WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI
|
|
- Małgorzata Wrona
- 5 lat temu
- Przeglądów:
Transkrypt
1 Posiedzenie Sekcji Podstaw Technologii Komitetu Budowy Maszyn Polskiej Akademii Nauk 20 kwietnia 2004 WIELOCZUJNIKOWE NADZOROWANIE STANU NARZĘDZI prof. dr hab. inż. Krzysztof Jemieniak Plan prezentacji Struktura układu nadzoru stanu narzędzia, wskaźniki zużycia w układach komercyjnych Strategie diagnostyki zużycia w w układach komercyjnych Ocena wykorzystanej część okresu trwałości ostrza Diagnostyka zużycia ostrza na podstawie nietypowych sygnałów Integracja wielu miar przy pomocy algorytmów hierarchicznych
2 Struktura układu nadzoru narzędzia i PS strefa skrawania NADZÓR AKCJA! wielkości fizyczne czujniki sygnały DIAGNOSTYKA obróbka sygnałów filtry, statystyka, FFT, RMS,... miary sygnałów diagnoza, rozkaz STRATEGIA MONITOROWANIE model procesu, wiedza Wskaźniki zużycia ostrza wykorzystywane w DNiPS Wskaźniki bezpośrednie: (geometryczne miary zużycia) sposoby pomiaru Metody optyczne Metody dotykowe Metody indukcyjne Metody elektrooporowe Wskaźniki pośrednie: (zmiany wielkości fizycznych spowodowane zużyciem) Siły skrawania i wielkości pochodne (moment, moc) Emisja akustyczna Drgania i hałas
3 Budowa układu DNiPS Nordman
4 Brankamp Pytania Czy operator sam musi dobierać i wprowadzać wartości graniczne, miejsca pomiaru itd? NIE! Po co operatowi wiedza o wartościach sygnałów???? Co z nimi może zrobić? Przeliczyć na wykorzystaną część okresu trwałości! T = = ,33
5 Podstawowe założenia działania układów ADONiS zdobywanie przez układ większości niezbędnych informacji w trakcie obróbki pierwszego przedmiotu automatyczne wyznaczanie dopuszczalnej wartości miary na podstawie decyzji użytkownika o stępieniu ostrza (uczenie układu) określanie nie tylko momentu stępienia ostrzy lecz także ocena wykorzystanej części okresów trwałości autodiagnostyka układu Ocena wykorzystanej części okresu trwałości ostrza na podstawie początkowej, aktualnej i dopuszczalnej wartości wybranej miary T= _ t = M - M 0 M 0 M M T M T -M 0 T dt (%) T(t) dt(t) T(VB dt(vbc) C ) T(F dt(ff)lin f ) lin cycle
6 Badania doświadczalne CBKO,VENUS 450 Wyniki badania sił i AE w funkcji zużycia ostrza w warunkach przemysłowych F f Sygnały: nieliniowe niemonotoniczne (nieodwracalne) ujemne nr operacji
7 Ogólne zasady uczenia układu i diagnostyki zużycia ostrza Pierwszy okres trwałości ostrza Mk Kolejny okres trwałości ostrza Mi n Mi n Mk Mk Mk Mk Mk Mk Mk... OP 1 OP 2 OP 3 OP n1 OP 1 OP 2 OP 3 OP n1 1-sza op.: licz.zab, które nadzorować, min i max sygn, po każdej op. zapamiętanie miary: Mk[NrOp] po zakończeniu trwałości ostrza przeliczenie tablicy Mk[NrOp] na Mk[ T] na podstawie NrOp T= LiczOp po każdej op. zapamiętanie miary: Mk[NrOp] oraz ocena T na podstawie Mk[ T] po zakończeniu trwałości ostrza przeliczenie tablicy Mk[NrOp] na Mk[ T], douczenie układu Mk Ocena wykorzystanej części T Mk[ T] Wyszukiwanie w tablicy Mk[ T] wartości najbliższej uzyskanej w operacji Mk NrOp NrOp T Mk[ T] T Wyszukiwanie rozpoczyna się od poprzedniego wskazania: w przypadku wartości niższej niż poprzednia, wskazanie T bez zmian Mk Mk[ T] 30% Przeszukiwanie tylko 6 elementów tablicy (0.3 T) ogranicza wpływ przypadkowo wysokich wartości NrOp T Mk NrOp Mk[ T] Wskazanie nie może być niższe niż 0.7 T wynikającego z poprzednich doświadczeń T=70*NrOp/LOp
8 Ocena wykorzystanej części okresu trwałości ostrza na podstawie tablicy Mk[ T] dt (%) dt(t) T(t) dt(vbc) T(VB C ) dt(ff)lin T(F f ) dt(ff)1 T(F f ) 1 dt(ff) T(F f ) cycle Układy ADONiS 4-5 ADONiS 4 Układ wirtualny możliwością pracy na plikach i karcie DAQ ADONiS 4 1N Układ jednonarzędziowy ADONiS 4 RT Układ zrealizowany na karcie RT ADONiS 5 Układ sprzętowy
