Application of clustering method for the ambiguity groups detection in the diagnostic of analog systems

• Autorzy: Bilski P.

Warianty tytułu

PL

Zastosowanie metody grupowania w wykrywaniu niejednoznaczności w diagnostyce systemów analogowych

• Języki publikacji: EN

Abstrakty

EN

The paper presents application of unsupervised learning methods to detect ambiguity groups in the data used in the diagnostics of analog systems. The proposed approach processes labelled data sets from simulated systems to find similar examples belonging to different faulty states. Two algorithms were used in the presented research: graph clustering. Efficiency of the method is compared and verified against the exemplary electrical system, i.e. induction machine. Future prospects of such methods will be also included.

PL

W artykule przedstawiono zastosowanie metod uczenia bez nadzoru w celu wykrycia grup niepewności w danych wykorzystywanych do diagnostyki systemów analogowych. Dane przetwarzane są w celu znalezienia podobnych do siebie przykładów należących do różnych kategorii uszkodzeń. Metoda clusteringu grafowego zostały przetestowane na przykładzie silnika indukcyjnego.

Słowa kluczowe

EN

artificial intelligence; diagnostics of analog systems; unsupervised learning

PL

sztuczna inteligencja; diagnostyka systemów analogowych; uczenie bez nadzoru

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2013
• Tom: R. 89, nr 2a
• Strony: 276--278
• Opis fizyczny: Bibliogr. 6 poz., schem., tab., wykr.

Twórcy

autor

Bilski P.

• Szkoła Główna Gospodarstwa Wiejskiego, Katedra Zastosowań Informatyki, ul. Nowoursynowska 159, 02-776 Warszawa
• Politechnika Warszawska, Instytut Radioelektroniki, ul. Nowowiejska 15/19, 00-665 Warszawa

Bibliografia

• [1] S. Manetti, M.C. Piccirilli, A singular-value decomposition approach for ambiguity group determination in analog circuits, IEEE Trans. CAS I: Fundamental Theory and Applications, Vol. 50, Issue: 4 (2003), pp. 477-487.
• [2] J.A. Starzyk, J. Pang, S. Manetti, M.C. Piccirilli, G. Fedi , Finding ambiguity groups in low testability analog circuits, IEEE Trans. CAS I: Fundamental Theory and Applications, Vol. 47, Issue 8 (2000), pp. 1125 - 1137.
• [3] K. Wang, J. Chiasson, M. Bodson, L.M. Tolbert, An Online Rotor Time Constant Estimator for the Induction Machine, IEEE Trans. Contr. Syst. Techn., vol. 15, no. 2 (2007), pp. 339-348.
• [4] P. Bilski, “An unsupervised learning method for comparing the quality of the soft computing algorithms in analog systems diagnostics, Electrical Review, No. 11a (2010), pp. 242-247.
• [5] H.-P. Kriegel, P. Kröger, J. Sander, A. Zimek, Density-based Clustering. WIREs Data Mining and Knowledge Discovery, Vol. 1, No. 3, (2011), pp. 231–240, doi:10.1002/widm.30.
• [6] P. Bilski, S. Rabarijoely, “Automated soil categorization using the CPT and DMT investigations, Proc. 2nd Int. Conf. On New Developments in Soil Mechanics and Geotechnical Engineering ZM2009, Nicosia, Northern Cyprus , May 28-30 2009, pp. 368-375.