Wyniki wyszukiwania - BazTech

1

Data-driven online modelling for a UGI gasification process using modified lazy learning with a relevance vector machine

Liu Shida, Ji Honghai, Hou Zhongsheng, Zuo Jiashuo, Fan Lingling

International Journal of Applied Mathematics and Computer Science

|

2021

|

Vol. 31, no. 2

321--335

EN

A modified lazy learning algorithm combined with a relevance vector machine (MLL-RVM) is presented to address a data-driven modelling problem for a gasification process inside a united gas improvement (UGI) gasifier. During the UGI gasification process, the measured online temperature of the produced crude gas is a crucial aspect. However, the gasification process complexities, especially severe changes in the temperature versus infrequent manipulation of the gasifier and the unknown noise in collected data, pose difficulties in dynamics process descriptions via conventional first principles. In the MLL-RVM, a novel weighted neighbour selection method is adopted based on the proposed dynamic cost functions. Moreover, the RVM is utilized in the implementation and design of the proposed online local modelling owing to its short test time and sparseness. Furthermore, the leave-one-out cross-validation technique is used for local model validation, by which the modelling performance is further improved. The MLL-RVM is applied to a series of real data collected from a pragmatic UGI gasifier, and its effectiveness is verified.

2

Health index synthetization and remaining useful life estimation for turbofan engines based on run-to-failure datasets

Shi J., Li Y., Wang G., Li X.

Eksploatacja i Niezawodność

|

2016

|

Vol. 18, no. 4

621--631

EN

Turbofan engines will gradually degrade until failure occurs or life ends if without maintenance. Reliable degradation assessment and remaining useful life (RUL) estimation make sense on both aviation safety and rational maintenance decisions. This paper proposes a data-driven prognostic method on the premise of run-to-failure (RtF) data which are multivariate sensory data collected from the engines operating from normal to failure. After necessary pre-processing to the data, clustering analysis is executed to generate the clusters which represent the multi-states of the degradation process. The failure state cluster is extracted, and then the distance between the pre-processed data and the cluster is calculated. Therefore, one-dimensional time series are generated and defined as the health indices. Afterwards the degradation models are built based on the health indices. Finally, the RUL of a testing unit can be estimated by similarity analysis with the models. Hierarchical clustering (HC) and relevance vector machine (RVM) are the main algorithms employed in this paper. To validate the proposition, a case study is performed on turbofan engines data from Prognostics Center of Excellence (PCoE) at NASA Ames Research Center, and sufficient comparisons were given.

PL

Silniki turbowentylatorowe niepoddane konserwacji ulegają stopniowej degradacji aż do czasu wystąpienia uszkodzenia lub zakończenia cyklu życia. Rzetelna ocena degradacji oraz pozostałego okresu użytkowania (RUL) mają wpływ zarówno na bezpieczeństwo maszyn lotniczych jak i racjonalne podejmowanie decyzji dotyczących utrzymania ruchu. W artykule zaproponowano sterowaną danymi metodę prognostyczną opartą na danych o pracy do czasu uszkodzenia (run-to failure, RTF), które są wielowymiarowymi danymi sensorycznymi zbieranymi podczas normalnej pracy silnika aż do jego uszkodzenia. Po niezbędnej wstępnej obróbce danych, przeprowadzono analizę skupień w celu wygenerowania skupień reprezentujących multi-stany procesu degradacji. Wyodrębniono klaster stanów uszkodzenia, a następnie obliczono odległość między wstępnie przetworzonymi danymi a wyodrębnionym klastrem. Następnie wygenerowano jednowymiarowe szeregi czasowe, które zdefiniowano jako wskaźniki stanu technicznego. Na podstawie tych wskaźników zbudowano modele degradacji. Wreszcie, w oparciu o analizę podobieństwa do opracowanych modeli oceniono RUL jednostki testowej. Główne algorytmy zastosowane w niniejszym opracowaniu to algorytmy grupowania hierarchicznego (HC) oraz maszyny wektorów istotnych (RVM). Aby zweryfikować zaproponowaną w pracy metodę, przeprowadzono studium przypadku z wykorzystaniem danych dot. silników turbowentylatorowych pochodzące z Prognostic Center of Excellence (PCoE) przy NASA Ames Research Center oraz przedstawiono odpowiednie porównania.