9 ADONiS 4-5 wyniki diagnostyki zużycia ostrza F f T oszacowane nr operacji T Miary sygnałów 2s Wartość średnia Wartość maksymalna Wariancja Mediana Wartość średnia 2s Inne
10 Ocena T selekcja miar Wybór miar powiązanych ze zużyciem ostrza Aproksymacja zależności M( T) wielomianem drugiego stopnia Obliczenie błędu aproksymacji RMSE Odrzucenie miar o błędzie większym od 0,05 F fmed2s F fmed2s 0, F c,max F c,max 0, Miara FfVar FfStDev FfMom4 FfMom3 AEMed AEmin2s FfMed2s FfRMS2s Ffsred2s FfMed Ffmaxpocz-sred Ffsred Ffmin Ffmax2s FfMod2s AEMed2s FfRMS AEVar2s FcVar Ocena T selekcja miar Sposób wyznaczenia RMSE aproksymacji Wariancja (Ff(j)) 0, Odchylenie Standardowe(Ff(j)) 0, Moment 4 Stopnia(Ff(j)) 0, Moment3Stopnia(Ff(j)) 0, Mediana(AE(j)) 0, Min(AE(l)) 0, Mediana(Ff(l)) 0, RMS(Ff(l)) 0, Suma(Ff(l))/1000 0, Mediana(Ff(j)) 0, Max(Ff(k))-Suma(Ff(l))/1000 0, Suma(Ff(j))/1000 0, Min(Ff(j)) 0, Max(Ff(l)) 0, Moda(Ff(l)) 0, RMSE>0,05 Mediana(AE(l)) 0, RMS(Ff(j)) 0, Wariancja(AE(l)) 0, Wariancja(Fc (j)) 0,082725
11 Ocena T selekcja miar Odrzucenie miar powiązanych pomiędzy sobą Wyznaczenie RMSE pomiędzy najlepszą a innymi miarami F fmed2s F frms 0, Odrzucenie tych dla których RMSE jest mniejsze od 0,1 F fsred2s 0, F fmed 0, F fmed2s Ocena T selekcja miar Wybrane miary? AE Med F fvar AE Min2s Sieć neuronowa
12 Ocena T integracja miar przy pomocy sieci neuronowej Najefektywniejsza sieć według doniesień literaturowych - Perceptron trójwarstwowy z propagacją wsteczną błędu (FFBP) Najefektywniejsza sieć według badań własnych- FFBP Parametry sieci zastosowanej do integracji - 10 neuronów w warstwie ukrytej (testowano od 4 do 20 neuronów co 2 neurony) -Współczynnik uczenia 0,14 (testowano od 0,02 do 0,3 z krokiem 0,02) - Współczynnik momentu 0,65 (testowano od 0,05 do 0,9 z krokiem 0,05) Ocena T integracja miar przy pomocy sieci neuronowej wyniki F fmed2s F fvar Brak odporności na silnie nietypowy przebieg miary
13 Ocena T integracja miar przy pomocy sieci neuronowej przyczyny porażki Układ powinien być gotowy do pracy po jednym okresie trwałości Dysponujemy ograniczoną, niską liczbą próbek uczących Uczenie sieci neuronowej wymaga zastosowania odpowiedniej liczby próbek uczących w stosunku do liczby wejść Ograniczenie liczby wykorzystywanych miar Ocena T integracja miar przy pomocy algorytmów hierarchicznych 1. Oszacowanie T dla każdej miary oddzielnie Mk NrOp 2. Integracja Mk[ T] T 30% a. Sieć neuronowa b. Wyznaczenie średniej Mk[ T] tworzona dla każdej miary z dokładnością do 1% a. Wielomian b. Sieć neuronowa
14 Ocena T integracja miar Zastosowanie algorytmów hierarchicznych wyniki dla poszczególnych miar F fvar AE Min2s F fmed2s AE Med Wyniki nadzoru Sieć Średnia
15 Podsumowanie Układy oparte na pojedynczej mierze sygnału nie mogą zapewnić wymaganej dokładności wskazań Sieci neuronowe nie są najodpowiedniejszym narzędziem do integracji miar sygnałów przy ograniczonej ilości danych uczących Algorytmy hierarchiczne wydają się obecnie najskuteczniejszą metodą integracji miar Podsumowanie, ADONiS 6 AE Med F fmed2s AE Min2s miary czterech sygnałów (F f, F p, F c, AE rms ) wybrane automatycznie z ponad stu F fvar
Automatyczna Diagnostyka Stanu Narzędzia i Procesu Skrawania
Techniki Wytwarzania 2 mgr Krzysztof Jemielniak Automatyczna Diagnostyka Stanu Narzędzia i Procesu Skrawania Część 5: Strategie nadzoru stanu narzędzi Nordman Ocena zużycia ostrza na podstawie średniej
