XIV EKSPLORACJA DANYCH

Transkrypt

1 Przypadek I: system bezpieczeństwa energetycznego Ocena bezpieczeństwa systemu energetycznego wymaga zbudowania schematu tego systemu zawierającego: topologię sieci energetycznej obciążenie (moc czynna i moc bierna) zdolności zakładów wytwórczych (elektrownie) wartości z mierników napięcia (generatorów prądu, transformatorów, dławików kompensacyjnych, kondensatorów)

2 Przypadek I: system bezpieczeństwa energetycznego W przeprowadzonych badaniach: w ciągu trzech miesięcy, miedzy 19 lutego a 13 maja, gromadzono dane, które utworzyły bazę zawierającą 1989 rekordów zgromadzony zbiór podzielono na dwie części uczącą zawierającą 1592 rekordy zgromadzone pomiędzy 19 lutego a 26 kwietnia i testującą zawierającą 397 rekordów zgromadzonych pomiędzy 26 kwietnia a 13 maja dla każdego urządzenia pracującego w sieci opracowano jedno drzewo decyzyjne Źródło: Decision Trees Applied To Forecasting Switched Shunt Devices Within The Spanish Power System E. Lobato, F. M. Echavarren, L. Rouco and A. Ugedo

3 Przypadek I: system bezpieczeństwa energetycznego Źródło: Decision Trees Applied To Forecasting Switched Shunt Devices Within The Spanish Power System E. Lobato, F. M. Echavarren, L. Rouco and A. Ugedo

4 Przypadek I: system bezpieczeństwa energetycznego Źródło: Decision Trees Applied To Forecasting Switched Shunt Devices Within The Spanish Power System E. Lobato, F. M. Echavarren, L. Rouco and A. Ugedo

5 Przypadek II: diagnostyka instalacji elektrycznych Firma STILL GmbH Hamburg sprzedała ponad wózków widłowych. Na potrzeby serwisowania działa na terenie Europy około 1100 warsztatów naprawczych. W celu skrócenia czasu przestoju w serwisie firma wykorzystuje komputerowy system diagnostyczny bazujący na drzewach decyzyjnych. Ze względu na złożoność obwodów elektrycznych w wózkach drzewo decyzyjne wykorzystywane w systemie zbudowane jest z ponad 5000 węzłów. Każdorazowo, gdy pojawia się nowy model wózka drzewa decyzyjne są modyfikowane i poprawiane przez inżynierów serwisu. Źródło: Qualitative Model-Based Decision Tree Generation for Diagnosis in Real World Industrial Application Heiko Milde, Lothar Hotz, Jörg Kahl, Stephanie Wessel

6 Przypadek II: diagnostyka instalacji elektrycznych Źródło: Qualitative Model-Based Decision Tree Generation for Diagnosis in Real World Industrial Application Heiko Milde, Lothar Hotz, Jörg Kahl, Stephanie Wessel

7 Przypadek II: diagnostyka instalacji elektrycznych Zastosowanie diagnostycznego systemu komputerowego bazującego na drzewach decyzyjnych spowodowało: wyraźne obniżenie kosztów przeglądu, wywołane m. in. skróceniem czasu ustalenia przyczyn awarii, znaczny wzrost jakości oferowanych usług wynikający z obniżenia liczby wadliwych diagnoz, zgromadzone w pracy serwisów doświadczenia mogą posłużyć wprowadzeniu poprawniejszych rozwiązań konstrukcyjnych już na etapie projektowania. Źródło: Qualitative Model-Based Decision Tree Generation for Diagnosis in Real World Industrial Application Heiko Milde, Lothar Hotz, Jörg Kahl, Stephanie Wessel

