تشخیص تغییر تطبیقی برای نظارت بر ماشین آلات طولانی مدت با استفاده از پنجره کشویی افزایشی

ساخت وبلاگ

آخرین مطالب

امکانات وب

تشخیص تغییر تطبیقی برای نظارت بر ماشین آلات طولانی مدت با استفاده از پنجره کشویی افزایشی

تشخیص تغییرات ساختاری از یک فرآیند عملیاتی یک هدف اصلی در نظارت بر شرایط دستگاه است. روشهای موجود برای این منظور عمدتاً مبتنی بر تجزیه و تحلیل گذشته نگر است و در نتیجه تأخیر در تشخیص بزرگ وجود دارد که کاربردهای آنها را در برنامه های واقعی محدود می کند. در این مقاله یک الگوریتم جدید تشخیص تغییر در زمان واقعی تطبیقی ارائه شده است ، گسترش تحقیقات اخیر با ترکیب با یک استراتژی افزایشی پنجره کشویی ، برای انجام تشخیص چند تغییر در نظارت طولانی مدت عملیات دستگاه. به طور خاص ، در چارچوب ، از فضای هیلبرت از توزیع توزیع برای ترسیم داده های اصلی در فضای هسته تولید کننده هیلبرت (RKHS) برای تشخیص تغییر استفاده می شود. سپس ، می توان یک استراتژی جدید آستانه تطبیقی را هنگام تصمیم گیری در مورد تغییر ایجاد کرد ، که در آن یک عامل جهانی (برای کنترل سطح درشت به ذهنی تشخیص استفاده می شود) برای جایگزینی مقدار ثابت آستانه معرفی می شود. از طریق آزمایشات روی طیف وسیعی از داده های آزمایش واقعی که از یک سیستم ماشین آلات چرخشی تجربی جمع آوری شده است ، عملکرد عالی تشخیص الگوریتم برای برنامه های مهندسی نشان داده شد. در مقایسه با روشهای پیشرفته ، الگوریتم پیشنهادی می تواند برای نظارت بر وضعیت ماشین آلات بلند مدت و بدون هیچگونه کالیبراسیون دستی ، مناسب تر باشد ، بنابراین در صنایع مدرن امیدوار کننده است.

1. معرفی

تشخیص تغییرات ساختاری از یک فرآیند عملیاتی یک هدف اصلی در نظارت بر ماشین آلات است که امکان حل بسیاری از مشکلات عملی از تشخیص اولیه گسل ، محافظت از ایمنی و همچنین سایر مشکلات کنترل فرآیند را فراهم می کند. آثار موجود عمدتا بر اساس تجزیه و تحلیل گذشته نگر از یک جریان داده متشکل از متغیرهای نظارت بر شرایط عددی (CM) مانند ارتعاش ، صدا ، مصرف برق است. ایده اصلی یک تشخیص تغییر گذشته نگر استاندارد عمدتاً به برآورد لگاریتم نسبت احتمال بین دو توزیع متکی است [1 ، 2]. این نوع استراتژی استدلال می کند که تشخیص یک تغییر را می توان به تشخیص تفاوت پارامتر بین دو توزیع قبل و بعد از این نقطه تغییر تبدیل کرد. به عنوان یک نتیجه ، تشخیص تغییر گذشته نگر با هدف برآورد این تفاوت پارامتر توزیع ها بر اساس آمار نسبت احتمال. تصمیم تغییر را می توان با انجام آزمایش فرضیه تهی با آستانه انجام داد. بسیاری از ابزارهای مؤثر برای این هدف مانند متریک جمع تجمعی (CUSUM) [3،4،5،6] ، میانگین حرکت هندسی (GMA) [7 ، 8] و آزمون نسبت احتمال کلی (GLRT) [9،10 ،11،12] به طور گسترده مورد استفاده قرار گرفته است. به عنوان مثال ، ویلرسرود و همکاران.[12] GLRT را توسعه داد تا تشخیص شستشوی حفاری پایین حفاری را با توزیع چند متغیره T انجام دهد. Reñones و همکاران.[6] از تجزیه و تحلیل CUSUM برای تشخیص گسل ابزار چند دندان استفاده کرد. اگرچه این روشها به صورت تجربی اثربخشی در زمینه های مختلف را نشان داده اند ، به دلیل نیاز به داده ها پس از نقطه تغییر ، تأخیر در تشخیص بزرگ یک محدودیت اساسی در این روش ها برای کاربردهای واقعی است [13]. از طرف دیگر ، تشخیص تغییر در زمان واقعی با هدف تشخیص تغییرات در اسرع وقت در هنگام تغییر ، این نیاز در بسیاری از سناریوهای زندگی واقعی مانند نظارت بر امنیت بسیار مهم است [14 ، 15] ، مراقبت های بهداشتی [16 ، 17]، کارخانه خودکار [18 ، 19] و همچنین نظارت بر عملکرد دستگاه که در این مقاله مورد مطالعه قرار گرفته است. در عملکرد تشخیص تغییر در زمان واقعی ، در هر زمانی که یک داده ورودی وارد می شود ، ارزیابی می کند که داده ورودی چه میزان ممکن است با یک نوع خاص از نمره اندازه گیری یک نقطه تغییر باشد [20] که به داده های ورودی احتیاج نداردبعد از زمان تغییررویکردهای زمان واقعی موفق شده است بسیاری از برنامه های عملی را حل کند (به عنوان مثال ، نظارت بر وضعیت توربین بادی [21] ، نظارت بر هوشیاری راننده [22]) ، و بنابراین امیدوار کننده هستند [23].

هدف از این مقاله پیشبرد بیشتر این خط تحقیق روشهای تشخیص در زمان واقعی است. به طور خاص ، سهم اصلی ما در این مقاله در دو برابر خلاصه شده است. اولین سهم این است که یک چارچوب مبتنی بر مارتینگاله را که در مقاله اخیر ما [24] برای نظارت بر دستگاه بلند مدت ارائه شده است ، با ترکیب یک استراتژی افزایشی پنجره کشویی ارائه دهید. ایده اصلی Martingale اصلی این است که مستقیماً یک نظم آماری را از داده های قبلاً مشاهده شده بیاموزید ، و سپس با بررسی میزان انحراف هر داده از منظم با استفاده از Martingale با آزمایش تبادل ، تغییر (های) احتمالی را تشخیص دهید. با این حال ، این چارچوب فقط برای تشخیص تغییر در یک نقطه کار می کند ، بنابراین برای مواردی که حاوی تغییرات متعدد در برنامه های نظارت طولانی مدت است ، نامناسب است. در این مقاله ، ما یک استراتژی افزایشی پنجره کشویی را برای حل این مشکل معرفی می کنیم.

به یاد بیاورید که ، مقدار آستانه برای تصمیم گیری تغییر یک عامل اصلی دقت در تشخیص است. ضعف بالقوه اکثر الگوریتم های خروجی ، به عنوان مثال ، Refs.[5،6،7،8،9،10،11] ، این است که آنها برای تأیید ارزش آستانه قبل از عمل ، به دستورالعمل/مداخله انسان یا یک اعتبار متقابل خارج از خط نیاز دارند ، و بنابراین آنها را تا حد زیادی محدود می کنددر برنامه های واقعیسهم دیگر این مقاله ایجاد آستانه تطبیقی جدید هنگام انجام تصمیم گیری تغییر است. به طور خاص ، ما یک عامل جایگزین را معرفی می کنیم: یک پارامتر گلوبال ثابت که برای کنترل سطح درشت به ذهنی تشخیص ، به جای مقدار ثابت آستانه ، برای تشخیص تغییر استفاده می شود (برای جزئیات بیشتر به بخش 3. 2 مراجعه کنید). با استفاده از این عامل ، در هر مرحله از تصمیم تغییر ، مقدار آستانه را می توان از داده های قبلاً مشاهده شده به صورت تطبیقی محاسبه کرد.

علاوه بر پسوندهای روش شناختی روش پیشنهادی ، ما همچنین اعتبار سنجی را در یک مجموعه آزمایشی انجام دادیم تا اثربخشی/اولویت روش برای تشخیص تغییر با مجموعه داده های بزرگ را بررسی کنیم. برای اطلاعات بیشتر ، لطفاً به بخش 4 مراجعه کنید.

بقیه مقاله به شرح زیر سازماندهی شده است. بخش 2 طرح بندی چارچوب مارتینگاله را برای نظارت بر دستگاه ارائه می دهد. بخش 3 مشکلات مطرح شده در این مقاله را تدوین می کند و روشهای پیشنهادی ما را ارائه می دهد ، و به دنبال آن نتایج تجربی در بخش 4 است. بخش 5 این مقاله را نتیجه می گیرد و کار آینده را نشان می دهد.

2 تشخیص تغییر مبتنی بر Martingale برای نظارت بر ماشین آلات

با فرض اینکه ما یک جریان داده متشکل از متغیرهای CM عددی را از یک فرآیند عملیاتی یک دستگاه جمع آوری کرده ایم ، یعنی x = x1،…، ایکسمن،…، ایکسحرف>جایی که xمن، (من in <1,2, ldots ,n>) مقدار متغیر در زمان (i ) است ، سه امتیاز در ادامه برای پشتیبانی از استفاده از Martingale برای تشخیص تغییر ارائه شده است:

 

  1. (1) تغییرات با آزمایش فرضیه تهی تشخیص داده می شوند که تمام مقادیر n (عجیب) (که به ترتیب با (x_ ، x_ ، ldots ، x_ ، ) مطابقت دارد) از طریق martingale قابل تبادل مربوطه در شاخص قابل تعویض هستند.(m_ ، m_ ، ldots ، m_ ) ، جایی که mحرفیک تابع قابل اندازه گیری از (s_ ، s_ ، ldots ، s_ ) ، رضایت بخش است

     

$ $ m_ = E (M_| m_ ، m_ ، ldots ، m_ ).$$ $ $ p ( وجود دارد n | m_ ge lambda) le frac<lambda>.$$

