Fakultet inženjerskih nauka Mašinsko inženjerstvo

Univerziteta u Kragujevcu Primenjena mehanika i automatsko upravljanje

IV godina, II semestar

Inteligentno upravljanje
Marta Tanasković 333/2019

Data je postavka problema na:

https://www.mathworks.com/help/ident/examples/modeling-an-industrial-robot-arm.html

Problem nelinearne identifikacije modela industrijske robotske ruke treba rešiti primenom
feedforward neuralne mreže. U ovom zadatku nam je važno:
 Objasniti zadati problem, ulazne i izlazne podatke
 Vizualizovati podatke
 Iz dobijenog skupa odvojiti sa strane podatke za testiranje. Komentarisati kako je
izvršena podela.
 Formirati i obučiti višeslojnu neuralnu mrežu
 Implementirati metodu unakrsne validacije za pronalaženje najboljih hiperparametara
modela. Obrazložiti izbor mere performanse prema kojoj se ova procedura izvršava. Za
finalnu mrežu prikazati krivu obučavanja, kao i odgovarajuće mere performanse.
Pri čemu su aktivacione funkcije izabrane po želji.
 1. Definisanje problema, ulaznih i izlaznih podataka i vizuelizacija podataka
Robotska ruka je predstavljena kao nelinearan model sačinjen od tri mase (motor, zupčanici i sama
ruka), koji su prikazani na slici 1.

Slika 1: Model robotske ruke

Ulazni podatak je obrtni moment u(t)=tau(t) u Nm koji generiše elektromotor, a ugaona brzina motora u
rad/s predstavlja izlazne podatke. U primeru je dato četiri eksperimenta sa istim brojem ulaza i izlaza, pri
čemu je za trening i validaciju u radu korišćen samo četvrti eksperiment.

Najpre su uvezeni inicijalni parametri modela, jedinice, ulazi i izlazi modela robotske ruke:

Slika 2: Uvoz podataka

Nakon toga se dobijaju podaci iz sva četiri eksperimenta, pri čemu su u radu korišćene samo vrednosti iz
četvrtog eksperimenta (validation 3), odnosno uv3 – ulazi i yv3 – izlazi. Broj odabiraka za korišćene
ulaze/izlaze je po 19838 odabiraka. Zatim su opcijama plot i figure dati grafički prikazi ulaza i izlaza.

Slika 3: Vizuelizacija ulaza i izlaza

 2. Podela podataka na trening i validaciju, kreiranje neuronske mreže
Podatke je potrebno podeliti na podatke za trening i test (validaciju). U ovom slučaju podaci za trening
uzimaju 90% ukupnih podataka, dok podaci za validaciju preostalih 10%.

Način na koji je izvršena podela podataka je sledeći:

Slika 4: Podela podataka

Zatim se formira neuronska mreža koja sadrži 10 neurona:

Slika 5: Formiranje mreže

Izgled mreže:

Slika 6: Izgled mreže

Nakon treniranja na sledeći način je određena greška – root mean square error:

Slika 7: Root square mean error

Shodno velikoj grešci i lošim vrednostima parametara, potrebno je izvršiti unakrsnu validaciju za
neuronsku mrežu.
 3. Unakrsna validacija
Potrebno je napraviti proceduru za unakrsnu validaciju kojom će se odrediti hiperparametri za
neuronsku mrežu. Prema veličini greške (root mean square error) se ova procedura izvršava.
Hiperparametri koji minimiziraju grešku su oni koji se uzimaju za formiranje konačne neuronsko mreže.

Prvo treba inicijalizovati sve prommenljive koje ce biti potrebne za krosvalidaciju (trenutno najbolje
vrednosti za hiperparametre i mere ocenjivanja performansi).

Slika 8: Hiperparametri

Potrebno je proći iteracije po svim vrednostima hiperparametara koje želimo da ispitamo. Zavisno od
broja neurona moguće je menjati strukturu, dalje je moguće menjati aktivacionu funkciju i
eksperimentisati sa ostalim hiperparametrima.

Slika 9: Unakrsna validacija

Na sledećoj slici su dati rezultati unakrsne validacije i najbolje vrednosti hiperparametara:

Slika 10: Rezultati unakrsne validacije

Nakon unakrsne validacije potrebno je istrenirati mrežu dobijenim hiperparamatrima.

Slika 11: Implementiranje hiperparametara u finalnu neuronsku mrežu

Na kraju su prikazane greške koje finalna neuronska mreža pravi predviđajući izlaze za date ulaze
(ulazTrening i ulazValidacija).

Slika 12: Predviđanje i greške finalne mreže

Slika 13: Kriva performansi finalne mreže