| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva

Naslov:Development of a Model for Predicting Brake Torque Using LSTM and TCN Models : magistrsko delo
Avtorji:Roškar, Tomaž (Avtor)
Klančnik, Simon (Mentor) Več o mentorju... Novo okno
Vok, Alenka (Komentor)
Datoteke:.pdf MAG_Roskar_Tomaz_2020.pdf (3,33 MB, Vsebina bo dosegljiva po 30.06.2023)
MD5: 6B1BF5EB04A1078EBFA95FF26AADBCF7
 
Jezik:Angleški jezik
Vrsta gradiva:Magistrsko delo/naloga (mb22)
Tipologija:2.09 - Magistrsko delo
Organizacija:FS - Fakulteta za strojništvo
Opis:The main purpose of this thesis is to compare two state-of-the-art machine learning models, LSTM (Long Short-Term Memory) and TCN (Temporal Convolutional Network), on an AVL List GmbH case use, where the goal is to predict vehicle brake torque. Dataset used for model testing consists of multiple features which are preprocessed using several preprocessing methods. For model implementation Python’s libraries Keras and TensorFlow are used. Results from this thesis show that TCN is able to outperform LSTM. TCN achieves lower RMSE on the test dataset and is significantly faster in training and evaluation.
Ključne besede:brake torque, machine learning, neural network, LSTM, TCN, RNN, CNN
Leto izida:2020
Kraj izvedbe:Maribor
Založnik:[T. Roškar]
Št. strani:IX, 55 f.
Izvor:Maribor
UDK:004.85:62-59(043.2)
COBISS_ID:40383747 Novo okno
NUK URN:URN:SI:UM:DK:BGDRKWBP
Število ogledov:165
Število prenosov:0
Metapodatki:XML RDF-CHPDL DC-XML DC-RDF
Področja:KTFMB - FS
:
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:AddThis
AddThis uporablja piškotke, za katere potrebujemo vaše privoljenje.
Uredi privoljenje...

Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Licence

Licenca:CC BY-NC-ND 4.0, Creative Commons Priznanje avtorstva-Nekomercialno-Brez predelav 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by-nc-nd/4.0/deed.sl
Opis:Najbolj omejujoča licenca Creative Commons. Uporabniki lahko prenesejo in delijo delo v nekomercialne namene in ga ne smejo uporabiti za nobene druge namene.
Začetek licenciranja:29.06.2020

Sekundarni jezik

Jezik:Slovenski jezik
Naslov:Razvoj modela za napovedovanje zavornega momenta z uporabo LSTM in TCN modelov
Opis:Cilj magistrske naloge je primerjava dveh modelov strojnega učenja, LSTM (ang. Long short-term memory) in TCN (ang. Temporal convolutional network) pri napovedovanju zavornega momenta. Gre za dva tipa nevronskih mrež. Nevronske mreže so skupek algoritmov, ki delujejo po vzoru človeških možganov. Sestavljene so iz osnovnih enot – nevronov, ki so običajno razporejeni v več plasti. Razmestitev nevronov v mreži vpliva na hitrost učenja in kvaliteto rezultatov naučene mreže. LSTM spada med povratne nevronske mreže (ang. Recurrent neural network – RNN). Povratne nevronske mreže vsebujejo povratne povezave, ki jim omogočajo pomnenje informacij iz predhodnih časovnih korakov, zaradi česar dosegajo zelo dobre rezultate pri obdelavi sekvenčnih podatkov. Najpogosteje se uporabljajo za prepoznavanje govora in pisav, zaznavanje anomalij v časovnih vrstah in napovedovanje nadaljnega razvoja časovnih vrst. Pri učenju običajnih RNN naletimo na več problemov: problem izginjanja in eksplozije gradientov ter kratkoročni spomin. LSTM odpravi problem izginjanja gradientov in kratkoročni spomin z uporabo spominskih celic, ki sestojijo iz stanja celice in treh vrat. Stanje celice je posledica predhodnih časovnih korakov in si ga lahko razlagamo kot spomin celice. Vrata služijo za posodabljanje stanja celice in so naučena tekom učenja LSTM. TCN spada med konvolucijske nevronske mreže (ang. Convolutional neural network – CNN). Konvolucijske mreže uporabljajo matematično operacijo imenovano konvolucija, za pridobivanje značilk in so izjemno uspešne na področju strojnega vida. Njihova uporaba za modeliranje časovnih vrst je manj razširjena, vendar v mnogih primerih dosegajo boljše rezultate kot RNN. TCN združuje najboljše prakse sodobnih konvolucijskih mrež. Uporablja princip razširjenih konvolucij (ang. dilated convolution), kar omogoča razširitev zaznavnega polja. Primerjava LSTM in TCN je bila izvedena na primeru iz podjetja AVL List GmbH, katerega cilj je izdelava modela za napovedovanje zavornega momenta. Za učenje nevronskih mrež so se uporabili podatki o temperaturi zavor, tlaku zavorne tekočine v zavornem valju, vrtljajih zavornih diskov in zavornem momentu. Podatki so bili prefiltrirani z uporabo nizkopasovnega Butterworth filtra, kar je imelo velik vpliv na kvaliteto naučenih modelov. Dodani sta bili dve značilki, ki smo ju pridobili z obdelavo obstoječih. Za pripravo podatkov sta bili uporabljeni knjižnici programskega jezika Python, Pandas in Scipy. Modela sta bila implementirana v programskem okolju TensorFlow, ki je odprtokodno okolje za strojno učenje. S primerjavo rezultatov, smo prišli do ugotovitve, da je v obravnavanem primeru TCN model zmožen doseči večjo natančnost napovedi v krajšem času učenja, kot LSTM. Rezultati so pokazali, da se pri večjem številu časovnih korakov, ki jih uporabimo za napoved, pri LSTM pojavi problem eksplozije gradientov, zaradi česar je potrebno uvesti omejevanje gradienta (ang. Gradient clipping). Velika prednost TCN modela napram LSTM je čas potreben za izračun napovedi. Izkazalo se je, da je v obravnavanem primeru že najmanjši LSTM model prepočasen za uporabo v realnem času. Predvidevamo, da bi z implementacijo obeh modelov v programskem jeziku C, lahko tudi LSTM pospešili do te mere, da bi se lahko uporabljal v realnem času.
Ključne besede:zavorni moment, strojno učenje, nevronske mreže, LSTM, TCN, RNN, CNN


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici