Nowa wersja platformy jest już dostępna.
Przejdź na https://bibliotekanauki.pl

PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
2014 | nr 3 (33) | 77-87
Tytuł artykułu

Selection of Attributes for a Classifier of Telecommunication Failures in the Copper Mine

Warianty tytułu
Dobór atrybutów w budowie klasyfikatora alarmów systemu telekomunikacyjnego kopalni
Języki publikacji
EN
Abstrakty
Zapewnienie bezpieczeństwa pracy i utrzymanie ciągłości wydobycia to kluczowe zadania systemów telekomunikacyjnych w górnictwie głębinowym. Systemy te, pomimo nowoczesnych i innowacyjnych rozwiązań monitorowania infrastruktury, nie są wolne od wad. Praktycznym problemem jest występowanie fałszywych alarmów o uszkodzeniu infrastruktury. W publikacji wskazano źródła danych, opisano dane, metody ich przekształcenia oraz doboru zmiennych do budowy klasyfikatora. Następnie zaproponowano metodę wykrywania fałszywych alarmów w systemie telekomunikacyjnym kopalni oraz zaprezentowano niektóre reguły dostarczające użytecznej wiedzy z danych. Eksperymenty zostały przeprowadzone na rzeczywistych danych pochodzących z systemu telekomunikacyjnego funkcjonującego w kopalni KGHM Polska Miedź SA.(abstrakt oryginalny)
EN
Ensuring safety and continuity of production is the major task of telecommunication systems in deep mining. These systems, despite their use of modern and innovative infrastructure of monitoring solutions, are not free from imperfections. One of the practical problems are false alarms signaling the occurrences of damaged infrastructures. In the paper, the data sources of the telecommunication system are identified and described, as well as the methods of their preprocessing. To build a classifier, a method of attribute selection is proposed to detect false alarms generated by the telecommunication system of the mine. Experiments were carried out on real data extracted from the telecommunication system operating in the copper mine of the KGHM Polska Miedź SA.(original abstract)
Rocznik
Numer
Strony
77-87
Opis fizyczny
Twórcy
  • Wrocław University of Economics, Poland
  • Wrocław University of Economics, Poland
Bibliografia
  • Bramer M., 2013, Undergraduate Topics in Computer Science. Principles of Data Mining, Springer, London.
  • Ding S., 2013, Model-Based Fault Diagnosis Techniques. Design Schemes, Algorithms and Tools, Springer, London.
  • Gorunescu F., 2011, Data Mining. Concepts, Models and Techniques, Springer, Berlin.
  • Karaban B., 2013, Indukcyjne drzewa decyzyjne w analizie alarmów systemu telekomunikacyjnego, Uniwersytet Ekonomiczny we Wrocławiu, Wrocław [master thesis].
  • Karaban B., Korczak J., 2014, An approach to discover false alarms in monitoring system in the copper mine, [in:] Ganzha M., Maciaszek L., Paprzycki M. (eds), Proceedings of the 2014 Federated Conference on Computer Science and Information Systems. Annals of Computer Science and Information Systems, vol. 2, Polskie Towarzystwo Informatyczne, Warsaw, Institute of Electrical and Electronics Engineers, New York City, pp. 307-312.
  • Kohavi R., John G.H., 1997, Wrappers for feature subset selection, Artificial Intelligence, vol. 97, pp. 273-324.
  • Korbicz J, Kościelny J., Kowalczuk Z., Cholewa W., 2002, Diagnostyka procesów. Modele. Metody sztucznej inteligencji. Zastosowania, WNT, Warszawa.
  • Korczak J., Karaban B., 2014, Metoda wykrywania fałszywych alarmów w systemie monitorującym sieć telekomunikacyjną kopalni, Przegląd Górniczy, nr 70, pp. 108-112.
  • Madolando S., Weber R., Famili F., 2014, Feature selection for high-dimensional class-imbalanced data sets using Support Vector Machines, Information Sciences, vol. 286, pp. 228-246.
  • Morzy T., 2013, Eksploracja danych. Metody i algorytmy, Wydawnictwo Naukowe PWN, Warszawa, pp. 326-327.
  • Piatetsky-Shapiro G., Frawley W., 1991, Knowledge Discovery in Databases, The AAAI Press, Menlo Park.
  • Rivas T., Paz M., Martín J.E., Matías J.M., García, J.F., Taboada J., 2011, Explaining and predicting workplace accidents using data-mining techniques, Reliability Engineering & System Safety, vol. 96, pp. 739-747.
  • Sang Y., Qi H., Li K., Jin Y., Yan D., Gao S., 2014, An effective discretization method for disposing high-dimensional data, Information Sciences, vol. 270, pp. 73-91.
  • Zhang K., Li Y., Scarf P., Ball A., 2011, Feature selection for high-dimensional machinery fault diagnosis data using multiple models and Radial Basis Function networks, Neurocomputing, vol. 74, pp. 2941-2952.
Typ dokumentu
Bibliografia
Identyfikatory
Identyfikator YADDA
bwmeta1.element.ekon-element-000171331401
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.