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 szczegółowoInteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe
Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe Trening jednokierunkowych sieci neuronowych wykład 2. dr inż. PawełŻwan Katedra Systemów Multimedialnych Politechnika Gdańska
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 szczegółowoZastosowania sieci neuronowych
Zastosowania sieci neuronowych aproksymacja LABORKA Piotr Ciskowski zadanie 1. aproksymacja funkcji odległość punktów źródło: Żurada i in. Sztuczne sieci neuronowe, przykład 4.4, str. 137 Naucz sieć taką
Bardziej szczegółowoWidzenie komputerowe
Widzenie komputerowe Uczenie maszynowe na przykładzie sieci neuronowych (3) źródła informacji: S. Osowski, Sieci neuronowe w ujęciu algorytmicznym, WNT 1996 Zdolność uogólniania sieci neuronowej R oznaczenie
Bardziej szczegółowoSpis treści. Przedmowa... XI. Rozdział 1. Pomiar: jednostki miar... 1. Rozdział 2. Pomiar: liczby i obliczenia liczbowe... 16
Spis treści Przedmowa.......................... XI Rozdział 1. Pomiar: jednostki miar................. 1 1.1. Wielkości fizyczne i pozafizyczne.................. 1 1.2. Spójne układy miar. Układ SI i jego
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoUczenie sieci typu MLP
Uczenie sieci typu MLP Przypomnienie budowa sieci typu MLP Przypomnienie budowy neuronu Neuron ze skokową funkcją aktywacji jest zły!!! Powszechnie stosuje -> modele z sigmoidalną funkcją aktywacji - współczynnik
Bardziej szczegółowoTemat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: Sztuczne Sieci Neuronowe Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1 Wprowadzenie Sztuczne sieci neuronowe
Bardziej szczegółowoPraca dyplomowa. Program do monitorowania i diagnostyki działania sieci CAN. Temat pracy: Temat Gdańsk Autor: Łukasz Olejarz
Temat Gdańsk 30.06.2006 1 Praca dyplomowa Temat pracy: Program do monitorowania i diagnostyki działania sieci CAN. Autor: Łukasz Olejarz Opiekun: dr inż. M. Porzeziński Recenzent: dr inż. J. Zawalich Gdańsk
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 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 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 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 szczegółowoSpis treści Przedmowa
Spis treści Przedmowa 1. Wprowadzenie do problematyki konstruowania - Marek Dietrich (p. 1.1, 1.2), Włodzimierz Ozimowski (p. 1.3 -i-1.7), Jacek Stupnicki (p. l.8) 1.1. Proces konstruowania 1.2. Kryteria
Bardziej szczegółowoElementy inteligencji obliczeniowej
Elementy inteligencji obliczeniowej Paweł Liskowski Institute of Computing Science, Poznań University of Technology 9 October 2018 1 / 19 Perceptron Perceptron (Rosenblatt, 1957) to najprostsza forma sztucznego
Bardziej szczegółowoOdchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi
Odchudzamy serię danych, czyli jak wykryć i usunąć wyniki obarczone błędami grubymi Piotr Konieczka Katedra Chemii Analitycznej Wydział Chemiczny Politechnika Gdańska D syst D śr m 1 3 5 2 4 6 śr j D 1
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 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 szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Energetyka Rodzaj przedmiotu: kierunkowy ogólny Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK PO PRZEDMIOCIE C1. Uzyskanie podstawowej wiedzy
Bardziej szczegółowoSpis treści. Przedmowa 11
Podstawy konstrukcji maszyn. T. 1 / autorzy: Marek Dietrich, Stanisław Kocańda, Bohdan Korytkowski, Włodzimierz Ozimowski, Jacek Stupnicki, Tadeusz Szopa ; pod redakcją Marka Dietricha. wyd. 3, 2 dodr.
