Wyniki 1-8 spośród 8 dla zapytania: authorDesc:"Piotr Bilski"

An unsupervised learning method for comparing the quality of the soft computing algorithms in analog systems diagnostics

Czytaj za darmo! »

The paper presents the method of assessing the difficulty of the analog system for the diagnostics using soft computing algorithms. As the latter exploit knowledge from data sets obtained from simulations of the diagnosed systems, the method estimates the diagnostic difficulty of the system based on the data set analysis. This allows comparison of various systems and diagnostic methods. The versatile method of the data sets’ difficulty based on the graph clustering algorithm is proposed and explained. It is applied to test fuzzy logic and rough sets against the sixth order Butterworth lowpass filter. Conclusions and future prospects supplement the paper. Streszczenie. W artykule przedstawiono metodę oceny trudności diagnostyki systemów analogowych opartej na metodach sztucznej inteligencji. Wykorzystuje ona zbiory danych uzyskiwane w wyniku symulacji diagnozowanych systemów. Możliwe jest dzięki temu porównywanie różnych systemów oraz metod diagnostycznych. Przedstawiona jest metoda oceny oparta na clusteringu grafowym. Następnie przedstawione jest jej wykorzystanie do porównania wyników diagnostyki filtru dolnoprzepustowego Butterwortha szóstego rzędu przy użyciu zbiorów przybliżonych oraz logiki rozmytej. Na końcu umieszczono wnioski oraz rozważania na temat zastosowań metody.(Oparta na uczeniu bez nadzoru metoda porównywania jakości algorytmów sztucznej inteligencji w diagnostyce systemów analogowych) Keywords: fault detection, analog systems, unsupervised learning, data sets, clustering algorithm. Słowa kluczowe: detekcja uszkodzeń, systemy analogowe, uczenie bez nadzoru, zbiory danych, algorytm clusteringu. Introduction Contemporary methods of the analog systems diagnostics use artificial intelligence (AI) and machine learning methods. They strongly rely on the knowledge extracted from the simulation of the system’s model. To obtain this knowledge, learning and testing data sets are created, containing responses of the sy[...]

Automated selection of kernel parameters in diagnostics of analog systems

Czytaj za darmo! »

paper presents an approach to automatically select the optimal parameters of the kernel functions used in the Support Vector Machines (SVM) approach for the diagnostic task. Various variants of the simulated annealing were implemented and verified in order to obtain the best diagnostic outcomes. The tested system was the fourth order lowpass filter, consisting of two Sallen-Key sections and nine diagnosable elements. The tests covered verification of simulated annealing parameters (starting temperature and annealing ratio) and various SVM kernels (with coding schemes) in the multiple faults detection and location task. The proposed method verified against the exhaustive search. Streszczenie. Artykuł przedstawia metodę automatycznego doboru optymalnych parametrów funkcji jądra wykorzystywanych przez maszyny wektorów podpierających w diagnostyce systemów analogowych. Różne warianty symulowanego wyżarzania zostały zaimplementowane w celu uzyskania jak najlepszych wyników diagnostycznych. Metoda została przetestowana na modelu filtru dolnoprzepustowego czwartego rzędu składającego się z dwóch sekcji Sallen-Key oraz dziewięciu elementów mogących być przyczyną uszkodzeń. Eksperymenty obejmowały dobór parametrów symulowanego wyżarzania (temperatura początkowa oraz szybkość schładzania) oraz jąder wektorów podpierających w detekcji i lokalizacji uszkodzeń. Opisana metoda została porównana z przeszukiwaniem wyczerpującym. (Automatyczny dobór optymalnych parametrów funkcji jądra w diagnostyce systemów analogowych) Keywords: diagnostics of analog systems, optimization, simulated annealing, support vector machines. Słowa kluczowe: diagnostyka systemów analogowych, optymalizacja, symulowane wyżarzanie, maszyny wektorów podpierających. Introduction Modern approaches in diagnostics of analog systems resort to the artificial intelligence (AI) methods that have to consider uncertainty conditions. Most of systems under test (SUT) are subject to noises of v[...]

