PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

Wybrane zastosowania sztucznej inteligencji w diagnostyce technicznej

Autorzy
Wybrane pełne teksty z tego czasopisma
Identyfikatory
Warianty tytułu
EN
Selected applications of artificial inteligence in technical diagnostics
Języki publikacji
PL
Abstrakty
PL
Przedmiotem referatu są zastosowania sztucznej inteligencji w określonej dziedzinie, jaką jest diagnostyka techniczna. W praktycznych zadaniach diagnostyki technicznej celowe jest wyodrębnienie podmiotu, przez który rozumiany będzie bądź człowiek-diagnosta, bądź sztuczny układ diagnozujący. Głównym celem postępowania ("diagnostycznego") jest ocena stanu (technicznego) obiektu diagnozowania. Działanie to wymaga zgromadzenia odpowiedniej wiedzy i/lub doświadczenia. Może ono być bądź to wspomagane, bądź wręcz realizowane, przez odpowiedni system bazujący na wiedzy (ang. Knowledge-based system). Budowa takich systemów, a zwłaszcza budowa ich baz wiedzy, jest ważną gałęzią sztucznej inteligencji.
EN
The paper deals with several issues concerning applications of Artificial Intelligence (AI) in technical diagnostics. The applications were selected with respect to research work carried out in the Department of Fundamentals of Machinery Design, Silesian University of Technology at Gliwice, Poland. Main tasks of technical diagnostics of objects (machinery and equipment) and processes are briefly discussed. Further on, some arbitrary selected applications are described. Apart from the first application that focuses on acquisition of procedural and declarative knowledge from domain experts, all remaining ones are connected with knowledge acquisition from databases containing either examples obtained during simulations, or collected from real machinery and processes. Diagnostic inverse models are means of diagnostic concluding. The models are usually trained on simulation data. Belief network is other means of efficient modeling diagnostic relations that allows representing and dealing with uncertainty. An important contribution to classification yield diagnostic multimodels and multilevel models, both of them making possible application of local models, and then combining responses of component models. Recently, approximate models of processes become important, with special attention paid to different soft modeling methods. It is shown that classical machine learning methods may be efficiently employed for knowledge acquisition from examples. However, since many databases accessible from monitoring systems contain unclassified though quite valuable data, applications of new methodology of knowledge discovery in databases are very promising. Finally, a comprehensive application - a diagnostic expert system - is discussed. The paper concludes with short discussion about the role that AI should play in technical diagnostics in the future, and some issues that become potential subjects of prospective research.
Rocznik
Tom
Strony
93--105
Opis fizyczny
Bibliogr. 30 poz.
Twórcy
autor
  • Politechnika Śląska, Gliwice
Bibliografia
  • 1. Cempel Cz.: Diagnostyka wibroakustyczna maszyn. PWN, Warszawa, 1989.
  • 2. Cheng J., Bell D., Liu W.: Learning Bayesian Networks from Data: An Efficient Approach Based on Information Theory. http://www.cs.ualberta.ca/~jcheng/Doc/report98.pdf.
  • 3. Cholewa W.: Unilateral diagnostic models. 2nd International Conference on Acoustical and Vibratory Surveillance Methods and Diagnostic Techniques, vol. 2, pp. 805-815, Senlis 1995.
  • 4. Cholewa W.: Systemy doradcze w diagnostyce technicznej. W: [13], rozdz. 15.
  • 5. Cholewa W.: Diagnostyczne modele obiektów. W: [10], rozdz. 2.
  • 6. Cholewa W.: System doradczy K015. W: [10], rozdz. 27.
  • 7. Cholewa W., Kiciński J. (red.): Diagnostyka techniczna. Odwrotne modele diagnostyczne. Wyd. Pol. Śląskiej, Gliwice 1997.
  • 8. Cholewa W., Kiciński J. (red.): Diagnostyka techniczna. Metody odwracania nieliniowych modeli obiektów. Zeszyt KPKM nr 120, Pol. Śląska, Gliwice 2001.
  • 9. Cholewa W., White M. F.: Inverse Modeling in Rotordynamics for Identification of Unbalance Distribution. Machine Vibration, 2:157-167, 1993.
