Data mining methods - application in metallurgy

• Autorzy: Talar J.

Warianty tytułu

PL

Metody eksploracji danych - zastosowanie w metalurgii

• Konferencja: Scientific Seminar Integrated Study on the Foundations of Plastic Deformation of Metals PLASTMET'06 (5; 28.11-01.12.2006; Łańcut, Poland)
• Języki publikacji: EN

Abstrakty

EN

The objective of the paper is an evaluation of data mining techniques in application to both the analysis of large data sets and the modelling of complex manufacturing processes in the field of metallurgy. The paper presents an idea of the knowledge exploration process from large data sets and the major tasks of data mining. The basics of selected data mining methods are also presented: k- means clustering, decision trees, artificial neural networks and Bayesian networks. The second part of the paper presents some results of the application of selected data mining methods in metallurgy. The examples apply to the data analysis as well as modelling and control of metallurgical processes. The results have shown that data mining methods are very useful for both the analysis and the modelling of complex metallurgical processes.

PL

Celem pracy jest ocena technik eksploracji danych w zastosowaniu do analizy dużych zbiorów danych oraz modelowania złożonych procesów wytwarzania w obszarze metalurgii. W pracy przedstawiono idee procesu eksploracji wiedzy z dużych zbiorów danych oraz główne zadania eksploracji danych. Zaprezentowano również podstawy wybranych metod eksploracji danych: klasteryzacja k- średnich, drzewa decyzyjne, sieci neuronowe oraz sieci Bayesowskie. Druga część artykułu zawiera wyniki zastosowania wybranych metod eksploracji danych w metalurgii. Przykłady dotyczą analizy danych oraz modelowania i sterowania procesów metalurgicznych. Wyniki pokazały, że metody eksploracji danych są bardzo przydatne do analizy i modelowania złożonych procesów metalurgicznych.

Słowa kluczowe

EN

data mining; decision tree; artificial neural networks; Bayesian networks; clustering; data filtering; modelling and optimisation of metallurgical processes

PL

pozyskiwanie danych; drzewo decyzyjne; sieci neuronowe; sieci bayesowskie; klasteryzacja; filtrowanie danych; proces modelowania; proces metalurgiczny

• Wydawca: Institute of Metallurgy and Materials Science of Polish Academy of Sciences ; Committee of Materials Engineering and Metallurgy of Polish Academy of Sciences
• Czasopismo: Archives of Metallurgy and Materials
• Rocznik: 2007
• Tom: Vol. 52, iss. 2
• Strony: 239--250
• Opis fizyczny: Bibliogr. 36 poz., rys., tab.

Twórcy

autor

Talar J.

• Faculty of Metals Engineering and Industrial Computer Science, AGH University of Science and Technology, 30-059 Kraków, Al. Mickiewicza 30

