Odporna detekcja uszkodzeń przy zastosowaniu addytywnego modelu regresji

• Autorzy: Łabęda-Grudziak Z.

Warianty tytułu

EN

Robust fault detection with application of the additive regression model

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wykorzystanie addytywnego modelu regresji oraz statystycznych technik eksploracji danych do konstrukcji układu detekcji uszkodzeń odpornej na zakłócenia i niepewność modelu, a następnie do oceny wrażliwości modelu na występowanie poszczególnych uszkodzeń. Do uzyskania właściwości odporności, niepewność otrzymanego modelu wyznaczana jest poprzez zastosowanie techniki modelowania błędu modelu addytywnego. Przedstawione rozwiązanie zostało przetestowane dla przykładowego zaworu regulacyjnego na podstawie danych laboratoryjnych próbkowanych na stanowisku regulacji poziomu wody w zbiorniku walczakowym

EN

The detection of faults in engineering systems is of great practical significance. The detection performance of the diagnostic technique is characterized by important and quantifiable benchmarks, like the fault sensitivity and the reaction speed. Also its robustness, i.e., the ability of the technique to operate in the presence of noise, disturbances and modelling errors, is affected by the design of a detection algorithm. This paper develops a new approach to the design of robust fault detection systems via an additive model and knowledge discovery data. To achieve robustness, an uncertainty associated with the additive model is also taken into account. The model error modelling is used to deal with noise corrupting the data and unmodelled dynamics. The backfitting algorithm with nonparametric smoothing techniques has been used for estimation of the additive model. The modelling results as well as the fault detection procedures are presented. The proposed approach is tested on an example of a control valve for measurement tracks in the boiler laboratory setup in order to demonstrate the sensitivity of faults.

Słowa kluczowe

PL

detekcja uszkodzeń; model addytywny; niepewność modelu; modelowanie

EN

fault detection; additive model; data mining; model uncertainty; modelling

• Wydawca: Wydawnictwo PAK
• Czasopismo: Pomiary Automatyka Kontrola
• Rocznik: 2011
• Tom: R. 57, nr 7
• Strony: 774--778
• Opis fizyczny: Bibliogr. 18 poz., rys., tab., wzory

Twórcy

autor

Łabęda-Grudziak Z.

• Instytut Automatyki i Robotyki, Politechnika Warszawska, ul. Św. Andrzeja Boboli 8, 02-525 Warszawa,

Bibliografia

• [1] Korbicz J., Kościelny J. M., Kowalczuk Z., Cholewa W.: Fault Diagnosis. Models, artificial intelligence, application. Springer, 2004.
• [2] Kościelny J. M.: Diagnostyka procesów przemysłowych. EXIT, Warszawa, 2001.
• [3] Chen J., Patton R.: Robust model-based fault diagnosis for dynamic systems. Kluwer Academic Publishers, Boston, 1999.
• [4] Gertler J.: Fault Detection and Diagnosis in Engineering Systems. Marcel Dekker, Inc. New York - Basel - Hong Kong, 1998.
• [5] Isermann R.: Process fault detection based on modeling and estimation methods - a survey. Automatica, 20 (4), 1994, 387-404.
• [6] Piegat A.: Modelowanie i sterowanie rozmyte, AOW EXIT, 1999, Warszawa.
• [7] Tadeusiewicz R.: Sieci neuronowe, Akademicka Oficyna Wydawnicza PLJ, 1995, Warszawa.
• [8] Hastie T., Tibshirani R.: Generalized additive models. Chapman and Hall, 1990.
• [9] Łabęda Z. M.: Additive model applications for the fault detec-tion of actuators. Pomiary, Automatyka i Kontrola, 55 (3), 2009, 152-155.
• [10] Reinelt W., Garulli A., Ljung L.: Comparing different approaches to model error modeling in robust identification. Automatica, 38, 2002, 787-803.
• [11] Korbicz J., Kościelny J. M.: Modelowanie, diagnostyka i sterowanie nadrzędne procesami. Implementacja w systemie DiaSter. WNT, Warszawa, 2009.
• [12] Łabęda-Grudziak, Z. M.: Dobór struktury modelu addytywnego dla potrzeb detekcji uszkodzeń obiektów dynamicznych. Zeszyty Naukowe WSInf, 9 (3), 2010, 99-112.
• [13] Breiman L. i Friedman J. H.: Estimating optimal transformations for multiple regression and correlations (with discussion). Journal of the American Statistical Association 80 (391), 1985, 580-619.
• [14] Buja A., Hastie T., Tibshirani R.: Linear smoothers and additive models (with discussion). The Annals of Statistics, 17 (2), 1989, 453-510.
• [15] Łabęda-Grudziak Z. M.: Smoothing parameters selection in the additive regression models approach for the fault detection scheme. Pomiary, Automatyka i Kontrola, 55 (3), 2011, 152-155.
• [16] [Patan K., Korbicz J.: Fault detection in catalytic cracking converter by means of probability density approximation. Engineering Applications of Artificial Intelligence, 20, 2007, 912-923.
• [17] Good P. I.: Introduction to statistics through reasampling methods and R/S-PLUS. Wiley, 2005.
• [18] Larose D. T.: Discovering Knowledge in Data: An Introduction to DATA MINING, Wiley, 2005.