بر اساس سه نکته فوق ، طرح عملکرد Martingale برای تشخیص تغییر به شرح زیر است (برای اطلاعات بیشتر به Ref. [25] مراجعه کنید):

مرحله 1: Martingale Power تصادفی (RPM) [26] از محاسبه شده (S_ ، S_ ، ldots ، S_ ) ساخته شده است

جایی که ( varepsilon in (0 ، ؛ 1) ) و ( hat

_ s ) مقدار محاسبه شده از ( hat

) توابع Value:

جایی که # (<x08ullet >) یک تابع شمارش است و ( theta_ ) یک مقدار تصادفی از توزیع یکنواخت [0 ، 1] ، (j in است.<1,2, ldots ,i - 1>.)

مرحله 2: نابرابری زیر بر اساس نابرابری DOOB برای هر (t in آزمایش می شود.<1,2, ldots ,n>) برای آزمایش فرضیه به شرح زیر:

$ $ شروع کنیدH_ :;;>;> ؛: ؛ ؛ ؛ 0;> ؛: ؛ ؛ ؛ m_ ge lambda ؛. hfill \ پایان$$

یعنی اگر ارزش Martingale m باشدحرفبیشتر از یک آستانه از پیش تعریف شده است ( lambda ) ، hآدر Eq(5) راضی است ، یعنی تغییر در زمان t رخ می دهد. در غیر این صورت ، تست Martingale رضایت بخش (H_ ) تا 0حرف <λ.

3 فرمول مسئله و طرح پیشنهادی

در بخش 2 ، ما طرح کلی آزمون مارتینگاله را برای تشخیص تغییر ارائه داده ایم. برای نظارت بر ماشین آلات بلند مدت باید دو مشکل بیشتر در نظر گرفته شود:

  1. (1) چگونه می توان با تشخیص چند منظوره در نظارت طولانی مدت مقابله کرد؟
  2. (2) آیا می توان هنگام تصمیم گیری تغییر ، مقدار آستانه را محاسبه کرد؟

در ادامه ، ما در مورد این دو مشکل در جزئیات بحث خواهیم کرد و طرح های پیشنهادی خود را ارائه می دهیم.

3. 1 تشخیص را با استفاده از پنجره کشویی افزایشی تغییر دهید

مشکل 1. همانطور که در Eq نشان داده شده است.(3) و Eq.(5) ، (M_ ) را می توان به صورت متوالی با یک پنجره کشویی L با طول ثابت در جریان داده داده شده پردازش کرد ، و همه نامزدهای تغییر ممکن (t in <1,2, ldots ,n>) آزمایش می شوند. این فرایند ممکن است برای برنامه های نظارت طولانی مدت نامناسب باشد. یکی از ویژگی های اصلی عملیات ماشین واقعی ، تغییرات زمانی است ، یعنی یک عمل می تواند برای مدت طولانی یا تنها چند ثانیه ادامه یابد. از این رو ، استفاده از یک پنجره کشویی L با طول ثابت برای ضبط انتقال (یعنی تغییر از حالت عملیاتی به دیگری) در نظارت طولانی مدت دشوار است. به طور خاص ، طول کمی از L باعث می شود که تغییر بیش از حد تغییر یافته و طول زیادی از L باعث تأخیر بزرگ شود. برای غلبه بر این مشکل ، ما Martingale را با یک استراتژی افزایشی پنجره کشویی ترکیب می کنیم [27] برای طراحی یک الگوریتم تشخیص تغییر در زمان واقعی برای Eq.(5).

طرح پیشنهادی: با توجه به پنجره کشویی افزایشی ، طول L بسته به اینکه آیا تغییر در زمان تشخیص داده می شود یا نه ، می تواند به طور خودکار به روز شود:

where (n_) is the starting time when computing the current martingale and (L_) is the length of corresponding sliding window at time t . The process starts with (n_) = 1 and (L_) = 1, and ends with (n_ + L_>n ) در جایی که n طول یک جریان داده داده شده در برنامه های خارج از خط است یا در زمان توقف از پیش تعریف شده در برنامه های آنلاین پایان می یابد. در اینجا ، لازم به ذکر است که ∆ L یک مرحله فزاینده برای به روزرسانی پنجره کشویی است و در آزمایش های زیر به عنوان 1 تنظیم شده است.

