Decision support and maintenance system for natural hazards, processes and equipment monitoring

• Autorzy: Kozielski M. , Sikora M. , Wróbel Ł.

Identyfikatory

DOI

10.17531/ein.2016.2.9

Warianty tytułu

PL

System wspomagania decyzji dla monitorowania zagrożeń naturalnych, procesów i urządzeń

• Języki publikacji: EN

Abstrakty

EN

This paper presents the DISESOR integrated decision support system and its applications. The system integrates data from different monitoring and dispatching systems and contains such modules as data preparation and cleaning, analytical, prediction and expert system. Architecture of the system is presented in the paper and a special focus is put on the presentation of two issues: data integration and cleaning, and creation of prediction model. The work contains also two case studies presenting the examples of the system application.

PL

W pracy przedstawiono zintegrowany system wspomagania decyzji DISESOR oraz jego zastosowania. System pozwala na integrację danych pochodzących z różnych systemów monitorowania i systemów dyspozytorskich. Struktura systemu DISESOR składa się z modułów realizujących: przygotowanie i czyszczenie danych, analizę danych, zadania predykcyjne oraz zadania systemu ekspertowego. W pracy przedstawiono architekturę systemu DISESOR, a szczególny nacisk został położony na zagadnienia związane z integracją i czyszczeniem danych oraz tworzeniem modeli predykcyjnych. Działanie systemu przedstawione zostało na dwóch przykładach analizy dla danych rzeczywistych.

Słowa kluczowe

EN

decision support system; prediction; expert system; data cleaning; process monitoring; device monitoring; hazard

PL

system wspomagania decyzji; czyszczenie danych; predykcja; system ekspertowy; monitorowanie procesów; monitorowanie urządzeń; monitorowanie zagrożeń

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2016
• Tom: Vol. 18, no. 2
• Strony: 218--228
• Opis fizyczny: Bibliogr. 31 poz., rys., tab.

Twórcy

autor

Kozielski M.

• Institute of Electronics Silesian University of Technology Akademicka 16, 44-100 Gliwice, Poland

autor

Sikora M.

• Institute of Informatics Silesian University of Technology Akademicka 16, 44-100 Gliwice, Poland

autor

Wróbel Ł.

• Institute of Innovative Technologies EMAG Leopolda 31, 40-189 Katowice, Poland Institute of Informatics, Silesian University of Technology ul. Akademicka 16, 44-100 Gliwice, Poland

