKALIZACJI Autorzy: Alina Bukowska (III rok Matematyki) Aleksandra Leśniak (III rok Fizyki Technicznej) Celem niniejszego opracowania jest wyliczenie
Bardziej szczegółowoMODEL DYNAMICZNY UKŁADU NAPĘDOWEGO JAKO ŹRÓDŁO DANYCH WEJŚCIOWYCH DLA KLASYFIKATORÓW NEURONOWYCH
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2009 Seria: TRANSPORT z. 65 Nr kol. 1807 Grzegorz PERUŃ, Bogusław ŁAZARZ, Grzegorz WOJNAR, Piotr CZECH MODEL DYNAMICZNY UKŁADU NAPĘDOWEGO JAKO ŹRÓDŁO DANYCH WEJŚCIOWYCH
Bardziej szczegółowoNazwisko i imię: Zespół: Data: Ćwiczenie nr 1: Wahadło fizyczne. opis ruchu drgającego a w szczególności drgań wahadła fizycznego
Nazwisko i imię: Zespół: Data: Cel ćwiczenia: Ćwiczenie nr 1: Wahadło fizyczne opis ruchu drgającego a w szczególności drgań wahadła fizycznego wyznaczenie momentów bezwładności brył sztywnych Literatura
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 03 Warstwy RBF, jednostka Adaline.
Wstęp do sieci neuronowych, wykład 3 Warstwy, jednostka Adaline. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 211-1-18 1 Pomysł Przykłady Zastosowanie 2
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa.
Wstęp do sieci neuronowych, wykład 02 Perceptrony c.d. Maszyna liniowa. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-10-11 1 Modelowanie funkcji logicznych
Bardziej szczegółowoDla poprawnej oceny stanu technicznego maszyny konieczny jest wybór odpowiednich parametrów jej stanu (symptomów stanu)
74 Dla poprawnej oceny stanu technicznego maszyny konieczny jest wybór odpowiednich parametrów jej stanu (symptomów stanu) Symptomy powinny jak najwierniej oddawać stan maszyny NaleŜy podjąć następujące
Bardziej szczegółowoPL B1. AKADEMIA GÓRNICZO-HUTNICZA IM. STANISŁAWA STASZICA W KRAKOWIE, Kraków, PL BUP 14/12
PL 223044 B1 RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 223044 (13) B1 (21) Numer zgłoszenia: 396179 (51) Int.Cl. G01M 13/02 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22) Data zgłoszenia:
Bardziej szczegółowoLaboratorium POMIAR DRGAŃ MASZYN W ZASTOSOWANIU DO OCENY OGÓLNEGO STANU DYNAMICZNEGO
INSTYTUT KONSTRUKCJI MASZYN Laboratorium POMIAR DRGAŃ MASZYN W ZASTOSOWANIU DO OCENY OGÓLNEGO STANU DYNAMICZNEGO Measurement of vibrations in assessment of dynamic state of the machine Zakres ćwiczenia:
Bardziej szczegółowoPodstawy sztucznej inteligencji
wykład 5 Sztuczne sieci neuronowe (SSN) 8 grudnia 2011 Plan wykładu 1 Biologiczne wzorce sztucznej sieci neuronowej 2 3 4 Neuron biologiczny Neuron Jest podstawowym budulcem układu nerwowego. Jest komórką,
Bardziej szczegółowoSystemy uczące się wykład 2
Systemy uczące się wykład 2 dr Przemysław Juszczuk Katedra Inżynierii Wiedzy, Uniwersytet Ekonomiczny 19 X 2018 Podstawowe definicje Fakt; Przesłanka; Konkluzja; Reguła; Wnioskowanie. Typy wnioskowania
Bardziej szczegółowo17.12.2005 Neuron biologiczny. Źród lo: Korbicz i in. [4] Synapsa to po l aczenie nerwowymi.