Bardziej szczegółowoPRZEWODNIK PO PRZEDMIOCIE
Nazwa przedmiotu: Kierunek: Mechanika i Budowa Maszyn Rodzaj przedmiotu: obowiązkowy na kierunku: Mechanika i Budowa Maszyn Rodzaj zajęć: wykład, laboratorium I KARTA PRZEDMIOTU CEL PRZEDMIOTU PRZEWODNIK
Bardziej szczegółowo5. WNIOSKOWANIE PSYCHOMETRYCZNE
5. WNIOSKOWANIE PSYCHOMETRYCZNE Model klasyczny Gulliksena Wynik otrzymany i prawdziwy Błąd pomiaru Rzetelność pomiaru testem Standardowy błąd pomiaru Błąd estymacji wyniku prawdziwego Teoria Odpowiadania
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 szczegółowoOCENA PRZYDATNOŚCI MIAR SYGNAŁÓW W DIAGNOSTYCE ZUŻYCIA OSTRZA
KOMISJA BUDOWY MASZYN PAN ODDZIAŁ W POZNANIU Vol. 25 nr 2 Archiwum Technologii Maszyn i Automatyzacji 2005 SEBASTIAN BOMBIŃSKI*, KRZYSZTOF JEMIELNIAK** OCENA PRZYDATNOŚCI MIAR SYGNAŁÓW W DIAGNOSTYCE ZUŻYCIA
Bardziej szczegółowoElektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych
Elektroniczne materiały dydaktyczne do przedmiotu Wstęp do Sieci Neuronowych Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-21 Koncepcja kursu Koncepcja
Bardziej szczegółowoLABORATORIUM 3. Jeśli p α, to hipotezę zerową odrzucamy Jeśli p > α, to nie mamy podstaw do odrzucenia hipotezy zerowej
LABORATORIUM 3 Przygotowanie pliku (nazwy zmiennych, export plików.xlsx, selekcja przypadków); Graficzna prezentacja danych: Histogramy (skategoryzowane) i 3-wymiarowe; Wykresy ramka wąsy; Wykresy powierzchniowe;
Bardziej szczegółowoPrognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych.
Metody Sztucznej Inteligencji 2 Projekt Prognozowanie kierunku ruchu indeksów giełdowych na podstawie danych historycznych. Autorzy: Robert Wojciechowski Michał Denkiewicz Mateusz Gągol Wstęp Celem projektu
Bardziej szczegółowoPobieranie prób i rozkład z próby
Pobieranie prób i rozkład z próby Marcin Zajenkowski Marcin Zajenkowski () Pobieranie prób i rozkład z próby 1 / 15 Populacja i próba Populacja dowolnie określony zespół przedmiotów, obserwacji, osób itp.
Bardziej szczegółowoSIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)
SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU) 1. Opis problemu - ocena końcowa projektu Projekt jako nowe, nietypowe przedsięwzięcie wymaga właściwego zarządzania. Podjęcie się realizacji
Bardziej szczegółowoNowoczesne technologie materiałowe stosowane w przemyśle lotniczym r Nałęczów
Seminarium zadań badawczych Seminarium ZB1, ZB2, ZB5 Projektu Kluczowego Nowoczesne Zakładu technologie Automatyzacji, materiałowe Obrabiarek stosowane i Obróbki w Skrawaniem przemyśle lotniczym 03.10.2013
Bardziej szczegółowoMetody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści
Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, 2012 Spis treści Przedmowa do wydania drugiego Przedmowa IX X 1. Wstęp 1 2. Wybrane zagadnienia sztucznej inteligencji
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 szczegółowoBudowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego
Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego Dorota Witkowska Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Wprowadzenie Sztuczne
Bardziej szczegółowoW kolejnym kroku należy ustalić liczbę przedziałów k. W tym celu należy wykorzystać jeden ze wzorów:
Na dzisiejszym wykładzie omówimy najważniejsze charakterystyki liczbowe występujące w statystyce opisowej. Poszczególne wzory będziemy podawać w miarę potrzeby w trzech postaciach: dla szeregu szczegółowego,
Bardziej szczegółowoOptymalizacja optymalizacji
7 maja 2008 Wstęp Optymalizacja lokalna Optymalizacja globalna Algorytmy genetyczne Badane czasteczki Wykorzystane oprogramowanie (Algorytm genetyczny) 2 Sieć neuronowa Pochodne met-enkefaliny Optymalizacja
Bardziej szczegółowoObróbka Skrawaniem -
Prof. Krzysztof Jemielniak krzysztof.jemielniak@pw.edu.pl http://www.zaoios.pw.edu.pl/kjemiel Obróbka Skrawaniem - podstawy, dynamika, diagnostyka 10. Diagnostyka stanu narzędzia i procesu skrawania Instytut
Bardziej szczegółowo1. Logika, funkcje logiczne, preceptron.