Bibliografia

• [1] J. Han, M. Kamber, Data Mining: Concepts and Techniques, Morgan Kaufmann Publishers (2001).
• [2] D. Hand, H. Mannila, P. Smyth, Principles of Data Mining, Press MIT (2001).
• [3] D. T. Larose, Discovering Knowledge in Data. An Introduction to DATA MINING, J. Wiley & Sons 2005. Polskie tłumaczenie: Odkrywanie wiedzy z danych. Wprowadzenie do eksploracji danych, Wydawnictwo Naukowe PWN, Warszawa 2006).
• [4] J. B. Mc Queen, Some Methods for Classification and Analysis of Multivariate Observations, Proc. of 5th Berkeley Symp. on Mathematical Statistics and Probability 1, 281-297 (1967).
• [5] M. N. Murty, A. K. Jain, P. J. Flynn, Data clustering: a review, ACM Computing Surveys 31, 3, 264-323 (1999).
• [6] S. Guha, R. Rastogi, K. Shims, Cure: An Efficient Clustering Algorithm for Large Databases, Information Systems, Elsevier 26, 1, 35-58 (2001).
• [7] A. K. Jain, R. C. Dubes, Algorithms for Clustering Data, Prentice Hall (1988).
• [8] L. Kaufman, P. J. Rousseeuw, Finding Groups in Data: an Introduction to Cluster Analysis, John Wiley & Sons, New York (1990).
• [9] S. K. Pal, P. Mitra, Pattern Recognition Algorithms for Data Mining, Chapman & Hall/CRC (2004).
• [10] R. Agrawal, H. Mannila, R. Srikant, H. Toivonen, A. I. Verkamo, Fast Discovery of Association Rules, in: Advances in Knowledge Discovery and Data Mining, U.M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy (eds.), The MIT Press, 307-328 (1996).
• [11] D. J. Berndt, J. Clifford, Finding Patterns in Time Series: A Dynamic Programming Approach, in: Advances in Knowledge Discovery and Data Mining, U.M. Fayyad, G. Piatetsky-Shapiro, P. Smyth, R. Uthurusamy (eds.), The MIT Press, 229-248 (1996).
• [12] J. C. Dunn, A. Fuzzy,Relative of the ISODATAProcess and Its Use in Detecting Compact Well-Separated Clusters, Journal of Cybernetics 3, 32-57 (1973).
• [13] J. C. Bezdek, Pattern Recognition with Fuzzy Objective Function Algorithms, Plenum Press, New York (1981).
• [14] L. Breiman, J. H. Friedman, R. A. Olshen, C. J. Stone, Classification and Regression Trees, Chapman & Hall (Wadsworth, Inc.), New York (1984).
• [15] J. R. Quinlan, Induction of decision trees, Machine Learning 1, 81-106 (1986).
• [16] J. R. Quinlan, C4.5: Programs for Machine Learning, Morgan Kauffman (1993).
• [17] M. A. Kłopotek, Inteligentne wyszukiwarki internetowe, Akademicka Oficyna Wydawnicza Exit, Warszawa (2001).
• [18] M. A. Arbib (ed.), The Handbook of Brain Theory and Neural Networks, The MIT Press, London (1995).
• [19] S. Osowski, Sieci neuronowe, Oficyna Wydawnicza Politechniki Warszawskiej, Warszawa (1996).
• [20] R. Tadeusiewicz, Sieci neuronowe, Akademicka Oficyna Wydawnicza RM, Warszawa (1993).
• [21] J. Talar, P. Jarosz, J. Kusiak, J. Staszak, Artificial intelligence based modelling of the direct copper flash smelting process, in: Research in Polish metallurgy at the beginning of XXI century, M. Blicharski, K. Fitzner, W. Kapturkiewicz, M. Pietrzyk, J. Kazior (eds.), Committee of Metallurgy of the Polish Academy of Sciences, Akapit, 81-101, Kraków (2006).
• [22] J. B. Gomm, G. F. Page, D. Williams, Introduction to neural networks, in: Application of Neural Networks to Modelling and Control, G. F. Page, J. B. Gomm, D. Williams (eds.), Chapmah & Hall, 1-8, London (1993).
• [23] M. M. Gupta, L. Jin, N. Homma, Static and Dynamic Neural Networks: From Fundamentals to Advanced Theory, Wiley-IEEE Press (2003).
• [24] M. A. P. de Cristo, P. P. Calado, M. D. da Silveira, I. Silva, R. Muntzeal., Bayesian belief networks for IR, International Journal of Approximate Reasoning 34, 2-3, 163-179 (2003).
• [25] J. Talar, T. Kondek, P. Jarosz, J. Kusiak, J. Dobrzański, J. Staszak, L. Byszyński, Artificial intelligence control system of the copper flash smelting process, Proc. 11th IFSC International Flash Smelting Congress, Bulgaria & Spain, 1-11 (2005).
• [26] J. Talar, The possibilities of the clustering method application in analysis of multidimensional data obtained from real industrial process, Proc. CMS’05 Computer Methods and System, R. Tadeusiewicz, A. Ligeza, M. Szymkat (eds.), Oprogramowanie Naukowo-Techniczne, 43-48, Kraków (2005).
• [27] J. Talar, Ł. Rauch, J. Kusiak, Filtering of the experimental data using the wavelet analysis and the artificial neural networks, Informatyka w technologii materiałów, Akapit 3, 3-4, 180-188 (2003), (in Polish).
• [28] Ł. Rauch, J. Talar, T. Žák, J. Kusiak, Filtering of thermomagnetic data curve using artificial neural network and wavelet analysis, Proc. of the International Conference on Artificial Intelligence and Soft Computing 2004, Lecture Notes in Artificial Intelligence 3070, 1093-1098, Springer-Verlag (2004).
• [29] W. G. Davenport, E. H. Partelpoeg, Flash Smelting-Analysis, Control and Optimization, Pergamon Press (1987).
• [30] J. Donizak, A. Hołda, Z. Kolenda, Modelowanie matematyczne procesów metalurgicznych- jednostadialny proces zawiesinowy produkcji miedzi hutniczej, Mat. Konf. „Teoria i Inzynieria Procesów Metalurgicznych”, 23-42, Kraków (2003).
• [31] J. Donizak, A. Hołda, Z. Kolenda, Zastosowanie deterministyczno-stochastycznego modelu do symulacji zawiesinowego procesu produkcji miedzi hutniczej, Mat. XVIII Zjazdu Termodynamików,Wyd. Polit. Warszawskiej 22, 325-334, (2002).
• [32] J. Donizak, A. Hołda, Z. Kolenda, M. Sukiennik, M. Warmuz, G. Szwancyber, J. Garbacki, Z. Gostyński, The Flash Smelting Process Digital Simulation, The IVth International Conference on Non-Ferrous Metals and Alloys, Cracow, 29 (1999).
• [33] J. Talar, P. Jarosz, A. Stanisławczyk, J. Kusiak, Modelling of NOx emission in the copper flash smelting process using regression trees method, Rudy i Metale Niezelazne (2007), (in Polish), (in press).
• [34] J. M. Ramirez, Extracting rules from artificial Neural Networks with kernel-based representations, Lecture notes in computer science, Springer 1607, 68-77 (1999).
• [35] J. Talar, Komputerowy model wspomagania operacyjnych decyzji technologicznych w walcowni zimnej blach, PhD thesis, AGH, Kraków (2003), (in Polish).
• [36] J. Talar, A. Stanisławczyk, P. Jarosz, J. Kusiak, Z. Gostyński, D. Haze, P. Wroński, Application of the artificial intelligence techniques to optimisation of the copper flash smelting process, Rudy i Metale Niezelazne 51, 12, 736-741 (2006), (In Polish).