Využití neuronových sítí pro odhad dynamických veličin
Loading...
Date
Authors
Dufek, Martin
ORCID
Advisor
Referee
Mark
A
Journal Title
Journal ISSN
Volume Title
Publisher
Vysoké učení technické v Brně. Fakulta strojního inženýrství
Abstract
Cílem diplomové práce je ověřit použitelnost neuronových sítí k predikci dynamických veličin automobilu. Některé dynamické veličiny vozidel jsou těžko měřitelné, nebo je nutné je dopočítávat, přičemž měření takových veličin může vyjít velmi draze. Pokud by však neuronové sítě dokázaly hodnoty predikovat s přijatelnou chybou, jednalo by se o dostupnější a ekonomičtější metodu. Ověření bylo provedeno vytvořením dvou rekurentních neuronových sítí pro odhad veličin úhlu směrové úchylky a podélných sil na všech kolech automobilu. V práci jsou popsány jednotlivé kroky vytvoření sítí od zpracování vstupních dat až po vyhodnocení predikcí sítí. Výsledky ukazují, že lze využít neuronové sítě k určení dynamických veličin a pro některé účely jimi nahradit drahá měření. V závěru jsou formulovány důležité poznatky získané během vytváření neuronových sítí, které mohou pomoci s vytvářením nových sítí pro odhad dynamických veličin automobilu a je zde nastíněno další možné vylepšení vytvořených neuronových sítí.
The aim of the thesis is to verify the applicability of neural networks to predict vehicle dynamic variables. Some vehicle dynamic variables are difficult to measure or need to be calculated, and measuring such quantities can be very expensive. However, If neural networks could predict values with acceptable error, this would be a more affordable and economical method. Verification was performed by creating two recurrent neural networks to estimate the quantities of directional deviation angle and longitudinal forces on all wheels of the car. The paper describes the steps of network creation from processing the input data to evaluating the network predictions. The results show that neural networks can be used to determine dynamic quantities and replace expensive measurements for some purposes. Finally, important insights gained during the creation of neural networks are formulated that can help with the creation of new networks for the estimation of automotive dynamic quantities, and further possible improvements of the created neural networks are outlined.
The aim of the thesis is to verify the applicability of neural networks to predict vehicle dynamic variables. Some vehicle dynamic variables are difficult to measure or need to be calculated, and measuring such quantities can be very expensive. However, If neural networks could predict values with acceptable error, this would be a more affordable and economical method. Verification was performed by creating two recurrent neural networks to estimate the quantities of directional deviation angle and longitudinal forces on all wheels of the car. The paper describes the steps of network creation from processing the input data to evaluating the network predictions. The results show that neural networks can be used to determine dynamic quantities and replace expensive measurements for some purposes. Finally, important insights gained during the creation of neural networks are formulated that can help with the creation of new networks for the estimation of automotive dynamic quantities, and further possible improvements of the created neural networks are outlined.
Description
Citation
DUFEK, M. Využití neuronových sítí pro odhad dynamických veličin [online]. Brno: Vysoké učení technické v Brně. Fakulta strojního inženýrství. 2024.
Document type
Document version
Date of access to the full text
Language of document
cs
Study field
bez specializace
Comittee
doc. Ing. Petr Porteš, Ph.D. (předseda)
prof. Ing. František Bauer, CSc. (místopředseda)
Ing. Aleš Rada, Ph.D. (člen)
Ing. Vojtěch Trusík (člen)
Ing. Marek Bačovský (člen)
Ing. Jakub Machač (člen)
Date of acceptance
2024-06-18
Defence
Študent prezentoval skúšajúcej komisii svoju záverečnú prácu a odpovedal na otázky oponenta. Otázky oponenta:
1. V rámci odhadu uhla smerovej odchýlky pracujete s jeho priebehom, ktorý stanovila inerciálna jednotka (IMU) RT3002. Túto veličinu však nie je IMU schopné merať priamo. Akým spôsobom ju teda IMU určuje? Hodnotenie: Zodpovedané.
2. V kap. 13 testujete RNN v odhade pozdĺžnych síl na kolesách. Akým spôsobom ste získali priebeh týchto síl? Hodnotenie: Zodpovedané.
3. V rámci predspracovania dát ste využili filter s dolnou priepusťou (low-pass) s medznou frekvenciou 10 Hz. Aký druh filtra ste použili? Prečo ste zvolili frekvenciu práve 10 Hz? Hodnotenie: Zodpovedané.
Následne odpovedal na otázky členov skúšajúcej komisie:
1. Ako dlho trval tréning neurónovej siete? Hodnotenie: Zodpovedané.
2. Skúšali ste krížovú validáciu? Hodnotenie: Zodpovedané.
3. Akú ste používali stratovú funkciu? Hodnotenie: Zodpovedané.
4. Ako ste sa venovali príprave vstupných signálov? Hodnotenie: Zodpovedané.
5. Je lepšie použiť neurónovú sieť pre odhad špecifickej veličiny, alebo vytvoriť univerzálnu sieť pre odhad viac veličín? Hodnotenie: Zodpovedané.
6. Aká štatistická metóda sa dá použiť pre porovnanie odhadovaných a nameraných dát? Hodnotenie: Zodpovedané
Result of defence
práce byla úspěšně obhájena
Document licence
Standardní licenční smlouva - přístup k plnému textu bez omezení