Wyk lad 1. 17.12.2005 Neuron biologiczny Źród lo: Korbicz i in. [4] Synapsa to po l aczenie miedzy dwoma komórkami nerwowymi. 1 neuron biologiczny A B C D Zakoñczenia przedsynaptyczne Akson Dendryt Cia³o
Bardziej szczegółowoInteligentne systemy przeciw atakom sieciowym
Inteligentne systemy przeciw atakom sieciowym wykład Sztuczne sieci neuronowe (SSN) Joanna Kołodziejczyk 2016 Joanna Kołodziejczyk Inteligentne systemy przeciw atakom sieciowym 2016 1 / 36 Biologiczne
Bardziej szczegółowoInstrukcja do ćwiczeń laboratoryjnych Napęd hydrauliczny
Instrukcja do ćwiczeń laboratoryjnych Napęd hydrauliczny Sterowanie układem hydraulicznym z proporcjonalnym zaworem przelewowym Opracowanie: Z. Kudźma, P. Osiński, M. Stosiak 1 Proporcjonalne elementy
Bardziej szczegółowoDEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Stanisław PŁACZEK* DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI W artykule
Bardziej szczegółowoBadania w sieciach złożonych
Badania w sieciach złożonych Grant WCSS nr 177, sprawozdanie za rok 2012 Kierownik grantu dr. hab. inż. Przemysław Kazienko mgr inż. Radosław Michalski Instytut Informatyki Politechniki Wrocławskiej Obszar
Bardziej szczegółowoLABORATORIUM Z PROEKOLOGICZNYCH ŹRÓDEŁ ENERGII ODNAWIALNEJ
VIII-EW ELEKTROWNIA WIATROWA LABORATORIUM Z PROEKOLOGICZNYCH ŹRÓDEŁ ENERGII ODNAWIALNEJ Katedra Aparatury i Maszynoznawstwa Chemicznego Instrukcja ćwiczenia nr 8. EW 1 8 EW WYZNACZENIE ZAKRESU PRACY I
Bardziej szczegółowoKONCEPCJA NEURONOWEGO DETEKTORA USZKODZEŃ CZUJNIKA PRĘDKOŚCI DLA UKŁADÓW NAPĘDOWYCH Z SILNIKIEM INDUKCYJNYM STEROWANYCH METODĄ POLOWO ZORIENTOWANĄ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 83 Electrical Engineering 2015 Kamil KLIMKOWSKI* Mateusz DYBKOWSKI* KONCEPCJA NEURONOWEGO DETEKTORA USZKODZEŃ CZUJNIKA PRĘDKOŚCI DLA UKŁADÓW NAPĘDOWYCH
Bardziej szczegółowoĆwiczenie 2a. Pomiar napięcia z izolacją galwaniczną Doświadczalne badania charakterystyk układów pomiarowych CZUJNIKI POMIAROWE I ELEMENTY WYKONAWCZE
Politechnika Łódzka Katedra Mikroelektroniki i Technik Informatycznych 90-924 Łódź, ul. Wólczańska 221/223, bud. B18 tel. 42 631 26 28 faks 42 636 03 27 e-mail secretary@dmcs.p.lodz.pl http://www.dmcs.p.lodz.pl
Bardziej szczegółowoSztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych. Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010
Sztuczne sieci neuronowe i sztuczna immunologia jako klasyfikatory danych Dariusz Badura Letnia Szkoła Instytutu Matematyki 2010 Sieci neuronowe jednokierunkowa wielowarstwowa sieć neuronowa sieci Kohonena
Bardziej szczegółowoWstęp do teorii sztucznej inteligencji Wykład II. Uczenie sztucznych neuronów.
Wstęp do teorii sztucznej inteligencji Wykład II Uczenie sztucznych neuronów. 1 - powtórzyć o klasyfikacji: Sieci liniowe I nieliniowe Sieci rekurencyjne Uczenie z nauczycielem lub bez Jednowarstwowe I
Bardziej szczegółowoPORÓWNANIE MAŁYCH ELEKTROWNI WIATROWYCH ZNAJDUJĄCYCH SIĘ NA TERENIE POLITECHNIKI BIAŁOSTOCKIEJ
Maszyny Elektryczne - Zeszyty Problemowe Nr 2/2018 (118) 101 Paweł Kamiński, Adam Kuźma Politechnika Białostocka, Białystok PORÓWNANIE MAŁYCH ELEKTROWNI WIATROWYCH ZNAJDUJĄCYCH SIĘ NA TERENIE POLITECHNIKI
Bardziej szczegółowoZagadnienia DIAGNOSTYKA TECHNICZNA MASZYN. Rozdział 1 Wprowadzenie 1
Rozdział 1 Wprowadzenie 1 Zagadnienia 1. Wprowadzenie 2. Filozofia eksploatacji maszyn 3. Parametry diagnostyczne 4. Podstawy drgań 5. Charakterystyka czujników drgań 6. Metodyka pomiarów symptomów stanu
Bardziej szczegółowoPL B BUP 14/16
RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 229798 (13) B1 (21) Numer zgłoszenia: 410735 (51) Int.Cl. G01R 19/00 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22) Data zgłoszenia: 22.12.2014
Bardziej szczegółowoElementy kognitywistyki III: Modele i architektury poznawcze
Elementy kognitywistyki III: Modele i architektury poznawcze Wykład III: Psychologiczne modele umysłu Gwoli przypomnienia: Kroki w modelowaniu kognitywnym: teoretyczne ramy pojęciowe (modele pojęciowe)
Bardziej szczegółowoSYSTEM DO REJESTRACJI DANYCH POMIAROWYCH Z ELEKTROWNI WIATROWEJ
