Dobór struktury modelu addytywnego dla potrzeb detekcji uszkodzeń obiektów dynamicznych

• Autorzy: Łabęda-Grudziak Z. M.

Warianty tytułu

EN

Additive model structure selection for the fault detection in dynamic systems

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono wykorzystanie addytywnego modelu regresji oraz statystycznych technik eksploracji danych do identyfikacji nieliniowych obiektów dynamicznych. W szczególności zaprezentowano metodę doboru struktury modelu addytywnego oraz metodę estymacji nieznanych funkcji predyktorów, będących parametrami tego modelu. Pozyskana wiedza posłużyła do konstrukcji algorytmów detekcji uszkodzeń, a następnie do oceny wrażliwości na występowanie poszczególnych uszkodzeń. Badania przeprowadzono dla zaworu regulacyjnego znajdują- cego się w pierwszym stopniu stacji wyparnej cukrowni "LUBLIN" S.A.

EN

This paper presents a nonlinear dynamic systems identification method based on additive regression models with knowledge discovery data. In particular, the model order and input delay choices, and iterative algorithm are proposed in an attempt to estimate additive models structure. The final part of this work contains an illustrative example regarding the application of proposed approach in order to demonstrate the sensitivity of faults in the analyzed structure. All research has been carried out based on archival process data recorded in the Lublin Sugar Factory S.A.

Słowa kluczowe

PL

identyfikacja; detekcja uszkodzeń; obiekty dynamiczne; model addytywny; eksploracja danych

EN

identification; fault detection; dynamic systems; additive model; data mining

• Wydawca: Wyższa Szkoła Informatyki i Umiejętności
• Czasopismo: Zeszyty Naukowe Wyższej Szkoły Informatyki
• Rocznik: 2010
• Tom: Vol. 9, Nr 3
• Strony: 99--113
• Opis fizyczny: Bibliogr. 14 poz., rys.

Twórcy

autor

Łabęda-Grudziak Z. M.

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

Bibliografia

• [1] Ansley C.F, Kohn R., Convergence of the backfitting algorithm for additive models, Journal of the Australian Mathematical Society (Series A), Vol.57, pp. 316-329, 1994.
• [2] DAMADICS: Strona internetowa RTN DAMADICS: Development and Application of Methods for Actuator Diagnosis in Industrial Control Systems, http.//diag.mchtr.pw.edu.pl/damadics.
• [3] Friedman J.H., Stuetzle W., Projection persuit regression, Journal of the American Statistical Association, 76, 1981, pp.817-823.
• [4] Gertler J., Fault Detection and Diagnosis in Engineering Systems, Marcel Dekker, Inc. New York - Basel - Hong Kong, 1998.
• [5] Good P.I., Introduction to statistics through reasampling methods and R/S-PLUS, Wiley, 2005.
• [6] Hand D., Mannila H., Smyth P., Principles of Data Mining.
• [7] Hastie T., Tibshirani R., Generalized additive models, Chapman and Hall, 1990.
• [8] Korbicz J., Kościelny J.M., Kowalczuk Z., Cholewa W.(red), Diagnostyka procesów. Modele, metody sztucznej inteligencji, zastosowania, WNT, Warszawa 2002.
• [9] Kościelny J.M., Diagnostyka procesów przemysłowych, EXIT, Warszawa 2001.
• [10] Larose D.T., Discovering Knowledge in Data: An Introduction to DATA MINING. Wiley, 2005.
• [11] Łabęda Z.M., Wykorzystanie addytywnego modelu regresji w eksploracyjnej analizie danych, VI Sympozjum Modelowanie i Symulacja Komputerowa w Technice, Łódź 2008.
• [12] Łabęda Z.M., Identyfikacja procesu autoregresyjnego AR(p) oraz procesu z warunkową autoregresyjną heteroskedastycznością ARCH(p) przy użyciu modelu addytywnego, III Konferencja Naukowo-Techniczna Doktorantów i Młodych Naukowców, Warszawa, 2008.
• [13] Łabęda Z.M., Zastosowanie modelu addytywnego dla potrzeb detekcji uszkodzeń zaworów regulacyjnych, III Konferencja Naukowo-Techniczna Doktorantów i Młodych Naukowców, Warszawa, 2008.
• [14] Łabęda Z.M., Additive model applications for the fault detection of actuators, Pomiary, Automatyka i Kontrola, Vol.55, pp. 152-155, (3)2009.