MODEL NEURONOWY LOKALIZACJI USZKODZEŃ POMP WTRYSKOWYCH

Podobne dokumenty
ZASTOSOWANIE AUTORSKIEJ METODY WYZNACZANIA WARTOŚCI PARAMETRÓW NOWOCZESNYCH SYSTEMÓW TECHNICZNYCH DO PŁUGÓW I OPRYSKIWACZY POLOWYCH

Streszczenie. Słowa kluczowe: modele neuronowe, parametry ciągników rolniczych

WYZNACZANIE WARTOŚCI PODSTAWOWYCH PARAMETRÓW TECHNICZNYCH NOWOCZESNYCH KOMBAJNÓW ZBOŻOWYCH PRZY UŻYCIU SSN

ZASTOSOWANIE SZTUCZNYCH SIECI NEURONOWYCH DO OCENY ZDOLNOŚCI KREDYTOWYCH ROLNIKÓW KLIENTÓW FIRMY LEASINGOWEJ

ZASTOSOWANIE SIECI NEURONOWYCH W DIAGNOSTYCE APARATURY PALIWOWEJ SILNIKÓW O ZAPŁONIE SAMOCZYNNYM

Temat: Sztuczne Sieci Neuronowe. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

ALGORYTMY SZTUCZNEJ INTELIGENCJI

PROGNOZOWANIE OSIADAŃ POWIERZCHNI TERENU PRZY UŻYCIU SIECI NEURONOWYCH**

Zastosowania sieci neuronowych

Sztuczne Sieci Neuronowe. Wiktor Tracz Katedra Urządzania Lasu, Geomatyki i Ekonomiki Leśnictwa, Wydział Leśny SGGW

Sztuczna Inteligencja Tematy projektów Sieci Neuronowe

ZASTOSOWANIE SAMOORGANIZUJĄCYCH SIĘ MAP CECH W DIAGNOSTYCE SILNIKÓW O ZAPŁONIE SAMOCZYNNYM

KONCEPCJA WYKORZYSTANIA SZTUCZNYCH SIECI NEURONOWYCH W DIAGNOSTYCE PRZEKŁADNI ZĘBATYCH

Algorytm wstecznej propagacji błędów dla sieci RBF Michał Bereta

WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)

PROGNOZOWANIE CENY OGÓRKA SZKLARNIOWEGO ZA POMOCĄ SIECI NEURONOWYCH

Zastosowanie sztucznych sieci neuronowych w prognozowaniu szeregów czasowych (prezentacja 2)

PRÓBA ZASTOSOWANIA SIECI NEURONOWYCH DO PROGNOZOWANIA OSIADAŃ POWIERZCHNI TERENU POWSTAŁYCH NA SKUTEK EKSPLOATACJI GÓRNICZEJ**

Projekt Sieci neuronowe

Sieci neuronowe w Statistica

METODA PROGNOZOWANIA SZEREGÓW CZASOWYCH PRZY UŻYCIU SZTUCZNYCH SIECI NEURONOWYCH

1. Historia 2. Podstawy neurobiologii 3. Definicje i inne kłamstwa 4. Sztuczny neuron i zasady działania SSN. Agenda

Sieci neuronowe w Statistica. Agnieszka Nowak - Brzezioska

MODELOWANIE PROCESU OMŁOTU PRZY WYKORZYSTANIU SZTUCZNYCH SIECI NEURONOWYCH

ZASTOSOWANIE SIECI NEURONOWYCH DO OPTYMALIZACJI WARUNKÓW OBRÓBKI CIEPLNEJ STOPÓW Mg-Al

METODA WARTOŚCIOWANIA PARAMETRÓW PROCESU PLANOWEGO OBSŁUGIWANIA TECHNICZNEGO MASZYN ROLNICZYCH

Prof. Stanisław Jankowski

SIEĆ NEURONOWA DO OCENY KOŃCOWEJ PRZEDSIĘWZIĘCIA (PROJEKTU)

