SVIBOR - Projekt broj: 2-08-187

MINISTARSTVO ZNANOSTI I TEHNOLOGIJE

Strossmayerov trg 4, HR - 10000 ZAGREB
tel.: (01) 459 44 44, faks: (01) 459 44 69
E-mail: ured@znanost.hr

SVIBOR - Prikupljanje podataka o projektima u RH

Šifra projekta: 2-08-187

NEURONSKE MREŽE U MODELIRANJU I UPRAVLJANJU SISTEMIMA

Glavni istraživač: KECMAN, VOJISLAV (20623)

Suradnici

ŠIROKI, MLADEN (162364)
MAJETIĆ, DUBRAVKO (162406)
NOVAKOVIĆ, BRANKO (33541)
ZORC, DAVOR (111286)
GRILEC, JOSIP (14562)

Tip istraživanja: primjenjeno
Trajanje od: 01.01.91. do 31.12.96.

Ukupno radova na projektu: 32
Radovi na projektu citirani u Current Contents: 3

Naziv ustanove: Fakultet strojarsva i brodogradnje, Zagreb (120)
Odjel/Zavod: Zavod za automatiku i mjernu tehniku
Adresa: Ivana Lučića 5. P.O.B. 194, HR - 1000 Zagreb, CROATIA
Grad: 10000 - Zagreb, Hrvatska

Komunikacija: Telefon: 385 (0) 1 6111-944; teleFaks: 385 (0) 1-514-535; E-mail: Vojislav.Kecman@x400.srce.hr

Sažetak: U posljednje vrijeme važnost boljeg razumijevanja, modeliranja i upravljanja značajno raste na svim poljima ljudskog djelovanja, kao što su biologija, psihologija, medicina, ekonomija, ekologija i svakako na području strojarstva, ili još preciznije rečeno u regulaciji, automatizaciji i fleksibilnoj proizvodnji. U tehničkim primjenama određivanje modela (teoretski ili eksperimentom) i upravljanje procesima i sistemima ključna je zadaća ljudske intelektualne aktivnosti. Tijekom prošlih godina svjedoci smo brzog razvoja spomenutih polja djelovanja, što je povezano sa zahtjevima koje postavlja moderna proizvodnja, a to su: - zadovoljenje kvalitete, produktivnosti i zahtjeva glede ekologije - odgovor na globalnu konkurenciju u industrijskoj proizvodnji - više informacija i bolje razumijevanje procesa i sistema Moj osobni doprinos, kao i snažni doprinosi mojih mlađih suradnika mr.sc.J.Petrića, mr.sc.D.Majetića i mr.sc.M.Širokog ( objavljeni radovi u formi članaka, monografija i knjiga) posebno se očituju u području matematičkog modeliranja dinamičkih sistema, u originalnom pristupu tretiranja dinamike različitih procesa na jedan uniforman i konzistentan način, a i u teoriji i aplikaciji modernih računarskih paradigmi kao što su koncepti umjetnih neuronskih mreža (Artificial Neural Networks - ANN) i neizrazite logike (Fuzzy Logic Systems - FLS). Najnovije područje naših istraživanja (kao i glavni dio predlaganog istraživanja) vezano je sa trenutnim svjetskim naporima na području ANN i FLS. Problemi nastaju u situacijama kada nije moguće (ili je to vrlo teško) adekvatno prezentirati određene karakteristike sistema kao što su nelinearnosti, vremenska kašnjenja ili vremenski promjenjivi parametri. Za ovakve vrlo uobičajene situacije, neuronske mreže postaju vrlo interesantne inžinjerima, jer pružaju ogroman potencijal pri rješavanju svih problema koji se tradicionalnim analitičkim postupcima ne daju rješiti. Siguran sam da ANN i FLS svojim paralelizmom u radu, aproksimativnošću, generalizacijom i sposobnošću učenja, mogu osigurati bolja rješenja (barem neka) postojećim i novim problemima upravljanja. Ove mogućnosti aproksimacije, generalizacije, učenja problema i ugrađeno postojeće ljudsko znanje, mogu se povezati sa pojmom inteligencija koji je i u naslovu predloženog istraživanja. Kao što je svima koji se bave neuronskim mrežama poznato, njihov trening zahtijeva mnogo procesorskog (računarskog) vremena, pa je tako u mom laboratoriju utrošeno mnogo vremena na obučavanju na stotine raznih konfiguracija neuronskih mreža koje su potom korištene bilo za simulaciju dinamike, bilo za upravljanje realnih fizikalnih sistema. Dokazano je da se mnoge vrste neuronskih mreža, među kojima posebno višeslojna unaprijedna neuronska mreža sa povratnim prostiranjem greške, mogu uspješno koristiti za simulaciju dinamičkih sistema. Zanimljivo je uočiti da kod neuronske mreže sa povratnim prostiranjem greške tradicionalna sigmoidalna aktivacijska funkcija daje mnogo lošije rezultate od sinisoidalne aktivacijske funkcije. Pokazujemo, no još nije u potpunosti dokazano da sinusoidalna aktivacijska funkcija pokazuje bolje rezultate i od često korištene tangens-hiperbolne prijenosne funkcije neurona. Stoga je za učenje ponašanja PID regulatora odabrana upravo sinusoidalna aktivacijksa funkcija neurona. Brojne simulacije različitih sistema dokazuju da je odabir načina učenja, kao i strukture neuronske mreže od presudnog značaja za uspjeh učenja i kvalitetu rada naučene neuronske mreže. Zato su u tijeku brojni simulacioni eksperimenti koji bi trebali pokazati vezu između broja sakrivenih slojeva i broja elemenata procesiranja (neurona) u njima sa vrstom dinamičkog sistema čije se ponašanje uči. Nova istraživanja u svijetu upućuju na primjenu radijalnih baznih neuronskih mreža ( RBF ANN ), kao i na povezivanje istih sa konceptom neizrazite logike (neizrazitog upravljanja). I na kraju treba reći da su naša najnovija istraživanja usmjerena projektiranju regulatora inverzne dinamike i to putem koncepta umjetnih neuronskih mreža. Sam koncept inverzne dinamike poznat je u literaturi već duže vremena, no praktična realizacija takvog regulatora nije nimalo lak zadatak, posebice kada je dinamika objekta regulacijie nepoznata, ili kada su parametri takvog sistema promjenjivi i nestalni (pojačanja, polovi, nule). Isto tako nastojimo istraživati i na području problematike vizijskih sistema, kao i upravljanja fleksibilnih robota. Istraživanja nastojimo usmjeriti i ka boljem razumijevanju temeljnih postavki i osnovnih paradigmi neuronskih mreža i neizrazite logike.

