Identification of submersible pump temperature changes model using KDD methods

• Autorzy: Wachla D.

Warianty tytułu

PL

Identyfikacja modelu zmian temperatury pompy głębinowej z zastosowaniem metod odkrywania wiedzy w bazach danych

• Języki publikacji: EN

Abstrakty

EN

This paper deals with the problem of the autoregressive model identification using KDD methods. In the considered problem, the autoregressive models are applied to describe dynamics processes of various technical systems. In particular, a method of functional dependencies discovering was presented. The method was designed for exploring data sets gathered by industrial SCADA systems. For the problem of the identification of pump temperature changes model, the method was verified. For this particular reason, a set of data was used which was gathered by submersible pumping station SCADA system. The assumptions, the exemplary results of the conducted research and conclusions were presented, as well.

PL

W artykule poruszono problem identyfikacji modeli autoregresyjnych opisujących dynamikę obserwowanych procesów. W szczególności przedstawiono metodę odkrywania zależności funkcyjnych w zbiorach danych gromadzonych przez przemysłowe systemy SCADA. Opracowaną metodę zweryfikowano dla problemu identyfikacji modelu zmian temperatury pompy głębinowej. W tym celu zastosowano fragment danych zgromadzony przez system rejestracji danych współpracujący pompownią głębinową. Przedstawiono przyjęte założenia, fragmenty uzyskanych wyników oraz wnioski z przeprowadzonych badań.

Słowa kluczowe

EN

database; knowledge; system identification; genetic algorithm; support vector machine; attributes selection; SCADA systems

PL

baza danych; wiedza; identyfikacja systemów; algorytm genetyczny; metoda wektorów wspomagających; selekcja atrybutów; system SCADA

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2006
• Tom: nr 2(38)
• Strony: 41--44
• Opis fizyczny: Bibliogr. 10 poz., rys., tab.

Twórcy

autor

Wachla D.

• Silesian University of Technology, Department of Fundamentals of Machinery Design, Konarskiego Street 18A, 41-100 Gliwice, Poland,

Bibliografia

• [1] Akaike H.: A new look at the statistical model selection. IEEE Transactions on Automatic Control, 19:716–723, 1974.
• [2] Ciupke K.: Selection and reduction of information in machinery diagnostics. Vol. 118. Department of Fundamentals of Machinery Design, Silesian University of Technology, Gliwice, 2001 (in Polish).
• [3] Gibiec M.: Intelligent health prognostics of machines used in mining industry. VI National Conference “Diagnostics of Industrial Processes” DPP’05, Rajgród, ss. 243–245, Warsaw University of Technology, 2005 (in Polish).
• [4] Goldberg D.E.: Genetic Algorithms in Search, Optimization and Machine Learning. WNT, Warszawa, 1998 (in Polish).
• [5] Kohavi R., John G. H.: Wrappers for feature subset selection. Artificial Intelligence, 97(1-2):273–324, 1997.
• [6] Korbicz J., Kościelny J.M., Kowalczuk Z., Cholewa W. (Eds.): Diagnostics of Processes. Models, Methods of Artificial Intelligence, Applications. WNT, Warszawa 2002 (in Polish).
• [7] Schölkopf B., Bartlett P. L., Smola A. J., Williamson R.: Shrinking the tube: a new support vector regression algorithm. vol. 11, ss. 330 – 336, Cambridge, MA, 1999. MIT Press.
• [8] Schölkopf B., Smola A. J.: Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge, MA, USA, 2001.
• [9] Söderström T., P. Stoica P.: System Identification. PWN, Warszawa, 1997 (in Polish).
• [10] Wachla D.: Identification of Dynamic Diagnostic Models Using Methods of Knowledge Discovery in Databases. Phd Thesis, Silesian University of Technology, Department of Fundamentals of Machinery Design, Gliwice, 2006 (in Polish).