Design and Application of English Grammar Error Correction System Based on Deep Learning

In order to solve the problems of low correction accuracy and long correction time in the traditional English grammar error correction system, an English grammar error correction system based on deep learning is designed in this paper. This method analyzes the business requirements and functions of the English grammar error correction system and then designs the overall architecture of the system according to the analysis results, including English grammar error correction module, service access module, and feedback filtering module. The multilayer feedforward neural network is used to construct the language model to judge whether the language sequence is a normal sentence, so as to complete the correction of English grammatical errors. The experimental results show that the designed system has high accuracy and fast speed in correcting English grammatical errors.

Design and Implementation of Intelligent Hybrid Neuro Controller for Automatic Voltage Regulator

In this paper, we presented a hybrid controller by combining the advantages of both PID and Neuro controllers for automatic voltage regulator (AVR) system. A Neuro controller is designed using multilayer feedforward neural network and Levenberg-Marquardt backpropagation algorithm is used for training the network. Also, hybrid controller is achieved by blending the characteristics of classical PID and proposed Neuro controller using a switching mechanism based on the error. The proposed PID, Neuro and Hybrid controllers are simulated in MATLAB environment and their transient response parameters are compared. The simulation results clearly indicated the improvement in the transient output of the automatic voltage regulator system with proposed hybrid controller even in the presence of uncertainties in the system.

Model Structures and Identification for Fully Embedded Thrusters: 360-Degrees-Steerable Steering-Grid and Four-Channel Thrusters

The European Watertruck + project introduced a new fleet of self-propelled inland cargo barges to the European waters, in order to induce more sustainable freight transport in the European hinterland. An augmentation of the automation level of this fleet could further advance their competitiveness and potentially pave the way for unmanned inland cargo vessels. The motion control of such a vessel forms a key component in this envisaged automation chain and benefits from the knowledge of the capabilities of the propulsion system, which here envelops a 360-degrees-steerable steering-grid thruster in conjunction with a 360-degrees-steerable four-channel thruster. Therefore, this study details the mechanical design of both thrusters and lists their experimental towing-tank data. Furthermore, two different modelling methods are offered, one theoretically based and one using a multilayer neural network. A model structure comparison, based on a bias-variance trade-off, verifies the adequacy of the theoretical model which got expended with an angle-dependent thrust deduction coefficient. In addition, several multilayer feedforward neural network architectures exemplify their inherent capability to model the complex, nonlinear, flow phenomena inside the thrusters. These identified model structures can additionally improve thrust allocation algorithms and offer better plant models to study more advanced control strategies.

Intelligent control and impedance adjustment for efficient human-robot cooperation