8 Przypadek III: korekta danych produkcja izoprenu Gromadzenie dużych zbiorów danych powoduje zawsze pojawianie się rekordów zawierających grube błędy lub danych o nienormalnych wartościach. Tego typu sytuacji nie można uniknąć z wielu powodów, w tym m. in. zmieniających się warunków produkcyjnych, usterek urządzeń pomiarowych i rejestrujących lub też prostych błędów zapisów. Takie przypadki występują tym częściej, im więcej danych jest rejestrowanych w czasie procesu produkcyjnego, np. w procesach ciągłych. Uśrednianie wielkości z całego dnia pomiarów, może takie wahania mierzonej wielkości zawierającej błędy ukrywać i prowadzić do błędnych ocen i analiz procesu. Źródło: Gross errors detection of industrial data by neural network and cluster techniques R.M.B.Alves and C.A.O.Nascimento

9 Przypadek III: korekta danych produkcja izoprenu W przypadku błędów powstających na skutek wadliwego działania urządzeń pomiarowych i rejestrujących obraz analizowanego procesu jest wypaczony. Dane takie powinny być odrzucone. Jednak wartości odległe od normalnych, przeciętnych wielkości rejestrowanych na co dzień, mogą być zwykłymi wartościami ekstremalnymi, jakich występowanie nie jest niczym nadzwyczajnym, całkiem naturalnym, choć nie częstym i jako takie powinny być one zachowane do dalszych rozważań i analizy. Tylko osoby dogłębnie znające analizowany proces i mające ogromne doświadczenie mogą zadecydować o pozostawieniu lub odrzuceniu zmierzonej i zarejestrowanej wartości. Mniej zorientowane powinny posłużyć się odpowiednimi narzędziami bazującymi na analizie statystycznej. Źródło: Gross errors detection of industrial data by neural network and cluster techniques R.M.B.Alves and C.A.O.Nascimento

10 Przypadek III: korekta danych produkcja izoprenu W analizowanym przypadku rejestrowano dane zapisywane jako wartości średnie gromadzone raz dziennie. Zgromadzono dane obejmujące okres trzech, następujących po sobie lat. Analizę przeprowadzono oddzielnie dla każdego roku. Obróbkę danych przeprowadzono w dwóch etapach: analizy poprzedzającej (wstępnej), w której z zebranych danych wyodrębniono dane nieprawidłowe, np. dane których wartości znajdowały się poza obszarem możliwych wartości analizy zasadniczej (głównej), w której zastosowano sztuczne sieci neuronowe oraz zaawansowane techniki statystyczne Źródło: Gross errors detection of industrial data by neural network and cluster techniques R.M.B.Alves and C.A.O.Nascimento

11 Przypadek III: korekta danych produkcja izoprenu Gromadzenie danych przemysłowych Analiza poprzedzająca (wstępna) Uczenie sztucznej sieci neuronowej Budowa sztucznej sieci neuronowej Analiza danych błędnie przewidywanych wskazująca niezgodność lub błąd niewykryty w pierwszym etapie Usuwanie danych odstających Iteracyjne uczenie nowej SSN (do usunięcia danych nieprawidłowych Źródło: Gross errors detection of industrial data by neural network and cluster techniques R.M.B.Alves and C.A.O.Nascimento

12 Przypadek III: korekta danych produkcja izoprenu Źródło: Gross errors detection of industrial data by neural network and cluster techniques R.M.B.Alves and C.A.O.Nascimento

13 Przypadek III: korekta danych produkcja izoprenu

14 Przypadek III: korekta danych produkcja izoprenu Źródło: Gross errors detection of industrial data by neural network and cluster techniques R.M.B.Alves and C.A.O.Nascimento

15 Przypadek IV: konstruowanie materiału W jednej z odlewni polskich zebrano wyniki blisko 800 wytopów, dla których określano zawartość 9 pierwiastków w kąpieli metalowej oraz mierzono wytrzymałość na rozciąganie, twardość Brinella i wydłużenie otrzymanego żeliwa. Sieć neuronową typu MLP uczono wielokrotnie kombinowaną metodą symulowanego wyżarzania (dla ustalenia startowych wartości wag) oraz propagacji wstecznej błędu. Wykonano następujące porównania z innymi modelami: Przewidywania sieci z przewidywaniami modelu typu wielomianu, zastosowanego w jednej z odlewni w Finlandii. Jakość dopasowania do danych uczących i weryfikujących dla sieci i dla naiwnego klasyfikatora Bayesa

