Decision trees and the effects of feature extraction parameters for robust sensor network design

Gerdes, M.; Galar, D.; Scholz, D.

doi:10.17531/ein.2017.1.5

Artykuł - szczegóły

Tytuł artykułu

Decision trees and the effects of feature extraction parameters for robust sensor network design

Autorzy

Gerdes M. , Galar D. , Scholz D.

Treść / Zawartość

Pełne teksty:

Pobierz

Identyfikatory

DOI

10.17531/ein.2017.1.5

Warianty tytułu

Wykorzystanie drzew decyzyjnych oraz wpływu parametrów ekstrakcji cech do projektowania odpornych sieci czujników

Języki publikacji

Abstrakty

Reliable sensors and information are required for reliable condition monitoring. Complex systems are commonly monitored by many sensors for health assessment and operation purposes. When one of the sensors fails, the current state of the system cannot be calculated in same reliable way or the information about the current state will not be complete. Condition monitoring can still be used with an incomplete state, but the results may not represent the true condition of the system. This is especially true if the failed sensor monitors an important system parameter. There are two possibilities to handle sensor failure. One is to make the monitoring more complex by enabling it to work better with incomplete data; the other is to introduce hard or software redundancy. Sensor reliability is a critical part of a system. Not all sensors can be made redundant because of space, cost or environmental constraints. Sensors delivering significant information about the system state need to be redundant, but an error of less important sensors is acceptable. This paper shows how to calculate the significance of the information that a sensor gives about a system by using signal processing and decision trees. It also shows how signal processing parameters influence the classification rate of a decision tree and, thus, the information. Decision trees are used to calculate and order the features based on the information gain of each feature. During the method validation, they are used for failure classification to show the influence of different features on the classification performance. The paper concludes by analysing the results of experiments showing how the method can classify different errors with a 75% probability and how different feature extraction options influence the information gain.

Niezawodne monitorowanie stanu wymaga niezawodności czujników i pochodzących z nich informacji. Systemy złożone są zazwyczaj monitorowane przez wiele czujników, co pozwala na ocenę stanu technicznego oraz aspektów eksploatacyjnych. Gdy jeden z czujników ulega uszkodzeniu, uniemożliwia to obliczenie bieżącego stanu systemu z dotychczasową niezawodnością lub uzyskanie kompletnych informacji o bieżącym stanie. Stan można co prawda monitorować nawet przy niekompletnych danych, ale wyniki takiego monitorowania mogą nie odpowiadać rzeczywistemu stanowi systemu. Sytuacja taka ma miejsce w szczególności, gdy uszkodzony czujnik jest odpowiedzialny za monitorowanie istotnego parametru systemu. Problem uszkodzenia czujnika można rozwiązywać na dwa sposoby. Pierwszy polega na zwiększeniu złożoności systemu, co umożliwia jego sprawniejsze działanie w sytuacji, gdy dane są niekompletne. Drugim sposobem jest wprowadzenie nadmiarowego sprzętu (hardware'u) lub oprogramowania. Niezawodność czujników stanowi krytyczny aspekt systemu. Oczywiście, ze względu na ograniczenia przestrzenne, ekonomiczne i środowiskowe nie wszystkie czujniki w systemie mogą być nadmiarowe. Redundancja powinna dotyczyć wszystkich czujników, które dostarczają istotnych informacji na temat stanu systemu, natomiast dopuszczalne są błędy mniej ważnych czujników. W niniejszej pracy pokazano jak obliczać istotność informacji o systemie dostarczanych przez poszczególne czujniki z wykorzystaniem metod przetwarzania sygnałów oraz drzew decyzyjnych. Zademonstrowano również w jaki sposób parametry przetwarzania sygnałów wpływają na poprawność klasyfikacji metodą drzewa decyzyjnego, a tym samym na poprawność dostarczanych informacji. Drzew decyzyjnych używa się do obliczania i porządkowania cech w oparciu o przyrost informacji charakteryzujący poszczególne cechy. Podczas weryfikacji zastosowanej metody, drzewa decyzyjne wykorzystano do klasyfikacji uszkodzeń celem przedstawienia wpływu różnych cech na dokładność klasyfikacji. Pracę kończy analiza wyników eksperymentów pokazujących w jaki sposób zastosowana metoda pozwala na klasyfikację różnych błędów z 75-procentowym prawdopodobieństwem oraz jak różne opcje ekstrakcji cech wpływają na przyrost informacji.

Słowa kluczowe

decision tree feature extraction sensor optimization sensor fusion sensor selection

drzewo decyzyjne ekstrakcja cech optymalizacja czujników fuzja czujników dobór czujników

Wydawca

Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne

Czasopismo

Eksploatacja i Niezawodność

Rocznik

2017

Tom

Vol. 19, no. 1

Strony

31--42

Opis fizyczny

Bibliogr. 41 poz., rys., tab.

