zastosowania metod odkrywania wiedzy do diagnostyki maszyn ... · porównuje przykłady w sposób...

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


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


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


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


Rodzaje regularności (1)

Jakościowe:Jakościowe:Tablice Tablice kontyngencjikontyngencjiRegułyRegułyDrzewa Drzewa decyzyjnedecyzyjneRównoważności Równoważności logicznelogiczne. . . .. . . .

Ilościowe:Ilościowe:RównaniaRównaniaZależności Zależności funkcyjnefunkcyjne. . . . . . . .


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. . . . . . . .


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


Omawiane zagadnienia

PProblemroblem ddiagnostiagnostyyccznyznyZastosowana Zastosowana metodmetodaaUzyskane wynikiUzyskane wynikiWnioskiWnioski


Problem diagnostyczny (1)

NiewspółosiowośćNiewspółosiowość powoduje do 50% powoduje do 50% niesprawności maszyn wirnikowychniesprawności maszyn wirnikowychNadmierne drganiaNadmierne drgania -- symptomem symptomem niewyosiowanianiewyosiowania

[P. Kostka, 2001]


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))??


Modelowany turbogenerator

[Cholewa, Kiciński, 1997]


EksEksperperyymentmenty bierney bierneEksEksperperyymentmentyy czynneczynne

WspółcześnieWspółcześnie: : eeksksperperyymentmentyy numernumeryyccznezne((wyniki zależne od jakości modeluwyniki zależne od jakości modelu))

Eksperyment jako źródło danych


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]


Położenienominalne

Zakresprzemieszczeń

Przemieszczenie

Ri θi

Płaszczyzna promieniowa łożyska i

Plan eksperymentu diagnost. (1)

[P. Kostka, 2001]


Plan eksperymentu diagnost. (2)

Płaszczyznapromieniowai-tego łożyska

[P. Kostka, 2001]


Warianty danych dot. linii wałów

7 × 625

2 × 2000

1333

Przypadki:Przemieszczenia pojedynczego łożyska

Przemieszczenia wszystkich łożyskPrzykłady pozytywne

Kontrprzykłady

[P. Kostka, 2001]


Definiowanie granic klas (1)


[P. Kostka, 2001]




[P. Kostka, 2001]


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]


Przykładowe wyniki klasyfikacji

[P. Kostka, 2001]


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]


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]


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


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


Przykład procesu przemysłowego


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


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


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


Przykłady realizacji procesu

150140130120110100908070605040302010

16

15

14

13

12

11

10

9

8

7

6

5

4

3

2

1

0


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


Sformułowanie problemu (1)

ProcesProces ma ma charaktercharakter dynamicznydynamicznyPrzebiegPrzebieg poprzednichpoprzednich cyklicykli wpływawpływa nanakolejnykolejny cyklcyklModeleModele procesuprocesu uzyskaneuzyskane poprzezpoprzezidentyfikacjęidentyfikację są są małomało przydatneprzydatne


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


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


Cykl CBR


Bazy przykładów dla cykli i dla faz


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


Opis procesu dynamicznego


Sposób reprezentacji wiedzy o procesie dynamicznym (2)

Realizacja procesu opisana przez:Realizacja procesu opisana przez:Stan początkowyStan początkowyPrzebieg sterowaniaPrzebieg sterowaniaStan końcowyStan końcowy


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


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


Miara podobieństwa przebiegów (2)

PodobieństwoPodobieństwopary zdarzeńpary zdarzeń

Podobieństwo Podobieństwo cząstkowecząstkowe

gdziegdzie

gdzie gdzie np.np.określa podobieństwookreśla podobieństwowartościwartości

(5)

(6)

(7)

(8)



Podobieństwo dwóch realizacji:Podobieństwo dwóch realizacji:

gdzie waga gdzie waga

określa wpływ czasu trwania zdarzenia na jego wagę

(9)

(10)

(11)

(12)



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


Weryfikacja metody: HIPOTEZA

JEŚLI dla realizacji procesu ich stanypoczątkowe leżą w DOSTATECZNIEBLISKIM SĄSIEDZTWIE,

TO zastosowanie DOSTATECZNIEPODOBNYCH STEROWAŃ

PROWADZI DO PODOBNYCH WYJŚĆ


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


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)


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]


Operatory genetyczne

Mutacja Mutacja

Krzyżowanie Krzyżowanie

(14)

(15)

(16)


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


Przykładowe wyniki

Przed strojeniem podobieństwo =0,56 Po strojeniu podobieństwo =1


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

Podsumowanie


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


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


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


Dziękuję za uwagę

zastosowania metod odkrywania wiedzy do diagnostyki maszyn ... · porównuje przykłady w sposób...

Documents