Sieci neuronowe 1. Logika, funkcje logiczne, preceptron. 1. (Logika) Udowodnij prawa de Morgana, prawo pochłaniania p (p q), prawo wyłączonego środka p p oraz prawo sprzeczności (p p). 2. Wyraź funkcję
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 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 szczegółowoPODSTAWY SKRAWANIA MATERIAŁÓW KONSTRUKCYJNYCH
WIT GRZESIK PODSTAWY SKRAWANIA MATERIAŁÓW KONSTRUKCYJNYCH Wydanie 3, zmienione i uaktualnione Wydawnictwo Naukowe PWN SA Warszawa 2018 Od Autora Wykaz ważniejszych oznaczeń i skrótów SPIS TREŚCI 1. OGÓLNA
Bardziej szczegółowoOBLICZANIE NADDATKÓW NA OBRÓBKĘ SKRAWANIEM na podstawie; J.Tymowski Technologia budowy maszyn. mgr inż. Marta Bogdan-Chudy
OBLICZANIE NADDATKÓW NA OBRÓBKĘ SKRAWANIEM na podstawie; J.Tymowski Technologia budowy maszyn mgr inż. Marta Bogdan-Chudy 1 NADDATKI NA OBRÓBKĘ b a Naddatek na obróbkę jest warstwą materiału usuwaną z
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 szczegółowowiedzy Sieci neuronowe (c.d.)
Metody detekci uszkodzeń oparte na wiedzy Sieci neuronowe (c.d.) Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 8 Metody detekci uszkodzeń oparte na wiedzy Wprowadzenie
Bardziej szczegółowoSprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich
Podstawy Metrologii i Technik Eksperymentu Laboratorium Sprawdzenie narzędzi pomiarowych i wyznaczenie niepewności rozszerzonej typu A w pomiarach pośrednich Instrukcja do ćwiczenia nr 4 Zakład Miernictwa
Bardziej szczegółowoProjekt Sieci neuronowe
Projekt Sieci neuronowe Chmielecka Katarzyna Gr. 9 IiE 1. Problem i dane Sieć neuronowa miała za zadanie nauczyć się klasyfikować wnioski kredytowe. W projekcie wykorzystano dane pochodzące z 110 wniosków
Bardziej szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoWeryfikacja hipotez statystycznych, parametryczne testy istotności w populacji
Weryfikacja hipotez statystycznych, parametryczne testy istotności w populacji Dr Joanna Banaś Zakład Badań Systemowych Instytut Sztucznej Inteligencji i Metod Matematycznych Wydział Informatyki Politechniki
Bardziej szczegółowoSAS wybrane elementy. DATA MINING Część III. Seweryn Kowalski 2006
SAS wybrane elementy DATA MINING Część III Seweryn Kowalski 2006 Algorytmy eksploracji danych Algorytm eksploracji danych jest dobrze zdefiniowaną procedurą, która na wejściu otrzymuje dane, a na wyjściu
Bardziej szczegółowoSieci neuronowe w Statistica
http://usnet.us.edu.pl/uslugi-sieciowe/oprogramowanie-w-usk-usnet/oprogramowaniestatystyczne/ Sieci neuronowe w Statistica Agnieszka Nowak - Brzezińska Podstawowym elementem składowym sztucznej sieci neuronowej
Bardziej szczegółowoModelowanie, konstruowanie i kontrolowanie procesu HSM z uwzględnieniem skonfigurowanego układu maszyna-przyrząd-detal
Zadanie Badawcze 2 Modelowanie, konstruowanie i kontrolowanie procesu HSM z uwzględnieniem skonfigurowanego układu maszyna-przyrząd-detal Partnerzy: Politechnika Warszawska Politechnika Rzeszowska Cele
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 szczegółowo7. OPTYMALIZACJA PARAMETRÓW SKRAWANIA. 7.1 Cel ćwiczenia. 7.2 Wprowadzenie
7. OPTYMALIZACJA PAAMETÓW SKAWANIA 7.1 Cel ćwiczenia Celem ćwiczenia jest zapoznanie studentów z wyznaczaniem optymalnych parametrów skrawania metodą programowania liniowego na przykładzie toczenia. 7.2
Bardziej szczegółowoSieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści
Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, 2013 Spis treści Przedmowa 7 1. Wstęp 9 1.1. Podstawy biologiczne działania neuronu 9 1.2. Pierwsze modele sieci neuronowej
Bardziej szczegółowoTemat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE
Temat: ANFIS + TS w zadaniach Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE Dr inż. Barbara Mrzygłód KISiM, WIMiIP, AGH mrzyglod@ agh.edu.pl 1. Systemy neuronowo - rozmyte Systemy
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 szczegółowosynaptycznych wszystko to waży 1.5 kg i zajmuje objętość około 1.5 litra. A zużywa mniej energii niż lampka nocna.
