Knowledge acquisition from database for marine diesel engine diagnosis

• Autorzy: Charchalis A. , Pawletko R.

Warianty tytułu

PL

Pozyskiwanie wiedzy z baz danych dla potrzeb diagnozowania okrętowego silnika spalinowego

• Języki publikacji: EN

Abstrakty

EN

This article presents an attempt to use inductive machine learning methods to knowledge acquisition from the databases for the purpose of marine diesel engine diagnostic 's expert system. The existing methods of acquiring knowledge based on Information about the exploitation of technical objects stored in databases was characterizes. The selected machine learning methods was used to obtain the relationship in the form of diagnostic rules. The results obtained with algorithms LEM2, MODLEM and EXPLORE was compared. MODLEM algorithm allows the use of numerical data directly without having to pre-discretization. Learning examples stored in the diagnostic database was obtained as a result of the active experiment, carried out on laboratory Sulzer engine 3AL 25/30. During the experiment the damages of the turbocharging system, fuel injection system and combustion chamber was simulated. Only the elementary states (single damage in the same time) in a variable load were included. 10-fold cross validation techniąue was used for evaluation of the obtained rules classifiers. The obtained diagnostic rules have also been assessed in substantive terms, including an analysis of the relationship between disability states and received symptoms. Used machine learning techniques can be used for automatic knowledge acquisition for the diagnostic expert system.

PL

W artykule przedstawiono próbę wykorzystania indukcyjnych metod uczenia maszynowego, do pozyskania wiedzy z baz danych dla potrzeb ekspertowego systemu diagnozowania okrętowego silnika tłokowego. Scharakteryzowano istniejące metody pozyskiwania wiedzy na podstawie informacji o przebiegu eksploatacji obiektów technicznych zapisanych w bazach danych. Zastosowano wybrane metody uczenia maszynowego do uzyskania relacji diagnostycznych w postaci reguł. Porównano wyniki uzyskane za pomocą algorytmów LEM2, MODLEM oraz EXPLORE. Algorytm MODLEM umożliwia wykorzystanie bezpośrednio danych numerycznych bez konieczności stosowania dyskretyzacji wstępnej. Przykłady uczące zapisane w diagnostycznej bazie danych uzyskano w wyniku realizacji eksperymentu czynnego, przeprowadzonego na silniku laboratoryjnym Sulzer 3AI 25/30. Podczas eksperymentu symulowano wybrane uszkodzenia układu wymiany czynnika roboczego, układu wtryskowego oraz komory spalania. Uwzględniono tylko stany elementarne (pojedyncze uszkodzenia w tym samym czasie) w warunkach zmiennego obciążenia. Oceny sprawności uzyskanych klasyfikatorów regułowych dokonano techniką 10-fold cross validation. Uzyskany zbiór reguł diagnostycznych został również poddany ocenie merytorycznej, obejmującą analizę związków pomiędzy diagnozowanymi stanami niezdatności a uzyskanymi symptomami. Wykorzystane techniki uczenia maszynowego mogą zostać zastosowane między innymi do automatycznego pozyskiwania wiedzy dla potrzeb systemu ekspertowego.

Słowa kluczowe

EN

technical diagnostic; expert systems; combustion engines; expert knowledge acquisition

PL

diagnostyka techniczna; systemy ekspertowe; silniki spalinowe; pozyskiwanie wiedzy ekspertowej

• Wydawca: Łukasiewicz Research Network - Institute of Aviation ; European Science Society of Powertrain and Transport KONES Poland ; Wydawnictwo Instytutu Technicznego Wojsk Lotniczych
• Czasopismo: Journal of KONES
• Rocznik: 2009
• Tom: Vol. 16, No. 4
• Strony: 37--42
• Opis fizyczny: Bibliogr. 11 poz., rys.

Twórcy

autor

Charchalis A.

autor

Pawletko R.

• Gdynia Maritime University Faculty of Marine Engineering Morska Street 83, 81-225 Gdynia, Poland tel: [phone],

Bibliografia

• [1] Cholewa, W., Metoda diagnozowania maszyn z zastosowaniem zbiorów rozmytych, ZN Politechniki Śląskiej Nr 764, Seria: Mechanika Z. 79, Gliwice 1983.
• [2] Stefanowski, J., Algorytmy indukcji reguł decyzyjnych w odkrywaniu wiedzy, Wydawnictwo Politechniki Poznańskiej, Rozprawy Nr 361, Poznań 2001.
• [3] Michalski, R. S., A theory and methodology of inductive learning, Artificial Inteligence 20, pp. 111-161, 1983.
• [4] Moczulski, W., Metody pozyskiwania wiedzy dla potrzeb diagnostyki maszyn, ZN Politechniki Śląskiej Nr 1382, Seria: Mechanika Z. 130, Gliwice 1997.
• [5] Mulawka, J., Systemy ekspertowe, WNT, Warszawa 1996.
• [6] Żółtowski, B., Cempel, Cz., Inżyniera Diagnostyki Maszyn, Polskie Towarzystwo Diagnostyki Technicznej, Instytut Technologii Eksploatacji PIB Radom, Warszawa, Bydgoszcz, Radom 2004.
• [7] Quilian, J. R., Induction of decision trees, Machine Learning, 1, 1986.
• [8] Michalski, R. S., A theory and methodology of inductive learning, Artificial Inteligence 20, 1983.
• [9] Cichosz, P., Systemy uczące się, WNT, Warszawa 2007.
• [10] Predki, B., Slowinski, R., Stefanowski, J. Susmaga, R., Wilk, Sz., ROSE – Software Implementation of the Rough Set Theory. In, Polkowski, L., Skowron, A., eds. Rough Sets and Current Trends in Computing, Lecture Notes in Artificial Intelligence, Vol. 1424, 605-608, Berlin 1998.
• [11] Predki, B., Wilk, Sz., Rough Set Based Data Exploration Using ROSE System. In: Ras, Z. W., Skowron, A., eds. Foundations of Intelligent Systems, Lecture Notes in Artificial Intelligence, Vol. 1609, 172-180, Berlin 1999.