Application of clustering method for the ambiguity groups detection in the diagnostic of analog systems

Czytaj za darmo! »

The paper presents application of unsupervised learning methods to detect ambiguity groups in the data used in the diagnostics of analog systems. The proposed approach processes labelled data sets from simulated systems to find similar examples belonging to different faulty states. Two algorithms were used in the presented research: graph clustering. Efficiency of the method is compared and verified against the exemplary electrical system, i.e. induction machine. Future prospects of such methods will be also included. Streszczenie. W artykule przedstawiono zastosowanie metod uczenia bez nadzoru w celu wykrycia grup niepewności w danych wykorzystywanych do diagnostyki systemów analogowych. Dane przetwarzane są w celu znalezienia podobnych do siebie przykładów należących do różnych kategorii uszkodzeń. Metoda clusteringu grafowego zostały przetestowane na przykładzie silnika indukcyjnego (Zastosowanie metody grupowania w wykrywaniu niejednoznaczności w diagnostyce systemów analogowych). Keywords: artificial intelligence, diagnostics of analog systems, unsupervised learning Słowa kluczowe: sztuczna inteligencja, diagnostyka systemów analogowych, uczenie bez nadzoru Introduction Contemporary diagnostics of analog systems uses widely artificial intelligence methods. They require learning and testing data sets for extracting knowledge about characteristic features of each fault. The sets are obtained from simulation of system models (such as electronic circuits or electrical machines). The quality of the diagnostics depends on the information in data. Ambiguity groups, i.e. sets of system parameters indistinguishable based on the characteristic points (stamps or symptoms) obtained from the system’s responses degrade the system’s testability. Therefore they should be located and, if possible, eliminated [1]. They were considered especially in the analysis of circuits [2], but the problem applies to other objects as well. The e[...]

Nieinwazyjna identyfikacja odbiorników energii elektrycznej z wykorzystaniem metod sztucznej inteligencji DOI:10.15199/48.2016.11.47

Czytaj za darmo! »

The paper presents the electrical appliances identification method using artificial intelligence methods, based on the measurements of currents and voltages in the medium frequency band. To identify the change of the particular device state, the random forest and k Nearest Neighbours were proposed. The former is characterized by the high classification accuracy and the ability to work in the uncertainty conditions. The latter is based on the distance calculation, missing the machine learning stage. Experiments confirmed the usefulness of both methods to identify the selected appliances. (Non-invasive identification of electrical appliances using artificial intelligence methods). Streszczenie. W artykule przedstawiono zastosowanie metod sztucznej inteligencji do identyfikacji odbiorników energii elektrycznej na podstawie pomiarów prądu i napięcia w paśmie średnich częstotliwości. W celu klasyfikacji konkretnego urządzenia wybrano las losowy oraz metodę k Najbliższych sąsiadów. Pierwszy algorytm charakteryzuje się wysoką skutecznością oraz zdolnością do pracy w warunkach niepewności pomiarowej, drugi zaś to podejście oparte na obliczaniu odległości, nie wymagające procesu uczenia maszynowego. Badania wykazały wysoką skuteczność klasyfikacji wybranych odbiorników zapewnianej przez obie metody. Keywords: appliance identification, random forest, k Nearest Neighbours. Słowa kluczowe: identyfikacja odbiorników energii elektrycznej, las losowy, k Najbliższych Sąsiadów. Wprowadzenie Nieinwazyjna identyfikacja odbiorników energii elektrycznej to aktualne i ważne zadanie dla zaawansowanych systemów pomiarowych. Jest ono trudne ze względu na dużą liczbę różnorodnych urządzeń działających w sieci energetycznej, a także charakter ich pracy. Istotą systemu identyfikacyjnego jest poprawne określenie zbioru odbiorników działających zarówno w konkretnym momencie jak i wybranym przedziale czasu, na podstawie cech sygnałów prądu i napięcia mierzonych w p[...]

Technika programowania wielordzeniowego w wirtualnych przyrządach pomiarowych

Czytaj za darmo! »

W artykule przedstawiono nową metodę projektowania przyrządu wirtualnego czasu rzeczywistego z wykorzystaniem komputera wyposażonego w procesor wielordzeniowy. Przedstawiono koncepcję wykorzystania w tym celu zintegrowanego środowiska programowego. Na przykładzie pakietu LabVIEW przeprowadzono analizę wydajnościową podstawowych elementów programowych uruchamianych na procesorze wielordzeniowym.[...]