WPŁYW KOMPRESJI BARW NA DZIAŁANIE NEURONOWEGO MODELU IDENTYFIKACYJNEGO

Metody i techniki sztucznej inteligencji / Leszek Rutkowski. wyd. 2, 3 dodr. Warszawa, Spis treści

SZTUCZNA INTELIGENCJA

SIECI RBF (RADIAL BASIS FUNCTIONS)

MODELOWANIE PROCESÓW PRZETWÓRCZYCH Z UŻYCIEM SZTUCZNYCH SIECI NEURONOWYCH

I EKSPLORACJA DANYCH

SZTUCZNE SIECI NEURONOWE W MODELOWANIU ZJAWISK ZACHODZĄCYCH NA RYNKU NIERUCHOMOŚCI

Wprowadzenie do teorii systemów ekspertowych

WYKORZYSTANIE SZTUCZNYCH SIECI NEURONOWYCH W PROGNOZOWANIU

Modelowanie glikemii w procesie insulinoterapii

HAŁASU Z UWZGLĘDNIENIEM ZJAWISK O CHARAKTERZE NIELINIOWYM

KOMPUTEROWY MODEL UKŁADU STEROWANIA MIKROKLIMATEM W PRZECHOWALNI JABŁEK

SZTUCZNE SIECI NEURONOWE W MODELOWANIU PROCESÓW Z OGRANICZONYM ZBIOREM DANYCH W INŻYNIERII ROLNICZEJ

Sieci neuronowe do przetwarzania informacji / Stanisław Osowski. wyd. 3. Warszawa, Spis treści

Sieci neuronowe i algorytmy uczenia Czyli co i jak andrzej.rusiecki.staff.iiar.pwr.wroc.pl s.

Inżynieria Rolnicza 3(121)/2010

Aproksymacja funkcji a regresja symboliczna

Temat: ANFIS + TS w zadaniach. Instrukcja do ćwiczeń przedmiotu INŻYNIERIA WIEDZY I SYSTEMY EKSPERTOWE

Testowanie modeli predykcyjnych

Podstawy Sztucznej Inteligencji

PRZETWARZANIE GRAFICZNYCH DANYCH EMPIRYCZNYCH DLA POTRZEB EDUKACJI SZTUCZNYCH SIECI NEURONOWYCH, MODELUJĄCYCH WYBRANE ZAGADNIENIA INŻYNIERII ROLNICZEJ

Literatura. Sztuczne sieci neuronowe. Przepływ informacji w systemie nerwowym. Budowa i działanie mózgu

WIELOKRYTERIALNY DOBÓR ROZTRZĄSACZY OBORNIKA

Algorytmy sztucznej inteligencji

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym, kontynuacja badań

Uczenie sieci typu MLP

Podstawy diagnostyki środków transportu

Modelowanie jako sposób opisu rzeczywistości. Katedra Mikroelektroniki i Technik Informatycznych Politechnika Łódzka

PRAKTYKA ZAWODOWA TECHNIK POJAZDÓW SAMOCHODOWYCH. Praktyka zawodowa

Inżynieria Rolnicza 3(121)/2010

w analizie wyników badań eksperymentalnych, w problemach modelowania zjawisk fizycznych, w analizie obserwacji statystycznych.

Ontogeniczne sieci neuronowe. O sieciach zmieniających swoją strukturę

Przykładowe funkcje przejścia używane przy budowie sztucznych neuronów

OPTYMALIZACJA NASTAW UKŁADU NAPĘDOWEGO STATKU ZE ŚRUBĄ NASTAWNĄ

ZASTOSOWANIE SIECI NEURONOWEJ DO OKREŚLANIA EFEKTYWNOŚCI PRACY ROZDRABNIACZA LEŚNEGO

Zastosowanie sieci neuronowej do oceny klienta banku pod względem ryzyka kredytowego Streszczenie

Zastosowania sieci neuronowych

ALGORYTM RANDOM FOREST

ID1SII4. Informatyka I stopień (I stopień / II stopień) ogólnoakademicki (ogólno akademicki / praktyczny) stacjonarne (stacjonarne / niestacjonarne)

