Modelowanie testów diagnostycznych za pomocą metod uczenia maszynowego

Kalisch, M.

Artykuł - szczegóły

Tytuł artykułu

Modelowanie testów diagnostycznych za pomocą metod uczenia maszynowego

Autorzy

Kalisch M.

Identyfikatory

Warianty tytułu

Modelling of diagnostic tests using machine learning methods

Języki publikacji

Abstrakty

W pracy zaprezentowano metodykę tworzenia testów diagnostycznych służących do detekcji i izolacji uszkodzeń za pomocą algorytmów uczenia maszynowego z wykorzystaniem darmowego oprogramowania RapidMiner. Porównano różne metody łączenia klasyfikatorów na przykładzie danych symulacyjnych wygenerowanych za pomocą modelu numerycznego zaworu elektro-pneumatycznego opracowanego w ramach projektu DAMADICS. Przedstawione wyniki badań potwierdzają poprawność proponowanego podejścia.

The papers deals with the methodology of designing diagnostics tests that can be used for fault detection and isolation using machine learning algorithms implemented in open source RapidMiner application. In the paper there were compared different methods of combining classifiers using the benchmark data generated by means of the simulator of electro-pneumatic valve that has been developed within the DAMADICS project. The results of the research study confirm the effectiveness of the proposed approach.

Słowa kluczowe

uczenie maszynowe diagnostyka techniczna detekcja izolacja uszkodzeń

machine learning technical diagnostics detection fault isolation

Wydawca

Polskie Towarzystwo Mechaniki Teoretycznej i Stosowanej. Oddział Gliwice

Czasopismo

Modelowanie Inżynierskie

Rocznik

2014

Tom

T. 22, nr 53

Strony

70--77

Opis fizyczny

Bibliogr. 22 poz.

Twórcy

autor

Kalisch M.

mateusz.kalisch@polsl.pl

Instytut Podstaw Konstrukcji Maszyn, Politechnika Śląska

Bibliografia

1. Akthar F., Hahne C.: RapidMiner 5 Operator reference, 2012.
2. Anuradha B., Suresh Kumar K., Veera Reddy V.: Classification of cardiac signals using time domain methods. "Journal of Engineering and Applied Sciences" 2008, Vol. 3, No. 3, p. 7-12.
3. Bartyś M., Patton R., Syfert M., de las Haras S., Quevedo, J.: Introduction to the DAMADICS actuator FDI benchmark study. "Control Engineering Practice" 2006, Vol. 14, No. 6, p. 577-596.
4. Bekkar M., Alitouche T. A.: Imbalanced data learning approaches review. "International Journal of Data Mining & Knowledge Management Process" 2013, Vol. 3, No. 4, p. 15-33.
5. Broadhurts D., Taylor J., Kaderbhai N., Winson M. K., Small A. D., Rowland J. J., McGovern A. C., Kell D. B., Goodacre R.: Monitioring of complex industrial bioprocesses for metabolite concetrations using modern spectroscopies and machine learning: application to gibberellic acid product. “Biotechnology and Bioengineering" 2002, Vol. 78, No. 5, p. 527-538.
6. Grzymała-Busse D. M., Grzymała-Busse, J. W.: On the usefulness of machine learning approach to knowledge acquisition. “Computational Intelligence” 1995, Vol. 11, No. 2, p. 268-279.
7. Kononenko I.: Machine learning for medical diagnosis: history, state of the art and perspective. “Artificial Inteligence in Medicine” 2001, Vol. 23, No. 1, p. 89-109.
8. Kuncheva L. I.: Combining pattern classifiers: Methods and algorithms. New Jersey: Wiley-Interscience, 2004.
9. Mazarakis P. G., Avaritsiotis J. N.: Vehicle classification in sensor networks using time-domain signal processing and Neural Networks. “Microprocessors and Microsystems” 2007, Vol. 31, No. 6, p. 381-392.
10. Samanta B., Al-Balushi K. R., Al-Araimi S. A.: Artificial neural network and support vector machines with genetic algorithmfor bearing fault detection. “Engineering Applications of Artificial Inteligence” 2013, Vol. 16, No. 7-8, p. 657-665.
11. Strona główna projektu Angoss Knowledge Studio. Pobrano Czerwiec 4, 2014 z lokalizacji http://www.angoss.com/predictive-analytics-software/software/knowledgestudio/.
12. Strona główna projektu Orange. Pobrano Czerwiec 4, 2014 z lokalizacji http://orange.biolab.si/.
13. Strona główna projektu R. Pobrano Czerwiec 4, 2014 z lokalizacji http://www.r-project.org/.
14. Strona główna projektu RapidMiner. Pobrano Czerwiec 4, 2014 z lokalizacji http://rapidminer.com/.
15. Strona główna projektu Statistica. Pobrano Czerwiec 4, 2014 z lokalizacji http://www.statsoft.pl/.
16. Strona główna projektu WEKA. Pobrano Czerwiec 4, 2014 z lokalizacji http://www.cs.waikato.ac.nz/ml/weka/.
17. Tomczak J. M., Gonczarek A.: Decision rules extraction from data stream in the presence of changing context for diabetes treatment. “Knowledge and Information Systems” 2013, Vol. 34, No. 3, p. 521-546.
18. Tu J. V.: Advantages and disadvantages of using artificial neural networks versus logistic regression for predicting medical outcomes. “Journal of Clinical Epidemiology” 1996, Vol. 49, No. 11, p. 1225-1231.
19. Vergara A., Fonollosa J., Mahiques J., Trincavelli M., Rulkov N., Huerta R.: On the performance of gas sensor arrays in open sampling systems using Inhibitory Support Vector Machines. “Sensors and Actuators B: Chemical” 2013, Vol. 185, p. 462-477.
20. Webb G. I.: Integrating machine learning with knowledge acquisition through direct interaction with doman experts. “Knowledge-Based Systems” 1996, Vol. 9, No. 4, p. 253-266.
21. Wojtusik, J.: Wielomodele diagnostyczne maszyn wirnikowych. Gliwice: Pol. Śl., 2006. Zesz.Kat. PKM nr 128.
22. Woźniak M.: Metody fuzji informacji dla komputerowych systemów rozpoznawania. Wrocław: Ofic. Wyd. Pol. Wrocł., 2006.

Typ dokumentu

Bibliografia

Identyfikator YADDA

bwmeta1.element.baztech-a131c4f6-df9b-4f9a-8ca6-5a1c39a79a25