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 89 Electrical Engineering 2017 DOI 10.21008/j.1897-0737.2017.89.0039 Piotr GALLUS* Marcin SCHUDY* Daria WOTZKA* Michał KOZIOŁ* SYSTEM DO REJESTRACJI
Bardziej szczegółowoSztuczne sieci neuronowe
Wydział Zarządzania AGH Katedra Informatyki Stosowanej Sztuczne sieci neuronowe Sztuczne sieci neuronowe Wprowadzenie Trochę historii Podstawy działania Funkcja aktywacji Typy sieci 2 Wprowadzenie Zainteresowanie
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3
Wstęp do sieci neuronowych, wykład 6 Wsteczna propagacja błędu - cz. 3 Andrzej Rutkowski, Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2018-11-05 Projekt
Bardziej szczegółowoWIZUALIZACJA 3D STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ Z WYKORZYSTANIEM OPENGL
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 80 Electrical Engineering 2014 Wojciech PIETROWSKI* Mateusz SZYMANIAK* WIZUALIZACJA 3D STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ Z WYKORZYSTANIEM OPENGL
Bardziej szczegółowoNarodowe Centrum Badań Jądrowych Dział Edukacji i Szkoleń ul. Andrzeja Sołtana 7, Otwock-Świerk
Narodowe Centrum Badań Jądrowych Dział Edukacji i Szkoleń ul. Andrzeja Sołtana 7, 05-400 Otwock-Świerk ĆWICZENIE L A B O R A T O R I U M F I Z Y K I A T O M O W E J I J Ą D R O W E J Zastosowanie pojęć
Bardziej szczegółowoID1SIII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)
KARTA MODUŁU / KARTA RZEDMIOTU Załącznik nr 7 do Zarządzenia Rektora nr 10/12 z dnia 21 lutego 2012r. Kod modułu ID1SIII4 Nazwa modułu Systemy inteligentne 2 Nazwa modułu w języku angielskim Intelligent
Bardziej szczegółowoRozwój mikroenergetyki wiatrowej. dr inż. Wojciech Radziewicz Politechnika Opolska Wydział Elektrotechniki, Automatyki i Informatyki
Rozwój mikroenergetyki wiatrowej dr inż. Wojciech Radziewicz Politechnika Opolska Wydział Elektrotechniki, Automatyki i Informatyki Wprowadzenie Wzrost mocy zainstalowanej w elektrowniach wiatrowych na
Bardziej szczegółowowiedzy Sieci neuronowe
Metody detekcji uszkodzeń oparte na wiedzy Sieci neuronowe Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 7 Wprowadzenie Okres kształtowania się teorii sztucznych sieci
Bardziej szczegółowoOKREŚLENIE WPŁYWU WYŁĄCZANIA CYLINDRÓW SILNIKA ZI NA ZMIANY SYGNAŁU WIBROAKUSTYCZNEGO SILNIKA
ZESZYTY NAUKOWE POLITECHNIKI ŚLĄSKIEJ 2008 Seria: TRANSPORT z. 64 Nr kol. 1803 Rafał SROKA OKREŚLENIE WPŁYWU WYŁĄCZANIA CYLINDRÓW SILNIKA ZI NA ZMIANY SYGNAŁU WIBROAKUSTYCZNEGO SILNIKA Streszczenie. W
Bardziej szczegółowoProblem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner
Problem eliminacji nieprzystających elementów w zadaniu rozpoznania wzorca Marcin Luckner Wydział Matematyki i Nauk Informacyjnych Politechnika Warszawska Elementy nieprzystające Definicja odrzucania Klasyfikacja
Bardziej szczegółowoInteligentne systemy informacyjne
Inteligentne systemy informacyjne Moduł 10 Mieczysław Muraszkiewicz www.icie.com.pl/lect_pw.htm M. Muraszkiewicz strona 1 Sieci neuronowe szkic Moduł 10 M. Muraszkiewicz strona 2 Dwa nurty M. Muraszkiewicz
Bardziej szczegółowoPL B1. Sposób regulacji prądu silnika asynchronicznego w układzie bez czujnika prędkości obrotowej. POLITECHNIKA GDAŃSKA, Gdańsk, PL
PL 224167 B1 RZECZPOSPOLITA POLSKA (12) OPIS PATENTOWY (19) PL (11) 224167 (13) B1 (21) Numer zgłoszenia: 391278 (51) Int.Cl. H02P 27/06 (2006.01) Urząd Patentowy Rzeczypospolitej Polskiej (22) Data zgłoszenia:
Bardziej szczegółowoDoświadczalny minisystem energetyczny (PV+VAWT) Budowa, wstępna eksploatacja i napotkane problemy
Grzegorz Bałuka IASE Sp. z o.o. Doświadczalny minisystem energetyczny (PV+VAWT) Budowa, wstępna eksploatacja i napotkane problemy ENERGYREGION - Efektywny rozwój rozproszonej energetyki odnawialnej w połączeniu
Bardziej szczegółowoUczenie sieci neuronowych i bayesowskich
Wstęp do metod sztucznej inteligencji www.mat.uni.torun.pl/~piersaj 2009-01-22 Co to jest neuron? Komputer, a mózg komputer mózg Jednostki obliczeniowe 1-4 CPU 10 11 neuronów Pojemność 10 9 b RAM, 10 10
Bardziej szczegółowo