DEKOMPOZYCJA HIERARCHICZNEJ STRUKTURY SZTUCZNEJ SIECI NEURONOWEJ I ALGORYTM KOORDYNACJI

ZASTOSOWANIE PROGRAMOWANIA LINIOWEGO W ZAGADNIENIACH WSPOMAGANIA PROCESU PODEJMOWANIA DECYZJI

Uczenie sieci neuronowych i bayesowskich

Inżynieria Rolnicza 5(114)/2009

DOBÓR POMP CIEPŁA Z WYKORZYSTANIEM SZTUCZNYCH SIECI NEURONOWYCH DLA DOMÓW JEDNORODZINNYCH DLA PEŁNYCH I NIEPEŁNYCH ZBIORÓW DANYCH

REALIZACJA WNIOSKOWANIA DIAGNOSTYCZNEGO ROZPYLACZA OPRYSKIWACZA POLOWEGO W CZASIE RZECZYWISTYM

Podstawy Sztucznej Inteligencji (PSZT)

Uniwersytet Zielonogórski Wydział Elektrotechniki, Informatyki i Telekomunikacji Instytut Sterowania i Systemów Informatycznych

Analiza możliwości szacowania parametrów mieszanin rozkładów prawdopodobieństwa za pomocą sztucznych sieci neuronowych 4

MODELOWANIE ZUŻYCIA PALIWA W SILNIKU WYSOKOPRĘŻNYM TYPU DI Z WYKORZYSTANIEM SIECI NEURONOWYCH

Efekty kształcenia z podstawy programowej Uczeń:

Inteligentne systemy decyzyjne: Uczenie maszynowe sztuczne sieci neuronowe

WYKORZYSTANIE MODELI SIECI NEURONOWYCH DO IDENTYFIKACJI SKŁADU LITOLOGICZNEGO RUDY MIEDZI**

Diagnostyka ukladów napedowych

ĆWICZENIE 5: Sztuczne sieci neuronowe

Wykaz ważniejszych oznaczeń i skrótów Wprowadzenie... 13

SIEĆ NEURONOWA JAKO NARZĘDZIE APROKSYMACJI I KLASYFIKACJI DANYCH. Jakub Karbowski Gimnazjum nr 17 w Krakowie

Metrologia: organizacja eksperymentu pomiarowego

Wykład organizacyjny

OCENA EFEKTYWNOŚCI NEURONOWEGO PROGNOZOWANIA W OPARCIU O WYBRANE METODY NA PRZYKŁADZIE DYSTRYBUCJI PRODUKTÓW ROLNICZYCH

Diagnostyka procesów przemysłowych Kod przedmiotu

SZTUCZNA INTELIGENCJA

Politechnika Warszawska

Uniwersytet w Białymstoku Wydział Ekonomiczno-Informatyczny w Wilnie SYLLABUS na rok akademicki 2012/2013

RAPORT Z PRAKTYKI. Zastosowanie Sztucznych Sieci Neuronowych do wspomagania podejmowania decyzji kupna/sprzedaży na rynku Forex.

Wstęp do teorii sztucznej inteligencji Wykład III. Modele sieci neuronowych.

Zastosowania sieci neuronowych - automatyka identyfikacja sterowanie

Systemy uczące się Lab 4

Opinia o pracy doktorskiej pt. Komputerowo wspomagana analiza przebiegów ph metrii i ph metrii z impedancją autorstwa mgr inż. Piotra Mateusza Tojzy

Budowa sztucznych sieci neuronowych do prognozowania. Przykład jednostek uczestnictwa otwartego funduszu inwestycyjnego

Elementy kognitywistyki III: Modele i architektury poznawcze

Zastosowanie optymalizacji rojem cząstek (PSO) w procesie uczenia wielowarstwowej sieci neuronowej w problemie lokalizacyjnym

PROGRAM PRAKTYKI ZAWODOWEJ TECHNIK POJAZDÓW SAMOCHODOWYCH Uszczegółowione efekty kształcenia Uczeń po zrealizowaniu zajęć potrafi:

Transkrypt:

