Detekcja uszkodzeń odporna na niepewność modelu neuronowego

• Autorzy: Mrugalski M. , Korbicz J.

Warianty tytułu

EN

Robust fault detection under the GMDH model uncertainty

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiony zosta) problem detekcji uszkodzeń odpornej na niepewność modelu neuronowego. Na przykładzie sieci neuronowej GMDH przedstawiono przyczyny powstawania niepewności modelu otrzymywanego podczas identyfikacji. Zaprezentowana metoda wyznaczania niepewności modelu w postaci przedziału ufności wyjścia systemu umożliwiła opracowanie odpornego układu detekcji uszkodzeń w oparciu o technikę adaptacyjnych progów decyzyjnych.

EN

In the paper the problem of the robust fault detection under the neural model uncertainty was presented and widely discussal. In particular, the causes of forming the GMDH neural model uncertainty obtained via system identification were shown. The presented method of confidence estimation of GMDH neural networks in (he form of the system output uncertainty interval enables development of the robust fault detection scheme on the basis of the adaptive threshold technique.

Słowa kluczowe

PL

detekcja uszkodzeń; niepewność modelu; sieć neuronowa GMDH

EN

fault detection; model uncertainty; GMDH neural network

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 103--105
• Opis fizyczny: Bibliogr. 8 poz., rys., tab., wzory

Twórcy

autor

Mrugalski M.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Infromatycznych

autor

Korbicz J.

Bibliografia

• [1] Esteban A. M., Balas G. J., A Boening 747-100/200 Aircraft Fault Tolerant and Fault Diagnostic Benchmark. Aerospace Engineering and Mechanics Dep., University of Minnesota, Minnesota technical report.
• [2] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (Red.), Fault Diagnosis: Models, Artificial Intelligence, Applications. Springer, Berlin.
• [3] Milanese M., Norton .J., Piet-Lahanier H., Walter K. (Red.), Bounding Approaches to System Identification. Plenum Press, New York.
• [4] Mrugalski M., Neuronowe modelowanie systemów nieliniowych w układach detekcji uszkodzeń. Wydział Elektrotechniki, Informatyki i Telekomunikacji, Uniwersytet Zielonogórski, Zielona Góra, rozprawa doktorska.
• [5] Mueller J. E., Lemke F., Self-organising Data Maining. Libri, Hamburg.
• [6] Patton R. J., Korbicz J. (Red.), Advances in computational intelligence for fault diagnosis systems. Applied Mathematical and Computer Science. special issue. Vol. 9, No. 3, s. 468-735.
• [7] Soderstrom T., Stoica P., System Identification. Prentice-Hall Inter., Hemel Hempstead.
• [8] Witczak M., Korbicz J., Mrugalski M., Patron R. J., A GMDH neural network based approach to robust fault detection and its application to solve the DAMADICS benchmark problem. Control Engineering Practice, (w druku).