Supervised classification in the system of electromechanical traction process evaluation from the point of view of motion disturbances

• Autorzy: Cygan M.

Warianty tytułu

PL

Klasyfikacja nadzorowana w systemie oceniania elektromechanicznych procesów trakcyjnych ze względu na zaburzenia ruchu

• Języki publikacji: EN

Abstrakty

EN

The realisation stage of the algorithm of the system for evaluation of the electromechanical traction process from the point of view of motion disturbances with use of categories typical of artifical intelligence systems which has been presented concerns the supervised classification. Each class of the evaluation system input sampIes is represented by its own codebook vector. Non-supervised classification determines the basic class set and at the same time it defines the attachment or a input signal sample to one of the classes. At the stage of the supervised classification the classes are a priori known. The supervised classification is made on the base of the relation between the values of the evaluation indices within the classes of the process. The technical system arameters change during exploitation. The changes follow from wear of the technical system elements, they may depend on external influences and they may aIso be an effect of decisions made in the decision process. In connection with that - as the runs of typical processes as a rule differ from each other - it is assumed that so different exploitation processes are optimal from the point of view or parameters. This is a common base for comparative studies. The question under discussion is connected with creation or vector representation of sampIes in the processor system: by self-organisation, arranging of the reference vector values as well as quantisation of associated memory within subspaces of the classes. Non-supervised classification and supervised classification are the base for realisation of neuron-type processor structure intended for evaluation of electromechanical traction processes.

PL

Ocenianie elektromechanicznych procesów trakcyjnych ze względu na zaburzenia ruchu jest realizowane w samoorganizującej się procedurze rozpoznania i klasyfikacji informacji wejściowych, na podstawie pomiarów eksploatacyjnych zmiennych procesowych. Uporządkowany system przetwarzania informacji, posiadający atrybuty sztucznej inteligencji, tworzy podstawy aktywnego bezpieczeństwa mając na uwadze zagrożenia wynikające z eksploatacji transportowego systemu trakcyjnego. Klasyfikacja nadzorowana systemu oceniania elektromechanicznych procesów trakcyjnych ze względu na zaburzenia korzysta z systemu klas wyznaczanych w procedurze klasyfikacji nienadzorowanej . Klasyfikacja nadzorowana wyznacza przestrzeń realizacji wektora odniesienia (codebook vector) pamięci skojarzonej systemu oceniania. Przyjmuje się, że badane procesy, jakkolwiek różnią się od siebie, to eksploatacyjnie są podobne i parametrycznie optymalne. To określa wspólną platformę badań porównawczych. Klasyfikacja nadzorowana jest efektem oceniania ilościowych relacji próbek informacji wejściowej w klasach procesu oraz jakościowych relacji podprocesów, również w wielowymiarowych procesach trakcyjnych lokomotyw elektrycznych. Omawiane zagadnienia związane są z tworzeniem reprezentacji wektorowej próbek w systemie procesora poprzez: samoorganizację, porządkowanie wartości wektorów odniesienia oraz kwantyzację pamięci skojarzonej w podprzestrzeniach klas.

Słowa kluczowe

EN

traction process; safety; artificial intelligence; codebook vector; supervised classification

PL

procesy trakcyjne; zaburzenia ruchu; lokomotywy elektryczne; bezpieczeństwo; wektor odniesienia; sztuczna inteligencja; klasyfikacja nadzorowana

• Wydawca: Warsaw University of Technology, Faculty of Transport
• Czasopismo: Archives of Transport
• Rocznik: 2007
• Tom: Vol. 19, iss. 4
• Strony: 17--29
• Opis fizyczny: Bibliogr. 17 poz., rys.

Twórcy

autor

Cygan M.

• Politechnika Warszawska, Wydział Transportu, 00-662 Warszawa, ul. Koszykowa 75

Bibliografia

• 1. Coit D.W., Baheranwala F: Solution of stochastic multi-objective system reliability design problems using genetic algorithms. ESRA- PSRA: European Safety & Reliabilily Conferencc, ESREL 2005, 27-30 June 2005, Tri City, Poland.
• 2. Cygan M.: Multidimensional Methods of Disturbances in Operational Investigations of Rail-Vehicle Electromechanical Drives. Transport XXI Wieku, Międzynarodowa Konferencja Naukowa, Politechnika Warszawska, PAN. Warszawa, wrzesień 200l.
• 3. Cygan M.: Process Time Constant as the Parameter Characterizing the Condition of Electromechanical Driving System for Traction Vehicle. Drives and Supply Systems for Modern Electric Traction. 3rd Intern. Scient. Conf. MET '01, Technical University of Gdańsk, Warsaw University of Technology, Pol. Ac. of Science, Pol. Sec. of IEE, Gdańsk, Poland. 2001, p. 42-1.
• 4. Cygan M.: Evaluation of Electric Locomotive Motion Safety with Use of an Electromechanical Traction Processes Observer. Logitrans '03, Konferencja naukowo-techniczna: Logistyka, Systemy transportowe, Bezpieczeństwo w transporcie. Prace Nauk. TRANSPORT, Nr 1 (17), 2003.
• 5. Cygan M.: Electromechanical Similarity Question in the Multidimensional Traction Processes of Locomotive Drives. International Conference on Clean, Efficient & Safe Urban Transport, Cesura '03. Gdańsk/Jurata, Poland, 4-6 June 2003, ISBN 83-918622-1-6.
• 6. Cygan M.: Dynamic evaluation of traction vehicle electromechanical drive in transportation traction processes. Archives of Transport, Vol. XV, No. 1, 2003.
• 7. Cygan M.: An inverse problem of electric locomotive drive electromechanics in the transportation traction processes. Archives of Transport, Vol. XV, No. 2, 2003.
• 8. Cygan M.: Informational Feedback in Safe Operation of Electric Locomotives. International Conference: The transport of the 21st century, Warsaw, 2004.
• 9. Cygan M.: Active Safety in Operation of Electric Locomotives. ESRA- PSRA: European Safety & Reliability Conferencc, ESREL 2005, 27-30 June 2005, Tri City, Poland.
• 10. Cygan M.: Unsupervised Classification in the System of Electromechanical Traction Process Evaluation from the Point of View of Disturbances. Archives of' Transport, Vol. XIX, No. 3, 2007.
• 11. Dougherty J., Kohavi R., Sahami M.: Supervised and unsupervised discretizations of continuous features. Proc. 12th Int. Conf. on Machine Learning, Morgan Kaufmann, 1995, p. 194-202.
• 12. Goldberg D.: Algorytmy genetyczne i ich zastosowania. Wydawnictwa Naukowo-Techniczne, Warszawa, 1995.
• 13. Kohonen T.: Self-organization and Associative Memory. Springer Verlag, Springer Series in Information Sciences, Vol. 8. New York, 1984.
• 14. Pawlak Z.: Rough sets. Int. J. Computer and Information Science, 11, 1982.
• 15. Pawlak Z., Slowiński R.: Rough set approach to multi-attribute decision analysis. European Journal of Operational Research, 72,1994.
• 16. Polkowski L., Skowron A. (red.): Rough sets in knowledge discovery. Applications, Case studies and software systems. Physica-Verlag, Vol 2, Heidelberg, 1998.
• 17. Slowiński R. (red.): Intelligent Decision Support. Handbook of Applications and Advances of the Rough Sets Theory, Dordrecht, Kluwer Academic Publishers, 1992.