ббк76. 0 Қ 54 Редакционная коллегия



Pdf көрінісі
бет6/57
Дата03.03.2017
өлшемі14,62 Mb.
#5946
1   2   3   4   5   6   7   8   9   ...   57

 

 

 

 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



35 

 

 



III. Hardware part of the elevator 

The  overall  dimension  of  the  elevator  is 

650x900x240mm.  There  are  four  stages  in  the 

system.  Each  stage  has  a  height  of  170mm.  In 

the middle of each floor we mounted SIEMENS 

SIMATIC HMI KTP-600 device.  

Figure 5 - The overall view of elevator 

 

IV. Conclusion  

In this project design of laboratory sized 

elevator prototype and PLC software description 

have been introduced. The PLC based control of 

the  elevator  system  is  determined  to  operate 

properly and efficiently. The algorithm principle 

performed can be applied in industries, hospitals 

and  can  be  used  in  educational  purposes.  The 

PLC  based  elevator  control  is  efficient  to  carry 

more  people  in  a  given  time,  because  the 

program  decides  which  cabin  to  use  when  the 

given  amount  of  people  came  to  use  the 

elevator.  For  future  works  all  conditions  such  as  lightning  in  the  cabin  with  efficient  energy 

management, safety precautions by installing ultrasonic sensors and others will be added. 

 

References: 

 

1. About Elevators Retrieved from http://www.otisworldwide.com/pdf/aboutelevators.pdf 



2.  S.Krishankant,  ”Computer  Based  instrumentation  Control’,  New  Delhi:  PHI  Learning  Pvt.  Ltd, 

2009  


3.Programmable 

Logic 


Controllers 

Retrieved 

from 

http://www.coe.montana.edu/ee/courses/ee/ee367/pdffiles/aamunrud.pdf  



4.  Human  Machine  Interface:  SIMATIC  HMI  -  Efficient  to  a  new  level  Retrieved  from 

http://w3.siemens.com/mcms/automation/en/human -machine-interface/pages/default.aspx 

5.  Xiaoling  Yang;  Qunxiong  Zhu;  Hong  Xu,  ”Design  and  Practice  of  an  Elevator  Control  System 

Based on PLC,” Power Electronics and Intelligent Transportation System, 2008. PEITS ’08. Workshop on , 

vol., no., pp.94,99, 2-3 Aug. 2008 

 

 



UDC 616-008.22 

KOZBAYEV B.M., SHAGDAROV A.E. 

 

CREATION OF A MICROCONTROLLER CONTROL SYSTEM OF MOBILE OBJECTS 

ON THE BASIS OF THE ANALYSIS OF THE ELECTROMAGNETIC ACTIVITIES OF A 

BRAIN 

 

(L.N. Gumilyov Eurasian National University, Astana) 

 

Currently,  one  of  the  most  informative  methods  of  studying  the  human  brain  from  the 

standpoint of its integrated system activity is the method of electroencephalography. This method is 

based on the registration of the total electrical activity of neurons in the brain, withdrawn from the 

surface of the scalp - an electroencephalogram (EEG). Electroencephalography enables qualitative 


«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



36 

 

and quantitative analysis of the functional state of the brain and its reactions under the influence of 



stimuli.  EEG  recording  is  widely  used  in  diagnostic  and  therapeutic  work  (especially  common  in 

epilepsy), in anesthesia, as well as in the study of brain activity associated with the implementation 

of functions such as perception, memory, adaptation, etc ) [1-4]. 

In  this  paper,  the  technique  of  implementing  the  analysis  of  brain  electromagnetic  waves. 

Reading the brain is proposed to implement using the microcontroller system "Arduino". "Arduino" 

-  is  an  open  source  platform  designed  for  quick  and  easy  development  of  a  variety  of  electronic 

devices (picture 1). [5,6] 

Keywords: Brain, analysis, Arduino, control, wairless, helmet, mobile object. 

 

Picture 1. Architecture computing complex brain wave reader. 



 

Next,  you  need  to  collect  a  helmet  or  something  like  that,  in  my  case  is  a  set  of  shielded 

electrodes, connected to the head. These are all connected to an amplifier, which in turn sends the 

data  to  the  device,  which  collects  the  database  with  which  the  mobile  object  management 

performed. 