A graph clustering-based method of the assessment of rough sets efficiency in the diagnostics of analog systems

Czytaj za darmo! »

A modern diagnostics of analog systems is strongly supported by the machine learning and artificial intelligence (AI) methods. They are widely used to design computer diagnostic modules, run on both general purpose computers and specialized hardware. Their main advantages are high autonomy (resulting in automatic decision making about the state of the examined system), ability to emulate human behavior (allowing it to work as the expert system), or ability to generalize, i.e. correct reaction to the patterns that the module did not encounter in the past. Multiple approaches, such as neural networks [1], rules induction algorithms (decision trees [2]), or fuzzy logic [3] proved their efficiency. The main aim of the diagnostic methods is to determine that the system under test ([...]

Przegląd i perspektywy zastosowań sztucznej inteligencji w nieinwazyjnej identyfikacji odbiorników energii elektrycznej DOI:10.12915/pe.2014.11.03

Czytaj za darmo! »

W artykule przedstawiono analizę możliwości wykorzystania metod sztucznej inteligencji do nieinwazyjnej identyfikacji odbiorników energii elektrycznej w budynku mieszkalnym. Omówione zostały techniki akwizycji danych pomiarowych, będące podstawą do tworzenia zbiorów uczących i pozyskiwania wiedzy dla algorytmów inteligentnych. Zaprezentowano taksonomię obecnie stosowanych podejść do automatycznego rozpoznawania odbiorników, a także zaproponowano autorskie rozwiązania problemu. Abstract. The paper presents the analysis of the artificial intelligence applications for the non-invasive identification of electrical energy appliances in the residential premises. The data acquisition techniques are discussed, being the source of the training data and knowledge for the intelligent algorithms. Taxonomy of the currently used approaches is also introduced. The new methods, not used so far for the task are also proposed. (State of the art and perspectives of the artificial intelligence usability in the non-invasive identification of electrical energy appliances). Słowa kluczowe: identyfikacja odbiorników, zużycie energii, sztuczna inteligencja, metody nieinwazyjne. Keywords: appliances identification, energy consumption, artificial intelligence, non-intrusive methods. doi:10.12915/pe.2014.11.03 Wstęp Określenie poziomu zużycia energii elektrycznej w gospodarstwach domowych jest jednym z zadań stojących przed współczesnym sektorem energetycznym. Polityka państw rozwiniętych ma na celu minimalizację pobieranej energii w szczególności przez odbiorniki w budynkach mieszkalnych, co w połączeniu z przejściem na źródła odnawialne, ma zahamować i odwrócić niekorzystne tendencje w środowisku naturalnym (np. efekt cieplarniany). Z tego powodu kładzie się nacisk na możliwości identyfikacji poszczególnych odbiorników, co może ułatwić ustalenie, które urządzenia są odpowiedzialne za największe zużycie energii. Ponadto możliwe stałoby się stworzenie profilu [...]

Overview of optimization methods in diagnostics of analog systems DOI:10.15199/59.2015.6.5


  1. Introduction. applications of analog systems despite their unification with digital parts still remains important in various technical domains, such as military, acoustic or radio frequency (RF). The continuously growing the number of elements makes their testability (i.e. the ability to distinguish between particular fault sources) difficult to obtain. In case of high frequency and data acquisition systems, conducting the diagnostics of analog and digital parts separately is crucial in achieving satisfying work evaluation results. The testability of digital circuits have already been well defined, there are no such procedures prepared for the analog and mixed systems [1]. Identification of such systems is a key to decrease the production costs of modern electronics [2]. The analog systems, diagnostics is complicated by the tolerances of elements or noise (which must be treated during the signal processing operations prior to the fault detection or identification). The testability of mixed systems is included in the IEEE 1149.4 norm [3]. For analog systems, no such standards exist. The Artificial Intelligence (AI) approaches have been extensively used to monitor the state of analog systems during the last twenty years. Currently, sophisticated computer systems are able to perform fault detection, location and identification in the real time. The advanced concepts of the AI include the classifier fusion [7] or the combination of supervised and unsupervised learning systems [23]. Contemporary approaches are heuristic and their parameters must be optimized to maximize the accuracy. Therefore one of the most pressing issues in the fault detection and location domain is the investigation and applications of optimization methods. The paper presents the overview of optimization algorithms and their applications to particular problems. The most widely used approaches are briefly described and their diagnostic implementations consi[...]

 Strona 1