Inżynieria Rolnicza 1(99)/2008 MODEL NEURONOWY LOKALIZACJI USZKODZEŃ POMP WTRYSKOWYCH Marek Klimkiewicz Katedra Organizacji i Inżynierii Produkcji, Szkoła Główna Gospodarstwa Wiejskiego w Warszawie Streszczenie. Do zoptymalizowania procesu wykrywania uszkodzonych elementów w pompach wtryskowych posłużono się metodą sztucznej inteligencji. Zastosowano model neuronowy oparty na probabilistycznych sieciach neuronowych. Za pomocą zbudowanego modelu można zmniejszyć wartość wskaźnika głębokości lokalizacji uszkodzonych elementów. Model neuronowy charakteryzował się bardzo dobrą jakością klasyfikacji uszkodzeń. Słowa kluczowe: sieci neuronowe, pompa wtryskowa, lokalizacja uszkodzeń Wprowadzenie i cel pracy Prawidłowe rozwiązanie problemu lokalizacji uszkodzeń polega na odnalezieniu ścieżki optymalnej pozwalającej dotrzeć do uszkodzenia. Do skutecznego rozwiązania problemu serwisowego potrzeba różnej liczby sprawdzeń zależnie od doświadczenia i posiadanej wiedzy oraz predyspozycji psychofizycznej pracownika, jakości dokumentacji serwisowej, narzędzi diagnostycznych oraz rodzaju usterki. Do lokalizacji uszkodzonych elementów w pompach wtryskowych stosuje się zweryfikowane w praktyce programy lokalizacji, które wraz z dostępnymi na rynku urządzeniami diagnostycznymi umożliwiają diagnozę pomp z określonym wskaźnikiem głębokości lokalizacji uszkodzonych elementów. Głębokością lokalizacji uszkodzeń nazywa się moc podzbioru elementów systemu, w którym to podzbiorze w procesie lokalizacji nie można rozróżnić stanu każdego elementu z osobna, a możliwe jest wyznaczenie stanu dla wszystkich elementów, należących do owego podzbioru, traktowanego łącznie [Wawrzyński 1996]. Metody sztucznej inteligencji mogą pomóc w zmniejszeniu wskaźnika głębokości lokalizacji uszkodzeń. Korbicz i in. [1994] do podstawowych zalet metod sztucznej inteligencji zaliczają ich elastyczność, uniwersalność i łatwość tworzenia aplikacji. Uważają, że takie cechy sieci neuronowych jak możliwość równoległego przetwarzania informacji, efektywna aproksymacja dowolnych nieliniowości, uczenie i douczanie sieci na podstawie obserwacji sprzyja zastosowaniu ich w diagnostyce układów technicznych. Kwaśniewski [1997] przedstawia możliwości wykorzystania sztucznej inteligencji w diagnostyce maszyn górniczych. Uważa on, że zastosowanie algorytmów sztucznej inteligencji umożliwia formalizację zastosowania w diagnostyce takich informacji jak fakty, zdarzenia oraz informacji uzyskanych drogą badań organoleptycznych (odbiór zapachów, kolorów itd.). Zastosowanie sieci neuronowej pozwala prawidłowo wykrywać usterki aparatury paliwowej silników o zapłonie samoczynnym [Klimkiewicz 2005]. Można je również z powodzeniem używać do 159

