Wyniki wyszukiwania - BazTech

1

Data sensitive recommendation based on community detection

Su Ch., Yu Y., Xie X., Wang Y.

Foundations of Computing and Decision Sciences

|

2015

|

Vol. 40, No. 2

143--159

EN

Collaborative filtering is one of the most successful and widely used recommendation systems. A hybrid collaborative filtering method called data sensitive recommendation based on community detection (DSRCD) is proposed as a solution to cold start and data sparsity problems in CF. Data sensitive similarity is combined with Pearson similarity to calculate the similarity between users. α is the control parameter. A predicted rating mechanism is used to solve data sparsity problem and to obtain more accurate recommendation. Both user-user similarity and item-item similarity are considered in predicted rating mechanism. β is the control parameter. Moreover, in the constructed K-nearest neighbour set, both user-community similarity and user-user similarity are considered. The target user is either in the community or has some correlation to the community. Calculating the user-community similarity can cope with cold start problem. To calculate the recommendation, movielens data sets are used in the experiments. First, parameters αandβare tested and DSRCD is compared with traditional collaborative filtering recommendation algorithm (TCF) and Zhao’s algorithm. DSRCD always has better results than TCF. When K = 30, we have better performance results than Zhao’s algorithm.

2

Reliability assessment for wind turbines considering the influence of wind speed using bayesian network

Su Ch., Fu Y.

Eksploatacja i Niezawodność

|

2014

|

Vol. 16, no. 1

1--8

PL

Niezawodność turbiny wiatrowej ma ogromne znaczenie dla gotowości i efektywności ekonomicznej instalacji wiatrowej. W niniejszym artykule zbudowano, w oparciu o sieci Bayesa (BN), model niezawodności turbiny wiatrowej uwzględniający wpływ prędkości wiatru. Przedstawiono Metodę Logiki Przyczynowości (Causal Logic Method, CLM), służącą do modelowania jakościowego, która łączy zalety drzewa błędów w odniesieniu do aspektów technicznych z atutami BN w odniesieniu do czynników środowiskowych i niepewności. Do kalkulacji ilościowych zaproponowano nową metodę dopasowania opartą na oczekiwaniach, w której dane z eksploatacji i opinie ekspertów łącznie pozwalają opisać niepewność rozkładów prawdopodobieństwa a priori. Wskaźnik niezawodności turbiny wiatrowej i jej elementów otrzymano posługując się algorytmem wnioskowania przybliżonego w połączeniu z dynamiczną dyskretyzacją zmiennych ciągłych. Dla zilustrowania proponowanej metody przedstawiono studium przypadku, którego wyniki wskazują, że prędkość wiatru jest ważnym czynnikiem niezawodności turbiny wiatrowej.

EN

The reliability of wind turbine is of great importance for the availability and economical efficiency of wind power system. In this article, a reliability model for wind turbine is built with Bayesian network (BN), in which the influence of wind speed is considered. Causal logic method (CLM) is presented for qualitative modeling, which combines the merits of fault tree in handling technical aspects and the strength of BN in dealing with environmental factors and uncertainty. A novel adjustment method based on expectation is proposed for quantitative calculation, by which historical data and expert judgment are integrated to describe the uncertainty in the prior probability distributions. An approximate inference algorithm combining with dynamic discretization of continuous variables is adopted to obtain the reliability index of wind turbine and its elements. A case study is given to illustrate the proposed method, and the results indicate that wind speed is an important factor for the reliability of wind turbine.

3

Forecast model for real time reliability of storage system based on periodic inspection and maintenance data

Su Ch., Zhang Y. J., Cao B. X.

Eksploatacja i Niezawodność

|

2012

|

Vol. 14, No. 4

342-348

EN

In recent years, storage reliability has attracted much attention for increasing reliability requirement. In this paper, forecast models for real-time reliability of storage system under periodic inspection and maintenance are presented, which is based on the theories of reliability physics and exponential distribution. The models are developed under two newly-defined imperfect repair modes, i.e., Improved As Bad As Old (I-ABAO) and Improved As Good As New (I-AGAN). A completion method for censored life data is also proposed by averaging the residual lifetime. According to the complete and censored lifetime data, parameters in the models are estimated by applying maximum likelihood estimation method and iterative method respectively. A numerical example of a storage system is given to verify the feasibility of the proposed completion method and the effectiveness of the two models.

PL

W ostatnich latach wiele uwagi poświęcono tematyce niezawodności magazynowania w odniesieniu do zwiększania wymogu niezawodności. W prezentowanym artykule, przedstawiono modele do prognozowania w czasie rzeczywistym niezawodności systemu magazynowania podlegającego przeglądom okresowym i obsłudze. Modele oparto na teoriach z zakresu fizyki niezawodności oraz na rozkładzie wykładniczym. Proponowane modele opracowano dla dwóch nowo zdefiniowanych opcji niepełnej odnowy, t.j. Improved-As Bad As Old (Jak Tuż Przed Uszkodzeniem - Wersja Udoskonalona) oraz Improved-As Good As New (Jak Fabrycznie Nowy - Wersja Udoskonalona). Zaproponowano także metodę uzupełniania danych cenzurowanych (uciętych) dotyczących trwałości polegającą na uśrednianiu trwałości resztkowej. Zgodnie z pełnymi i cenzurowanymi danymi trwałościowymi, parametry w proponowanych modelach ocenia się, odpowiednio, z zastosowaniem estymacji metodą największej wiarygodności oraz metody iteracyjnej. Poprawność przedstawionej metody uzupełniania oraz efektywność proponowanych dwóch modeli zweryfikowano na podstawie numerycznego przykładu systemu magazynowania.