Sieci neuronowe model konekcjonistyczny Plan wykładu Mózg ludzki a komputer Modele konekcjonistycze Perceptron Sieć neuronowa Uczenie sieci Sieci Hopfielda Mózg ludzki a komputer Twój mózg to 00 000 000
Bardziej szczegółowoI EKSPLORACJA DANYCH
I EKSPLORACJA DANYCH Zadania eksploracji danych: przewidywanie Przewidywanie jest podobne do klasyfikacji i szacowania, z wyjątkiem faktu, że w przewidywaniu wynik dotyczy przyszłości. Typowe zadania przewidywania
Bardziej szczegółowoWprowadzenie do rachunku niepewności pomiarowej. Jacek Pawlyta
Wprowadzenie do rachunku niepewności pomiarowej Jacek Pawlyta Fizyka Teorie Obserwacje Doświadczenia Fizyka Teorie Przykłady Obserwacje Przykłady Doświadczenia Przykłady Fizyka Potwierdzanie bądź obalanie
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 szczegółowoStatystyki: miary opisujące rozkład! np. : średnia, frakcja (procent), odchylenie standardowe, wariancja, mediana itd.
Wnioskowanie statystyczne obejmujące metody pozwalające na uogólnianie wyników z próby na nieznane wartości parametrów oraz szacowanie błędów tego uogólnienia. Przewidujemy nieznaną wartości parametru
Bardziej szczegółowoMetody numeryczne. Sformułowanie zagadnienia interpolacji
Ćwiczenia nr 4. Sformułowanie zagadnienia interpolacji Niech będą dane punkty x 0,..., x n i wartości y 0,..., y n, takie że i=0,...,n y i = f (x i )). Szukamy funkcji F (funkcji interpolującej), takiej
Bardziej szczegółowoMetody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015
Metody numeryczne Technika obliczeniowa i symulacyjna Sem. 2, EiT, 2014/2015 1 Metody numeryczne Dział matematyki Metody rozwiązywania problemów matematycznych za pomocą operacji na liczbach. Otrzymywane
Bardziej szczegółowoSYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW. Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska.
SYSTEMY UCZĄCE SIĘ WYKŁAD 10. PRZEKSZTAŁCANIE ATRYBUTÓW Częstochowa 2014 Dr hab. inż. Grzegorz Dudek Wydział Elektryczny Politechnika Częstochowska INFORMACJE WSTĘPNE Hipotezy do uczenia się lub tworzenia
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 szczegółowoANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY
ANALIZA JAKOŚCIOWA I ILOŚCIOWA TESTÓW SZKOLNYCH MATERIAŁ SZKOLENIOWY Instrukcja przeprowadzania analiz badań edukacyjnych i sporządzania raportów po badaniach. Cele prowadzenia analiz jakościowych i ilościowych
Bardziej szczegółowoMatematyka - Statystyka matematyczna Mathematical statistics 2, 2, 0, 0, 0
Nazwa przedmiotu: Kierunek: Matematyka - Statystyka matematyczna Mathematical statistics Inżynieria materiałowa Materials Engineering Rodzaj przedmiotu: Poziom studiów: forma studiów: obowiązkowy studia
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 szczegółowoSztuczne sieci neuronowe
www.math.uni.lodz.pl/ radmat Cel wykładu Celem wykładu jest prezentacja różnych rodzajów sztucznych sieci neuronowych. Biologiczny model neuronu Mózg człowieka składa się z około 10 11 komórek nerwowych,
Bardziej szczegółowoALGORYTMY SZTUCZNEJ INTELIGENCJI
ALGORYTMY SZTUCZNEJ INTELIGENCJI Sieci neuronowe 06.12.2014 Krzysztof Salamon 1 Wstęp Sprawozdanie to dotyczy ćwiczeń z zakresu sieci neuronowych realizowanym na przedmiocie: Algorytmy Sztucznej Inteligencji.
