zastosowania metod odkrywania wiedzy do diagnostyki maszyn ... · porównuje przykłady w sposób...
TRANSCRIPT
Zastosowania metod odkrywania wiedzy do diagnostyki
maszyn i procesówWojciechWojciech MoczulskiMoczulski
Politechnika ŚląskaPolitechnika ŚląskaKatedra Podstaw Konstrukcji MaszynKatedra Podstaw Konstrukcji Maszyn
„Sztuczna inteligencja w automatyce i robotyce”„Sztuczna inteligencja w automatyce i robotyce”Zielona Góra, 22 kwietnia 2005Zielona Góra, 22 kwietnia 2005
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 2
Plan referatu
WprowadzenieWprowadzenieProblemProblemPrzykłady odkrywania wiedzy z zakresu:Przykłady odkrywania wiedzy z zakresu:
diagnostyki maszyndiagnostyki maszyndiagnostyki procesudiagnostyki procesu
PodsumowaniePodsumowanie
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 3
Wprowadzenie
MaMaszyny, urządzenia i procesy są szyny, urządzenia i procesy są nadzorowane z wykorzystaniem systemów nadzorowane z wykorzystaniem systemów bazujących na wiedzybazujących na wiedzyWiedzę można Wiedzę można odkrywać w bazach danychodkrywać w bazach danychDane mogą pochodzić:Dane mogą pochodzić:
z pomiarówz pomiarówz odpowiednio zaplanowanych symulacjiz odpowiednio zaplanowanych symulacji
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 4
Odkrywanie wiedzy w bazach danych (1)
NNietrywialny procesietrywialny proces identyfikowania identyfikowania ważnychważnych,, nowychnowych,, potencjalnie potencjalnie użytecznychużytecznych i i ostatecznie zrozumiałych ostatecznie zrozumiałych wzorcówwzorców//regularnościregularności występującychwystępujących wwdanychdanychAAngng. Knowledge. Knowledge Discovery in Databases, Discovery in Databases, KDDKDD
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 5
Odkrywanie wiedzy w bazach danych (2)
RRegularnośćegularność -- wyrażeniewyrażenie ww języku języku reprezentacji danychreprezentacji danych, , zachodzącezachodzące ww jakimś jakimś podzbiorzepodzbiorze tych dtych danychanychWażnośćWażność danej regularności określadanej regularności określa sięsię np. np. zaza pomocą stopnia pewnościpomocą stopnia pewnościOdkryteOdkryte regularności powinny byćregularności powinny być nowenowe((nieznanenieznane) co) co najmniej dlanajmniej dla systemu odkryćsystemu odkryć
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 6
Rodzaje regularności (1)
Jakościowe:Jakościowe:Tablice Tablice kontyngencjikontyngencjiRegułyRegułyDrzewa Drzewa decyzyjnedecyzyjneRównoważności Równoważności logicznelogiczne. . . .. . . .
Ilościowe:Ilościowe:RównaniaRównaniaZależności Zależności funkcyjnefunkcyjne. . . . . . . .
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 7
Rodzaje regularności (2)
Statyczne Statyczne (przedstawione (przedstawione uprzednio):uprzednio):
Regularności nie Regularności nie uwzględniające uwzględniające czasuczasu
Dynamiczne:Dynamiczne:Modele jakościowe Modele jakościowe Równania Równania różniczkoweróżniczkoweRównania Równania różnicoweróżnicoweSekwencje zdarzeńSekwencje zdarzeń. . . . . . . .
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 8
Problem
Opracować środki reprezentacji wiedzy Opracować środki reprezentacji wiedzy przydatnej w diagnostyce technicznej:przydatnej w diagnostyce technicznej:
Maszyn i urządzeń (wiedza statyczna)Maszyn i urządzeń (wiedza statyczna)Maszyn, urządzeń i procesów (wiedza Maszyn, urządzeń i procesów (wiedza dynamiczna)dynamiczna)
Opracować metody odkrywania wiedzy Opracować metody odkrywania wiedzy reprezentowanej za pomocą tych środkówreprezentowanej za pomocą tych środków
Odkrywanie wiedzy z zakresu diagnostyki maszyn
Opracowane na podstawie:Opracowane na podstawie:P. Kostka: P. Kostka: Metody klasyfikacji postaciMetody klasyfikacji postacikinetostatycznychkinetostatycznych linii wałów maszyn linii wałów maszyn wirnikowychwirnikowych, Pol. Śląska, Gliwice 2001, Pol. Śląska, Gliwice 2001
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 10
Omawiane zagadnienia
PProblemroblem ddiagnostiagnostyyccznyznyZastosowana Zastosowana metodmetodaaUzyskane wynikiUzyskane wynikiWnioskiWnioski
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 11
Problem diagnostyczny (1)
NiewspółosiowośćNiewspółosiowość powoduje do 50% powoduje do 50% niesprawności maszyn wirnikowychniesprawności maszyn wirnikowychNadmierne drganiaNadmierne drgania -- symptomem symptomem niewyosiowanianiewyosiowania
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 12
Problem diagnostyczny (2)
Czy można określićCzy można określić relacjerelacje pomiędzy pomiędzy cechami sygnału i stanem cechami sygnału i stanem niewyosiowanianiewyosiowania??CzyCzy metodykę metodykę KDD KDD można zastosowaćmożna zastosować ddo o odkrywania relacji odkrywania relacji ““diagnostdiagnostyyccznychznych” ” ((odwrotnychodwrotnych))??
