Data sources diversity in technical objects state assessment with information fusion techniques

• Autorzy: Jamrozik W.

Warianty tytułu

PL

Różnorodność źródeł danych w określaniu stanu obiektów technicznych z zastosowaniem technik fuzji informacji

• Języki publikacji: EN

Abstrakty

EN

The paper deals with a relationship between diversity of diagnostic signals sources and efficiency of technical objects states assessment with use of classifier fusion techniques. There is often stated that there should be some differences in sources of signals that are classified and fused. The intuition tells that none or minimal improvement of classification rate is gained when the diversity within the fused classifier set is low. To prove this thesis an active diagnostic experiment was carried out. Diagnostic signals were generated on basis of the thermogram sequences acquired during rotating machinery operation by two IR-cameras. Because in both sequences regions of interests representing the same assemblies of the machine are present, it can be assumed that there is hardware redundancy applied. With use of k-NN classifiers and fuzzy integral and proportional conflict redistribution aggregation rules, the state of the machine is possible to be assessed. The analysis of obtained results showed that there was no strong relationship between the diversity of classifiers and the efficiency of state classification.

PL

W artykule omówiono związek pomiędzy różnorodnością źródeł sygnałów diagnostycznych a efektywnością oceny stanu technicznego maszyny z wykorzystaniem technik fuzji klasyfikatorów. Często zasadne jest twierdzenie, że sygnały diagnostyczne powinny być pozyskiwane z różnorodnych źródeł. Intuicyjnie można przyjąć, że w przypadku wykorzystania w procesie fuzji zbliżonych klasyfikatorów, zwiększenie sprawności klasyfikacji będzie bliskie zeru. W celu udowodnienia tej tezy przeprowadzono aktywny eksperyment diagnostyczny. Sygnały diagnostyczne zostały pozyskane z sekwencji termogramów przedstawiających pracującą maszynę wirnikową. Sygnały zarejestrowano z wykorzystaniem dwóch kamer termowizyjnych. Klasyfikacji stanu maszyny dokonano przy użyciu klasyfikatora k najbliższych sąsiadów, a w procesie fuzji klasyfikatorów wykorzystano całkę rozmytą oraz regułę proporcjonalnej redystrybucji konfliktów jako operatory agregacji. Analiza otrzymanych wyników pokazała, że nie występuje silna relacja pomiędzy różnorodnością klasyfikatorów, a efektywnością oceny stanu technicznego.

Słowa kluczowe

EN

machine diagnostics; thermovision; classifier fusion

PL

diagnostyka maszyn; termowizja; fuzja informacji

• Wydawca: Polskie Towarzystwo Diagnostyki Technicznej
• Czasopismo: Diagnostyka
• Rocznik: 2010
• Tom: nr 3(55)
• Strony: 3--8
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Jamrozik W.

• Silesian University of Technology, Department of Fundamentals of Machinery Design 44-100 Gliwice ul. Konarskiego 18a, tel [phone], fax [phone],

Bibliografia

• [1] Fidali M., Jamrozik W.: Search for optimal estimators of thermogram Fourier images. Burczyński T. Cholewa W., Moczulski W., eds. Recent developments in artificial intelligence methods, AI-Meth Series, Gliwice, 2009.
• [2] J. Korbicz, J. Kościelny, Z. Kowalczuk, and W. Cholewa, eds.: Fault Diagnosis. Models, Artificial Intelligence. Applications. Berlin, Heidelberg, New York, Hong Kong, London, Milan, Paris, Tokyo, Springer, 2004.
• [3] Fidali M.: An idea of continuous thermographic monitoring of machinery. in QIRT 2008 Proceedings, 9th International Conference on Qualitative InfraRed Thermography, July 2-5, Kraków, Poland, 2008.
• [4] J. Dezert and F. Smarandache, DSmT: A new paradigm shift for information fusion. CoRR, vol. abs/cs/0610175, 2006.
• [5] A. Martin and C. Osswald: A new generalization of the proportional conflict redistribution rule stable in terms of decision. CoRR, vol. abs/0806.1797, 2008.
• [6] L. I. Kuncheva: “Fuzzy” vs “non-fuzzy” in combining classifiers designed by boosting. IEEE Transactions on Fuzzy Systems 11: 729-741, 2003.
• [7] A. Verikas, A. Lipnickas, K.Malmqvist, M. Bacauskiene, A. Gelzinis: Soft combination of neural classifiers: A comparative study. Pattern Recognition Letters, 20: 429-444, 1999.
• [8] S. Hashem: Treating harmful collinearity in neural network ensembles. In A. J. C. Sharkey, editor. Combining Artificial Neural Nets. Springer-Verlag, London, 1999, pp. 101-125.
• [9] C. A. Shipp , L. I. Kuncheva: Relationships between combination methods and measures of diversity in combining classifiers. Information Fusion, 3(2): 135-148, 2002.
• [10] D. Han, C. Han, and Y. Yang, Multiple k-nn classifiers fusion based on evidence theory, in Automation and Logistics, 2007 IEEE International Conference on, pp. 2155-2159, Aug. 2007.
• [11] Jamrozik W., Fidali M.: Classifier fusion using the PCR6 rule for assessment of machine technical state. Burczyński T. Cholewa W., Moczulski W., eds. Recent developments in artificial intelligence methods, AI-Meth Series, Gliwice, 2009.
• [12] G. Shafer: A mathematical theory of evidence. Princeton university press, 1976.
• [13] Fukushima M., Ogawa K., Kubota T., and Hisa N.: Quantitative tissue characterization of diffuse liver diseases from ultrasound images by neural network. IEEE Proc. Nucl. Symp. 2:1233-1236, 1997.
• [14] Kuncheva L. I.: Combining pattern classifier. Wiley, USA, 2004.