Η αλληλεπίδραση ανθρώπου – ρομπότ είναι μια ερευνητική περιοχή που στοχεύει στον επιτυχή συνδυασμό των δυνατοτήτων ρομπότ και ανθρώπου. Τα ρομπότ μπορούν να βοηθήσουν τους ανθρώπους σε ζητήματα ακρίβειας, ταχύτητας και δύναμης. Επιπρόσθετα, τα ρομπότ μπορούν περιορίσουν συμπτώματα όπως το άγχος και η κούραση του χρήστη, βελτιώνοντας έτσι τις συνθήκες εργασίας του. Βέβαια, καθοριστικός παράγοντας στην υλοποίηση των παραπάνω είναι ο άνθρωπος, όπου μέσα από την εμπειρία και την τεχνογνωσία εκτέλεσης καθημερινών καθηκόντων, τη διαίσθηση του, την εύκολη μάθηση την κατανόηση και την προσαρμογή του με τις μεθόδους ελέγχου, μπορεί να εκπαιδεύσει ένα ρομπότ. Ο κορμός αυτής της διδακτορικής διατριβής χωρίζεται σε 3 μέρη: το πρώτο μέρος έχει να κάνει με την ασφάλεια ενώ στο δεύτερο μέρος αναλύονται οι τεχνικές ελέγχου αλληλεπίδρασης ανθρώπου – ρομπότ. Στο τρίτο μέρος, παρουσιάζονται τεχνικές βελτίωσης της αλληλεπίδρασης. Όσο αφορά την ασφαλή αλληλεπίδραση ανθρώπου-ρομπότ, προτείνεται μια προσέγγιση πολυστρωματικού πρόσθιας φόρτωσης νευρωνικού δικτύου (multilayer feedforward Neural Network) για τον εντοπισμό της σύγκρουσης ανθρώπου-ρομπότ καθώς και της αναγνώρισης του σχετικού συνδέσμου (link), λαμβάνοντας υπόψιν τα πρότυπα ασφαλείας. Η τοπολογία ενός νευρωνικού δικτύου σχεδιάζεται με βάση την δυναμική σύζευξης (coupled dynamics) του ρομπότ, η οποία εκπαιδεύεται με και χωρίς εξωτερικές επαφές σύμφωνα με τον αλγόριθμο του Levenberg-Marquardt που ανιχνεύει ανεπιθύμητες συγκρούσεις μεταξύ χειριστή και του εκάστοτε συνδέσμου του ρομπότ. Δυο αρχιτεκτονικές νευρωνικών δικτύων αναπτύσσονται: Η πρώτη εξαρτάται από τις θέσεις των αρθρώσεων και των αισθητήρων ροπής του ρομποτικού βραχίονα. Αυτή η αρχιτεκτονική είναι ιδιαίτερα ωφέλιμη σε συνεργατικά ρομπότ. Η δεύτερη αρχιτεκτονική βασίζεται μόνο στους αισθητήρες θέσης του ρομποτικού βραχίονα. Η δεύτερη μέθοδος μπορεί να εφαρμοστεί σε οποιοδήποτε βιομηχανικό ρομπότ. Τα πειραματικά αποτελέσματα αποδεικνύουν ότι οι προτεινόμενες μέθοδοι είναι ιδιαίτερα αποδοτικές και πολύ γρήγορες στον εντοπισμό συγκρούσεων σε ασφαλείς περιοχές, προσδιορίζοντας τον σύνδεσμο σε ολόκληρο τον χώρο εργασίας. Ανεξάρτητα (χωρίς συσχέτιση με άλλους συνδέσμους) νευρωνικά δίκτυα, ένα για κάθε άρθρωση, σχεδιάζονται και εκπαιδεύονται, χρησιμοποιώντας τα ίδια δεδομένα, και η απόδοση τους συγκρίνεται με τα εξαρτώμενα νευρωνικά δίκτυα ποσοτικά αλλά και ποιοτικά. Στο δεύτερο μέρος της διατριβής, παρουσιάζεται μια μέθοδος ελέγχου μεταβλητής εισόδου (variable admittance control) για την συνεργασία ανθρώπου – ρομπότ, εξαρτώμενη από την σύγχρονη (online) εκπαίδευση ενός νευρωνικού δικτύου. Η εικονική απόσβεση, η εικονική αδράνεια ή και οι δύο ρυθμίζονται και διερευνώνται για τη βελτίωση της συνεργασίας ανθρώπου-ρομπότ. Ο σχεδιασμός του μεταβλητού ελεγκτή αναλύεται καθώς επίσης και η επιλογή του νευρωνικού δικτύου, συμπεριλαμβανομένου των εισόδων και εξόδων του. Σε περίπτωση ρύθμισης μόνο της εικονικής αδράνειας ή μόνο της εικονικής απόσβεσης επιλέγεται ένα πολυστρωματικό πρόσθιας φόρτωσης νευρωνικό δίκτυο (multilayer feedforward Neural Network), όπου το σφάλμα (backpropagation error) λαμβάνεται υπόψιν κατά την εκπαίδευση του νευρωνικού δικτύου. Σε περίπτωση