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 14
EksEksperperyymentmenty bierney bierneEksEksperperyymentmentyy czynneczynne
WspółcześnieWspółcześnie: : eeksksperperyymentmentyy numernumeryyccznezne((wyniki zależne od jakości modeluwyniki zależne od jakości modelu))
Eksperyment jako źródło danych
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 15
Zarys metody DZIAŁANIE WYNIK
1. Planowanie eksperymentu diagnostycznego Lista konfiguracji linii łożysk
2. Przeprowadzenie eksperymentu Zbiór realizacji sygnałów diagnostycznych
3. Obliczenie wartości cech sygnałów
4. Wstępna selekcja cech
5. Grupowanie rekordów wartości cech
6. Wybór cech istotnych
Baza zbiorów uczących umożliwiająca indukcję klasyfikatorów metodami uczenia maszynowego
7. Indukcja klasyfikatorów Klasyfikatory kinetostatycznej linii wału
8. Selekcja klasyfikatorów Klasyfikatory optymalne ze względu na przyjęty układ kryteriów
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 16
Położenienominalne
Zakresprzemieszczeń
Przemieszczenie
Ri θi
Płaszczyzna promieniowa łożyska i
Plan eksperymentu diagnost. (1)
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 17
Plan eksperymentu diagnost. (2)
Płaszczyznapromieniowai-tego łożyska
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 18
Warianty danych dot. linii wałów
7 × 625
2 × 2000
1333
Przypadki:Przemieszczenia pojedynczego łożyska
Przemieszczenia wszystkich łożyskPrzykłady pozytywne
Kontrprzykłady
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 19
Definiowanie granic klas (1)
Płaszczyznapromieniowai-tego łożyska
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 20
Definiowanie granic klas (2)
Płaszczyznapromieniowai-tego łożyska
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 21
Płaszczyznapromieniowai-tego łożyska
Definiowanie granic klas (3)
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 22
C1 C1V0 V0
V1 V1
V2 V2
V3 V3
V4 V4
V5 V5
C2 C2C3 C3C4 C4C5 C5
T(a1,d)
C1
C3
C2
C5
C4
T(a2,d)
( ) ( )21 aVaV CC =>=
Selekcja atrybutów
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 24
Przykładowe błędy:Liczba przykładów: 614 Błąd całkowity: 6.19% Liczba błędów: 38 Rozmyty błąd całkowity (10%): 3.15%
)()(}card{
1
,,1k
nkkktfw Rwrwa
Eerr
∑=
=K
θηε
Koncepcja rozmytych granic klas
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 25
10 11 7 12 9 10 12 12 14 15 15 21 10 13 15 8Ilu atrybutów użyto?