Bibliografia

• 1. Bifet A, Holmes G, Kirkby R, Pfahringer B. Moa: Massive online analysis. The Journal of Machine Learning Research 2010; 11: pp. 1601-1604.
• 2. Dhar V. Data science and prediction. Communications of the ACM 2013; 56(12): 64-73, http://dx.doi.org/10.1145/2500499.
• 3. Fawcett T. An introduction to ROC analysis. Pattern recognition letters 2006; 27(8): 861-874, http://dx.doi.org/10.1016/j.patrec.2005.10.010.
• 4. Gąsior S. Diagnosis of longwall chain conveyor. Przegląd Górniczy 2001; 57(7-8): 33-36
• 5. Głowacz A. Diagnostics of Synchronous Motor Based on Analysis of Acoustic Signals with the use of Line Spectral Frequencies and K-nearest Neighbor Classifier. Archives of Acoustic 2015; 39(2): 189-194, http://dx.doi.org/10.2478/aoa-2014-0022.
• 6. Grzegorowski M. Scaling of complex calculations over big data-sets. Active Media Technology, Springer 2014; pp. 73-84.
• 7. Jurdziak L, Zimroz R. Dlaczego diagnostyka maszyn się opłaca i ile można na tym zaoszczędzić? Prace Naukowe Instytutu Górnictwa Politechniki Wrocławskiej 2004; 106: 139-150.
• 8. Kabiesz J. Effect of the form of data on the quality of mine tremors hazard forecasting using neural networks. Geotechnical & Geological Engineering 2006; 24(5): 1131-1147, http://dx.doi.org/10.1007/s10706-005-1136-8.
• 9. Kabiesz J, Sikora B, Sikora M, Wróbel Ł. Application of rule-based models for seismic hazard prediction in coal mines. Acta Montanistica Slovaca 2013; 18(4): 262-277.
• 10. Kacprzak M, Kulinowski P, Wędrychowicz D. Computerized information system used for management of mining belt conveyors operation. Eksploatacja i Niezawodność - Maintenance and Reliability 2011; 2(50): 81-93.
• 11. Kadlec P, Gabrys B, Strandt S. Data-driven soft sensors in the process industry. Computers & Chemical Engineering 2009; 33(4): 795-814, http://dx.doi.org/10.1016/j.compchemeng.2008.12.012.
• 12. Kalisch M, Przystalka P, Timofiejczuk A. Application of selected classification schemes for fault diagnosis of actuator systems. Computer Science and Information Systems (FedCSIS), 2014 Federated Conference on. IEEE 2014; 1381-1390, http://dx.doi.org/10.15439/2014f158.
• 13. Kimball R, Ross M. The data warehouse toolkit: the complete guide to dimensional modeling. John Wiley & Sons, 2011.
• 14. Kozan E, Liu S Q. A demand-responsive decision support system for coal transportation. Decision Support Systems 2012; 54(1): 665-680, http://dx.doi.org/10.1016/j.dss.2012.08.012.
• 15. Leśniak A, Isakow Z. Space-time clustering of seismic events and hazard assessment in the Zabrze-Bielszowice coal mine, Poland. International Journal of Rock Mechanics and Mining Sciences 2009; 46(5): 918-928, http://dx.doi.org/10.1016/j.ijrmms.2008.12.003.
• 16. amdani E H, Assilian S. An experiment in linguistic synthesis with a fuzzy logic controller. International Journal of Man-Machine Studies 1975; 7(1): 1-13, http://dx.doi.org/10.1016/S0020-7373(75)80002-2.
• 17. March S T, Hevner A R. Integrated decision support systems: A data warehousing perspective. Decision Support Systems 2007; 43(3): 1031-1043, http://dx.doi.org/10.1016/j.dss.2005.05.029.
• 18. Mazurkiewicz D. Computer-aided maintenance and reliability management systems for conveyor belts. Eksploatacja i Niezawodnosc - Maintenance and Reliability 2014; 16(3): 377-382.
• 19. Michalak M, Sikora M, Sobczyk J. Analysis of the longwall conveyor chain based on a harmonic analysis. Eksploatacja i Niezawodność - Maintenance and Reliability 2013; 15(4): 332-333.
• 20. PostgreSQL. Postgresql 2015; Available online: http://www. postgresql.org/.
• 21. R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria 2014; Available online: http://www.R-project.org
• 22. RapidMiner. RapidMiner 2015; Available online: http://rapidminer.com
• 23. Riza L S, Janusz A, Bergmeir C, Cornelis C, Herrera F, Ślęzak D, Benitez J M. Implementing algorithms of rough set theory and fuzzy rough set theory in the R package "RoughSets". Information Sciences 2014; 287: 68-89, http://dx.doi.org/10.1016/j.ins.2014.07.029.
• 24. Sevitel. Thor 2015; Available online: http://www.sevitel.pl/product,25,THOR.html
• 25. Sikora M, Michalak M. Eksploracja baz danych systemów monitorowania na przykładzie obserwacji pracy kombajnu chodnikowego. Bazy Danych: Rozwój metod i technologii, (Tom 1: Architektura, metody formalne i zaawansowana analiza danych), WKŁ, Warszawa 2008; 429-437.
• 26. Sikora M, Sikora B. Improving prediction models applied in systems monitoring natural hazards and machinery. International Journal of Applied Mathematics and Computer Science 2012; 22(2): 477-491, http://dx.doi.org/10.2478/v10006-012-0036-3.
• 27. Sikora M, Sikora B. Rough natural hazards monitoring. Rough Sets: selected Methods and Applications in Management and Engineering, Springer 2012; 163-179, http://dx.doi.org/10.1007/978-1-4471-2760-4_10.
• 28. Simiński K. Rough subspace neuro-fuzzy system. Fuzzy Sets and Systems 2015; 269: 30-46, http://dx.doi.org/10.1016/j.fss.2014.07.003.
• 29. Talend. Talend open studio 2015 Available online: https://www.talend.com/ products/talend-open-studio.
• 30. Wachla D, Moczulski W A. Identification of dynamic diagnostic models with the use of methodology of knowledge discovery in databases. Engineering Applications of Artificial Intelligence 2007; 20(5): 699-707, http://dx.doi.org/10.1016/j.engappai.2006.11.002.
• 31. Zimroz R. Metody adaptacyjne w diagnostyce układów napędowych maszyn górniczych. Wrocław: Oficyna Wydawnicza Politechniki Wrocławskiej, 2010.