For the analysis of waves used Fast Fourier Transform: 

 

f(ω) =


f(x)e



dx  

(1) 


 

Different sources may give definitions that are different from the coefficient of the given option to 

the above integral, and the sign "-" in the exponent. However, all of the properties will be the same, 

though the form of some formulas may change. 

The Fourier transform is used in many areas of science - in physics, number theory, combinatory, 

signal  processing,  probability  theory,  statistics,  cryptography,  acoustics,  oceanography,  optics, 

geometry,  and  many  others.  The  signal  processing  and  related  fields  Fourier  transformation  is 

generally  regarded  as  the  decomposition  of  the  signal  on  the  frequency  and  amplitude  that  is 

reversible  transition  from  a  temporary  area  (time  domain)  to  the  frequency  domain  (frequency 

domain). Rich application based on several useful properties of the transformation: 

The discrete version of the  Fourier transform  can be quickly designed on computers using 

the fast Fourier transform algorithm (FFT) [7] and for Arduino platform will look like: 

       int n=32 ,n1=0,m=7; 

        double p,w,z,r,k,r1,r2; 

        double c  =0; 

        double s=0; 

        int y [31]; 

void setup() {  Serial.begin(9600); 



«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



37 

 

      for(int i = 0; i <=7; i++)  



      {         y[i]=1;} 

        double f= 250000; 

        double t = 0.125* pow(10,-6); 

               p = PI*f*t; 

        w= 2*p; 

        for (int i=0; i<=7;i++) 

        {            z=w*i; 

            c=c+(y[i]*cos(z)); 

            s=s+(y[i]*sin(z));        } 

        r= sqrt((pow(c,2))+(pow(s,2))); 

        Serial.print("amplituda r="); 

        Serial.println(r,10);//  

        f= (-acos(c/r))-(PI*t*f);// угол фазы 

        Serial.print("ugol fazi f="); 

        Serial.println(f,10); 

        if (s<0) {f=-f;} 

        k = sin(p)/p; 

        r1 =k*r; 

        r2 =k*r1;  

        Serial.print(" reshet4atoi Y(t),S0(f)="); 

        Serial.println(r * t, 10); 

        Serial.print(" stupen4ataya Y(t),S1(f)="); 

        Serial.println(r1 * t, 10); 

        Serial.print("kuso4no lineinaya Y(t) S2(f)="); 

        Serial.println(r2*t,10); 

        Serial.print("fazovi ugol:"); 

        Serial.println(f,10);      } 

void loop() {  } 

Thus, management is realized with a mobile object by analyzing brain waves.   

 

References: 

 

1. https://www.arduino.cc/ 



2. http://esp8266.ru/ 

3. http://cxem.net/arduino/arduino63.php 

4. https://learn.adafruit.com 

5.  Cloud  Technology  -  remote  management  of  mobile  objects,  "Bulletin  of  ENU.  LN  Gumilyov", 

special  edition,  ISSN  1028-9364,  Astana,  2012,  pp.  60-63Практические  аспекты  применения  и 

классификация  микроконтроллеров,  «Вестник  ЕНУ  им.  Л.Н.  Гумилева»,  специальный выпуск,  ISSN 

1028-9364,  г.Астана, 2012  год, стр.361-363. 

6.  Prospects  for  analog  signal  processing  in  digital  equipment,  materials  of  the  International 

scientific-practical  conference  "Formation  of  modern  science",  Publishing  House  "Education  and  Science" 

s.r.o. (Czech Republic, Prague), 2014. 

7.  Атанов  С.К.,  Кази  Д.Е.  «Расчет  эффективности  работы  микроконтроллера  с  аналоговым 

вычислителем» №1503 от 11.11.13 МЮ РК 

 

 

 



 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



38 

 

UDC 004.2 



 

KOZHIRBAYEV ZH., ISLAM SH. 

 

A DISTRIBUTED PLATFORM FOR SPEECH RECOGNITION RESEARCH 

 

(Nazarbayev University, National Laboratory, Astana, Kazakhstan) 

 

Abstract 

Distributed and parallel processing of  big data has been applied  in  various applications  for 

the past few years. Moreover, huge advancements took place in usability, economic efficiency, and 

multiplicity of parallel processing systems, with  big data analysis and speech recognition research 

supported by many researchers.  