Twórcy

autor

Gerdes M.

mike.gerdes@philotech.de

Hamburg University of Applied Sciences Aero - Aircraft Design and Systems Group Berliner Tor 9, 20099 Hamburg, Germany Luleå University of Technology Division of Operation and Maintenance Engineering SE-971 87 Luleå, Sweden

autor

Galar D.

diego.galar@ltu.se

Luleå University of Technology Division of Operation and Maintenance Engineering SE-971 87 Luleå, Sweden University of Skövde Reliability and Maintenance Engineering SE-54128, Skövde, Sweden

autor

Scholz D.

info@profscholz.de

Hamburg University of Applied Sciences Aero - Aircraft Design and Systems Group Berliner Tor 9, 20099 Hamburg, Germany

Bibliografia

1. Apte C, Damerau F, Weiss S.M. Text mining with decision trees and decision rules. In Proceedings of the Conference on Automated Learning and Discorery, Workshop 6: Learning from Text and the Web, 1998.
2. Basir O, Yuan X. Engine fault diagnosis based on multi-sensor information fusion using Dempster-Shafer evidence theory. Information Fusion 2007; 8 (4): 379-386, http://dx.doi.org/10.1016/j.inffus.2005.07.003.
3. Castanedo F. A review of data fusion techniques. The Scientific World Journal 2013, http://dx.doi.org/10.1155/2013/704504.
4. DIN EN 13306. Maintenance terminology. European Committee for Standardization, 2008.
5. Emami-Naeini A, Akhter M.M, Rock S. M. Effect of model uncertainty on failure detection: the threshold selector," IEEE Transactions on Automatic Control 1988; 33 (12): 1106-1115, http://dx.doi.org/10.1109/9.14432.
6. Farrar C.R, Park G, Puckett A.D, Flynn E.B, Mascarenas D.L, Todd M. D. Sensing and Sensor Optimization Issues for Structural Health Monitoring. 23rd Aerospace Testing Seminar, Manhatten Beach, 2006.
7. Fijany A, Vatan F. A unified and efficient algorithmic approach to model-based diagnosis and optimal sensor placement. Proceedings of 8th International Symposium on Artificial Intelligence, Robotics and Automation in Space (i-SAIRAS), 2005.
8. Fonollosa J, Vergara A, Huerta R. Algorithmic mitigation of sensor failure: Is sensor replacement really necessary?. Sensors and Actuators B: Chemical 2013; 183: 211-221, http://dx.doi.org/10.1016/j.snb.2013.03.034.
9. Friedl M.A, Brodley C.E. Decision tree classification of land cover from remotely sensed data. Remote sensing of environment 1997; 61 (3):399-409, http://dx.doi.org/10.1016/S0034-4257(97)00049-7.
10. Fu T.-C. A review on time series data mining. Engineering Applications of Artificial Intelligence 2011; 24 (1): 164-181, http://dx.doi.org/10.1016/j.engappai.2010.09.007.
11. Gerdes, M., Scholz, D. & Randerath, B. Reducing Delays Caused by Unscheduled Maintenance and Cabin Reconfiguration. 2nd International Workshop on Aircraft System Technologies, 2009.
12. Gerdes, M., Scholz, D. Feature Extraction and Sensor Optimization for Condition Monitoring of Recirculation Fans and Filters. Deutscher Luft- und Raumfahrtkongress 2009.
13. International Electrotechnical Commission. IEC 61511: Functional Safety - Safety instrumented systems for the process industry sector. International Electrotechnical Commission, 2003.
14. International Electrotechnical Commission. IEC 61508: Functional safety of electrical/electronic/programmable electronic safety-related systems. International Electrotechnical Commission, 2010.
15. Jardine A.K, Lin D, Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical systems and signal processing 2006; 20 (7): 1483-1510, http://dx.doi.org/10.1016/j.ymssp.2005.09.012.
16. Kotecha P. R, Bhushan M, Gudi R. D. Design of robust, reliable sensor networks using constraint programming. Computers & Chemical Engineering 2008; 32 (9): 2030-2049, http://dx.doi.org/10.1016/j.compchemeng.2008.03.005.
17. Lambrou T, Kudumakis P, Speller R, Sandler M, Linney A. Classification of audio signals using statistical features on time and wavelet transform domains. Proceedings of the 1998 IEEE International Conference on Acoustics, Speech and Signal Processing, 1998, http://dx.doi.org/10.1109/icassp.1998.679665.
18. Li, F Li F. Dynamic modeling, sensor placement design, and fault diagnosis of nuclear desalination systems. University of Tennessee 2011.