ρύθμισης τόσο της εικονικής απόσβεσης όσο και της εικονικής αδράνειας ταυτόχρονα, χρησιμοποιείται το επαναλαμβανόμενο νευρωνικό δίκτυο (RNN) Jordan συνοδευόμενος από τον αντίστοιχο αλγόριθμο μάθησης σε πραγματικό χρόνο. Υλοποιείται έμμεση εκπαίδευση του δικτύου με βάση το σφάλμα ταχύτητας μεταξύ της ταχύτητας αναφοράς του μοντέλου στην περίπτωση που ακολουθεί ελάχιστα απότομη τροχιά και της πραγματικής ταχύτητας του ρομπότ. Η προτεινόμενη απόδοση του ελεγκτή μεταβλητής εισόδου (variable admittance controller) διερευνάται πειραματικά και η γενίκευση της αξιολογείται με συνεργατικές εργασίες με τη βοήθεια πολλαπλών χειριστών του ρομποτικού βραχίονα KUKA LWR υπό διαφορετικές συνθήκες και εργασίες οι οποίες αξιοποιούνται στην εκπαίδευση του νευρικού δικτύου. Επιπλέον, γίνεται σύγκριση μεταξύ των παραλλαγών του ελεγκτή μεταβλητής εισόδου (variable admittance controller), όπου τόσο η εικονική απόσβεση όσο και η εικονική αδράνεια ρυθμίζονται ταυτόχρονα ή ξεχωριστά. Για τη βελτίωση της αλληλεπίδρασης ανθρώπου-ρομπότ, προτείνεται μια προσέγγιση για την αξιολόγηση της συνεργασίας ανθρώπου-ρομπότ με στόχο την επίτευξη υψηλών επιδόσεων. Τόσο το ανθρώπινο χέρι όσο και ο ρομποτικός βραχίονας μοντελοποιούνται ως μια κλειστή κινηματική αλυσίδα (closed kinematic chain) και τα κριτήρια αξιολόγησης της απόδοσης αναλύονται βάσει της δυνατότητας χειρισμού. Η επιλεγμένη εργασία είναι μια ευθεία κίνηση στην οποία το άκρο του ρομπότ οδηγείται από τον άνθρωπο μέσω ενός ελεγκτή εισόδου (admittance controller). Η καλύτερη θέση της επιλεγμένης εργασίας καθορίζεται με τη μεγιστοποίηση της ελάχιστης δυνατότητας χειρισμού κατά μήκος της διαδρομής. Τα κριτήρια αξιολόγησης για την απόδοση υιοθετούνται λαμβάνοντας υπόψη εργονομικές μεθόδους. Στην πειραματική διάταξη με τον βραχίονα KUKA LWR, πολλοί εθελοντές χειριστές επαναλαμβάνουν την καθορισμένη κίνηση και αξιολογούν εμπειρικά την παραπάνω προσέγγιση.

Modeling a Helical Fluid Inerter System with Time-Invariant Mem-Models

In this paper, experimental data from tests of a helical fluid inerter are used to model the observed hysteretic behaviour. The novel idea is to test the feasibility of employing mem-models, which are time-invariant herein, to capture the observed phenomena by using physically meaningful state variables. Firstly we use a Masing model concept, identified with a multilayer feedforward neural network to capture the physical characteristics of the hysteresis functions. Following this, a more refined approach based on the concept of a multi-element model including a mem-inerter is developed. This is compared with previous definitions in the literature and shown to be a more general model. Through-out this paper, numerical simulations are used to demonstrate the type of dynamic responses anticipated using the proposed time- invariant mem-models. Corresponding experimental measurements are processed to demonstrate and validate the new mem-modeling concepts. The results show that it is possible to have a unified model constructed using both the damper and inerter from the mem-model family. This model captures many of the more subtle features of the underlying physics, not captured by other forms of existing model.