Narzędzia help

Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
first previous next last
cannonical link button

http://yadda.icm.edu.pl:80/baztech/element/bwmeta1.element.baztech-article-BAR0-0037-0046

Czasopismo

Diagnostyka

Tytuł artykułu

Optymalizacja neuronowego modelu prognostycznego

Autorzy Tabaszewski, M. 
Treść / Zawartość
Warianty tytułu
EN Optimization of neural predictive model
Języki publikacji PL
Abstrakty
PL W pracy przedstawiono metodę prognozowania wartości symptomu w oparciu o optymalizowany neuronowy model prognostyczny. Heurystyczna optymalizacja modelu odbywała się dwoma metodami: w oparciu o ocenę błędu ex post (błąd prognozy oceniany na podstawie różnic wartości prognozowanych i pomiarów), oraz przewidywanie szerokości przedziału predykcji ex ante (w tym samym kroku czasowym, w którym budowana jest prognoza). Omawiane metody zastosowano dla danych pochodzących z młynów wentylatorowych. Ostatecznie najlepsze rezultaty uzyskano stosując średnią ważoną prognoz generowanych przez różne typy i struktury sieci. Wagi uzależnione były od błędów prognozy ex post uzyskiwanych przez daną sieć. Przy zastosowaniu wspomnianej metody udało się zapewnić średni błąd prognozy na poziomie 4,5%.
EN The paper presents a method for prediction of symptom values based on an optimized neural predictive model. The heuristic model optimization was carried out by means of two methods: based on ex post error evaluation (the error of prediction evaluated based on the difference between the predicted and measured values), and on ex ante estimation of a prediction interval width (at the same time step, at which the prediction is made). The above methods were applied to measurement data obtained from fan mills. Finally, the best results were obtained when a weighted average of predictions generated by different types and topologies of networks was used. The weights were dependent on the ex post prediction errors obtained by the given network. With use of the method it was possible to guarantee the average error of prediction at the level of 4.5%.
Słowa kluczowe
PL prognoza wartości symptomu   sieć neuronowa   przedział predykcji  
EN prediction of symptom values   neural networks   prediction interval  
Wydawca Polskie Towarzystwo Diagnostyki Technicznej
Czasopismo Diagnostyka
Rocznik 2008
Tom nr 2(46)
Strony 109--116
Opis fizyczny Bibliogr. 33 poz., rys.
Twórcy
autor Tabaszewski, M.
Bibliografia
[1] Cempel C., Bossak J., Żółtowski B.: Proste metody prognozowania stanu maszyn, Zagadnienia Eksploatacji Maszyn, Zeszyt 3 (79), 1989.
[2] Batko W.: Metody syntezy diagnoz predykcyjnych w diagnostyce technicznej, Rozprawa habilitacyjna, AGH, Kraków 1984.
[3] Kaźmierczak J.: Zastosowanie liniowych modeli procesów losowych do prognozowania w diagnostyce maszyn, Rozprawa habilitacyjna, Politechnika Śląska, Gliwice 1989.
[4] Baranow S., Kurawski L.: Acoustic Vibrations –modeling, optimisation and diagnostics, Russian Aviation Company, Moskwa 2006, r. 3 i 4.
[5] Wang Q., i inni: Prognosis of machine health condition using neuro-fuzzy systems, Mechanical Systems and Signal Processing, Vol. 18 (2004), 813-831.
[6] Pusey H. C., Roemer: An assessment of turbomachinery condition monitoring and failure prognosis technology, The Shock and Vibration Digest 31 (1991) 365-371.
[7] Y. Li, S. Billington, C. Zhang, T. Kurfess, S. Danyluk, and S. Liang: Adaptive Prognostics for Rolling Element Bearing Condition, Mechanical Systems and Signal Processing 13 (1999) 103-113,
[8] Roemer M. J., Kacprzynski G. J.,. Nwadiogbu E. O, and Bloor G.: Development of diagnostic and prognostic technologies for aerospace health management applications, Proceedings of the IEEE Aerospace Conference, Montana, USA, 2001, 3139-3147.