16 Przypadek IV: konstruowanie materiału Porównanie prognozowania twardości żeliwa na podstawie jego składu chemicznego metodą wielomianową, zastosowaną w odlewni fińskiej, z uzyskanym z odpytywania sieci neuronowej 260 Twardość, HB Wartość rzeczywista Model wielomianowy Przewidywanie sieci Żeliwo otrzymane w jednej z odlewni fińskich. Sieć neuronowa nauczona na podstawie wyników zebranych w jednej z odlewni polskich Numer wytopu

17 Przypadek IV: konstruowanie materiału Udział wyników z danym błędem 0,6 0,4 0,2 0 NKB, dane uczące NKB, dane weryfikujące SSN, dane uczące SSN, dane weryfikujące 0 do 5 5 do do do 20 > 20 Błędy względne, % Porównanie błędów średniokwadratowych wytrzymałości żeliwa dla odpowiedzi sieci i klasyfikatora Bayesa. Otrzymane rozkłady są typowe dla zaszumionych danych przemysłowych Oznaczenia: NKB naiwny klasyfikator Bayesa, SSN sieć neuronowa

18 Przypadek IV: konstruowanie materiału Istotności względne pierwiastków z punktu widzenia wytrzymałości żeliwa sferoidalnego, otrzymane z nauczonej sieci neuronowej. Decydujące znaczenie miedzi jest zgodne z wiedzą metalurgiczną. 1 0,8 0,6 0,4 0,2 0 C Mn Si P S Cr Ni Cu Mg Wysokości słupków odpowiadają wartościom uśrednionym z 10 uczeń tej samej sieci, zaś czarne linie oznaczają rozstępy w tej próbie.

19 Przypadek V: optymalizacja parametrów procesu Żeliwo ADI (Austempered Ductile Iron) jest jednym z najnowocześniejszych odlewanych tworzyw konstrukcyjnych. Jego własności mechaniczne zależą od: parametrów obróbki cieplnej wyjściowego żeliwa sferoidalnego: temperatury austenityzacji czasu austenityzacji temperatury hartowania izotermicznego czasu hartowania izotermicznego składu chemicznego żeliwa ilości i kształtu wydzieleń grafitu geometrii i sposobu wykonania odlewu

20 Przypadek V: optymalizacja parametrów procesu Na podstawie badań własnych i danych literaturowych utworzono bazę danych zawierającą informacje otrzymane z ponad 300 wytopów i dotyczące: parametrów obróbki cieplnej żeliwa składu chemicznego żeliwa modułów odlewów uzyskanej wytrzymałości na rozciąganie R m uzyskanego wydłużenia A 5 Nauczona sieć neuronowa typu MLP pozwala na przewidywanie wytrzymałości i wydłużenia dla danego odlewu przy zastosowaniu określonej obróbki cieplnej.

21 Przypadek V: optymalizacja parametrów procesu Ponadto napisano specjalne oprogramowanie służące do optymalizacji dowolnie wybranych wielkości wejściowych, np. parametrów obróbki cieplnej dla uzyskania określonego wyniku, np. maksymalnej lub zadanej wytrzymałości lub wydłużenia. Algorytm stosuje omówioną wcześniej metodę optymalizacji wielu zmiennych zwaną metodą symulowanego wyżarzania. Polega ona w tym przypadku na wielokrotnym odpytywaniu sieci, dla losowo wybieranych wartości zmiennych wejściowych wg zasady tej metody, w zakresie wskazanym przez użytkownika. Użytkownik może zadać także dokładność obliczeń, jako ułamek całego zakresu zmienności tych parametrów, który w procedurze obliczeniowej równy jest ostatniemu przedziałowi losowania.