3

Particle swarm optimization-based Fast Relevance Victor Machine for forecasting dissolved gases content in Power transformer oil

Liang Y., Li K., Zhao B., Zhao J., Niu L.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 1b

290--293

EN

Forecasting of dissolved gases concentration in power transformer is very significant to detect incipient failures of transformer early and ensure hassle free operation of entire power system. A forecasting model based on Particle Swarm Optimization –Fast Relevance Vector Machine (PSO-FRVM) is proposed in this paper. PSO is utilized to optimize the free parameter of the Gaussian kernel function to improve the forecasting performance. The Matlab program testify the correctness and validity of the model.

PL

W artykule przedstawiono metodę prognozowania rozpływu gazów w transformatorze elektrycznym, opartą na zbudowanym modelu. W tworzeniu modelu wykorzystano Optymalizację Stadną Cząsteczek z maszyną opartą na wektorach istotnych (ang. PSO-FRVM). Metoda PSO wykorzystana została do optymalizacji doboru parametru wolnego w funkcji jądra Gaussa dla polepszenia jakości prognozowania. Weryfikację przeprowadzono w programie Matlak.

4

A Dynamic State Estimation Method Based on Mixed Measurements for Power System

Li Y., Wang B., Wang Y., Wang X.

Przegląd Elektrotechniczny

|

2013

|

R. 89, nr 5

222-227

EN

Dynamic State Estimation (DSE) techniques have the ability to foresee potential contingencies and security risks. Any improvement in its ability to estimate would definitely go a long way in reducing the security risks in the modern power system. One important factor affecting the quality of estimation is the measurement accuracy. Phasor Measurement Unit (PMU) has revolutionized the way state estimation is performed. The unique ability to measure the voltage and current phasors (magnitude and phase angle) with very high accuracy makes PMU extremely useful in modern Energy Management Systems (EMS). Due to the high price, technology level and communication capacity, the PMU can’t be equipped in all buses in the system nowadays. Therefore, this paper brings forward an improved method on dynamic state estimation that combines some buses measurements from PMU with measurements from SCADA. As Relevance Vector Machine (RVM) has a better performance on the regression, the state estimation algorithm is based on RVM in this article. Since the input data dimension is too large, pre-processing of data is needed. Autoencoder Network (Autoencoder) can be used for data dimensionality reduction. So this paper uses Autoencoder to reduce the data dimensionality, and then uses RVM to estimate the state of power system.

PL

W artykule przedstawiono metodę estymacji stanów dynamicznych w sieci elektroenergetycznej, wykorzystujący pomiary fazy i amplitudy napięcia i prądu oraz pomiary SCADA z poszczególnych punktów sieci. W algorytmie wykorzystano maszynę wektorów RVM. Ze względu na zbyt duży wymiar danych wejściowych, zastosowano pre-processing z wykorzystaniem sieci neuronowej auto-encoderowej.

5

Accelerating the relevance vector machine via data partitioning

Ben-Shimon D., Shmilovici A.

Foundations of Computing and Decision Sciences

|

2006

|

Vol. 31, No. 1

27-41

EN

The Relevance Vector Machine (RVM) is a method for training sparse generalized linear models, and its accuracy is comparably to other machine learning techniques. For a dataset of size N the runtime complexity of the RVM is O(NJ) and its space complexity is O(N2) which makes it too expensive for moderately sized problems. We suggest three different algorithms which reduce the runtime complexity to O(N") via partitioning the dataset into small chunks of size P. A heuristic is presented for selecting the chunk size. Extensive experiments with benchmark datasets indicate that the partition algorithms can significantly reduce the complexity of the RVM while retaining the attractive attributes of the original solution.