Marek Klimkiewicz oceny stanu technicznego układu Common Rail [Bocheński i in. 2002]. Cieślikowski i Langman [2005] sieci neuronowe wykorzystali w module wnioskowania diagnostycznego przy budowie systemu autodiagnozy kombajnu ZO58. Celem pracy było zbudowanie modelu opartego na sztucznych sieciach neuronowych, który korzystając z wyników urządzeń diagnostycznych oraz danych jakościowych wprowadzanych przez diagnostę usprawni proces lokalizacji uszkodzeń. Opis metody badawczej Obiektem badawczym była rozdzielaczowa pompa wtryskowa typu DPA. Opierając się na przeprowadzonych badaniach eksploatacyjnych określono wskaźniki głębokości lokalizacji uzyskiwane na podstawie symptomów określanych podczas badania pompy wtryskowej na stole probierczym. Okazało się, że tylko dla jednego symptomu zbyt mały przelew zwrotny wskaźnik głębokości lokalizacji uszkodzeń osiąga wartość 1, czyli jest to dokładna lokalizacja miejsca uszkodzenia. Dla pozostałych symptomów przyjmuje wartości od 3 do 6. Aby zmniejszyć wartość wskaźnika głębokości lokalizacji uszkodzeń zaproponowano, aby oprócz symptomów uzyskanych za pomocą pomiarów na stole probierczym, wykorzystać symptomy odbierane bezpośrednio przez zmysły człowieka (organoleptycznie) oraz pewne informacje uzyskane od użytkownika naprawianego urządzenia. Dane te posłużyły do budowy modelu opartego na sztucznych sieciach neuronowych. Na podstawie przeglądu literatury oraz na podstawie badań eksploatacyjnych można zaproponować model semantyczny opisujący wpływ różnych czynników na uszkodzenia pompy wtryskowej oparty na 6 czynnikach o postaci: U = f(s, M, P, I, O, Z) (1) gdzie: U czynnik charakteryzujący poszukiwane usterki (uszkodzenia), S symptomy niewłaściwej pracy pompy określone na stole probierczym, M okres eksploatacji badanej pompy, P jakość paliwa wypełniającego pompę, I ingerencja użytkownika w konstrukcję pompy, O objawy złej pracy silnika zaobserwowane przez użytkownika pompy, Z czynnik charakteryzujący wpływ otoczenia na badane zjawisko. Każdy z wprowadzonych czynników jest zbiorem określających go parametrów. Po wyborze czynników istotnych oraz przeprowadzonej konceptualizacji model semantyczny charakteryzujący lokalizację uszkodzonych elementów w pompie wtryskowej przyjął postać: U = f(s, M, P, I) (2) Ten model opisowy został wykorzystany do opracowania modeli klasyfikujących uszkodzenia i wspomagających lokalizację uszkodzonych elementów. Uszkodzenia U stanowią zmienną wyjściową w modelu. Jest to zmienna nominalna przyjmująca czternaście wartości: u 1 - u 14 związanych z uszkodzeniem grupy elementów 160

Model neuronowy lokalizacji... lub jednego elementu, np. u 1 - zużyte skrzydełka, zanieczyszczony filtr nylonowy, zatarty tłoczek zaworu, a u 10 - zatarty tłoczek zaworu. Symptomy S, które można określić na stole probierczym są pierwszą zmienną wejściową wprowadzaną do sieci. Jest to zmienna nominalna. Przyjmuje ona osiem wartości: s 1 - niskie ciśnienie przetłaczania, s 2 - zbyt wysokie ciśnienie przetłaczania, s 3 - zbyt mały przelew zwrotny, s 4 - zbyt mała dawka rozruchowa, s 5 - niewłaściwa dawka nominalna, s 6 - brak możliwości odcinania dopływu paliwa, s 7 - trudności z regulacją dawki przy maksymalnych obrotach pompy, s 8 - niewłaściwe działanie automatycznego przestawiacza kąta wtrysku, Następną zmienną wejściową jest okres eksploatacji o nazwie M, która przyjmuje wartości liczbowe. Jako okres eksploatacji przyjęto wiek ciągnika. Zmienną wejściową określająca zanieczyszczenie paliwa P jest zmienna nominalna reprezentowana za pomocą techniki dwustanowej o wartościach: p 1 - paliwo czyste i p 2 - paliwo zanieczyszczone. Ostatnia zmienna informująca o ingerencji użytkownika w mechanizmy pompy I jest też zmienną nominalną o wartościach i 1 - ingerencja użytkownika w mechanizmy pompy oraz i 2 - brak ingerencji. Do symulacji sztucznych sieci neuronowych użyto programu STATISTICA Sieci Neuronowe (SSN) firmy StatSoft. Jako dane do budowy modelu wykorzystano 623 przypadki uszkodzeń pomp wtryskowych zarejestrowane podczas badań eksploatacyjnych. Aby struktura sieci nie była zbyt skomplikowana, liczba zmiennych wejściowych powinna być ograniczona do niezbędnego minimum. Obiektywnie przydatność poszczególnych zmiennych można sprawdzić tylko empirycznie. Sprawdzono więc eksperymentalnie działanie sieci posługując się algorytmami: krokowym i genetycznym zaimplementowanymi w programie STATISTICA Sieci Neuronowe oraz przeprowadzono analizę wrażliwości sieci z różnym zestawem zmiennych. Biorąc pod uwagę powyższe analizy do budowy sieci pozwalającej oceniać uszkodzenia pompy użyto tylko trzech zmiennych: S, P,I. Wyniki badań Dobierając architekturę sieci wybrano opcję automatycznego określenia złożoności sieci. Oznacza to, że automatyczny projektant dobierze optymalną liczbę neuronów w poszczególnych warstwach, używając różnych algorytmów dla różnych rodzajów sieci. Przykładowe badane architektury sieci przedstawiono w tabeli 1. Najlepszą jakość modelu uzyskiwano za pomocą sieci probabilistycznych. Dlatego też do diagnostyki pompy wybrano taką architekturę sieci i model oparty na tej sieci został szczegółowo przeanalizowany. Ponieważ uzyskiwano podobne małe błędy sieci dla zbiorów uczącego, walidacyjnego i testowego w pierwszych próbach, w następnych próbach zrezygnowano ze zbioru testowego i sieć była uczona na podzbiorach uczącym i walidacyjnym o stosunku przypadków 3:1. 161

