Metoda oceny jakości modelu oparta na maszynie wektorów nośnych

• Autorzy: Glodek Łukasz , Bysko Szymon , Nocoń Witold

Identyfikatory

DOI

10.14313/PAR_239/35

Warianty tytułu

EN

Model Quality Assessment Method Based on Support Vector Machine

• Języki publikacji: PL

Abstrakty

PL

Celem pracy jest ocena jakości modelu oparta na Maszynie Wektorów Nośnych SVM pod kątem jej przydatności w wirtualnym uruchomieniu - do zastosowania na potrzeby wirtualnego bliźniaka. Przedstawione wyniki badań są ściśle skorelowane z Przemysłem 4.0, którego główną ideą jest integracja inteligentnych maszyn, systemów i informatyki. Jednym z celów jest wprowadzenie możliwości elastycznej zmiany asortymentu oraz zmian w systemach produkcyjnych. Wirtualne uruchomienie może zostać użyte do stworzenia modelu symulacyjnego obiektu, na potrzeby szkolenia operatorów. Jednym z działów wirtualnego rozruchu jest cyfrowy bliźniak. Jest to wirtualna reprezentacja instalacji lub urządzenia, czy też maszyny. Dzięki zastosowaniu wirtualnego bliźniaka, możliwe jest odwzorowanie różnych procesów w celu obniżenia kosztów procesu i przyspieszenia procesu testowania. W pracy zaproponowano współczynnik oceny jakości modelu oparty na SVM. Współczynnik ten bierze pod uwagę wiedzę ekspercką oraz metody używane do oceny jakości modelu - Znormalizowany Błąd Średniokwadratowy NRMSE (ang. Normalized Root Mean Square Error) oraz Znormalizowany Maksymalny Błąd ME (ang. Maximum Error). Wspomniane metody są powszechnie stosowane do oceny jakości modelu, jednak dotychczas nie były używane równocześnie. W każdej z metod uwzględniany jest inny aspekt dotyczący modelu. Zaproponowany współczynnik umożliwia podjęcie decyzji, czy dany model może zostać użyty do stworzenia wirtualnego bliźniaka. Takie podejście pozwala na testowanie modeli w sposób automatyczny lub półautomatyczny.

EN

This paper proposes a model quality assessment method based on Support Vector Machine, which can be used to develop a digital twin. This work is strongly connected with Industry 4.0, in which the main idea is to integrate machines, devices, systems, and IT. One of the goals of Industry 4.0 is to introduce flexible assortment changes. Virtual commissioning can be used to create a simulation model of a plant or conduct training for maintenance engineers. One branch of virtual commissioning is a digital twin. The digital twin is a virtual representation of a plant or a device. Thanks to the digital twin, different scenarios can be analyzed to make the testing process less complicated and less time-consuming. The goal of this work is to propose a coefficient that will take into account expert knowledge and methods used for model quality assessment (such as Normalized Root Mean Square Error - NRMSE, Maximum Error - ME). NRMSE and ME methods are commonly used for this purpose, but they have not been used simultaneously so far. Each of them takes into consideration another aspect of a model. The coefficient allows deciding whether the model can be used for digital twin appliances. Such an attitude introduces the ability to test models automatically or in a semi-automatic way.

Słowa kluczowe

PL

wirtualne uruchomienie; cyfrowy bliźniak; maszyna wektorów nośnych; jakość dopasowania modelu; klasyfikacja

EN

virtual commissioning; digital twin; SVM; model goodness of fit; classification

• Wydawca: Sieć Badawcza Łukasiewicz - Przemysłowy Instytut Automatyki i Pomiarów PIAP
• Czasopismo: Pomiary Automatyka Robotyka
• Rocznik: 2021
• Tom: R. 25, nr 1
• Strony: 35--39
• Opis fizyczny: Bibliogr. 9 poz., rys., wykr., wzory

Twórcy

autor

Glodek Łukasz

• ProPoint Sp. z o.o. Sp. K., ul. Bojkowska 37R, 44-100 Gliwice

• https://orcid.org/0000-0002-2353-2910

autor

Bysko Szymon

• ProPoint Sp. z o.o. Sp. K., ul. Bojkowska 37R, 44-100 Gliwice

• https://orcid.org/0000-0002-8296-5732

autor

Nocoń Witold

• Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki, Katedra Automatyki i Robotyki, ul. Akademicka 16, 44-100 Gliwice

• https://orcid.org/0000-0002-4785-958X

Bibliografia

• 1. Hellendoorn H., Driankov D., Fuzzy Model Identification: Selected Approaches. Lindskog P., Fuzzy Identification from a Grey Box Modeling Point of View. Springer-Verlag, Berlin Heidelberg Nowy Jork, 1997, 3-50, DOI: 10.1007/978-3-642-60767-7_1.
• 2. [www.mathworks.com/help], [dostępny 9 kwietnia 2020 r.].
• 3. Pal R., Predictive Modeling of Drug Sensitivity. Academic Press, 2016. ISBN: 9780128052747.
• 4. Steinwart I., Christmann A., Support Vector Machines. Springer, Nowy Jork, 2008, DOI: 10.1007/978-0-387-77242-4.
• 5. Cortes C., Vapnik V., Support-Vector Networks. “Machine Learning”, Vol. 20, 1995, 273-297, Kluwer Academic Publishers, Boston, DOI: 10.1007/BF00994018.
• 6. Jain U., Nathani K., Ruban N., Noel A., Raj J., Zhuang Z., Mahesh V. G. V., Cubic SVM Classifier Based Feature Extraction and Emotion Detection from Speech Signals. IEEE, 2018, International Conference on Sensor Networks and Signal Processing (SNSP). DOI: 10.1109/SNSP.2018.00081.
• 7. Shapiro D. E., The interpretation of diagnostic tests. “Statistical Methods in Medical Research”, Vol. 8, No. 2, 1999, 113-134. DOI: 10.1177/096228029900800203.
• 8. Altman D. G., Bland M. J., Diagnostic tests 2: Predictive values, “BMJ”, Vol. 309, 1994, DOI: 10.1136/bmj.309.6947.102.
• 9. Smith C. J., Diagnostic tests 2 - positive and negative predictive values, “Phlebology“, Vol. 27, No. 6, 2012, 305-306. DOI: 10.1258/phleb.2012.012J06.

Uwagi

1. Praca finansowana przez Ministerstwo Nauki i Szkolnictwa Wyższego „Doktorat Wdrożeniowy” nr 0053/DW/2018/02 oraz firmę ProPoint Sp. z o.o. Sp. K. w ramach grantu POIR.01.01.01-00-0047/15-00. Witold Nocoń finansowany z grantu Politechniki Śląskiej - subwencja na utrzymanie i rozwój potencjału badawczego 02/060/BK_20/0007; BK-276/RAU3/2020.

2. Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).