3. 2 آستانه تطبیقی برای تشخیص تغییر

مشکل 2. هنگام تصمیم گیری در مورد تغییر با آزمایش فرضیه تهی نشان داده شده در Eq.(5) ، آستانه ( lambda ) ضروری است زیرا دقت تشخیص را متعادل می کند و به یاد می آورد (تعاریف آنها در بخش 4. 3 ارائه می شود). به طور کلی ، مقدار ( lambda ) از قبل تجربی تعریف شده یا با یک تخمین قبلی برای تشخیص تغییر تأیید می شود. با این حال ، تأیید مقدار بهینه در برنامه های دنیای واقعی اغلب دشوار است. برای پرداختن به این مشکل ، بر خلاف آثار موجود که مستقیماً از متغیرهای نظارت شده اصلی برای تشخیص تغییر استفاده می کردند (به عنوان مثال ، Refs.(HED ، همچنین به عنوان میانگین یا میانگین هسته به آن گفته می شود) برای نقشه برداری از داده های اصلی () ، (i in <1,2, ldots ,n>) در فضای هسته تولید مجدد هیلبرت (RKHS) (شکل 1 را ببینید). بدون اینکه به جزئیات بپردازید ، ایده استفاده از HED برای تشخیص تغییر ساده است. با این کار ، توزیع احتمال اکنون به عنوان یک عنصر RKHS نشان داده شده است ، و بنابراین می توان با استفاده از یک عملکرد هسته صاف کننده به خوبی رفتار کرد ، که مقادیر آن در داده های متعلق به همان الگوی و داده های بزرگ از داده ها کوچک است. الگوهای مختلف

طرح پیشنهادی: با الهام از Ref.[28] ، توزیع های احتمالی را می توان در RKHS تعبیه کرد. مرکز HED میانگین توابع نقشه برداری است:

جایی که () i = 1،2 ، ... ، فرض می شود که از توزیع (P_ ) نمونه برداری شده است. در شرایط خفیف ، ( mu ؛ (p_) ) (همان برای ( mu ؛ () )) عنصر فضای هیلبرت است. نقشه برداری ( mu ؛ (p_) ) جذاب است زیرا هر نقطه داده (x_ ) دارای مکاتبات یک به یک با نقشه برداری ( mu ؛ (p_) ) است. بنابراین ، ما می توانیم از هنجار عملکرد ( mu (p_) ، k (x_)) ) استفاده کنیم (به جای (s (p ، x_) )) مورد استفاده در Ref.[1]) برای تعیین مقدار عجیب و غریب (s_ ) برای (x_ ). ما برای محاسبه/تخمین توزیع ( rho ) نیازی به دسترسی به توزیع های واقعی نداریم بلکه نمونه های محدودی نیز داریم.

LEMMA 1. تا زمانی که میانگین Rademacher [29] ، که اندازه "اندازه" یک کلاس از توابع با ارزش واقعی را با توجه به توزیع احتمال اندازه گیری می کند ، به خوبی رفتار می شود ، خطای نمونه محدود به صفر همگرا می شود ، بنابراین آنها از نظر تجربی تقریبی هستند ( mu (p_) ) (برای اطلاعات بیشتر به Ref. [28] مراجعه کنید).

موفقیت روشهای هسته تا حد زیادی به انتخاب عملکرد هسته K بستگی دارد که مطابق دانش دامنه یا هسته های جهانی انتخاب می شود. در این مقاله ، ما از عملکرد پایه شعاعی گاوسی (RBF) استفاده شده توسط هسته استفاده می کنیم

$ $ k (x_) = exp سمت چپ (< frac>>||x_ - x08ar||^> درست) ، $ $

که در آن ( bar ) و ( sigma ) میانگین نمونه و انحراف استاندارد جریان داده (. ) ما بعدی (s_ ) را می سازیم تا عجیب و غریب (x_ ) را به جریان داده های گذشته تا زمان t-1 ، یعنی ، ( () اندازه گیری کنیم.>) در rkhs ، به عنوان

$ $ s_= s ( mu (p_) ، k (x_)) = ؛ | k (x_) - k_^ |,$$

جایی که (k _^) مرکز هسته جریان داده است و ( سمت چپ | گلوله راست | ) متریک فاصله است. در اینجا ، لازم به ذکر است که در سناریوهای مهندسی واقعی ، متغیرهای CM اغلب در حال ترغیب مقادیر چند بعدی هستند که از سنسورهای مختلف در هر زمان اندازه گیری می شوند ، بنابراین ما از فاصله Mahalanobis [30] برای محاسبه عجیب و غریب استفاده می کنیم (S_ )با توجه به همبستگی بین متغیرها به گونه ای که الگوهای مختلف در هر بعد را می توان شناسایی و تجزیه و تحلیل کرد [30] ، محاسبه شده توسط

$ $ s_= sqrt<(k(x_) - k_>^ )^ <prime>sum olimits_>^> <(k(x_) - k_>^ )>>$$

که در آن ماتریس کواریانس است.

از آنجا که ما از RBF به عنوان عملکرد هسته استفاده کردیم همانطور که در Eq آورده شده است.(8) ، اگر (s_ ge alpha cdot sigma ) ، یک نقطه داده جدا شده را می توان تأیید کرد ، جایی که ( alpha ) یک فاکتور گلوبال ثابت است که کنترل سطح اعتماد به نفس تشخیص را کنترل می کند و ( sigma) انحراف استاندارد محاسبه شده از داده های موجود (یعنی آستانه تطبیقی) است.