Błąd względny, %2.4 6.2 4.1 2.0 2.3 5.7 3.9 3.6 2.2 2.1 6.1 5.3 3.2 2.5 2.8 6.5
Ocena jakości klasyfikatorów
Weryfikacja metody
[P. Kostka, 2001]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 26
Podsumowanie i wnioskiMetoda umożliwia budowę klasyfikatorów do Metoda umożliwia budowę klasyfikatorów do diagnozowania złożonych obiektówdiagnozowania złożonych obiektówNowe wyniki dotyczą:Nowe wyniki dotyczą:
Planowania eksperymentu diagnostycznegoPlanowania eksperymentu diagnostycznegoBudowy zbiorów przykładów uczącychBudowy zbiorów przykładów uczącychIndukcji klasyfikatorówIndukcji klasyfikatorówOceny klasyfikatorów za pomocą błędu Oceny klasyfikatorów za pomocą błędu bazującego na rozmytych granicach klasbazującego na rozmytych granicach klas
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 27
Podziękowania
Prof.Prof. Jan Jan KicińskiKiciński, I, IMP PANMP PAN -- zaza udostępnienie udostępnienie systemu symulacyjnegosystemu symulacyjnego MESWIRMESWIR--NLDWNLDW oraz oraz zaza wielewiele ddyskyskususjiji
Badania przeprowadzone przez P. Kostkę i Badania przeprowadzone przez P. Kostkę i autora w ramach autora w ramach grantówgrantów nrnr 7T07B 046 16 7T07B 046 16 ii7T07B 002 177T07B 002 17 finansowanych przez KBNfinansowanych przez KBN
Odkrywanie wiedzy z zakresu diagnostyki procesów
Opracowane na podstawie:Opracowane na podstawie:R. R. SzulimSzulim: : Metoda pozyskiwania wiedzy do Metoda pozyskiwania wiedzy do wspomagania prowadzenia złożonego wspomagania prowadzenia złożonego procesu technologicznegoprocesu technologicznego,,Uniwersytet Zielonogórski, 2004Uniwersytet Zielonogórski, 2004
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 31
Wprowadzenie (1)
Złożony proces przemysłowyZłożony proces przemysłowycharakter cyklicznycharakter cyklicznyczas trwania cyklu uzależniony od czas trwania cyklu uzależniony od osiągnięcia określonego stanuosiągnięcia określonego stanusterowanie przez operatora w pętli sterowanie przez operatora w pętli otwartej otwartej znaczna liczba parametrów procesowych znaczna liczba parametrów procesowych do kontrolido kontroli
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 32
Wprowadzenie (2)
Znaczny indeterminizm sterowania:Znaczny indeterminizm sterowania:różna wiedza posiadana przez obsługęróżna wiedza posiadana przez obsługęwiele czynników musi być ocenianychwiele czynników musi być ocenianych
Błędne decyzje dotyczące sterowania mogą Błędne decyzje dotyczące sterowania mogą powodować:powodować:
nieosiągnięcienieosiągnięcie celu sterowania (w celu sterowania (w zadanym czasie)zadanym czasie)uszkodzenia sterowanego obiektuuszkodzenia sterowanego obiektu
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 33
Wprowadzenie (3)
Wiele źródeł danychWiele źródeł danychsystemy SCADA systemy SCADA pracownicy wprowadzający dane pracownicy wprowadzający dane manualniemanualnie
Systemy te gromadzą dane historyczneSystemy te gromadzą dane historyczne
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 34
Przykłady realizacji procesu
150140130120110100908070605040302010
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 35
Przykłady realizacji procesu
150140130120110100908070605040302010
16
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
0
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 36
Opis potrzeby
Brak komputerowych środków Brak komputerowych środków wspomagania operatorów procesuwspomagania operatorów procesuNależy wspomagać takie działania, jak:Należy wspomagać takie działania, jak:
ocena stanu procesuocena stanu procesupodejmowanie decyzji dotyczących podejmowanie decyzji dotyczących sterowania przebiegiem procesusterowania przebiegiem procesu
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 37
Sformułowanie problemu (1)
ProcesProces ma ma charaktercharakter dynamicznydynamicznyPrzebiegPrzebieg poprzednichpoprzednich cyklicykli wpływawpływa nanakolejnykolejny cyklcyklModeleModele procesuprocesu uzyskaneuzyskane poprzezpoprzezidentyfikacjęidentyfikację są są małomało przydatneprzydatne
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 38
Sformułowanie problemu (2)
DostępneDostępne liczne realizacjliczne realizacjee procesuprocesu((niesklasyfikowaneniesklasyfikowane)), obejmujące , obejmujące wejścia, wyjścia wejścia, wyjścia i stany dla wielu realizacji rozpatrywanego i stany dla wielu realizacji rozpatrywanego procesu:procesu:
szeregi czasowe wartości zmiennych szeregi czasowe wartości zmiennych procesowychprocesowychwartości dyskretne (odczyty, spostrzeżenia)wartości dyskretne (odczyty, spostrzeżenia)
Przedmiotem identyfikacji są “miękkie” modele Przedmiotem identyfikacji są “miękkie” modele procesówprocesów
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 39
Rozumowanie oparte na przykładach (CBR)
Stosowane w razie trudności zbudowania modeli Stosowane w razie trudności zbudowania modeli matematycznych, neuronowych i innychmatematycznych, neuronowych i innychWymaga zbudowania reprezentatywnej bazy Wymaga zbudowania reprezentatywnej bazy przykładówprzykładówNależy opracować sposób reprezentacji Należy opracować sposób reprezentacji przykładów i miarę ich podobieństwaprzykładów i miarę ich podobieństwaWyszukuje rozwiązanie na podstawie analogii do Wyszukuje rozwiązanie na podstawie analogii do historycznych przykładówhistorycznych przykładów
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 42
Sposób reprezentacji wiedzy o procesie dynamicznym (1)
Dynamiczne stwierdzenie rozmyte (DSR)Dynamiczne stwierdzenie rozmyte (DSR)<Typ, Poziom, Czas, Symetria><Typ, Poziom, Czas, Symetria>
Typ = nagły_spadek, powolny_spadek, Typ = nagły_spadek, powolny_spadek, stabilizacja, powolny_wzrost, nagły_wzroststabilizacja, powolny_wzrost, nagły_wzrostPoziom = mały, średni, dużyPoziom = mały, średni, dużyCzas = krótki, średni, długiCzas = krótki, średni, długiSymetria = Symetria = niesymetrianiesymetria, mała_, mała_niesymetrianiesymetria, , symetriasymetria
Do Do opisuopisu przebiegówprzebiegów ciągłychciągłych -- listalista DSRDSR
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 45
Sposób reprezentacji wiedzy o procesie dynamicznym (2)
Realizacja procesu opisana przez:Realizacja procesu opisana przez:Stan początkowyStan początkowyPrzebieg sterowaniaPrzebieg sterowaniaStan końcowyStan końcowy
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 46
Aproksymacja i reprezentacja przykładów
Zdarzenie:Zdarzenie:TypTypCzasCzasWartość początkowaWartość początkowa((wpwp))
Wp(x)=<µmało(x), µśrednio(x), µdużo(x)> Funkcje przynależności zbiorów rozmytych
1
0 Wartość
Mało Średnio Dużo
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 47
Miara podobieństwa przebiegów (1) Podobieństwa cząstkowe poszczególnych Podobieństwa cząstkowe poszczególnych atrybutów określa się na podstawie:atrybutów określa się na podstawie:
wektora funkcji przynależnościwektora funkcji przynależnościspecjalnych macierzy wagspecjalnych macierzy wag
Podobieństwo pojedynczych zdarzeń jest Podobieństwo pojedynczych zdarzeń jest iloczynem podobieństw cząstkowych, ważonych iloczynem podobieństw cząstkowych, ważonych przez czas trwania zdarzeniaprzez czas trwania zdarzeniaPodobieństwo dwóch realizacji określa się dla Podobieństwo dwóch realizacji określa się dla różnej liczby zdarzeń w porównywanych cyklachróżnej liczby zdarzeń w porównywanych cyklach
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 48
Miara podobieństwa przebiegów (2)
PodobieństwoPodobieństwopary zdarzeńpary zdarzeń
Podobieństwo Podobieństwo cząstkowecząstkowe
gdziegdzie
gdzie gdzie np.np.określa podobieństwookreśla podobieństwowartościwartości
(5)
(6)
(7)
(8)
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 49
Miara podobieństwa przebiegów (3)
Podobieństwo dwóch realizacji:Podobieństwo dwóch realizacji:
gdzie waga gdzie waga
określa wpływ czasu trwania zdarzenia na jego wagę
(9)
(10)
(11)
(12)
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 50
Miara podobieństwa przebiegów (4)
Porównuje przykłady w sposób przybliżonyPorównuje przykłady w sposób przybliżonyPorównuje różne długości przebiegówPorównuje różne długości przebiegówNie wymaga skalowania wartościNie wymaga skalowania wartościWymaga zdefiniowania wielu parametrów: Wymaga zdefiniowania wielu parametrów:
Funkcji przynależności zbiorów Funkcji przynależności zbiorów rozmytychrozmytychMacierzy podobieństwa zbiorów Macierzy podobieństwa zbiorów rozmytychrozmytych
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 51
Weryfikacja metody: HIPOTEZA
JEŚLI dla realizacji procesu ich stanypoczątkowe leżą w DOSTATECZNIEBLISKIM SĄSIEDZTWIE,
TO zastosowanie DOSTATECZNIEPODOBNYCH STEROWAŃ
PROWADZI DO PODOBNYCH WYJŚĆ
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 52