19. Lin J, Qu L. Feature extraction based on Morlet wavelet and its application for mechanical fault diagnosis. Journal of sound and vibration 2000; 234 (1): 135-148, http://dx.doi.org/10.1006/jsvi.2000.2864.
20. Lu Y, Michaels J.E. Feature extraction and sensor fusion for ultrasonic structural health monitoring under changing environmental conditions. IEEE Sensors Journal 2009; 9 (11): 1462-1471, http://dx.doi.org/10.1109/JSEN.2009.2019339.
21. Mierswa I, Morik K. Automatic feature extraction for classifying audio data. Machine Learning 2005; 58 (2-3): 127-149, http://dx.doi.org/10.1007/s10994-005-5824-7.
22. Novis A, Powrie H. PHM sensor implementation in the real world-a status report. 2006 IEEE Aerospace Conference, 2006, http://dx.doi.org/10.1109/AERO.2006.1656113.
23. Pascual D. G. Artificial Intelligence Tools: Decision Support Systems in Condition Monitoring and Diagnosis, CRC Press, 2015, http://dx.doi.org/10.1201/b18384.
24. Peng Z, Chu F, He Y. Vibration signal analysis and feature extraction based on reassigned wavelet scalogram. Journal of Sound and Vibration 2002; 253 (5): 1087-1100, http://dx.doi.org/10.1006/jsvi.2001.4085.
25. Quinlan J. R. Induction of Decision Trees. Machine Learning 1986; 81-106, http://dx.doi.org/10.1007/BF00116251.
26. Quinlan J. R. C4.5: Programs for Machine Learning. San Francisco, CA, USA: Morgan Kaufmann Publishers Inc, 1993.
27. Radio Technical Commission for Aeronautics. DO 178C: Software considerations in airbone systems and equipment certification. Radio Technical Commission for Aeronautics, 2011.
28. Ross A, Jain A. Information fusion in biometrics. Pattern recognition letters 2003; 24 (13): 2115-2125, http://dx.doi.org/10.1016/S0167-8655(03)00079-5.
29. Russell S.J, Norvig P. Artificial Intelligence: A Modern Approach. Pearson Education, 2003.
30. Saimurugan M, Ramachandran K, Sugumaran V, Sakthivel N. Multi component fault diagnosis of rotational mechanical system based on decision tree and support vector machine. Expert Systems with Applications 2011; 38 (4): 3819-3826, http://dx.doi.org/10.1016/j.eswa.2010.09.042.
31. Sakthivel N, Sugumaran V, Nair B.B. Comparison of decision tree-fuzzy and rough set-fuzzy methods for fault categorization of mono-block centrifugal pump. Mechanical systems and signal processing 2010; 24 (6): 1887-1906, http://dx.doi.org/10.1016/j.ymssp.2010.01.008.
32. Scerbo M.W, Bailey N. R. Automation-induced complacency for monitoring highly reliable systems: the role of task complexity, system experience, and operator trust. Theoretical Issues in Ergonomics Science 2007; 321-348.
33. Schmid H. Probabilistic part-of-speech tagging using decision trees. Proceedings of the international conference on new methods in language processing, 1994.
34. Shuming Y, Jing Q, Guanjun L. Sensor optimization selection model based on testability constraint. Chinese Journal of Aeronautics 2012; 25 (2): 262-268, http://dx.doi.org/10.1016/S1000-9361(11)60386-5.
35. Smith M. J. Sensor Location & Optimization Tool Set. Chemical Biological Information Systems Conference, Albuquerque, 2005.
36. Sugumaran V, Ramachandran K. Automatic rule learning using decision tree for fuzzy classifier in fault diagnosis of roller bearing. Mechanical Systems and Signal Processing 2007; 21 (5): 2237-2247, http://dx.doi.org/10.1016/j.ymssp.2006.09.007.
37. Sun J.-W, Xi L.-F, Pan E.-S, Du S.-C, Xia T.-B. Design for diagnosability of multistation manufacturing systems based on sensor allocation optimization Computers in Industry 2009; 60 (7): 501-509, http://dx.doi.org/10.1016/j.compind.2009.02.001.
38. University of Waikato, WEKA, 2009.
39. Widodo A, Yang B.-S. Application of nonlinear feature extraction and support vector machines for fault diagnosis of induction motors. Expert Systems with Applications 2007; 33 (1): 241-250, http://dx.doi.org/10.1016/j.eswa.2006.04.020.
40. Xiong N, Svensson P. Multi-sensor management for information fusion: issues and approaches. Information fusion 2002; 3 (2): 163-186, http://dx.doi.org/10.1016/S1566-2535(02)00055-6.
41. an W, Goebel K. F. Sensor validation and fusion for gas turbine vibration monitoring. AeroSense 2003.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-5a5e8b0e-afa8-4f53-a4f8-8143c5a61205