بر اساس این واقعیت ، تصمیم تغییر هسته را می توان با نوشتن مجدد Eq گرفته است.(5) به شرح زیر ،

$ $ شروع کنید> ؛ ؛ 0;> hfill \>M_ ge alpha cdot K cdot sigma_ :;;>;> hfill \ پایان$$

که در آن K یک ضریب نمایش داده از RKHS به فضای مارتینگل است و (sigma_) را می توان به صورت تطبیقی از جریان داده تا زمان (t - 1) محاسبه کرد. در پیاده سازی واقعی، تابع گاوسی استفاده شده اغلب به عنوان یک تابع گاوسی معمولی استاندارد می شود (یعنی (mu) = 0 و (sigma) = 1). شکل 2 سطوح اطمینان معمول مربوط به α متفاوت در توزیع گاوسی را نشان می دهد. بنابراین (K) را می توان به عنوان (K تقریبا 2. 17) توسط یک تخمین خارج از خط ثابت کرد. تخمین به صورت زیر انجام می شود: (الف) با توجه به مجموعه ای از جریان های داده حاوی تغییرات، ابتدا دقت تشخیص را به صورت q = N / P تعریف می کنیم که در آن N تعداد تغییرات به درستی شناسایی شده و P تعداد کل شناسایی شده است. تغییر می کند و یک مقدار آستانه (lambda^) تنظیم می کند تا دقت کامل را تضمین کند، یعنی q = 100%;(ب) سپس مقدار (lambda^) را به تدریج کاهش دهید تا مطمئن شوید که q کاهش نمی یابد.(ج) هنگامی که q کاهش می یابد، K توسط محاسبه می شود

$$K;= ;frac<<lambda^<*>>>$$

از آنجایی که پنج برابر σ می تواند تضمین کند که همه تغییرات می توانند شناسایی شوند.

4 تأیید آزمایشی

در این بخش، هدف ما نشان دادن اثربخشی و اولویت الگوریتم تشخیص تغییر تطبیقی پیشنهادی برای نظارت طولانی مدت ماشین است. بنابراین، آزمایش I و آزمایش II برای پاسخ به دو سؤال زیر انجام می شود:

  1. (1) آیا پنجره کشویی افزایشی پیشنهادی برای نظارت طولانی مدت ماشین مناسب تر از پنجره کشویی با طول ثابت است؟
  2. (2) آیا الگوریتم تشخیص تطبیقی می تواند برای تشخیص تغییر موثر باشد و چگونه با مجموعه داده های بزرگ عمل می کند؟

4. 1 راه اندازی آزمایشی

شکل 3 تنظیمات آزمایشی را نشان می دهد که در آن ورودی های مختلف سرعت موتور برای شبیه سازی تغییرات در عملیات ماشین آلات واقعی به تنظیمات اعمال شده است. ما از سیگنال صوتی به عنوان سیگنال CM آزمایش شده برای آزمایش استفاده کردیم زیرا کاربرد نسبتاً زیادی در پیاده سازی دارد. سیگنال های صوتی CM مربوطه توسط یک میکروفون نصب شده روی گیربکس به دست آمد و سپس به تجهیزات رایانه شخصی فرستاده شد.

شکل 4 یک جریان داده از سیگنال های صوتی CM جمع آوری شده را نشان می دهد که در آن سه تغییر نشان دهنده انتقال از یک حالت عملیاتی به حالت دیگر توسط یک مربی انسانی ارائه شده است.

4. 2 آزمایش I: عملکرد پنجره کشویی افزایشی

در روش ما ، ما پیشنهاد می کنیم به جای پنجره کشویی با طول ، برای نظارت بر دستگاه طولانی مدت ، از پنجره کشویی افزایشی استفاده کنیم. برای ارزیابی اثربخشی/اولویت این استراتژی برای تشخیص تغییر ، مجموعه ای از مقادیر آستانه آزمایش از 1 تا 20 در یک بازه 1 بررسی شد. به ویژه ، شکل 5 سه مورد تشخیص استفاده از پنجره کشویی افزایشی برای جریان داده آزمایش را نشان می دهد (در شکل 4 نشان داده شده است). بدیهی است که عملکرد با مقادیر مختلف ( lambda ) بسیار متفاوت است ، و بهترین عملکرد هنگامی حاصل می شود که ( lambda ) = 7. به طور خاص ، مقدار کوچکتر هشدارهای کاذب بالاتر را به ارمغان می آورد اما مقدار بزرگتر طول می کشدتأخیر در تشخیص عقب مانده. در اینجا ، دوباره نقش های مهم مقدار آستانه ( lambda ) برای تشخیص تغییر نشان داده شده است. در ادامه ، از آنجا که مقدار ( lambda = 7 ) موفقیت در تشخیص تغییر برای داده های آزمایش نشان داده شده است ، ما این عملکرد را با استفاده از یک تشخیص پنجره کشویی L با طول ثابت مقایسه می کنیم. از شکل 6 که نتایج سه مورد L = را نشان می دهد ، می توانیم مشاهده کنیم که طول کوچک L = 3000 باعث تشخیص بیش از حد (به عنوان مثال ، آلارم کاذب تر) و طول زیاد L = 7000 می شود. در هنگام L = 5000 به عملکرد تشخیص خوبی می رسد ، در حالی که یکی خاطرنشان می کند که با توجه به تغییرات بزرگ زمانی سیگنال CM جمع آوری شده از عملیات ماشین واقعی ، اصلاح طول L از پنجره کشویی اغلب دشوار است.

