Machine Activity Recognition Using Clustering Method

• Autorzy: Kęsek Marek , Ogrodnik Romuald , Podobińska-Staniec Marta

Identyfikatory

DOI

10.29227/IM-2023-01-40

Warianty tytułu

PL

Rozpoznawanie czynności maszyn z użyciem metody grupowania

• Języki publikacji: EN

Abstrakty

EN

Machine activity recognition is important for benchmarking and analysing the performance of individual machine, machine maintenance needs and automated monitoring of work progress. Additionally, it can be the basis for optimizing manufacturing processes. This article presents an attempt to use object clustering algorithms for recognizing the type of activity in the production complex. For this purpose, data from the production process and the k-means algorithm were used. The most common object clustering algorithms were also discussed. The results and the presented analysis approach demonstrate that this method can be successfully utilized in practice.

PL

Rozpoznawanie czynności realizowanych przez maszyny jest bardzo istotne dla porównania i analizy wydajności poszczególnych maszyn, potrzeb konserwacji maszyn oraz automatycznego monitorowania postępu prac. Dodatkowo, może być ono podstawą do optymalizacji realizowanych procesw produkcyjnych. W niniejszym artykule przedstawiono próbę wykorzystania algorytmów grupowania obiektów do rozpoznawania rodzaju aktywności kompleksu urabiającego. Do tego celu użyto danych pochodzących z procesu produkcyjnego oraz algorytmu k-means. Przyblizono także najpowszechniejsze algorytmy grupowania obiektów. Wyniki olraz zaprezentowany sposb przeprowadzania analizy pokazują, że taki sposob postępowania może być z powodzeniem wykorzystywany w praktyce.

Słowa kluczowe

EN

Machine Activity Recognition; clustering, process mining; performance of individual machines; operational efficiency

PL

rozpoznawanie czynności maszyn; grupowanie; process mining; stopień wykorzystania maszyn; wydajność operacyjna

• Wydawca: Polskie Towarzystwo Przeróbki Kopalin
• Czasopismo: Inżynieria Mineralna
• Rocznik: 2023
• Tom: no. 1
• Strony: 327--332
• Opis fizyczny: Bibliogr. 17 poz., zdj.

Twórcy

autor

Kęsek Marek

• AGH University of Science and Technology, Cracow, Poland

• https://orcid.org/0000-0001-6217-8435

autor

Ogrodnik Romuald

• AGH University of Science and Technology, Cracow, Poland

• https://orcid.org/0000-0003-4025-9191

autor

Podobińska-Staniec Marta

• AGH University of Science and Technology, Cracow, Poland

• https://orcid.org/0000-0002-3250-0646

Bibliografia

• 1. Bishop, C. M. (2006) Pattern Recognition and Machine Learning. Springer, 2006
• 2. Bezdek, J. C., Ehrlich, R., & Full, W. (1984 ) FCM: The fuzzy c-means clustering algorithm. Computers & Geosciences, 1984. Volume 10, Issue 2-3.
• 3. Błażewicz J., Formanowicz P., Jarosz K., Kalinowski A., Klimek M., Kołaczkowski P., Kwiecień R., Michalak K., Traczyk T. (2006) Rozpoznawanie wzorców. Metody i zastosowania. Wydawnictwo Naukowe PWN.
• 4. Chen C., Zhu Z., Hammad A. (2020) Automated excavators activity recognition and productivity analysis from construction site surveillance videos, Automation in Construction, Volume 110.
• 5. Cheng C.-F.; Rashidi A.; Davenport M.A.; Anderson D. (2019) Evaluation of Software and Hardware Settings for Audio-Based Analysis of Construction Operations. International Journal of Civil Engineering.
• 6. Gackowiec, P.; Brzychczy, E.; Kęsek, M. (2021) Enhancement of Machinery Activity Recognition in a Mining Environment with GPS Data. Energies 2021.
• 7. Han J., Kamber M., Pei J. (2011) Data Mining: Concepts and Techniques. Morgan Kaufmann, 3rd Edition, 2011.
• 8. Jeong G.; Ahn C.R.; Park M. (2022) Constructing an Audio Dataset of Construction Equipment from Online Sources for Audio-Based Recognition, Conference paper, Proceedings - Winter Simulation Conference, 2022-December
• 9. Kęsek M., Ogrodnik R. (2021) Method for determining the utilization rate of thin-deck shearers based on recorded electromotor loads. Energies 2021 vol. 14 iss. 13 art. no. 4059, s. 1–14.
• 10. Kim, I.-S.; Latif, K.; Kim, J.; Sharafat, A.; Lee, D.-E.; Seo, J. (2023) Vision-Based Activity Classification of Excavators by Bidirectional LSTM. Appl. Sci. 2023, 13, 272.
• 11. Mahamedi E., Rogage K., Doukari O., Kassem M. (2021) Automating excavator productivity measurement using deep learning, Proceedings of the Institution of Civil Engineers - Smart Infrastructure and Construction, 2021, p. 121-133.
• 12. Rashid K.M., Louis J. (2020) Automated Activity Identification for Construction Equipment Using Motion Data From Articulated Members, Frontiers in Built Environment, Vol.5, 2020.
• 13. Sherafat B.; Rashidi A.; Asgari S. (2022) Sound-based multiple-equipment activity recognition using convolutional neural networks, Automation in Construction, Volume 135, 2022.
• 14. Tan, P.-N., Steinbach, M., & Kumar, V. (2006) Introduction to Data Mining. Addison-Wesley.
• 15. Tukey, J. W. (1977) Exploratory Data Analysis. Addison-Wesley.
• 16. Xu, J.; Wang, Z.; Tan, C.; Liu, X. A (2016) State Recognition Approach for Complex Equipment Based on a Fuzzy Probabilistic Neural Network. Algorithms 2016.
• 17. https://famur.com/urzadzenia-dla-gornictwa-podziemnego/kompleks-mikrus

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2024).