In this paper we examined and investigated which parts of speech recognition research may 

be parallelized and computed using distributed computing platforms. Firstly, we address the case of 

efficiently computing n-gram  statistics on MapReduce platforms to build a  language  model (LM). 

Secondly,  we  show  how  the  Automated  Speech  Recognition  (ASR)  tool  can  work  efficiently 

regarding the speed and fault-tolerance in distributed environment such as Sun GridEngine (SGE).  

Keywords: Distributed Computing, Sun GridEngine, Hadoop ecosystem, MapReduce  

1.  Introduction  

The  automatic  speech  recognition  area  went  through  several  major  progresses  in  the  past 

decade  initiated  by  changes  in  algorithms,  signal  processing,  system  architectures  and  hardware. 

The  last  two  aspects  play  a  significant  role  in  Speech  Recognition  Research.  The  trigger  for  the 

development of distributed computing is the affordability of the cost effective, powerful machines 

as well as  network tools. Several  high-powered machines that are connected to one another  make 

the  total  achievable  computing  power  significantly  broad.  This  kind  of  system  might  perform 

greater  results  rather  than  a  single  powerful  machine.  Distributed  computing  is  the  decentralized 

way  of  dealing  with  the  computing  stages  of  the  application  which  can  be  distributed  among  the 

linked machines.  

  The remainder of this paper is organized as follows. Section 2 describes the parallelization 

technologies which might be applied in the speech recognition research. To be precise, the Hadoop 

ecosystem,  which  can  be  employed  in  building  a  language  model  when  the  size  of  the  language 

corpus is big; and the Sun GridEngine, which distributes the tasks such as data alignment and audio 

decoding, will  be presented  in this section. Section 3 demonstrates the results obtained during the 

experiments. Finally, the last section concludes the paper and suggests further investigations in this 

area.   


2. Parallelization technologies 

During the research the parts of the speech recognition processes are examined  in order to 

identify the tasks which may be parallelized. The two major tasks were distinguished which take a 

while  when  they  are  running  on  one  single  machine.  Therefore,  the  distributed  computing  was 

applied to these processes and they will be described in this section in more details.   

2.1 MapReduce in building LM 

In  this  work,  we  address  the  problem  of  efficiently  computing  n-gram  statistics  on 

MapReduce platform. This is needed to build a language model which will be later converted to the 

ARPA format. 

MapReduce [2, 3] is used widespread since the past few years as a programming model as 

well as  its open-source realization Hadoop. A platform  for parallel data computing  is supplied  by 

MapReduce. It enforces a harsh programming model; however, it provides its users with technical 

options  such  as  dealing  with  machine  errors  as  well  as  an  automatic  spread  of  the  processing.  In 

order  to  utilize  it  effectively,  issues  have  to  be  cast  into  its  programming  model,  considering  its 

characteristic features.  



«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



39 

 

In  previous  experiments  only  one  single  machine  was  used  to  build  a  language  model.  It 



takes a while to process such a big corpus to generate unigrams, bigrams and trigrams. Moreover, 

the  corpus  might  be  increased  in  the  future  and  the  necessity  to  build  a  language  model  will  rise 

again. Therefore, the Hadoop cluster was built on seven nodes where each node has 8 Gb RAM and 

4 cores. The results that obtained using MapReduce platform were significant which can be seen in 

Section 3.  

Table 1 

Comparison of the computing environments 

Single machine 

Hadoop cluster (7 nodes) 

# of cores 

RAM 

# of cores 



RAM 

16 Gb 



28 

56 Gb 


 

2.2 Parallelization in Kaldi 

A toolkit named  Kaldi [1] was used  for speech recognition research. The perfect condition 

for processing is a cluster of Linux nodes using SGE, with the admission to shared folders through 

either NFS or similar network filesystem [4, 5]. The perfect form of processing environment as well 

as required limits to perform Kaldi will be explained below in this section.  