به طور کلی ، با در نظر گرفتن نتایج نشان داده شده در شکل 5 و شکل 6 با هم ، موارد جالب توجه یافت شد:

  • Martingale کشویی با طول کشویی با طول ، برای انجام تشخیص تغییر ، به پارامترهای بیشتری نیاز دارد ، یعنی ( lambda ) و l ، که نیاز به تخمین قبلی پیچیده تر از آنها قبل از استفاده دارد.
  • با استفاده از مارتینگالهای کشویی افزایشی ، فقط یک پارامتر: ( lambda ) مورد نیاز است ، که الهام بخش گسترش تشخیص توسط آستانه تطبیقی است.

هر دوی آنها از آستانه تطبیقی آورده شده در بخش 3. 2 الهام می گیرند ، که در موارد زیر ارزیابی می شود.

4. 3 آزمایش II: عملکرد آستانه تطبیقی

در این بخش آستانه تطبیقی پیشنهادی را برای نظارت بر دستگاه ارزیابی خواهیم کرد. در اینجا ، خاطرنشان می شود که از آنجا که در بخش 4. 2 ، ما اولویت استفاده از پنجره کشویی افزایشی را برای نظارت بر دستگاه طولانی مدت نشان داده ایم ، در این بخش ، ما فقط عملکرد آستانه تطبیقی را با پنجره کشویی افزایشی آزمایش می کنیم.

شکل 7 نتایج را نشان می دهد که در آن همه تغییرات در داده های CM آزمایش (همان داده های نشان داده شده در شکل 4) با موفقیت بدون هشدار کاذب هنگام تنظیم α به عنوان 3. 0 تشخیص داده شده است اما وقتی ( lambda ) کاهش می یابد ، هشدارهای دروغین بیشتری آورده می شوندبیرونعلاوه بر این ، همچنین مشاهده می شود که بر اساس در نظر گرفتن ضریب طرح ریزی K از RKHS به فضای Martingale و سطح اطمینان ثابت جهانی α ، مقدار آستانه را می توان با توجه به انحراف استاندارد محاسبه شده از داده های گذشته ، به طور تطبیقی محاسبه و تنظیم کردهر مرحله از تصمیم گیری تغییر همانطور که در Eq ذکر شد.(11) ، به عبارت دیگر ، مقدار آستانه در کل فرآیند ثابت نیست ، که با بسیاری از آثار موجود متفاوت است [7،8،9،10،11 ، 25]. همه آنها مطابق با تجزیه و تحلیل قبلی در بخش 3. 2 است. علاوه بر این ، برای تأیید اثربخشی آستانه تطبیقی با مجموعه داده های بزرگ ، ما جریان هایی را کاملاً حاوی 90 تغییر برای ارزیابی جمع آوری کردیم. ارزیابی عملکرد بر اساس دو شاخص عملکرد بازیابی است: دقت و فراخوان ، که به ترتیب تعریف شده اند

دقت این احتمال است که یک تشخیص در واقع صحیح باشد ، یعنی یک تغییر واقعی. به یاد بیاورید این احتمال وجود دارد که تشخیص یک تغییر واقعی را تشخیص دهد.

علاوه بر این ، ما همچنین از یک شاخص عملکرد واحد استفاده می کنیم (F_ ) که به عنوان تعریف شده است

$ $ f_<1>= ؛ frac<2 imes Recall imes Precision>.$$

ظاهرا ، (f_ ) میانگین هارمونیک بین دقت و فراخوان است ، و مقدار بالایی از (f_ ) تعادل بالایی بین دقت و فراخوان را تضمین می کند.

Figure 8 shows the detection performances for different values of (alpha in) . Specifically, it can be found in Figure 8(a) that with an increasing value of α , the detection precision increases and achieves the best performance when (alpha> 3) . On the other hand, for the recall shown in Figure 8(b), our proposed method can always obtain a perfect performance, that is 100% which means the all true changes can be successfully detected for tested values of (alpha) . These results can be more clearly observed in Figure 8(c) where (F_) can achieve the best performance when (alpha>3 ). همه این نتایج تعجب آور نیست زیرا سه بار از σ تضمین می کند که نقاط داده تقریبی 99. 8 ٪ (همانطور که در شکل 2 نشان داده شده است) در توزیع گاوسی موجود است. با توجه به α کوچکتر ، تأخیر تشخیص کوچکتر را همانطور که در شکل 7 نشان داده شده است ، به این ترتیب هنگام استفاده از روش پیشنهادی در برنامه های واقعی توصیه می شود.