Bardziej szczegółowoStreszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych
InŜynieria Rolnicza 11/2006 Sławomir Francik Katedra InŜynierii Mechanicznej i Agrofizyki Akademia Rolnicza w Krakowie METODA PROGNOZOWANIA WARTOŚCI PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH MASZYN ROLNICZYCH
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny 2. Zmienne losowe i teoria prawdopodobieństwa 3. Populacje i próby danych 4. Testowanie hipotez i estymacja parametrów 5. Najczęściej wykorzystywane testy statystyczne
Bardziej szczegółowoPOLITECHNIKA GDAŃSKA WYDZIAŁ MECHANICZNY PROJEKT DYPLOMOWY INŻYNIERSKI
Forma studiów: stacjonarne Kierunek studiów: ZiIP Specjalność/Profil: Zarządzanie Jakością i Informatyczne Systemy Produkcji Katedra: Technologii Maszyn i Automatyzacji Produkcji Badania termowizyjne nagrzewania
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 szczegółowoDefinicja perceptronu wielowarstwowego
1 Sieci neuronowe - wprowadzenie 2 Definicja perceptronu wielowarstwowego 3 Interpretacja znaczenia parametrów sieci 4 Wpływ wag perceptronu na jakość aproksymacji 4.1 Twierdzenie o uniwersalnych właściwościach
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 szczegółowoRÓWNANIA NIELINIOWE Maciej Patan
RÓWNANIA NIELINIOWE Maciej Patan Uniwersytet Zielonogórski Przykład 1 Prędkość v spadającego spadochroniarza wyraża się zależnością v = mg ( 1 e c t) m c gdzie g = 9.81 m/s 2. Dla współczynnika oporu c
Bardziej szczegółowoZastosowania sieci neuronowych - automatyka identyfikacja sterowanie
Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie LABORKA Piotr Ciskowski ZASTOSOWANIA SIECI NEURONOWYCH IDENTYFIKACJA zastosowania przegląd zastosowania sieci neuronowych: o identyfikacja
Bardziej szczegółowoAnaliza danych. http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU
Analiza danych Wstęp Jakub Wróblewski jakubw@pjwstk.edu.pl http://zajecia.jakubw.pl/ TEMATYKA PRZEDMIOTU Różne aspekty analizy danych Reprezentacja graficzna danych Metody statystyczne: estymacja parametrów
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 szczegółowoOptymalizacja ciągła
Optymalizacja ciągła 5. Metoda stochastycznego spadku wzdłuż gradientu Wojciech Kotłowski Instytut Informatyki PP http://www.cs.put.poznan.pl/wkotlowski/ 04.04.2019 1 / 20 Wprowadzenie Minimalizacja różniczkowalnej
Bardziej szczegółowoObrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego
IBS PAN, Warszawa 9 kwietnia 2008 Obrona rozprawy doktorskiej Neuro-genetyczny system komputerowy do prognozowania zmiany indeksu giełdowego mgr inż. Marcin Jaruszewicz promotor: dr hab. inż. Jacek Mańdziuk,
Bardziej szczegółowoProf. Stanisław Jankowski
Prof. Stanisław Jankowski Zakład Sztucznej Inteligencji Zespół Statystycznych Systemów Uczących się p. 228 sjank@ise.pw.edu.pl Zakres badań: Sztuczne sieci neuronowe Maszyny wektorów nośnych SVM Maszyny
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 szczegółowo5. Model sezonowości i autoregresji zmiennej prognozowanej
5. Model sezonowości i autoregresji zmiennej prognozowanej 1. Model Sezonowości kwartalnej i autoregresji zmiennej prognozowanej (rząd istotnej autokorelacji K = 1) Szacowana postać: y = c Q + ρ y, t =
Bardziej szczegółowoWydział Inżynierii Lądowej i Środowiska Katedra Inżynierii Drogowej
Wydział Inżynierii Lądowej i Środowiska Katedra Inżynierii Drogowej WPŁYW POJAZDÓW PRZECIĄŻONYCH NA TRWAŁOŚĆ ZMĘCZENIOWĄ NAWIERZCHNI PODATNYCH ORAZ NA KOSZTY ICH UTRZYMANIA dr inż. Dawid Ryś prof. dr hab.
Bardziej szczegółowoSpis treści Wstęp Rozdział 1. Metrologia przedmiot i zadania
Spis treści Wstęp Rozdział 1. Metrologia przedmiot i zadania 1.1. Przedmiot metrologii 1.2. Rola i zadania metrologii współczesnej w procesach produkcyjnych 1.3. Główny Urząd Miar i inne instytucje ważne
Bardziej szczegółowoZałącznik nr 6 do rozporządzenia Ministra Gospodarki i Pracy ZASADNICZE WYMAGANIA SPECYFICZNE DLA WAG AUTOMATYCZNYCH CZĘŚĆ I. Przepisy ogólne. 1.
