Artykuł omawia możliwości wykorzystania informacji procesowej pochodzącej z podobnych obiektów pracujących w obecności wspólnego zakłócenia do odkrywania wiedzy o typowych pożądanych wzorcach diagnostycznych. Tworzenie klas nadzorowanych obiektów uwzględniających ich własności diagnostyczne realizowane jest za pomocą, algorytmów grupowania. Niezbędną redukcję wymiarowości informacji uzyskano za pomocą analizy regresji. Zaprezentowano dwie metody wstępnej obróbki danych procesowych oraz ich wpływ na uzyskiwane wyniki.
EN
The paper describes possible exploration of process information gained from a number of similar plants operating under common disturbances. It may be used to discover knowledge on typical patterns for efficiency diagnostics by algorithmic clustering techniques. Identification of static regression characteristics is proposed as a way to reduce the number of attributes describing object properties. Two alternative methods for data preprocessing are discussed.
2
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
W artykule proponuje się zastosowanie nowoczesnych metod analizy sygnałów procesowych, takich jak filtry segmentujące i transformaty falkowe, w systemie zdalnego nadzorowania do diagnozowania obiektów. Dzięki jednoczesnej obserwacji wielu podobnych procesów realizowanych przy tym samym zakłóceniu możliwe jest klasyfikowanie przebiegów przejściowych w układzie bez nauczyciela. Ekstrakcja przebiegów przejściowych oraz identyfikacja wartości ustalonych odbywa się z wykorzystaniem filtrów segmentujących. Następnie, po odpowiedniej normalizacji, sygnały są przetwarzane za pomocą pączkowej transformaty falkowej do bardziej zwartej reprezentacji. Taka redukcja informacji umożliwia uzyskanie reprezentacji przebiegów łatwych do klasyfikacji ze względu na cele diagnostyczne. Prezentowana metoda ma na celu jednoznaczne określenie przynależności przebiegów do dynamicznie generowanych klas, których znaczenie diagnostyczne jest określane za pomocą metod statystycznych z wykorzystaniem informacji o jakości realizacji procesów.
EN
The paper describes possibilities of signal processing and classification based on wavelet algorithms in mass supervision systems for malfunction detection. Signal filtration methods based on adaptive and segmentation algorithms were used for processing the data. Development of signal filtration methods based on adaptive and segmentation algorithms was proposed. Filtering out the signals that are inferred to hot water production and focusing on nonstationarity moments enables meaningful comparison of the heating processes across the large number of different objects. For this purpose especially wavelet based classification is well applicable. Sorting the data according to the size of separated groups gives a possibility to distinguish processes potentially exposed to malfunction risk.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.