The  speech  recognition  research  using  Kaldi  toolkit  was  conducted  in  one  single  machine 

since it can be easily configured to run on a single machine if it is a supercomputer. However, the 

machine used in the research has 16 cores and only 32 Gb RAM. Kaldi toolkit performs some tasks 

sequentially and some tasks parallel. For example, the data alignment and audio decoding jobs are 

run  parallel.    Also,  the  aspect  which  should  be  considered  during  the  research  is  the  size  of  the 

language model. The decoding task depends on the size of the LM and requires approximately 6 Gb 

RAM.  Therefore,  only  5  cores  of  the  single  machine  are  useful  for  the  recognition  process.  This 

approach  was  inefficient.  Therefore,  the  new  approach  using  SGE  was  conducted  because  of  the 

availability of the cost effective, much powerful nodes and network tools. 

Sun  GridEngine  is  the  open-source  grid  control  instrument  which  is  used  widespread. 

Recently Oracle started supporting SGE and renamed it Oracle GridEngine [4]. The currently used 

version  in  the  mentioned  system  is  6.2u5;  SGE  is  time  proven  and  earlier  made  versions  are  still 

stable and widely used. Furthermore, different open-source possible tools to SGE do exist, however, 

built platform in the mentioned system refer to the version that is nowadays supported by Oracle.  

 

Table 2 



Comparison of the computing environments 

 

Single machine 



SGE cluster (17 nodes) 

Total 


Used for recognition 

Total 


Used for recognition 

16 cores 

5 cores 

144 cores 

46 cores 

32 Gb RAM 

30 Gb RAM 

336 Gb RAM 

276 Gb RAM 

 

The grid cluster was build using 13 machines where each node has 8 cores and 16 Gb RAM, 



and 4 virtual machines, that are deployed on Openstack, with 8 cores and 32 Gb RAM. The results 

which obtained using SGE platform were significant which can be seen in Section 3. 

 

3. Experiments and Results 

This section provides the results of both building the language model and audio decoding. It 

can be seen from the below tables that results given by Hadoop and SGE significantly overcomes 

results by single machine.  

 

 

 



«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



40 

 

 



Table 3 

Results of building LM 

 

# of runs  Corpus 



and 

its size 

NGrams 

Elapsed time 



Single machine  

Hadoop cluster 

Kazcorpus 



1.6G 

Unigram 


>> 4 hours 

19mins, 55sec 

Bigram 


>> 4 hours 

20mins, 28sec 

Trigram 


>> 4 hours 

20mins, 19sec 

 

Table 4 

Results of audio decoding 

 

# of runs 



Data Set 

Elapsed time 

Single machine 

SGE cluster 

10 hours audio set 



≈ 3184mins 

≈ 385mins 

 

4. Conclusion 

In  this  paper,  we  have  applied  MapReduce  to  compute  n-gram  statistics  for  the  language 

model. Moreover, the ideal environment which has a SGE installed in it may provide a significant 

improvement  for  Kaldi  toolkit.  Both  of  these  applied  platforms  decrease  the  processing  time  in  a 

sufficiently  great  way.  Further  investigations  will  be  conducted  to  explore  new  features  of 

distributed computing. 

To  sum  up,  we  will  continue  to  improve  the  Speech  Recognition  Research  in  terms  of 

parallelization.  



Acknowledgments 

The  authors  would  like  to thank  the  National  Laboratory  Astana  for  the  resources  used  to 

perform  these  investigations  and  Karabalayeva  M.  and  Yessenbayev  Zh.  for  providing  results  of 

audio decoding that added a value in better analysis for this paper. 

 

References: 

 

1. Povey, D, Ghoshal, A, Boulianne, G, Burget, L, Glembek, O, Goel, N, Hannemann, M, Motlicek, 



P,  Qian,  Y,  Schwarz,  P,  Silovsky,  J,  Stemmer,  G  &  Vesely,  K  2011,  “The  Kaldi  Speech  Recognition 

Toolkit”,  IEEE 2011 Workshop on Automatic Speech Recognition and Understanding 

2. Zaharia, M 2014, Introduction to MapReduce and Hadoop, UC Berkeley RAD Lab 

3.  MapReduce, viewed 15 April 2016, URL https://hadoop.apache.org  

4. Sun microsystems 2009, Sun N1 Grid Engine 6.1 User's Guide, Santa Clara, CA, USA 

5. Open Grid Engine, viewed 15 April 2016, URL http://gridscheduler.sourceforge.net 

 

 

 



 

«ҚОҒАМДЫ АҚПАРАТТАНДЫРУ»  V ХАЛЫҚАРАЛЫҚ ҒЫЛЫМИ-ПРАКТИКАЛЫҚ КОНФЕРЕНЦИЯ 

 

 



41 

 

UDC 004.5   



 

NURGALIYEV K. S.

