FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2920551573> ?p ?o ?g. }

• W2920551573 abstract "V pricujoci doktorski disertaciji smo raziskovali razlicna podrocja uporabesamorazvijajocih se sistemov, kot so vodenje, identikacija in spremljanje procesov.Samorazvijajoci se sistemi, ki jih obravnavamo v disertaciji, temeljijo naposplosenem mehkem modelu AnYa (po priimkih avtorjev Angelov in Yager), kise razlikuje od klasicnih mehkih modelov (Mamdani in Takagi-Sugeno) v nacinudeniranja strukture modela. Namesto vnaprej deniranih mehkih pravil (Gaussovo,trikotno, lingvisticno itn.), model AnYa na podlagi sprotno sprejetih podatkovtvori mehka pravila v obliki oblakov podatkov (ang. data clouds). Z vsakimnovim prejetim podatkom se struktura in parametri modela prilagajajo novimspremenjenim stanjem v procesu. To nam omogoca implementacijo razlicnih algoritmovsprotnega vodenja, identikacije ali spremljanja dinamicnih procesov.Poleg implementacije teh algoritmov smo v doktorski disertaciji obravnavali tudimehanizme samorazvijanja modelov za dodajanje novih in odstranjevanje nepomembnihoblakov. Prav tako smo iskali nacine, kako prepreciti dodajanje oblakovna osnovi osamelcev.V disertaciji smo predstavili robusten samorazvijajoci se adaptivni mehki regulator(ang. robust evolving cloud-based controller, RECCo). Regulator je sestavljeniz dveh glavnih delov: samorazvijajoca se struktura modela (z mehanizmomza dodajanje novih oblakov na podlagi lokalne gostote podatkov) in sprotna adaptacijaparametrov lokalnih regulatorjev (na podlagi gradienta kriterijske funkcije).Mehanizem samorazvijanja modela skrbi za zaznavanje nelinearnih podrocij vprocesu, kar pomeni, da se parametri lokalnih regulatorjev prilagajajo delovnitocki procesa. Z normiranjem podatkovnega prostora smo dosegli enostavnejsenastavljanje zacetnih parametrov regulatorja. Podali smo tudi smernice, kakonastaviti oziroma izracunati zacetne vrednosti parametrov regulatorja. V doktorskidisertaciji smo prikazali nekaj primerov uporabe RECCo-regulatorja nasimuliranih in realnih napravah. Vodenje na simuliranih procesih smo izvedli namodelu toplotnega izmenjevalnika in na modelu distribuiranega sistema soncnihkolektorjev. Uporaba vodenja na realnih napravah pa je bila izvedena pri regulacijitemperature na toplotnem izmenjevalniku in regulaciji nivoja na sistemudveh povezanih tankov.Mehanizem samorazvijanja na osnovi oblakov podatkov smo vpeljali tudi vmehki prediktivno funkcijski regulator (ang. fuzzy cloud-based predictive func-tional controller, FCPFC). Za delovanje tega regulatorja potrebujemo modelprocesa, ki ga želimo voditi. S tem namenom smo združili samorazvijajoci semodel z rekurzivno metodo najmanjsih kvadratov. Na ta nacin lahko identiciramodinamicen model procesa, ki je potem del prediktivnega regulatorja. Modeluporabimo za predikcijo reguliranega signala na vnaprej dolocenem horizontu innato dolocimo se regulirni signal, ki minimizira razliko med izhodnim in referencnim/želenim signalom. Taksen pristop je primeren za regulacijo nelinearnihdinamicnih procesov. Delovanje predlaganega prediktivnega regulatorja FCPFCsmo preizkusili na modelu reaktorja z neprekinjenim mesanjem (ang. continu-ous stirred tank reaktor, CSTR). Dobljene rezultate smo primerjali z RECCoregulatorjem.V nadaljevanju smo predlagali in preizkusili samorazvijajoci se model naosnovi oblakov za identikacijo dinamicnih sistemov. V tem primeru smo raziskalirazlicne mehanizme dodajanja in odstranjevanja oblakov in njihov