Ključne riječi: Identifikacija i upravljanje nelinearnih sistema, Umjetne neuronske mreže, Sistemi neizrazitog upravljanja

Ciljevi istraživanja: Krajnji cilj predloženog istraživanja je povezivanje neuronskih mreža i neizrazitog upravljanja. U tom smo smislu već i dokazali vrlo veliku sličnost koncepta radijalnih baznih neuronskih mreža i neizrazitog upravljanja. To je i u svijetu novi i vrijedan rezultat, pa zbog njegove važnosti nastojimo održati i taj smjer istraživanja. Ciljevi su nam nadalje razvoj teorije, metodologije, algoritama i programske podrške za rješavanje svih postavljenih zadataka.

SURADNJA - PROJEKTI

Naziv projekta: Neural Networks in Control Systems
Naziv ustanove: Institut fur Automatisierungstechnik, Universitat Bremen
Grad: Bremen, Njemačka
Naziv projekta: 2-08-171 ALGORITMI VOĐENJA ROBOTA I FLEKSIBILNIH PROIZVODNIH SISTEMA
Naziv ustanove: Fakultet strojarstva i brodogradnje
Grad: 10000 - Zagreb, Hrvatska
Naziv projekta: 2-07-176 FLEKSIBILNA AUTOMATIZACIJA PROIZVODNJE I INDUSTRIJSKI ROBOTI
Naziv ustanove: Fakultet strojarstva i brodogradnje
Grad: 10000 - Zagreb, Hrvatska

Ostali podaci o projektu.


Ministarstvo znanosti i tehnologije	Engleski jezik	Svibor početna stranica	Abecedni popis	Složeno po šifri projekta	Složeno po ustanovi projekta	Pretraživanje	Pomoć

Datum zadnje promjene: 30.09.95
Informacije: svibor@znanost.hr