Development of automatic classifier for sensor measurements of an industrial process

• Autorzy: Lopes Kennedy , Andrade Ana , Lima Bernardo , Maitelli André

Warianty tytułu

PL

Automatyczna klasyfikacja w procesie przemysłowym w sieci czujników

• Języki publikacji: EN

Abstrakty

EN

Clustering algorithms are usually based on an initial estimate of cores, have performance dependent on the number of clusters and dimension of the data, and are performed offline. Thus, by categorizing a highly coupled sensor network as an industrial plant, it is necessary that all these characteristics are achieved. The article presents an improvement of the TEDA-Cloud, based on the Typicity and Eccentricity Data Analitics (TEDA).Inthisway,theproposed(TEDA-Cloudmodified),methodreducestheamountofstoreddataformergingcoresandspeedsuptheclassification of the presented data.

PL

Algorytmy klastrowania są zwykle oparte na wstępnym oszacowaniu rdzeni, mają wydajność zależną od liczby klastrów i wymiarów danych i są wykonywane w trybie offline. Zatem, poprzez kategoryzowanie wysoce sprzężonej sieci czujników jako instalacji przemysłowej, konieczne jest, aby wszystkie te cechy zostały osiągnięte. W artykule przedstawiono ulepszenie chmury TEDA opartej na analizie typowości i ekscentryczności danych (TEDA). W ten sposób proponowana (zmodyfikowana TEDA-Cloud) metoda zmniejsza ilość przechowywanych danych do łączenia rdzeni i przyspiesza klasyfikację prezentowanych danych.

Słowa kluczowe

EN

clustering; eccentricity; typicality; sensor networks; stream data; industrial process

PL

klastrowanie; ekscentryczność; typowość; sieć czujników; dane strumieniowe; proces przemysłowy

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 3
• Strony: 91--96
• Opis fizyczny: Bibliogr. 19 poz., rys.

Twórcy

autor

Lopes Kennedy

• Laboratory of Petroleum Automation, Federal University of Rio Grande do Norte - UFRN, Natal-RN, Brazil

autor

Andrade Ana

• Laboratory of Petroleum Automation, Federal University of Rio Grande do Norte - UFRN, Natal-RN, Brazil

autor

Lima Bernardo

• Laboratory of Petroleum Automation, Federal University of Rio Grande do Norte - UFRN, Natal-RN, Brazil

autor

Maitelli André

• Laboratory of Petroleum Automation, Federal University of Rio Grande do Norte - UFRN, Natal-RN, Brazil

Bibliografia

• [1] Angelov P., Gu Xiaowe., Gutierrez G., Iglesia J. A., Guedes L. A., Sanchis A.: Autonomous data density based clustering method, IEEE International Joint Conference on Neural Networks (IJCNN), Vancouver, BC, Canada, 24-29 July, 2016.
• [2] Bezerra C. G., Costa B. S. J., Guedes L. A., Angelov P. A.: A new evolving clustering algorithm for online data streams, IEEE Conference on Evolving and Adaptative Intelligent Systems (EAIS), pp. 162–168, Natal, 2016.
• [3] Costa B. S. J., Bezerra C. G., Guedes L. A., Angelov P.: Online fault detection based on typicality and eccentricity data analytics, International Joint Conference on Neural Networks (IJCNN), Killarney, Ireland, 12-17 July, 2015.
• [4] MacQueen J.: Some methods for classification and analysis ofmultivariateobservations, ProceedingsoftheFifthBerkeley Symposium on Mathematical Statistics and Probability, University of California Press, Berkeley, Calif., 1, pp. 281-297, 1967.
• [5] Khanmohammadi S., Naiier Adibeig N., Samaneh Shanehbandy S.: An improved overlapping k-means clustering method for medical applications, Expert Systems With Applications, 67, pp. 12-18, Jan., 2017.
• [6] Kamath R. S., Kamat R. K.: K-means clustering for analyzing productivity in light of R D spillover, International Journal of InformationTechnology,ModelingandComputing(IJITMC),4, May, 2016.
• [7] Punj G., Stewart D. W.: Cluster analysis in marketing research: review and suggestions for application, Journal of Marketing Research, 20, pp. 134-148, May, 1983.
• [8] Alkilany A., Ahmed A., Said H., Bakar A. A.: Application of the k-means clustering algorithm to predict load shedding of the Southern Electrical Grid of Libya, Fourth edition of the International Conference on the Innovative Computing Technology (INTECH 2014), Luton, UK, 13-15 Aug., 2014.
• [9] Zakharov K.: Application of k-means clustering in psychological studies, Tutorials in Quantitative Methods for Psychology, 12, pp. 87-100, 2016.
• [10] Hartigan J. A.: Clustering algorithms, John Wiley Sons, Inc., 99th. ed. New York, NY, USA, 1975. ISBN ISBN: 047135645X
• [11] Pietrzykowski M., Plucinski M.: Mini-model method based on k-means clustering, Przeglad Elektrotechniczny, pp. 73-76, Jan., 2017.
• [12] Kangin D., Angelov P., Iglesias, J. A.: Autonomously evolving classifier TEDAClass, Information Sciences, 366, pp. 1-11, 2016.
• [13] Angelov P.: Anomaly detection based on eccentricity analylis, IEEESymposiumonEvolvingandAutonomousLearningSystems (EALS), Orlando, FL, USA, 9-12 Dec., 366, pp. 32-58, 2016.
• [14] Bezerra C. G., Costa B. S. J., Guedes L. A., Angelov P.: An evolving approach to unsupervised and real-time fault detection in industrial processes, Expert systems with applications, 63, pp. 134-144, 2016.
• [15] Angelov P.: Outside the box: An alternative data analitcs frame-work, Journal of automation, Mobile Robotics and Intelligent Systems, 8, pp. 53-59, 2014.
• [16] SawJ.G.,YangM.C.K.,MoT.S.E.C.: Chebyshevinequality with estimated mean andvariance, The AmericanStatistician, 38, pp. 130-132, 1984.
• [17] Downs J. J., Voguel E. F.: A plant-wide industrial process control problem, Computers Chemical Engineering, 17, pp. 142149, June, 1993.
• [18] Tyréus B. D., Voguel E. F.: Dominant variables for partial control. 2. Application to the Tennessee Eastman challenge process, Industrial & Engineering Chemistry Research, 38, pp. 1444-1455, 1999.
• [19] Fränti P., Sieranoja S.: Clustering datasets, [web page] http://cs.joensuufi/sipu/datasets/.[Accessed on 10 July 2018.].

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).