Comparison of the CBR methodology and the cart algorithm applied to problem of casting defects classification

• Autorzy: Regulski K. , Rojek G.

Warianty tytułu

PL

Porównanie metodologii CBR oraz algorytmu cart w zastosowaniu do rozwiązania problemu klasyfikacji wad odlewniczych

• Języki publikacji: EN

Abstrakty

EN

The main scope of presented in this article research is the analysis of application of artificial intelligence methodologies at building of a computer system that should aid at problem of casting defects classification. The computer system is designed as a decision support tool in the diagnosis of casting defects for small and medium-sized plants, which implies restrictions according to the usage of data that, in this case, are not measured in real time of production. Without access to control data, the diagnosis of casting defects can be based on observations made by a technologist responsible for the inspection of ready castings. Those observations concern usually the type of damage, its distribution, location, occurrence or even color of surface. The problem of such observation based diagnosis can be resolved by building of a computer tool, which uses classification methodologies in order to give aid at casting defects classification. Presented research focus on two methodologies within artificial intelligence: Case-Based Reasoning (CBR) and Classification And Regression Trees (CART). The CBR methodology enables to use knowledge according to previously made classifications in order to help predict the present classification problem. The decision support system with the applied CBR methodology is able to learn basing on the knowledge which is acquired in the result of classifications performed by this system. The CART algorithm enables to generate classification tree, which can be easily used by a technologist or by an expert system, giving support at defect diagnosis. Presented in this article research concerns comparison of those two methodologies in terms of their usefulness at designing the system operating in conditions of small and medium-sized casting factory.

PL

Przedstawionym w artykule głównym obszarem badań jest analiza zastosowania metod sztucznej inteligencji w budowaniu systemu komputerowego, mogących wspierać problem klasyfikacji wad odlewniczych. System komputerowy jest projektowany jako narzędzie wspomagania decyzji w diagnostyce wad odlewniczych dla małych i średnich zakładów, co powoduje ograniczenia w wykorzystaniu danych, w tym przypadku bowiem parametry procesu nie są mierzone w rzeczywistym czasie produkcji. Bez dostępu do danych odnoszących się do parametrów sterowania, klasyfikacja wad może opierać się na obserwacjach dokonywanych przez technologów odpowiedzialnych za badanie gotowych odlewów. Obserwacje dotyczą zazwyczaj rodzaj uszkodzenia, jego rozmieszczenia, położenia oraz występowania lub nawet koloru powierzchni badanego materiału. Problem rozpoznawania typu wady może zostać rozwiązany poprzez budowę narzędzia komputerowego, które używa metod klasyfikacji w celu wsparcia użytkownika w zakresie poprawnej detekcji wad. Badania koncentrują się na dwóch metodologiach z zakresu sztucznej inteligencji: wnioskowaniu epizodycznym (CBR) oraz drzewach klasyfikacyjnych i regresyjnych (CART). Metodologia CBR pozwala na wykorzystaniu wiedzy o poprzednio dokonanych klasyfikacjach w celu przewidywania rezultatu bieżącego problemu klasyfikacji. Metodologia CBR umożliwia również naukę systemu wspomagania decyzji na podstawie wiedzy o dokonywanych przez ten system klasyfikacjach. CART pozwala generować drzewo klasyfikacyjne, które może być łatwo użyte przez technologów albo może być wykorzystywane przez system ekspertowy. Prezentowane porównanie dotyczy użyteczności tych metod w projektowaniu systemu działającego w warunkach małego i średniego zakładu odlewniczego.

Słowa kluczowe

EN

casting defects; classification; case-based reasoning; classification and regression trees

• Wydawca: Wydawnictwa AGH
• Czasopismo: Computer Methods in Materials Science
• Rocznik: 2014
• Tom: Vol. 14, No. 3
• Strony: 180--189
• Opis fizyczny: Bibliogr. 12 poz., rys.

Twórcy

autor

Regulski K.

• AGH University of Science and Technology Faculty of Metals Engineering and Industrial Computer Science Department of Applied Computer Science and Modelling al. A. Mickiewicza 30, 30-059 Krakow

autor

Rojek G.

• AGH University of Science and Technology Faculty of Metals Engineering and Industrial Computer Science Department of Applied Computer Science and Modelling al. A. Mickiewicza 30, 30-059 Krakow

Bibliografia

• Aamodt, A., Plaza, E., 1994, Case-Based Reasoning: Foundational Issues, Methodological Variations and System Approaches, Al Communications, 7, 1, 39-59.
• Atlas of defects in castings, 2004, collective work, Foundry Research Institute in Cracow, Cracow.
• Baler, J., Koppen, M., 1994, Casting Defects Handbook. Disadvantages associated with the masses and prevention flasks, IKO-Erbslöh.
• Bergmann, R., Althoff, K. D., Minor, M., Reichle, M., Bach, K., 2009, Case-Based Reasoning, Introduction and Recent Developments, Kunstliche Intelligenz: Special Issue on Case-Based Reasoning, 23, 1,5-11.
• Breinman, L., Friedman, J. H., Olshen, R. A., Stone, C. J., 1984, Classification and regression trees, Wadsworth and Brooks, California.
• Fałęcki, Z., 1997, Analysis of defects in castings, AGH, Kraków.
• Górny, Z., Kluska-Nawarecka, S., Wilk-Kolodziejczyk, D., Regulski, K., 2010, Diagnosis of casting defects using uncertain and incomplete knowledge, Archives Of Metallurgy And Materials, 55, 3, 827-836.
• Hill, T., Lewicki, P., 2007, STATISTICS: Methods and Applications, StatSoft, Tulsa OK.
• McKenna, E., Smyth, B., 2000, Competence-Guided Case-Base Editing Techniques, Lecture Notes in Computer Science, 1898, 186-197.
• Regulski, K., Kluska-Nawarecka, S., 2012, Knowledge integration computer tools and algorithms in the improvement of the production processes of cast-steel castings, Artificial Intelligence in the Knowledge and Information Systems, Instytut Odlewnictwa, Kraków.
• Williams, G., 2011, Data Mining with Rattle and R: The Art of Excavating Data for Knowledge Discovery, Springer, New York.
• Yohannes, Y., Hoddinott, J., 1999, Classification and Regression Tress: An Introduction, International Food Policy research Institute, Washington, U.S.A.