Strojenie parametrów systemu
System CBR zawiera 87 parametrów:System CBR zawiera 87 parametrów:Parametry funkcji przynależnościParametry funkcji przynależnościMacierze podobieństwaMacierze podobieństwaMacierze wagMacierze wag
Intuicyjny dobór wartości parametrów nie Intuicyjny dobór wartości parametrów nie prowadził do dobrych wynikówprowadził do dobrych wynikówZastosowano algorytm ewolucyjnyZastosowano algorytm ewolucyjny
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 53
Określenie funkcji dopasowania
Wyrażenie na wartość funkcji dopasowaniaWyrażenie na wartość funkcji dopasowania
gdzie:gdzie:Ile cykli podobnych ze względu na wejście i sterowanie Ile cykli podobnych ze względu na wejście i sterowanie jest także podobnych ze względu na wyjściejest także podobnych ze względu na wyjścieIle prób wyszukania przeprowadzonoIle prób wyszukania przeprowadzono
(13)
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 54
Reprezentacja danych
Chromosom
Atrybut 1
Atrybut 2
Atrybut 3
Atrybut 1
Atrybut 2
Atrybut 3
Atrybut 1
Atrybut 2
Atrybut 3
Wejście
Sterowanie
Wyjście
Definicjezbiorów
rozmytych
Definicjemacierzy
podobieństwaA B DC
Definicja zbiorów rozmytych
A B C
D E F
G H J
1 0.7 0.2
0.7 1 0.7
0.2 0.7 1
Definicja macierzy podobieństwa
[R. Szulim, 2004]
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 55
Operatory genetyczne
Mutacja Mutacja
Krzyżowanie Krzyżowanie
(14)
(15)
(16)
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 56
Naprawa parametrów
Naprawa polega na przywróceniu Naprawa polega na przywróceniu zależności pomiędzy wartościami zależności pomiędzy wartościami opisującymi granice zbiorów i opisującymi granice zbiorów i macierze podobieństwa, np.:macierze podobieństwa, np.:
A < B < C < D (dla zbiorów)A < B < C < D (dla zbiorów)A > B > C (dla macierzy)A > B > C (dla macierzy)E > FE > F
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 57
Przykładowe wyniki
Przed strojeniem podobieństwo =0,56 Po strojeniu podobieństwo =1
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 58
Podsumowanie i wnioski
Dane archiwalne można użyć do budowy Dane archiwalne można użyć do budowy bazy wiedzy w postaci bazy przykładów bazy wiedzy w postaci bazy przykładów Wymagane jest zbudowanie odpowiednich Wymagane jest zbudowanie odpowiednich sposobów reprezentacji przykładów i ich sposobów reprezentacji przykładów i ich miar podobieństwamiar podobieństwaParametry systemu reprezentacji danych i Parametry systemu reprezentacji danych i obliczania podobieństw mogą być strojone obliczania podobieństw mogą być strojone za pomocą algorytmu ewolucyjnegoza pomocą algorytmu ewolucyjnego
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 60
Inne rozwijane metody KDD dla zależności dynamicznych
Odkrywanie zależności jakościowych Odkrywanie zależności jakościowych reprezentowanych za pomocą sekwencji reprezentowanych za pomocą sekwencji zdarzeńzdarzeńOdkrywanie zależności funkcyjnych za Odkrywanie zależności funkcyjnych za pomocą:pomocą:
Gramatyk Gramatyk bezkontekstowychbezkontekstowychIteracyjnej transformacji atrybutów w Iteracyjnej transformacji atrybutów w bazie danychbazie danych
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 61
Podsumowanie (1)
Współcześnie dostępnych jest coraz więcej Współcześnie dostępnych jest coraz więcej baz danych diagnostycznychbaz danych diagnostycznychMetodyka odkrywania wiedzy w bazach Metodyka odkrywania wiedzy w bazach danych umożliwia uzyskanie modeli danych umożliwia uzyskanie modeli statycznych i dynamicznychstatycznych i dynamicznychModele funkcyjne (równania) umożliwiają Modele funkcyjne (równania) umożliwiają dokładną predykcjędokładną predykcję
22.04.2005 W. Moczulski, Pol. Śląska, KPKM 62
Podsumowanie (2)
Proces odkrywania wiedzy w bazach Proces odkrywania wiedzy w bazach danych może przebiegać autonomiczniedanych może przebiegać autonomicznieCelowe jest prowadzenie dalszych badań Celowe jest prowadzenie dalszych badań nad rozwojem metodologii odkrywania nad rozwojem metodologii odkrywania wiedzy diagnostycznejwiedzy diagnostycznejOdkryte modele jakościowe i ilościowe Odkryte modele jakościowe i ilościowe mogą być stosowane do generowania mogą być stosowane do generowania residuów wykorzystywanych do detekcji i residuów wykorzystywanych do detekcji i lokalizacji uszkodzeńlokalizacji uszkodzeń