A framework for knowledge acqusition system in perspective view of diagnostic of rotating machinery

• Autorzy: Wachla D.

Warianty tytułu

PL

System pozyskiwania wiedzy z perspektywy diagnostyki maszyn wirnikowych

• Języki publikacji: EN

Abstrakty

EN

A concept of knowledge acquisition system for the needs of diagnostic of rotor machines was presented in the article. The concept was developed on assumption that knowledge would be acquired inductively through analysis of measure and simulative data. The founding of the system was considered. The architecture was particularly described and example of its application was provided, as well.

PL

W artykule przedstawiono koncepcję systemu pozyskiwania wiedzy dla potrzeb diagnostyki maszyn wirnikowych. Koncepcję opracowano przyjmując założenie, że wiedza będzie pozyskiwana w sposób indukcyjny poprzez analizę danych pomiarowych lub symulacyjnych. Omówiono genezę powstania systemu. Szczegółowo opisano architekturę oraz pokazano przykład zastosowania.

Słowa kluczowe

EN

knowledge acquisition; diagnostics; rotating machinery; database; support vector machine

PL

pozyskiwanie wiedzy; diagnostyka; maszyna wirnikowa; baza danych; metoda wektorów wspomagających

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2009
• Tom: nr 1(49)
• Strony: 13--16
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Wachla D.

• Silesian University of Technology, Department of Fundamentals of Machinery Design, Konarskiego 18A str., 44-100 Gliwice, Poland,

Bibliografia

• [1] Chang C. C., Lin C. J. LIBSVM: a library for support vector machines, 2001. http://www.csie.ntu.edu.tw/cjlin/libsvm.
• [2] Fayyad U. M., Irani K. B.: Multi-Interval Discretization of Continuous-Valued Attributes for Classification Learning. In 13’th International Joint Conference on Uncertainly in Artificial Intelligence (IJCAI93), pages 1022-1029, Chambery, France, 1993.
• [3] Goldberg D. E. Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Professional, 1989.
• [4] Hall M. Correlation-based Feature Selection for Machine Learning. PhD thesis, Waikato University, Department of Computer Science, Hamilton, NZ, 1998.
• [5] Kiciński J. et al.: Modelowanie i diagnostyka oddziaływań mechanicznych, aerodynamicznych i magnetycznych w turbozespołach energetycznych (in Polish). IMP PAN, Gdańsk.
• [6] Larose D. T.: Discovering Knowledge in Data: An Introduction to Data Mining. Wiley-Interscience, 2004.
• [7] Michalewicz Z., Fogel D. B.: How to Solve It: Modern Heuristics. Springer-Verlag, Berlin Heidelberg, 2004.
• [8] Moczulski W.: Metody pozyskiwania wiedzy dla potrzeb diagnostyki maszyn (in Polish). Zeszyt 130, Politechnika Śląska, Gliwice, 1997.
• [9] Schölkopf B., Smola A. J. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond. MIT Press, Cambridge, MA, USA, 2001.
• [10] Witten I. H., Frank E.: Data Mining: Practical machine learning tools and techniques. Morgan Kaufmann, San Francisco, 2 edition, 2005.
• [11] Vapnik V.: The Nature of Statistical Learning Theory. Springer-Verlag, New York, 1995.
• [12] Wachla D. System Verification. In Ciupke K., Moczulski W. eds., Knowledge Acqusition For Hybrid Systems of Risk Assessment And Critical Machinery Diagnosis. ITE, Radom, 2008.