Determination of two-stage models with auxiliary signals is one of possible method of inverse models identification based on examples. First stage of this diagnostic model can be a classifier based on selected features that classifies examples to predefined auxiliary signals classes. The efficiency of the model identified in this way depends on set of the selected features. The proposed method of evolutionary search of relevant features set and the obtained results of the research were described in the paper.
PL
Jedną z metod identyfikacji odwrotnych modeli diagnostycznych na podstawie przykładów jest wyznaczanie ich jako modeli dwustopniowych z użyciem sygnałów dodatkowych. Pierwszy stopień takiego modelu może być rozpatrywany jako klasyfikator, który na podstawie wybranych cech sygnałów diagnostycznych klasyfikuje przykłady do klas zdefiniowanych w przestrzeni cech sygnałów dodatkowych. Jakość tak identyfikowanego modelu zależy w głównej mierze od użytego zbioru cech sygnałów diagnostycznych. W artykule przedstawiono zaproponowaną metodę ewolucyjnego poszukiwania zbioru cech relewantnych oraz wybrane wyniki przeprowadzonych badań.
Extraction of diagnostic information from the thermovision images is connected with analysis and evaluation of a huge amount of different diagnostic features which could cause problems with efficient assessment of technical state due to informational noise. In the paper, application of an evolutionary algorithm for optimization of a set of diagnostic features has been presented. In the case of assessment of selected optimal features, neural classifier has been used. A set of 259 features has been considered. Classification results have shown that the evolutionary algorithm can be applied in selection of relevant diagnostic features. Efficiency of classifier has come to more than 92%.
PL
Ocena stanu technicznego maszyn na podstawie obrazów termowizyjnych wymaga ich analizy i wyznaczenia zwykle dużej liczby różnych cech diagnostycznych, które mogą utrudniać efektywną diagnozę ze względu na szum informacyjny. W artykule przedstawiono zastosowanie algorytmu ewolucyjnego do optymalizacji zbioru 259 cech diagnostycznych. Do oceny zoptymalizowanego zbioru cech posłużono się klasyfikatorem neronalnym. Wyniki klasyfikacji potwierdzają przydatność zastosowania algorytmów ewolucyjnych do wyboru cech relewantnych. Sprawność klasyfikacji była większa niż 92%.
4
Dostęp do pełnego tekstu na zewnętrznej witrynie WWW
Thermovision is more and more often used in machinery and apparatus diagnostics. With the aid of a thermographic camera non-contact simultaneous temperature measurements can be carried out at many points of an object and they can be recorded in a form of a thermographic image. The thermographic image can be a source of diagnostic information. Extraction of this information requires the necessity of application of different methods of the analysis of thermographic images. From thermographic image a huge amount of features can be extracted which causes problems with efficient assessment of technical state due to informational noise. There are methods which allow to search and find relevant features that are useful for diagnostic processes. In the paper application of evolutionary algorithm for selection of optimal diagnostic features has been shown. In case of assessment of selected features neural classifier has been used. A set of 259 features for each image has been considered. After searching process two features have been selected and the obtained classification results have been of very good quality. Efficiency of classifier has been in some cases 100% and not less than 97%. The results have shown that the evolutionary algorithm can be applied to selection of relevant diagnostic features.