PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Detekcja uszkodzeń odporna na niepewność modelu neuronowego

Identyfikatory
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.
Wydawca
Rocznik
Strony
103--105
Opis fizyczny
Bibliogr. 8 poz., rys., tab., wzory
Twórcy
autor
  • Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Infromatycznych
autor
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).
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-07314836-2a38-46a6-b918-94eeb45c5d64
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.