Wyniki wyszukiwania - BazTech

1

Porównanie cząstkowych modeli parametrycznych w zadaniu detekcji uszkodzeń sieci gazowej

Syfert M., Jankowska A., Łabęda-Grudziak Z., Tabor Ł.

Pomiary Automatyka Kontrola

|

2012

|

R. 58, nr 1

3-8

PL

Zreferowano badania detekcji uszkodzeń gazociągu z użyciem cząstkowych modeli parametrycznych. Stosując trzy metody modelowania: addytywne modele regresyjne (najnowszą z badanych technik), sztuczne sieci neuronowe oraz układy rozmyte typu TSK opracowano aproksymacje ciśnień w węzłach sieci. Modele testowano w zadaniu detekcji wycieku oraz uszkodzenia czujnika pomiarowego. Wszystkie modele zapewniały dużą dokładność aproksymacji ciśnienia w poprawnych stanach pracy, wykazując także bardzo skuteczną detekcję uszkodzeń czujników pomiarowych ciśnień, natomiast w sytuacji symulowanych wycieków ich przydatność w detekcji była znacznie mniejsza.

EN

The results of faults detection [1, 2, 3, 4, 5] in a gas system network (Fig. 1) with use of parametric partial models [6, 7, 8] are presented in the paper. This is a new approach to the task with use of exploratory data analysis [10, 11, 17] and partial models. Three techniques were used to build models of pressure in network nodes: additive regression (ADD - new method of modelling [10, 11, 12, 13, 14, 15]), artificial neural networks (ANN) [16, 17, 18] and TSK fuzzy logic modelling [8, 16, 17]. The measured pressures in adjacent nodes as well cumulative flows in the main line (from global analytical model [9]) of gasoline were the inputs of the models. For the analysed stations (in parts A and B marked in Fig. 1) a set of test failures in the form of leaks and damage of pressure sensors is given in Tab. 1.Using trial and error method, by evaluating the effectiveness of fault detection, there were obtained structures of models of different complexity for individual modelling techniques: ADD - presented by equations (1) and (2), ANN- (3) and (4), TSK- (5) and (6). The model order is not greater than 2. The exemplary results of leak detection with use of particular models are shown in Figs. 3, 5, 7 and of sensor fault detection in Figs. 4, 6, 8. In the conclusions there is summarised the relative accuracy of models (in Table 2), the relative normalized values of the studied residues of leaks - Tab.3 and the pressure sensor failures - Tab. 4. All models provided highly precise pressure approximation in non-fault states, but TSK and ADD models turned out to be the more accurate. Additionally, all of them were effective in case of pressure sensor fault detection, however, in case of simulated leakages their usefulness was much lower.

2

Smoothing parameters selection in the additive regression models approach for the fault detection

Łabęda-Grudziak Z.

Pomiary Automatyka Kontrola

|

2011

|

R. 57, nr 2

197-200

EN

Smoothing is an important statistical tool and is strongly related to nonparametric prediction. Smoothers can be used to visual description of data, smooth plots of relationship, and diagnose residual plots. This paper presents a nonlinear dynamic systems identification method based on additive regression models with smoothing techniques and knowledge discovery data. In particular, two alternative theoretical smoothing choices are proposed in an attempt to estimate additive models structure. The fault detection of dynamic system based on the obtained model is planned aim of the work.. The final part of this work contains an illustrative example regarding the application of proposed approach to a control valve for measurement tracks in the boiler laboratory setup. All research has been carried out in order to demonstrate the sensitivity of faults for three theoretical smoothing parameters in the analyzed structure.

PL

Funkcja wygładzająca jest ważnym narzędziem statystycznym związanym z regresją nieparametryczną i służy do określania zależności pomiędzy zmiennymi wejściowymi a wyjściowymi. W pracy przedstawiono nowe podejście do identyfikacji nieliniowych systemów dynamicznych, oparte na addytywnym modelu regresji wraz technikami wygładzającymi oraz eksploracji danych. W szczególności, aby osiągnąć większą elastyczność przy szacowaniu modelu addytywnego, dokonano wyboru dwóch alternatywnych metod wygładzających. Pozyskana wiedza posłużyła do konstrukcji algorytmów detekcji uszkodzeń, a następnie do oceny wrażliwości na występowanie poszczególnych uszkodzeń w zależności od trzech parametrów wygładzających. Badania przeprowadzono dla przykładowego zaworu regulacyjnego na podstawie danych laboratoryjnych próbkowanych na stanowisku regulacji poziomu wody w zbiorniku walczakowym.

3

Odporna detekcja uszkodzeń przy zastosowaniu addytywnego modelu regresji

Łabęda-Grudziak Z.

Pomiary Automatyka Kontrola

|

2011

|

R. 57, nr 7

774-778

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.

4

Identification of dynamic system additive models by KDD methods

Łabęda-Grudziak Z.

Pomiary Automatyka Kontrola

|

2011

|

R. 57, nr 3

249-252

EN

The goal of this paper is to present a new way of knowledge discovery data (KDD) application to construct a statistical model that describes dynamic systems. This includes presentation of data mining as an iterative and adaptive process, from communication of the research problem through data collection, data preprocessing, model building, model evaluation, and finally, model deployment. The types of models discussed in this paper are in form of additive models and can be used for prediction of process outputs, for calibration, or for diagnostics purposes. The backfitting algorithm with nonparametric smoothing techniques was used for estimation of the additive model. The example of application of the methods, conclusions and remarks are presented as well. The research was carried out based on archival process data recorded in the Lublin Sugar Factory S.A.

PL

Celem niniejszej pracy jest zaprezentowanie nowego podejścia do identyfikacji modeli obiektów dynamicznych metodami odkryć wiedzy w bazach danych. W szczególności przedstawiono eksplorację danych jako proces iteracyjny i adaptacyjny, od zrozumienia uwarunkowań badawczych, przez zebranie danych, przygotowanie danych, modelowanie, ewaluację modelu do jego wdrożenia. W badaniach wykorzystano addytywny model regresji, który może posłużyć do przewidywania wartości wyjściowych procesu, kalibracji, a także w celach diagnostycznych. Do wyznaczenia parametrów modeli addytywnych zastosowano algorytm dopasowania wstecznego i nieparametryczne techniki estymacji. Badania przeprowadzono na podstawie archiwalnych danych pomiarowych zarejestrowanych w Cukrowni LUBLIN S.A.