Zastosowanie technik Data Mining do odkrywania relacji diagnostycznych w danych opisujących przebieg historii eksploatacji maszyn

• Autorzy: Gibiec M.

Warianty tytułu

EN

Data Mining techniques application to diagnostic relations discovering in historic data of machinery exploitation

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono przykład wykorzystania wybranych technik Data Mining do odkrywania relacji diagnostycznych w danych z rejestratora przebiegu eksploatacji górniczego kombajnu ścianowego. Wykorzystując metody grupowania określono ilość grup w danych oraz zweryfikowano ich związek ze stanem technicznym urządzenia na podstawie protokołów serwisowych. Zbudowano modele klasyfikujące wyróżnione stany techniczne urządzenia wykorzystując metody drzew klasyfikujących. Analizując działanie mechanizmu klasyfikującego drzew w postaci reguł odkryto relacje diagnostyczne opisujące przyczyny zmian stanu technicznego rozważanego urządzenia.

EN

In this research an example of Data Mining techniques application to diagnostic relations discovering from data recorder of exploitation parameters of mining cutter-loader was presented. Using clustering methods the number of clusters in data was determined. Their correlations with technical condition of machinery was verified basing on servicing documentation. Classification trees methods were used to build models classifying listed technical conditions. Performance of their classification system in form of rules was investigated. Basing on these rules diagnostic relations describing reasons of technical condition changes were discovered.

Słowa kluczowe

PL

relacje diagnostyczne; klasyfikacja stanu technicznego; data mining; analiza danych

EN

diagnostic relations; technical condition classification; data mining; data analyses

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2007
• Tom: nr 3(43)
• Strony: 65--70
• Opis fizyczny: Bibliogr. 9 poz., rys.

Twórcy

autor

Gibiec M.

• Katedra Robotyki i Mechatroniki, Akademia Górniczo-Hutnicza w Krakowie, 30-059 Kraków, al. Mickiewicza 30,

Bibliografia

• [1] Grabiński T., Sokołowski A.: The Effectiveness of Some Signal Identification Procedures, Signal Processing: Theories and Applications, North-Holland Publishing Company, EURASIP, 1980.
• [2] Gibiec M.: Soft Computing tools for machine diagnosing, Journal of Theoretical and Applied Mechanics. 3, vol. 42: 483 – 501, 2004.
• [3] Hand D., Mannila H., Smyth P.: Principles of Data Mining, MIT Press, Cambridge. Tłum pol. Eksploracja Danych, WNT, Warszawa 2005.
• [4] Kantardzic M.: Data Mining: Concepts, Models, Methods and Algorithms, Wiley-Interscience, Hoboken NJ 2003.
• [5] Larose D.: Data Mining Methods and Models. Wiley-Interscience, Hoboken NJ 2006.
• [6] Wang X. Z., Data Mining and Knowledge Discovery for Process Monitoring and Control, Springer-Verlag London 1999.
• [7] Sohn H., Worden K., Farrar C. R.: Statistical damage classification under changing environmental and operational conditions, Journal of Intelligent Material Systems and Structures, 13 561-574, 2002.
• [8] Skormin V. A., Popyack L. J., Gorodetski V. I., Araiza M. L., Michel J. D.: Applications of cluster analysis in diagnostics-related problems, in: Proceedings of the 1999 IEEE Aerospace Conference, Vol. 3, Snowmass at Aspen, CO, USA,, pp. 161-168, 1999.
• [9] Wang K.: Intelligent condition monitoring and diagnosis systems, a computational intelligence approach. ISSN: 0922-6389, IOS Press, 2003.