[9] Tabaszewski M.: Prognozowanie resztkowej miary eksploatacji młyna wentylatorowego z wykorzystaniem sieci neuronowych, Diagnostyka , vol. 3/(39), Polskie Towarzystwo Diagnostyki Technicznej, Warszawa 2006, str. 149-154.
[10] Tabaszewski M.: Diagnostyka, Wielosymptomowa prognoza stanu i czasu do awarii z wykorzystaniem sieci neuronowych, Diagnostyka, vol 2/(42), Polskie Towarzystwo Diagnostyki Technicznej, Warszawa 2007, str. 43-48.
[11] Morel J.: Drgania maszyn i diagnostyka ich stanu technicznego, tłum z franc. pod redakcją C. Cempla i Z. Orłowskiego, Polskie Towarzystwo Diagnostyki Technicznej, Warszawa 1994, str. 258.
[12] Baillie D. C., Mathew J.: A comparison of autoregressive modeling techniques for fault diagnosis of rolling element bearings. Mechanical Systems and Signal Processing, 1996, 10 (1), pp. 1-17.
[13] Cholewa W., Kaźmierczak J.: Diagnostyka techniczna maszyn. Przetwarzanie cech sygnałów, Skrypt uczelniany Politechniki Śląskiej, Gliwice 1992, str 171.
[14] Cempel C.: Diagnostyka wibroakustyczna maszyn, PWN, Warszawa 1989, r. 4 i 5.
[15] Tylicki H.: Optymalizacja procesu prognozowania stanu technicznego pojazdów mechanicznych, Rozprawa habilitacyjna, ATR Bydgoszcz 1998.
[16] Gebraeel N., Lawley M., Liu R., and Parmeshwaran V.: Residual life predictions from vibration-based degradation signals: a neural network approach, IEEE Transactions on Industrial Electronics 51 (2004) 694- 700.
[17] Wang P. and Vachtsevanos G.: Fault prognostics using dynamic wavelet neural networks, Artificial Intelligence for Engineering Design, Analysis and Manufacturing 15 (2001) 349-365.
[18] Cempel C., Tabaszewski M.: Zastosowanie teorii szarych systemów do modelowania i prognozowania w diagnostyce maszyn, Diagnostyka, vol 2/(42), Polskie Towarzystwo Diagnostyki Technicznej, Warszawa 2007, str. 11-18.
[19] Huang R., Xi L.,. Li X, Richard Liu C., Qiu H., and Lee J.: Residual life predictions for ball bearings based on self-organizing map and back propagation neural network methods, Mechanical Systems and Signal Processing 21 (2007) 193-207.
[20] Kohenen T.: Self-Organizing Maps. Thrid Edition. Springer 2001, r.6.
[21] Markowska-Kaczmar U., Kwaśnicka H.: Sieci neuronowe w zastosowaniach, Oficyna Wydawnicza Politechniki Wrocławskiej, Wrocław 2005, str. 34.
[22] Osowski S.: Sieci neuronowe do przetwarzania informacji, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa 2000, r. 5.
[23] Demuth H, Beale M.: Neural Network Toolbox. For Use with MATLAB, User’s Guide ver. 4, The MathWorks, 2001.
[24] Lee J. H.: Application of Neural Networks to Flank Wear Prediction, Mechanical Systems and Signal Processing, (1996), 10(3), pp. 265-276.
[25] Korbicz J., Kościelny J., M., Kowalczuk Z., Cholewa W., red.: Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania. WNT, Warszawa 2002, str. 335.
[26] Cempel C., Tabaszewski M., Wojsznis J.: Models for Condition Recognition and Forecasting, Condition Monitoring and Diagnostic Engineering Management, Proceedings of COMADEM 96, University of Sheffield, Sheffield 16-18 July 1996, str. 187-196.
[27] Cempel C.: Pre-Breakdown Symptom Value for Vibration Condition Monitoring, Bulletin of The Polish Academy of Sciences, Technical Sciences Vol. 37, No 7-12, 1989.
[28] Jankowski N.: Ontogeniczne sieci neuronowe, Akademicka Oficyna Wydawnicza EXIT, Warszawa 2003, r.4 i 5.
[29] Cieślak M., i inni: Prognozowanie gospodarcze. PWN Warszawa 2002.
[30] Zeliaś A.: Prognozowanie ekonomiczne, PWN, Warszawa 2003.
[31] Załuska U.: Błędy prognoz ex-post – wskazówki aplikacyjne,. Prace Naukowe Akademii Ekonomicznej we Wrocławiu, nr 838, seria: Materiały konferencyjne.
[32] Seber, G. A. F, and Wild, C. J.: Nonlinear Regression, Wiley, 2003, s. 193.
[33] Dryja M., Jankowscy J. M.: Przegląd metod i algorytmów numerycznych, cz. II, WNT Warszawa 1982, r. 6.7.
Kolekcja BazTech
Identyfikator YADDA bwmeta1.element.baztech-article-BAR0-0037-0046
Identyfikatory