1

, KAPSALYAMOV A. B.

1

, SERIMBETOV B. A.

2

 

 

STUDY AND DEVELOPMENT OF A DESKTOP HAPTIC INTERFACE FOR 

TELEOPERATION 

 

(

1

Master's Degree student of the Information Technologies Department, Kazakh University of 

Technology and Business, Astana, Kazakhstan, 

2

Associate Professor, Candidate of Technical sciences, Head of the Information Technologies 

department, Kazakh University of Technology and Business, Astana, Kazakhstan) 

 

Abstract  

Teleoperation systems provide the users with a possibility to perform sophisticated tasks in 

distant  environments.  A  haptic  interface  can  allow  the  operator to  use  not  only  visual  and  audial 

senses  but  also  the  tactile  senses  to  perceive  his/her  environment  and  provide  more  accurate  and 

precise  control  over  the  task  that  is  being  performed  by  the  robot  remotely.  This  overview  is  a 

description  of  a  haptic  interface  used  for  teleoperation  of  the  complex  anthropomorphic  robotic 

systems  in an  intuitive way. The  system allows  six degrees of  freedom when connected with two 

points  of  the  human  limb.  Force  feedback  is  provided  at the  users  fingertips  when  the  robot  is  in 

contact with an object recognized as an obstacle. 

Keywords: degree of freedom, haptic, tactile, interface, simulation, design 

I. Haptic interface 

Haptic  interface  is  a  synergy  between  human  tactile  senses  and  a  robotic  system,  which 

consists  of  three  main  components:  (1)  the  electromechanical  system  with  a  certain  number  of 

degrees  of  freedom  (DOF);  (2)  the  teleoperated  robotic  device;  (3)  and  the  algorithm  from  the 

computer or any other programmable machine that provides the transmission of the commands. [1] 

It  is  one  of  the  growing  areas  in  human  computer  interaction,  which  deals  with  sensory 

communication  with  robotic  systems  by  applying  motions,  vibrations  or  forces  to  the  user. 

Teleoperation of the robots is a term used to name the remote control of a robotic system to make it 

perform a certain task given by the operator. [2] Haptic interfaces enable manual interactions with 

virtual environments or teleoperated remote systems using force feedback.  

A haptic interface can be mainly of two kinds: a grounded system, which has its base, fixed 

with the wall or the floor[3]; and a wearable system where the main fixing point is represented by 

the human body [4], [5]. The advantages of the first type are the capability to deliver a higher force 

feedback  and  to  spare the  user  sustaining  the  weight  of  the  whole  system.  While  the  second  type 

generally  has  a  bigger  workspace  and  it  results  more  natural  because  it  is  normally  wearable  and 

repeats  human  anatomy  and  ergonomics.  In  comparison  with  classical  joysticks  the  main 

advantages  of  using  an  interface  that  connects  with  the  forearm  is  that  the  operator  can  give  the 

orientation  commands  to the  robot  not  using  the  wrist  but the  entire  arm.  However,  manipulating 

the  end-effector  of  the  robot  using  only  the  fingertips  provides  larger  amount  of  precision.  By 

applying  less  force,  the  operator  is  then  able  to  maintain  more  complex  and  more  wide-scale 

performance from the teleoperated robot. The main objective of the present work is to describe this 

particular approach, as well as to show a simulation methodology using the programming platform. 

The Interface Design section includes the technical description of the hardware and all the electrical 

components  used  during  the  building  process.  The  chosen  methodology  allows  to  manipulate  the 

robotic system  and to visualize the robots behavior from different perspectives. The discussion of 

the results with appropriate outflow of Conclusion part will summarize the paper and give a clearer 

understanding of what purposes this robot might serve and in what fields it might be implemented. 

The  suggestions  on  the  future  work  regarding  the  improvement  of  this  robots  design  will  be 

provided prior to the end of this paper. 



Достарыңызбен бөлісу:
1   2   3   4   5   6   7   8   9   ...   57




©emirsaba.org 2024
әкімшілігінің қараңыз

    Басты бет