  • 10. Kiciński J. (red.), Modelowanie i diagnostyka oddziaływań mechanicznych, aerodynamicznych i magnetycznych w turbozespołach energetycznych. Wyd. Instytutu Maszyn Przepływowych PAN, Gdańsk 2005.
  • 11. Kiciński J., Markiewicz-Kicińska A.: Linia wirników i łożysk ślizgowych. W: [10], rozdz. 10.
  • 12. Klimek A.: Metody doskonalenia odwrotnych modeli diagnostycznych. ZN Pol. Śląskiej, Mechanika z. 134, Gliwice 1999.
  • 13. Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W. (red.): Diagnostyka procesów. Modele, metody sztucznej inteligencji, zastosowania. WNT, Warszawa 2002.
  • 14. Kostka P.: Metody klasyfikacji postaci kinetostatycznych linii wałów maszyn wirnikowych. Praca doktorska, Pol. Śląska, KPKM, Gliwice 2001.
  • 15. Kościelny J.M.: Diagnostyka zautomatyzowanych procesów przemysłowych. AOW EXIT, Warszawa 2001.
  • 16. Michalski R. S.: A Theory and Methodology of Inductive Learning. Artificial Intelligence, 20:111-161, 1983.
  • 17. Moczulski W.: Diagnostyka techniczna. Metody pozyskiwania wiedzy. Monografie. Wyd. Pol. Śląskiej, 2002.
  • 18. Moczulski W.: Koncepcja empirycznej relacji diagnostycznej. XXIV Sympozjum „Diagnostyka Maszyn”, nr 1/97 serii Referaty, ss. 157-162, Katowice, 1997. Pol. Śląska, Instytut Transportu.
  • 19. Moczulski W.: Inductive Acquisition of Diagnostic Knowledge for States Tree with Complex Structure. Mechanical Systems and Signal Processing, 15(4): 813-825, 2001.
  • 20. Moczulski W., Szulim R., On case-based control of dynamic industrial processes with the use of fuzzy representation, Engineering Applications of Artificial Intelligence, 2004, Vol. 17, s. 371-381.
  • 21. Moczulski W., Żytkow J. M.: Automated Search for Knowledge on Machinery Diagnostics. [W:] Kłopotek M., Michalewicz M., Raś Z. (red.): Intelligent Information Systems. Proceedings of the Conference IIS’97, ss. 194-203, IPI PAN, Warszawa 1997.
  • 22. Pawlak Z.: Rough Sets. Theoretical Aspects of Reasoning About Data. Kluwer Academic Publishers, 1991.
  • 23. Quinlan J. R.: Induction of Decision Trees. Machine Learning, 1:81-106, 1986.
  • 24. Russel S., Norvig P.: Artificial Intelligence - A Modern Approach. Wyd. 2, Prentice Hall, 2003.
  • 25. System DT200-1. http://kpkm.polsl.pl/PROJEKTY/SystemDT200-1/default.htm
  • 26. Szulim R.: Metoda pozyskiwania wiedzy do prowadzenia złożonego procesu technologicznego, Praca Doktorska, Uniwersytet Zielonogórski, Instytut Metrologii Elektrycznej, Zielona Góra 2004.
  • 27. Wachla D., Projekcja i selekcja atrybutów w identyfikacji modeli dynamicznych metodami odkryć wiedzy w bazach danych”. Diagnostyka Procesów Przemysłowych DPP’05, Rajgród, 12-14.09.2005, Inst. Automatyki i Robotyki Pol. Warszawskiej (przyjęte do druku).
  • 28. Wojtusik J.: Application of Multi-Models to Modelling of Centrifugal Pumps Behavior. AI-METH 2003 Symposium on Artificial Intelligence Methods, Gliwice 2003, Proceedings - Full Papers, pp. 339-344.
  • 29. Wyleżoł M.: Metody pozyskiwania procedur i relacji diagnostycznych od specjalistów w dziedzinie eksploatacji maszyn. Praca doktorska, Pol. Śląska, KPKM, Gliwice, 2000.
  • 30. Żytkow J. M., Zembowicz R.: Database Exploration in Search of Regulari- ties. Journal of Intelligent Information Systems, 2:39-81, 1993.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-article-BAR1-0006-0079
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.