5. نتیجه گیری ها

در این مقاله ، ما کار اخیر خود را [25] به نظارت بر دستگاه طولانی مدت گسترش داده ایم که در آن دو طرح پیشنهاد شده است: 1) با استفاده از پنجره کشویی افزایشی برای حل مشکل تشخیص چند منظوره. و 2) ایجاد یک آستانه سازگار هنگام تصمیم گیری تغییر. نتایج تجربی در یک مجموعه آزمایشی موفقیت های بزرگی از روش پیشنهادی در تشخیص چند چچ در نظارت طولانی مدت را نشان داد. با این کار می توان نتیجه گرفت که الگوریتم بهبود یافته برای نسل جدیدی از سیستم های نظارت بر دستگاه طولانی مدت امکان پذیر است. با توجه به این امر ، کارهای بیشتری برای ادامه تأیید توانایی الگوریتم بهبود یافته برای تشخیص طیف وسیع تری از تغییرات هنگام کار با دستگاه انجام می شود تا آن را برای بهره برداری تجاری آماده کند.

علاوه بر این ، با توجه به اینکه تأخیر در تشخیص یکی از جنبه های اساسی است که باید هنگام طراحی یک روش تشخیص در نظر گرفته شود ، یکی دیگر از کارهای آینده استخراج ویژگی های آموزنده برای نشان دادن داده های جمع آوری شده خام برای مدل سازی به منظور کاهش بیشتر تأخیر روش ما هنگام تشخیص است. تغییر دادن

