Odporna detekcja uszkodzeń przy niepewności modelu rozmyto-neuronowego

• Autorzy: Kowal M. , Korbicz J.

Warianty tytułu

EN

Robust fault detection under fuzzy-neural model uncertainty

• Języki publikacji: PL

Abstrakty

PL

Artykuł koncentruje się na problemie odpornej detekcji uszkodzeń z wykorzystaniem modeli rozmyto-neuronowych. Głównym celem pracy jest pokazanie w jaki sposób można wykorzystać metody estymacji parametrów przy ograniczonych wartościach błędów do określenia niepewności modelu rozmyto-neuronowego. Pokazuje się również w jaki sposób użyć tą informację do wyznaczania adaptacyjnych progów detekcji w zadaniu odpornej detekcji uszkodzeń. Ponadto opracowano algorytm wspomagający projektanta przy doborze struktury modelu rozmyto-neuronowego. W celu pokazania efektywności przedstawionych metod są one wykorzystane do budowy układu detekcji dla zespołu zawór-siłownik, elementu instalacji technicznej cukrowni „Lublin". W końcowej części pracy przedstawiono wyniki badań eksperymentalnych, które potwierdzają skuteczność proponowanych rozwiązań.

EN

The paper focuses on the problem of robust fault detection using fuzzy-neural model based strategics. The main objective of the work is to show how to employ bounding error approach to determine the uncertainty of the fuzzy-neural model and utilize this knowledge for robust fault detection. The paper presents also how to tackle the problem of choosing the right structure of the fuzzy-neural models. Proposed algorithms are applied to fault detection in the valve that is the part of the technical installation at the Lublin sugar factory. Experimental results presented in the final part of -the paper confirms the effectiveness of the proposed methods.

Słowa kluczowe

PL

detekcja uszkodzeń; niepewność; modelowanie rozmyte

EN

fault detection; uncertainty; fuzzy modelling

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2005
• Tom: R. 51, nr 9 bis
• Strony: 93--95
• Opis fizyczny: Bibliogr. 10 poz., rys., tab., wzory

Twórcy

autor

Kowal M.

• Uniwersytet Zielonogórski, Instytut Sterowania i Systemów Informatycznych

autor

Korbicz J.

• Uniwersytet Zielonogórski, Instytut Sterowaniai Systemów Informatycznych

Bibliografia

• [1] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (Red.), Fault diagnosis. Models, Artificial Intelligence, Applications. Heidelberg: Springer-Verlag, Berlin, 2004.
• [2] Korbicz J., Advances in fault diagnosis systems. Proc. 10th IEEE Int. Conf. Methods and Models in Automation and Robotics, MMAR, Vol. 2, pp. 725-734, Międzyzdroje, 2004.
• [3] Kościelny J. M., Diagnostyka zautomatyzowanych procesów przemysłowych. Akademicka Oficyna Wydawnicza EXIT, Warszawa. 2001.
• [4] Milanese M., Norton J. P., Piet-Lahnier H., Walter E., Bounding approaches to identification. Plenum Press, New York, 1996.
• [5] Patton R. J., Chen J., Robust model-based fault diagnosis for dynamic systems. Kluwer Academic Publishers, London, 1999.
• [6] Rafajłowicz E., Algorytmy planowania eksperymentu z implementacjami w środowisku Mathematica. Akademicka Oficyna Wydawnicza PLJ, Warszawa, 1996.
• [7] Rutkowska D. Neuro-fuzzy architectures and hybrid learning. Springer-Verlag, Physica-Verlag, New York, 2002.
• [8] Rutkowska D., Zadeh L., Neuro-fuzzy and soft computing. Special issue of Int. J. Appl. Mathematics and Computer Science, 2000.
• [9] Rutkowski L., New soft computing techniques for system modelling, pattern classification and image processing. Heidelberg: Springer-Verlag, Berlin, 2004.
• [10] Walter E., Pronzato L., Identification of parametric models from experimental data. Springer-Verlag, 1997.