Marek Klimkiewicz Tabela 1. Parametry niektórych badanych sieci neuronowych Table 1. Parameters of some examined neural networks Nr Typ sieci Jakość zbioru uczącego Jakość zbioru walidacyjnego. Błąd zbioru uczącego Błąd zbioru walidacyjnego Algorytm uczenia 1 MLP 3:11-25-14:1 0,966 0,974 0,277 0,204 BP100,CG20 1 2 MLP 3:11-25-14:1 0,929 0,936 0,256 0,180 BP100,CG20, 3 Liniowa 1:9-14:1 0,876 0,891 0,108 0,096 PI 2 4 RBF 1:9-11-14:1 0,876 0,891 0,108 0,096 KM,KN,PI 3 5 Liniowa 2:10-14:1 0,893 0,904 0,103 0,094 PI 6 Liniowa 3:11-14:1 0,893 0,904 0,103 0,093 PI 7 RBF 3:11-11-14:1 0,895 0,910 0,100 0,092 KM,KN,PI 8 RBF 3:11-11-14:1 0,891 0,917 0,096 0,087 KM,KN,PI 9 PNN 2:10-467-14:1 0,955 0,968 0,067 0,060 PN 4 10* PNN 3:11-467-14:1 0,966 0,968 0,059 0,054 PN Źródło: obliczenia własne autora na podstawie STATISTICA Sieci Neuronowe 1 - Algorytm uczenia wstecznej propagacji błędów 100 epok, algorytm uczenia gradientów sprzężonych 20 epok, 2 - Algorytm uczenia pseudoinwersji (optymalizacja liniowa metodą najmniejszych kwadratów), 3 - Algorytm uczenia k-średnich, k-najbliższych sąsiadów i pseudoinwersji, 4 - Uczenie probabilistycznych sieci neuronowych (kopiowanie przypadków uczących do neuronów radialnych, dobór współczynnika wygładzania), * - Sieć wybrana do diagnostyki pompy wtryskowej. Analiza modelu Błąd sieci uzyskany w trakcie uczenia sieci wyznaczano na podstawie wartości błędów jednostkowych, obliczonych za pomocą przyjętej funkcji błędu entropia. Błąd jest sumą iloczynów zadanych wartości oraz logarytmów błędów dla każdego neuronu wyjściowego. Wskaźnikiem jakości sieci klasyfikujących jest odsetek poprawnie zakwalifikowanych przypadków. Nie bierze się pod uwagę przypadków, których sieć nie zaklasyfikowała do żadnej klasy. Wybrana sieć PNN do wspomagania lokalizacji uszkodzeń charakteryzująca się najniższym błędem zaprezentowana jest w tabeli 1 pod numerem 10. Jakość sieci jest bardzo dobra: dla zbioru uczącego wynosi 0,966, a dla zbioru walidacyjnego 0,968. Mała różnica między błędem sieci dla zbioru uczącego (0,059) i walidacyjnego (0,054) oznacza, że sieć ma dobre właściwości generalizujące. Architekturę sieci przedstawiono na rysunku 1. 162

