Adaptive neuro-fuzzy inference system identification model for smart control valves with static friction

2013 ◽  
Author(s):  
M.A. Daneshwar ◽  
Norlaili Mohd Noh
Keyword(s):  
System Identification ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Static Friction ◽  
Inference System ◽  
Control Valves ◽  
Neuro Fuzzy ◽  
Smart Control ◽  
Identification Model

Nonlinear System Identification of Smart Buildings

2017 ◽  
pp. 328-347
Author(s):  
Soroush Mohammadzadeh ◽  
Yeesock Kim
Keyword(s):  
System Identification ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Nonlinear Behavior ◽  
Computation Time ◽  
Principal Component ◽  
Training Data ◽  
Inference System ◽  
Smart Buildings ◽  
Neuro Fuzzy

In this book chapter, a system identification method for modeling nonlinear behavior of smart buildings is discussed that has a significantly low computation time. To reduce the size of the training data used for the adaptive neuro-fuzzy inference system (ANFIS), principal component analysis (PCA) is used, i.e., PCA-based adaptive neuro-fuzzy inference system: PANFIS. The PANFIS model is evaluated on a seismically excited three-story building equipped with a magnetorheological (MR) damper. The PANFIS model is trained using an artificial earthquake that contains a variety of characteristics of earthquakes. The trained PANFIS model is tested using four different earthquakes. It was demonstrated that the proposed PANFIS model is effective in modeling nonlinear behavior of a smart building with significant reduction in computational loads.

Nonlinear System Identification of Smart Buildings

Fuzzy Systems ◽  
2017 ◽  
pp. 1183-1202
Author(s):  
Soroush Mohammadzadeh ◽  
Yeesock Kim
Keyword(s):  
System Identification ◽  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Nonlinear Behavior ◽  
Computation Time ◽  
Principal Component ◽  
Training Data ◽  
Inference System ◽  
Smart Buildings ◽  
Neuro Fuzzy

In this book chapter, a system identification method for modeling nonlinear behavior of smart buildings is discussed that has a significantly low computation time. To reduce the size of the training data used for the adaptive neuro-fuzzy inference system (ANFIS), principal component analysis (PCA) is used, i.e., PCA-based adaptive neuro-fuzzy inference system: PANFIS. The PANFIS model is evaluated on a seismically excited three-story building equipped with a magnetorheological (MR) damper. The PANFIS model is trained using an artificial earthquake that contains a variety of characteristics of earthquakes. The trained PANFIS model is tested using four different earthquakes. It was demonstrated that the proposed PANFIS model is effective in modeling nonlinear behavior of a smart building with significant reduction in computational loads.

Aplikasi Peramalan Kebutuhan Beban Listrik Menggunakan Metode Adaptive Neuro Fuzzy Inference System (ANFIS)

2017 ◽  
Vol 3 (1) ◽  
pp. 36-48
Author(s):  
Erwan Ahmad Ardiansyah ◽  
Rina Mardiati ◽  
Afaf Fadhil
Keyword(s):  
Fuzzy Inference System ◽  
Fuzzy Inference ◽  
Inference System ◽  
Neuro Fuzzy

Prakiraan atau peramalan beban listrik dibutuhkan dalam menentukan jumlah listrik yang dihasilkan. Ini menentukan  agar tidak terjadi beban berlebih yang menyebabkan pemborosan atau kekurangan beban listrik yang mengakibatkan krisis listrik di konsumen. Oleh karena itu di butuhkan prakiraan atau peramalan yang tepat untuk menghasilkan energi listrik. Teknologi softcomputing dapat digunakan  sebagai metode alternatif untuk prediksi beban litrik jangka pendek salah satunya dengan metode  Adaptive Neuro Fuzzy Inference System pada penelitian tugas akhir ini. Data yang di dapat untuk mendukung penelitian ini adalah data dari APD PLN JAWA BARAT yang berisikan laporan data beban puncak bulanan penyulang area gardu induk majalaya dari januari 2011 sampai desember 2014 sebagai data acuan dan data aktual januari-desember 2015. Data kemudian dilatih menggunakan metode ANFIS pada software MATLAB versi b2010. Dari data hasil pelatihan data ANFIS kemudian dilakukan perbandingan dengan data aktual dan data metode regresi meliputi perbandingan anfis-aktual, regresi-aktual dan perbandingan anfis-regresi-aktual. Dari perbandingan disimpulkan bahwa data metode anfis lebih mendekati data aktual dengan rata-rata 1,4%, menunjukan prediksi ANFIS dapat menjadi referensi untuk peramalan beban listrik dimasa depan.

PENGEMBANGAN SISTEM MANAJEMEN PENDUKUNG KEPUTUSAN PENILAIAN MUTU KEPEGAWAIAN DINAS PENDIDIKAN REMBANG MENGGUNAKAN ALGORITMA ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM)

2020 ◽  
Vol 12 (1) ◽  
pp. 6-17
Author(s):  
Angga debby frayudha ◽  
Aris Yulianto ◽  
Fatmawatul Qomariyah
Keyword(s):  
Fuzzy Inference System ◽  
Industry 4.0 ◽  
Fuzzy Inference ◽  
System Model ◽  
Inference System ◽  
Neuro Fuzzy

Di era revolusi industry 4.0 terdapat banyak sekali kemudahan yang diberikan teknologi kepada manusia. Tentu ini akan menjadi baik apabila manusia mampu memanfaatkan hal tersebut dengan baik pula. Namun disisi lain juga bisa mengakibatkan dampak negative terhadap manusia, misalnya dengan adanya internet bisa mengakibatkan manusia melakukan penipuan di media social. Selain itu dengan canggihnya teknologi dapat menjadikan manusia menjadi malas yang bisa berimbas menurunnya kualitas sumber daya manusia. Maka dari itu untuk menghadapi hal ini perlu menyiapkan pendidikan yang baik.Pendidikan akan berjalan baik apabila lembaga yang mengurusnya berkompeten dalam melakukan tugasnya .Penulis coba memberikan ide untuk memprediksi kinerja pegawai Dinas Pendidikan Kabupaten Rembang menggunakan mentode ANFIS (Adaptive Neuro Fuzzy Inference System) guna untuk membantu lembaga tersebut menyeleksi maupun menilai kinerja karyawan demi meningkatkan kualitas dari segi sumber daya manusia. ANFIS merupakan jaringan adaptif yang berbasis pada sistem kesimpulan fuzzy (fuzzy inference system). Model penilaian kinerja pegawai di Dinas Pendidikan Kabupaten Rembang dengan menggunakan Adaptive Neuro-Fuzzy Inference System (ANFIS) menghasilkan penilaian  yang lebih baik dan akurat.  Hasil pengujian metode tersebut memiliki nilai akurasi 65%. Dengan metode ANFIS (Adaptive Neuro Fuzzy Inference System) dapat memprediksi kinerja karyawan sebagai salah satu pengambilan keputusan terhadap kinerja pegawai. Selain itu nantinya system penlaian kinerja pegawai akan lebih tertata dan efisien.

Sign in / Sign up

Export Citation Format

Share Document