Application of Sensor Fusion and Data Mining for Prediction of Methane Concentration in Coal Mines

• Autorzy: Zagorecki A.

Warianty tytułu

PL

Zastosowanie fuzji danych z czujników i eksploracji danych w prognozowaniu stężenia metanu w kopalniach węgla

• Języki publikacji: EN PL

Abstrakty

EN

In recent years we have experienced unprecedented increase of use of sensors in many industrial applications. Modern sensors are capable of not only generating large volumes of data but as well transmit ting that data through network and storing it for further analysis. These enable to create systems capable of real-time data fusion in order to predict events of interest. The goal of this work is to predict methane concentration levels in coal mines using data fusion and data mining techniques. The paper describes an application of a generic method that can be applied to arbitrary set of multivariate time series data in order to perform classification or regression tasks. The solution presented here was developed within the framework of IJCRS‘15 data mining competition and resulted in the winning model outperforming other solutions.

PL

W ostatnich latach można było zaobserwować niespotykany wzrost użycia czujników w wielu zastosowaniach przemysłowych. Nowoczesne czujniki są w stanie nie tylko generować duże ilości danych, lecz równie ż przysyłać te dane za pomocą sieci i przechowywać je do późniejszej analizy. Umożliwia to opracowanie systemów do łączenia danych w czasie rzeczywistym w celu prognozowania określonych zdarzeń. Celem niniejszej pracy jest prognozowanie poziomów stężenia m etanu w kopalniach węgla za pomoc ą technik fuzji danych i eksploracji danych. Artykuł przedstawia zastosowanie generycznej metody, która może być użyta do dowolnego zbioru danych wielowymiarowych szeregów czasowych w celu przeprowadzenia zadań klasyfikacji lub regresji. Zaprezentowane rozwiązanie zostało opracowane w ramach konkursu eksploracji danych IJCRS’15 i – pokonując inne rozwiązania – zostało jego zwycięzcą.

Słowa kluczowe

EN

data mining; data science; prediction; methane outbursts

PL

eksploracja danych; badanie danych; prognozowanie; wybuchy metanu

• Wydawca: Wydawnictwa AGH
• Czasopismo: Mining – Informatics, Automation and Electrical Engineering
• Rocznik: 2015
• Tom: R. 53, nr 4
• Strony: 33--38 [tekst ang.], 67--72 [tekst pol.]
• Opis fizyczny: Bibliogr. 10 poz., rys.

Twórcy

autor

Zagorecki A.

• Centre for Simulation and Analytics, Cranfield University Defence Academy of the United Kingdom

Bibliografia

• 1. Breiman L.: Random Forests. “Machine Learning”, 2001, No. 1 (45), pp. 5-32.
• 2. Boullé M.: Tagging Fireworkers Activities from Body Sensors under Distribution Drift, Proceedings of the 2015 Federated Conference on Computer Science and Information Systems, 2015, pp. 389-396.
• 3. Hall M., Frank E., Holmes G., Pfahringer B., Reutemann P., Witten I.H.: The WEKA Data Mining Software: An Update. SIGKDD Explorations, 2009, No. (1)11.
• 4. Hall M.A.: Correlation - based Feature Subset Selection for Machine Learning, Hamilton, New Zealand 1998.
• 5. Hanley J.A., McNeil B.J.: A method of comparing the areas under receiver operating characteristic curves derived from the same cases. “Radiology”, 1983, No. (3)148, pp. 839-843.
• 6. Janusz A., Krasuski A., Stawicki S., Rosiak M., Slezak D., Nguyen H.S.: Key risk factors for Polish State Fire Service: A Data Mining Competition at Knowledge Pit, Proceedings of the 2014 Federated Conference on Computer Science and Information Systems, 2014, pp. 345-354.
• 7. Meina M., Janusz A., Rykaczewski K., Slezak D., Celmer B., Krasuski A.: Tagging Firefighter Activities at the Emergency Scene: Summary of AAIA - 15 Data Mining Competition at Knowledge Pit, Proceedings of the 2015 Federated Conference on Computer Science and Information Systems, 2015, pp. 367-373.
• 8. Sikora M., Sikora B. : Improving prediction models applied in systems monitoring natural hazards and machinery. “International Journal of Applied Mathematics and Computer Science”, 2012, No. 2(22), pp. 477-491.
• 9. Sikora M., Sikora B.: Rough natural hazards monitoring, Rough Sets: Selected Methods and Applications in Management and Engineering 2012, pp. 163-179.
• 10. Zagorecki A.: A Versatile Approach to Classification of Multivariate Time Series Data, Proceedings of the 2015 Federated Conference on Computer Science and Information Systems 2015, pp. 407-410.