Model neuronowy lokalizacji... Rys. 1. Architektura sieci probabilistycznej: warstwa wejściowa (neurony liniowe), warstwa ukryta (neurony radialne), warstwa wyjściowa (neurony liniowe) Fig. 1. Probabilistic network architecture: input layer (linear neurons), hidden layer (radial networks), output layer (linear neurons) Empiryczna weryfikacja modelu Przeprowadzono eksperymenty na danych nieużywanych do budowy modelu, pochodzących z dwóch zakładów naprawczych zlokalizowanych w odległych od siebie miejscowościach. Sieć neuronowa nauczona na przypadkach pomp tego samego rodzaju i pracujących w podobnych warunkach diagnozowała poprawnie 95% badanych obiektów. Podsumowanie Model neuronowy zastosowany do wspomagania diagnostyki pompy wtryskowej DPA wskazuje na rodzaj uszkodzenia oraz pozwala na zmniejszenie wskaźnika głębokości lokalizacji uszkodzonych elementów. Empiryczna weryfikacja modelu wskazuje na jego praktyczną przydatność. Jeśli chce się korzystać z modelu należy zwrócić uwagę, że sieć neuronowa musi być nauczona na przypadkach pomp tego samego rodzaju i pracujących w podobnych warunkach. Sieć neuronową do wspomagania diagnozy wykorzystać można bezpośrednio wprowadzając dane do nauczonej sieci. Kod źródłowy, odpowiadający nauczonej sieci neuronowej, można też kompilować z własnym programem, tworząc system doradczy przyjazny dla użytkownika. 163

Marek Klimkiewicz Bibliografia Bocheński C., Mruk R. 2002. Metody oceny stanu technicznego układu Common Rail z wykorzystaniem systemów komputerowych. Diagnostyka, vol. 27. s 11-16. Cieślikowski B., Langman J. 2005. Analiza parametru diagnostycznego zespołu przekładniowego kombajnu zbożowego z użyciem sztucznych sieci neuronowych. Inżynieria Rolnicza. Nr 8(68). s. 57-61. Klimkiewicz M. 2005. Zastosowanie sieci neuronowych w diagnostyce aparatury paliwowej silników o zapłonie samoczynnym. Inżynieria Rolnicza. Nr 8(68). s. 153-160. Korbicz J., Obuchowicz A., Uciński D. 1994. Sztuczne sieci neuronowe. Podstawy zastosowanie. Ak. Of. Wyd. PLJ. Warszawa. s. 828. Kwaśniewski J. 1997. Analiza struktur inteligentnych systemów do diagnostyki maszyn. Wyd. AGH, Kraków. ISSN 0867-6631. Wawrzyński W. 1996. Zagadnienia metodologiczne diagnostyki systemów sterowania w transporcie. Oficyna Wyd. Politechniki Warszawskiej. ISSN 1230-9265. NEURAL MODEL ALLOWING TO LOCATE DEFECTS IN INJECTION PUMPS Abstract. An artificial intelligence method was used to optimise the process of detecting damaged elements in injection pumps. A neural model based on probabilistic neural networks was applied. Developed model allows to reduce the value of location depth indicator for damaged elements. The neural model is distinguished by very good damage classification quality. Key words: neural networks, injection pump, damage location Adres do korespondencji: Marek Klimkiewicz; e-mail: marek_klimkiewicz@sggw.pl Katedra Organizacji i Inżynierii Rolnictwa Szkoła Główna Gospodarstwa Wiejskiego w Warszawie ul. Nowoursynowska 166 02-787 Warszawa 164