search query: @keyword Piezo / total: 5
reference: 4 / 5
Author: | Hänninen, Petri |
Title: | Modeling dynamics of a piezodisk using neural networks |
Publication type: | Master's thesis |
Publication year: | 2005 |
Pages: | 65 Language: eng |
Department/School: | Sähkö- ja tietoliikennetekniikan osasto |
Main subject: | Systeemitekniikka (AS-74) |
Supervisor: | Koivo, Heikki |
Instructor: | Zhou, Quan |
OEVS: | Electronic archive copy is available via Aalto Thesis Database.
Instructions Reading digital theses in the closed network of the Aalto University Harald Herlin Learning CentreIn the closed network of Learning Centre you can read digital and digitized theses not available in the open network. The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/ You can read theses on the Learning Centre customer computers, which are available on all floors.
Logging on to the customer computers
Opening a thesis
Reading the thesis
Printing the thesis
|
Location: | P1 Ark S80 | Archive |
Keywords: | Piezo modeling neural networks Piezo mallintaminen neuroverkko |
Abstract (fin): | Piezosähköistä ilmiötä käytetään yleisesti hyväksi mikrosysteemitekniikassa. Monet anturit ja toimilaitteet perustuvat tähän ilmiöön. Johtuen pietzosähköisen ilmiön epälineaarisuudesta, on tarkan mittaustuloksen saaminen kyseiseen ilmiöön perustuvista antureista ollut hankalaa nopean vasteen järjestelmissä. Toimilaitteina käytetyt piezomateriaalit ovat myös vaatineet takaisinkytkennät toimiakseen tarkasti. Tämä on lisännyt laitteiden kokoa ja energiankulutusta, jotka eivät kumpikaan ole toivottuja asioita mikrokokoluokan systeemeissä. Ratkaisua ongelmaan on tässä työssä lähdetty etsimään mallintamisesta. Piezosähköisestä toimilaitteesta on kirjallisuuteen ja aiempiin tutkimuksiin perustuen luotu kolmannen asteen siirtofunktio. Tämän nk. "Gray-box"-mallin parametrit määritellään dynaamisiksi johtuen kohteen epälineaarisuudesta. Tällä tavoin pystytään muuttamaan siirtofunktion ominaisuudet todellisuutta vastaaviksi eri toimintapisteissä. Parametrien mallinnukseen käytetään monikerroksista perceptron -pohjaista neuroverkkoa, jolle kerätään input-output -dataa järjestelmästä ajamalla sitä erilaisissa toimintapisteissä. Koulutus tapahtuu Matlabin "Neural Network Toolbox":in sisältämillä komennoilla, joissa koko koulutusprosessi on automatisoitu. Koulutettu neuroverkko pystyy tämän jälkeen laskemaan siirtofunktion parametrit sisääntulevasta ohjausvektorista. Lopputulosta arvioidaan mahdollisimman hyvin erilaisten toimintapisteiden ympäristössä ajettujen testidatojen avulla vertaamalla mitattua ja mallinnettua paikkatietoa toisiinsa. |
ED: | 2005-11-29 |
INSSI record number: 30037
+ add basket
INSSI