Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: odkrywanie wiedzy z danych

Sortuj według:

Ogranicz wyniki do:

Zmodyfikowana metoda budowy grafów przyczynowo-skutkowych procesów z wykorzystaniem archiwalnych przebiegów sygnałów

Tabor Ł.

Pomiary Automatyka Kontrola

2012

R. 58, nr 1

101-104

W artykule opisano zmodyfikowaną metodę automatycznej budowy grafu przyczynowo-skutkowego procesu przemysłowego. Metoda składa się z etapów, w których między innymi analizowane są wskaźniki statystyczne oraz opóźnienia transportowe między sygnałami. W artykule poruszono kwestię wrażliwości metody na parametry oraz zaproponowano rozwiązanie mające zmniejszyć ten problem. Przedstawiono efekt działania algorytmu przed i po modyfikacji dla obiektu przemysłowego, będącego fragmentem sieci przesyłowej gazu ziemnego na dużym obszarze.

The paper describes a modified method for building the cause-effect graph of an industrial process. The algorithm consists of three steps. First, the dataset is searched for signals connected by well know relations such as the PID equation. Next, the algorithm searches the pairs of signals having high values of Kendall correlation coefficients. Additionally, the sequence of spreading disturbances is analysed [5]. The results of the basic algorithm performance are presented on example of a three tank system (Fig. 2) and a gas network (Figs. 4 and 5). In case of the gas network the cause-effect graph created using only the expert knowledge is shown in Fig. 3. In Section 3 the problem of the algorithm sensitivity is analysed (Figs. 4, 5 and 6). There is proposed a solution how to minimise the influence of selected parameters on the final result in Section 4. In order to be able to compare the results before and after modification, the distance measure between graphs [10, 11, 12] is suggested in Section 5. The described method sensitivity before and after modification on the example of the mentioned industrial object - a part of the gas network (Fig. 7) is discussed in Section 6. There is also given the best ( meaning the distance to the graph created by the expert) result of the algorithm for the gas network (Fig. 8).

Identification of dynamic system additive models by KDD methods

Łabęda-Grudziak Z.

Pomiary Automatyka Kontrola

2011

R. 57, nr 3

249-252

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.

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.