Załącznik nr 6 do rozporządzenia Ministra Gospodarki i Pracy ZASADNICZE WYMAGANIA SPECYFICZNE DLA WAG AUTOMATYCZNYCH CZĘŚĆ I. Przepisy ogólne. 1. Odpowiednie zasadnicze wymagania i wymagania specyficzne
Bardziej szczegółowo6. BADANIE TRWAŁOŚCI NARZĘDZI SKRAWAJĄCYCH. 6.1 Cel ćwiczenia. 6.2 Wprowadzenie
6. BADANIE TRWAŁOŚCI NARZĘDZI SKRAWAJĄCYCH 6.1 Cel ćwiczenia Celem ćwiczenia jest praktyczne zapoznanie się studentów z metodami badań trwałości narzędzi skrawających. Uwaga: W opracowaniu sprawozdania
Bardziej szczegółowoPodstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych
Podstawy opracowania wyników pomiarów z elementami analizy niepewności statystycznych Dr inż. Marcin Zieliński I Pracownia Fizyczna dla Biotechnologii, wtorek 8:00-10:45 Konsultacje Zakład Fizyki Jądrowej
Bardziej szczegółowoDr inż. Paweł Fotowicz. Procedura obliczania niepewności pomiaru
Dr inż. Paweł Fotowicz Procedura obliczania niepewności pomiaru Przewodnik GUM WWWWWWWWWWWWWWW WYRAŻANIE NIEPEWNOŚCI POMIARU PRZEWODNIK BIPM IEC IFCC ISO IUPAC IUPAP OIML Międzynarodowe Biuro Miar Międzynarodowa
Bardziej szczegółowoINFORMATYKA W CHEMII Dr Piotr Szczepański
INFORMATYKA W CHEMII Dr Piotr Szczepański Katedra Chemii Fizycznej i Fizykochemii Polimerów WPROWADZENIE DO STATYSTYCZNEJ OCENY WYNIKÓW DOŚWIADCZEŃ 1. BŁĄD I STATYSTYKA błąd systematyczny, błąd przypadkowy,
Bardziej szczegółowoSzczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć)
Szczegółowy program kursu Statystyka z programem Excel (30 godzin lekcyjnych zajęć) 1. Populacja generalna a losowa próba, parametr rozkładu cechy a jego ocena z losowej próby, miary opisu statystycznego
Bardziej szczegółowoPodstawy statystyki - ćwiczenia r.
Zadanie 1. Na podstawie poniższych danych wyznacz i zinterpretuj miary tendencji centralnej dotyczące wysokości miesięcznych zarobków (zł): 1290, 1500, 1600, 2250, 1400, 1600, 2500. Średnia arytmetyczna
Bardziej szczegółowo1. Sporządzić tabele z wynikami pomiarów oraz wyznaczonymi błędami pomiarów dotyczących przetwornika napięcia zgodnie z poniższym przykładem
1 Sporządzić tabele z wynikami pomiarów oraz wyznaczonymi błędami pomiarów dotyczących przetwornika napięcia zgodnie z poniższym przykładem Znaczenie symboli: Tab 1 Wyniki i błędy pomiarów Lp X [mm] U
Bardziej szczegółowoUczenie Wielowarstwowych Sieci Neuronów o
Plan uczenie neuronu o ci gªej funkcji aktywacji uczenie jednowarstwowej sieci neuronów o ci gªej funkcji aktywacji uczenie sieci wielowarstwowej - metoda propagacji wstecznej neuronu o ci gªej funkcji
Bardziej szczegółowoI jest narzędziem służącym do porównywania rozproszenia dwóch zmiennych. Używamy go tylko, gdy pomiędzy zmiennymi istnieje logiczny związek
ZADANIA statystyka opisowa i CTG 1. Dokonano pomiaru stężenia jonów azotanowych w wodzie μg/ml 1 0.51 0.51 0.51 0.50 0.51 0.49 0.52 0.53 0.50 0.47 0.51 0.52 0.53 0.48 0.59 0.50 0.52 0.49 0.49 0.50 0.49
Bardziej szczegółowoSTATYSTYKA MATEMATYCZNA
STATYSTYKA MATEMATYCZNA 1. Wykład wstępny. Teoria prawdopodobieństwa i elementy kombinatoryki 2. Zmienne losowe i ich rozkłady 3. Populacje i próby danych, estymacja parametrów 4. Testowanie hipotez 5.
Bardziej szczegółowoWstęp do sieci neuronowych, wykład 09, Walidacja jakości uczenia. Metody statystyczne.
Wstęp do sieci neuronowych, wykład 09, Walidacja jakości uczenia. Metody statystyczne. Maja Czoków, Jarosław Piersa Wydział Matematyki i Informatyki, Uniwersytet Mikołaja Kopernika 2011-12-06 1 Przykład
Bardziej szczegółowo