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.