Application of knowledge discovery methods in diagnostics of standard radio frequency generator

• Autorzy: Miczulski W. , Szulim R.

Warianty tytułu

PL

Zastosowanie metod odkrywania wiedzy do diagnostyki generatora radiowej częstotliwości wzorcowej

• Języki publikacji: EN

Abstrakty

EN

The variety of the presented in the article time series characterizing a standard radio frequency (SRF) generator, called for designing appropriate procedures in order to acquire diagnostic knowledge. At the stage of initial input data preparation, methods of time series grouping and analysis were applied. These methods allowed to significantly improving the quality of the acquired knowledge. For the obtained corrected time series, a linear regression model made up of sections described by linear segments was used. This model enables to calculate the factors of the SRF deviation from its nominal value. This allows operators to assess the generator instability as well as to correct the generated signal value.

PL

Zaprezentowana w artykule różnorodność przebiegów czasowych, charakteryzujących pracę generatora radiowej częstotliwości wzorcowej, wymagała opracowania odpowiednich procedur postępowania w celu pozyskania wiedzy diagnostycznej. Na etapie wstępnego przygotowania danych wejściowych zastosowano metody grupowania i analizy szeregów czasowych. Metody te pozwoliły w istotny sposób poprawić jakość pozyskanej wiedzy. Dla otrzymanego skorygowanego przebiegu czasowego zastosowano model regresji liniowej składający się z segmentów opisywanych odcinkami liniowymi. Otrzymany model umożliwia obliczanie wskaźników odchylenia radiowej częstotliwości wzorcowej od wartości nominalnej. Pozwala to m.in. operatorom ocenić niestabilność generatora oraz korygować wartość częstotliwości generowanego sygnału.

Słowa kluczowe

EN

time series; regression method; movable average; generator instability

PL

szeregi czasowe; metoda regresji; średnia ruchoma; niestabilność generatora

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2009
• Tom: R. 85, nr 6
• Strony: 136--143
• Opis fizyczny: Bibliogr. 12 poz., rys., tab.

Twórcy

autor

Miczulski W.

autor

Szulim R.

• University of Zielona Góra, Institute of Electrical Metrology, ul. Podgórna 50, 65-246 Zielona Góra,

Bibliografia

• [1] Box G.E.P, Jenkins G. M., Time Series Analysis – forecasting and control. Holden-Day, (1976) San Francisco
• [2] Brandt S., Statistical and Computational Methods in Data Analysis. Springer Verlag, (1997) New York
• [3] Czubla A., Konopka J., Nawrocki J., Realization of atomic SI second definition in context UTC(PL) and TA(PL), Metrology and Measurement Systems, XIII (2006), No 2, 149 – 159
• [4] Dorffner G., Neural Networks for Time Series Processing, Neural Network World, 4 (1996), 447-468
• [5] Kartaschoff P., Frequency and Time. Academic Press Inc., London (1978)
• [6] Keogh E., Chu S., Hart D., Pazzani M., An online algorithm for segmenting time series, Proc. IEEE Inter. Conf. on Data Mining San Jose, USA (2001), 289-296
• [7] Markowski A., Miczulski W., Szulim R., On quality of measurement data in the process of knowledge acquisition, 14th IMEKO Symposium on New Technologies in Measurement and Instrumentation, Gdynia (2005), 171-174
• [8] Mitra S. K., Kaiser J. F., Handbook for Digital Signal Processing. Wiley (1993)
• [9] Meek C., Chickering D.M., Heckerman D., Autoregressive Tree Models for Time-Series Analysis, Proceedings of the Second International SIAM Conference on Data Mining, Arlington (2002), 229-244
• [10] Moczulski W., Szulim R., “On case-based control of dynamic industrial processes with the use of fuzzy representation”, Engineering Applications of Artificial Intelligence, 17 (2004), 371—381
• [11] Rutkowski L., Methods and Techniques of Artificial Intelligence, Państwowe Wydawnictwo Naukowe, PWN, Warsaw (2005) (in Polish)
• [12] Tipping M. E., Bishop Ch. M., Mixtures of probabilistic principle component analysers, Neural Computation, 111 (1999), No.2, 443-482