منابع

  1. Fokianos Konstantinos ، E Gombay ، A Hussein. تشخیص تغییر گذشته نگر برای مدل های سری زمانی باینری. مجله برنامه ریزی و استنباط آماری ، 2014 ، 145 (2). 102-112.
  2. n هلوتشخیص تغییرات ناگهانی: تئوری و برنامه ها. M Basseville ؛من در مقابل نیکیفوروف ، ویرایش. مجله انجمن آماری سلطنتی ، 2015 ، 15 (158): 326-327.
  3. A G Tartakovsky ، A Polunchenko. سریعترین تغییر نقطه تغییر در سیستم های چند سانسور توزیع شده تحت پارامترهای ناشناخته. کنفرانس بین المللی فیوژن اطلاعات ، IEEE ، استانبول ، ترکیه ، 9 تا 12 ژوئیه 2013: 1-8.
  4. حافظ زفر نظیر ، محمد ریاض ، رونالد جی م. نمودار کنترل CUSUM قوی. مهندسی کیفیت ، 2013 ، 25 (3): 211-224.
  5. H چوتشخیص نقطه تغییر در داده های پانل از طریق آمار دوقلو. مجله الکترونیکی آمار ، 2016 ، 10 (2): 2000-2038.
  6. A Reñones ، L J D Miguel ، J R Perán. تجزیه و تحلیل تجربی الگوریتم های تشخیص تغییر برای تشخیص گسل ابزار چند دستگاه. سیستم های مکانیکی و پردازش سیگنال ، 2009 ، 23 (7): 2320-2335.
  7. k atashgar. شناسایی نقطه تغییر: یک مرور کلی. مجله بین المللی فناوری تولید پیشرفته ، 2013 ، 64 (9-12): 1663-1683.
  8. M a Graham ، S Chakraborti ، S W Human. یک نمودار میانگین با وزن متوسط در حال حرکت برای نظارت بر موقعیت مکانی. آمار محاسباتی و تجزیه و تحلیل داده ها ، 2013 ، 55 (8): 2490-2503.
  9. A Willersrud ، M Blanke ، L Lmsland. تشخیص حادثه و جداسازی در حفاری با استفاده از روابط افزونگی تحلیلی. کنترل مهندسی کنترل ، 2015 ، 41: 1-12.
  10. A S Willsky ، H L Joned. یک رویکرد نسبت احتمال کلی به تشخیص و تخمین پرش در سیستم های خطی. معاملات کنترل خودکار IEEE در ، 1976 ، 21 (1): 108-112.
  11. A Willersrud ، M Blanke ، L Imsland ، et al. تشخیص شستشوی حفاری با استفاده از برآورد اصطکاک و تشخیص تغییر آماری. معاملات IEEE در فناوری سیستم های کنترل ، 2015 ، 23 (5): 1886-1900.
  12. A Willersrud ، M Blanke ، L Imsland ، et al. تشخیص گسل حوادث حفاری Downhole با استفاده از ناظران تطبیقی و تشخیص تغییر آماری. مجله کنترل فرآیند ، 2015 ، 30: 90-103.
  13. C Aldrich ، L Auret. نظارت بر فرآیند بدون نظارت و تشخیص گسل با روشهای یادگیری ماشین. لندن: شرکت انتشارات Springer ، Incorporated ، 2013: 1-15.
  14. ب ییلدیزتوسعه یک سیستم هوشمند ترکیبی برای خط واقعی - نظارت بر زمان عملیات نیروگاه هسته ای. بوستون: موسسه فناوری ماساچوست ، 2003.
  15. یک قلقلک جی. صحنه مورفولوژیکی تشخیص برای امنیت شبانه. مجموعه مقالات SPIE - انجمن بین المللی مهندسی نوری ، 2012 ، 8540 (24): 2288-2291.
  16. H Wang ، C Zhang ، T Shi ، et al. تشخیص مبتنی بر EEG در زمان واقعی خطر رانندگی خستگی برای پیش بینی تصادف. مجله بین المللی سیستم های عصبی ، 2015 ، 25 (2): 1550002.
  17. K C Huang ، T y Huang ، C H Chuang ، et al. یک سیستم تشخیص و کاهش خستگی مبتنی بر EEG. مجله بین المللی سیستم های عصبی ، 2016 ، 26 (4): 1650018.
  18. M Karapirli ، E Kandemir ، S Akyol ، et al. حالت خرابی و تجزیه و تحلیل اثر در نگهداری دارایی: یک مطالعه موردی متعدد در صنعت فرآیند. مجله بین المللی تحقیقات تولید ، 2013 ، 51 (4): 1055-1071.
  19. J Lee ، F Wu ، W Zhao ، M Ghaffari ، et al. پیش آگهی و طراحی مدیریت سلامت برای سیستم های ماشین آلات چرخشی - بررسی ها ، روش ها و برنامه های کاربردی. سیستم های مکانیکی و پردازش سیگنال ، 2014 ، 42 (1-2): 314-334.
  20. y Urabe ، K Yamanishi ، R Tomioka ، et al. تشخیص نقطه تغییر در زمان واقعی با استفاده از رمزگذاری حداکثر احتمال عادی تخفیف. اقیانوس آرام-کنفرانس آسیا در مورد پیشرفت در کشف دانش و داده کاوی ، شنژن ، چین ، اسپرینگر-ورگ ، 24-27 مه 2011: 185-197.
  21. W Yang ، P J Tavner ، W Tian. مانیتورینگ وضعیت توربین بادی بر اساس یک تبدیل chirplet chirplet بهبود یافته Spline-Keelled. معاملات IEEE در الکترونیک صنعتی ، 2015 ، 62 (10): 6565-6574.
  22. C T Lin ، C H Chuang ، HC S Huang ، et al. سیستم EEG بی سیم و پوشیدنی برای ارزیابی هوشیاری راننده. معاملات IEEE در مدارها و سیستم های زیست پزشکی ، 2014 ، 8 (2): 165-176.
  23. Pouliezos ، G S Stavrakakis. نظارت بر خطای زمان واقعی فرآیندهای صنعتی. هلند: ناشران دانشگاهی Kluwer ، 2013: 463-519.
  24. G L Lu ، Y Q Zhou ، C H Lu ، et al. یک چارچوب جدید برای تشخیص نقطه تغییر برای نظارت بر دستگاه. سیستم های مکانیکی و پردازش سیگنال ، 2017 ، 83: 533-548.
  25. J L DOOB. خصوصیات مرزی توابع با انتگرال های محدود Dirichlet. Annales - موسسه موسسه فوریه ، 1962 ، 12: 573-621.
  26. V Vovk ، I Nouretdinov ، یک گامرمن. تست مبادلات بر روی خط. یادگیری ماشین ، مجموعه مقالات کنفرانس بین المللی Tweritiet DBLP ، واشنگتن ، 21-24 اوت 2003: 768-775.
  27. E Tsamoura ، A Gounaris ، Y Manolopoulos. ترکیب تشخیص تغییر در مرحله نظارت پردازش پرس و جو تطبیقی. مجله خدمات و برنامه های اینترنتی ، 2016 ، 7 (1): 1-18.
  28. Smola ، A Gretton ، L Song ، et al. یک فضای هیلبرت برای توزیع. کنفرانس بین المللی نظریه یادگیری الگوریتمی ، Sendai ، ژاپن ، اسپرینگر برلین هایدلبرگ ، 1-4 اکتبر 2007: 13-31.
  29. P L Bartlett ، S Mendelson. پیچیدگی های Rademacher و Gaussian: مرزهای خطر و نتایج ساختاری. مجله تحقیقات یادگیری ماشین ، 2002 ، 3: 463-482.
  30. P C Mahalanobis. در فاصله عمومی در آمار. مجموعه مقالات موسسه ملی علوم ، 1936 ، 2: 49-55.

اطلاعات نویسنده

نویسندگان و وابستگی ها

  1. آزمایشگاه کلیدی تولید مکانیکی با راندمان بالا و تمیز از MOE ، دانشکده مهندسی مکانیک ، دانشگاه شاندونگ ، جینان ، 250061 ، چین Teng Wang ، Guo-Liang Lu & Peng Yan
  2. گروه مهندسی مکانیک و هوافضا ، دانشگاه کارلتون ، اتاوا ، ON ، K1s 5B6 ، کانادا جی لیو
  1. تنگ وانگ

 

استراتژی برای تحلیل فاندمنتال...
ما را در سایت استراتژی برای تحلیل فاندمنتال دنبال می کنید

برچسب : نویسنده : سعید شیخ‌زاده بازدید : 31 تاريخ : چهارشنبه 15 شهريور 1402 ساعت: 11:16

آرشیو مطالب

پيوندهای روزانه

لینک دوستان

خبرنامه