vplivna ucinkovitost celotne metode. Predlagano metodo smo preizkusili na dvehrazlicnih primerih. Prvi primer je model kemicnega procesa Tennessee Eastman,ki ima zelo kompleksno strukturo in dinamiko. Iz tega modela smo pridobilisimulirane podatke ter poskusali pridobiti modele kazalnikov proizvodnjeucinkovitosti. Rezultate smo primerjali z metodo eFuMo ter z nevronskimimrežami. Drugi primer je bil realen sistem hladilne postaje, ki obratuje v enemod podjetij v Sloveniji. Pridobljene podatke smo prav tako uporabili za identi-kacijo dinamicnih modelov nekaj kljucnih kazalnikov proizvodnje. Te modele smonaknadno uporabili za nadzorovano in prediktivno preklapljanje hladilnih agregatov,ki so kljucni elementi celotnega sistema. Izkazalo se je, da z uporabo modelovlahko preprecimo nepotrebna preklapljanja agregatov in s tem omogocimo boljsoucinkovitost celotnega sistema.V zadnjem delu smo samorazvijajoci se model uporabili kot orodje za spremljanjeprocesov. Z uporabo mehanizmov za dodajanje novih oblakov lahkodeniramo podrocje procesa, ki opisuje normalno stanje delovanja, in podrocje,ki oznacuje napako na procesu. Nato lahko z izracunom lokalnih gostot za vsakpodatek posebej dolocimo ali predstavlja napako oziroma normalno delovanje.Predlagali smo tudi izracun delnih lokalnih gostot z upostevanjem najbolj vplivnihkomponent. Delovanje metode smo preizkusili na podrocju zaznavanja napakna sistemu Tennessee Eastman. Rezultate smo primerjali z nekaj znanimimetodami za zaznavanje napak na procesih, kot so PCA (ang. principal compo-nent analysis), ICA (ang. independent component analysis) in FDA (ang. sherdiscriminate analysis). Rezultati metode so primerljivi in dosegajo podobno natancnost, kot že uveljavljene metode na tem podrocju.Na koncu smo samorazvijajoci se model razdelili na vec hierarhicnih nivojevz namenom zaznavanja manevrov pri voznikih osebnih avtomobilov, kot so prehitevanje,zaviranje, ustavljanje in podobno. Metoda uporablja le osnovne senzorje(in ne naprednih, kot so kamere, laserji itd.), ki so del standardne opreme osebnihavtomobilov. Izkazalo se je, da predlagani hierarhicni koncept od spodajnavzgor (od manj do bolj kompleksnih akcij) v kombinaciji s samorazvijajocimse modelom uspesno zaznava in locuje med razlicnimi manevri pri voznikih." @default.
• W2920551573 created "2019-03-11" @default.
• W2920551573 creator A5043073463 @default.
• W2920551573 date "2018-01-01" @default.
• W2920551573 modified "2023-09-27" @default.
• W2920551573 title "SAMORAZVIJAJOČI SE SISTEMI PRI SPREMLJANJU IN VODENJU PROCESOV" @default.
• W2920551573 hasPublicationYear "2018" @default.
• W2920551573 type Work @default.
• W2920551573 sameAs 2920551573 @default.
• W2920551573 citedByCount "0" @default.
• W2920551573 crossrefType "journal-article" @default.
• W2920551573 hasAuthorship W2920551573A5043073463 @default.
• W2920551573 hasConcept C121332964 @default.
• W2920551573 hasConcept C138885662 @default.
• W2920551573 hasConcept C15708023 @default.
• W2920551573 hasConceptScore W2920551573C121332964 @default.
• W2920551573 hasConceptScore W2920551573C138885662 @default.
• W2920551573 hasConceptScore W2920551573C15708023 @default.
• W2920551573 hasLocation W29205515731 @default.
• W2920551573 hasOpenAccess W2920551573 @default.
• W2920551573 hasPrimaryLocation W29205515731 @default.
• W2920551573 isParatext "false" @default.
• W2920551573 isRetracted "false" @default.
• W2920551573 magId "2920551573" @default.
• W2920551573 workType "article" @default.