22 Przypadek V: optymalizacja parametrów procesu Okno wyboru parametrów optymalizacji Okno wyników optymalizacji

23 Przypadek VI: identyfikacja przyczyn powstawania wad Przesłanki podjęcia projektu identyfikacji przyczyn powstawania wad typu porowatość gazowa w odlewach staliwnych: Wykrywanie przyczyn nieregularnego pojawiania się wad w odlewach jest zdaniem trudnym, z uwagi na wielką liczbę losowo zmieniających się czynników mogących je powodować Analiza parametrów produkcyjnych, organizacyjnych, ludzkich i materiałowych, jako potencjalnych przyczyn wad, musi być wykonana w oparciu o system uczący się na podstawie zarejestrowanych przypadków występowania lub braku wady

24 Przypadek VI: identyfikacja przyczyn powstawania wad Główne etapy projektu: Określenie wszystkich możliwych parametrów mogących mieć związek z wadą typu porowatość gazowa (39 wielkości) Opracowanie systemu gromadzenia informacji o tych parametrach i stopniu wystąpienia wady Przetworzenie zebranych danych do postaci zbiorów uczących dla sieci neuronowej, w tym napisanie odpowiedniego oprogramowania Zaprojektowanie, uczenie i testowanie sieci neuronowej Analiza działania nauczonej sieci i diagnoza przyczyn powstawania wady. Wprowadzenie działań zaradczych

25 Przypadek VI: identyfikacja przyczyn powstawania wad Porowatość w próbie treflowej Ilość złomu Jakość złomu Ilość FeMnSi Ilość FeSi Ilość FeCaSi Ilość wapna Czas trwania wytopu Wytapiacz Zmiana %C Zmiana %S Zmiana %Mn Temperatura spustu Końcowe %Al Końcowe %Si Końcowe %P Nr pieca Nr kadzi Wylew pochodzenie Dni od remontu kadzi Dni od remontu pieca Dni od reperacji pieca Czas od formowania do złożenia formy Kolejność zalania formy Brygada formująca Brygada składająca Jakość formy Jakość zalania Kod masy rdzeniowej Pokrycie rdzenia Klej do rdzeni Kod masy formierskiej Pokrycie formy Wilgotność masy formierskiej Przepuszczalność masy formierskiej Wytrzymałość masy formierskiej Temperatura otoczenia przed zmianą zalewającą Temperatura otoczenia na zmianie zalewającej Wilgotność powietrza na zmianie zalewającej Zawartość bento

26 Przypadek VI: identyfikacja przyczyn powstawania wad Wykresy uzyskane z odpowiedzi nauczonej sieci neuronowej stanowiące podstawę identyfikacji przyczyn powstawania porowatości Pogoda ciepła i sucha Pogoda chłodna i wilgotna 1 1 0,8 0,8 0,6 0,6 0,4 0,4 0,2 0,2 Przepuszczalność masy Wilgotność masy 0 Przepuszczalność masy Wilgotność masy 0

27 Przypadek VI: identyfikacja przyczyn powstawania wad Główną przyczyną porowatości był nadmierny wzrost ciśnienia pary wodnej w formie, spowodowany zespołem przyczyn, wg schematu: Ciśnienie pary wodnej w formie Wilgotność masy w chwili zalewania Przepuszczalność masy Wilgotność masy użytej do formowania Czas od zaformowania do zalania Temperatura otoczenia Wilgotność powietrza Czarne strzałki wskazują na przewidywane przez sieć cząstkowe kierunki zmian częstotliwości występowania wady

28 Przypadek VII: sterowanie procesem on-line Podjęto próbę zastosowania SSN do wspomagania decyzji dotyczących ilości składników odświeżających i wody dodawanych do bentonitowych mas formierskich. W przypadku systemów nie w pełni zautomatyzowanych ustalenie tego typu dodatków dokonywane jest na ogół przez mistrza formierni, na podstawie analizy składu i pierwszych wyników pomiarów własności masy, na początku dziennej zmiany. Koncepcja pracy polegała na sprawdzeniu, czy sieć neuronowa jest w stanie nauczyć się takiej analizy i proponować wielkości dodatków równie dobrze lub lepiej niż człowiek.

29 Przypadek VII: sterowanie procesem on-line 50 Błędy rzeczywistych dodatków w stosunku do potrzebnych dla pożądanych własności Błędy sieci przy przewidywaniu ilości dodatków Błąd względny, % Bentonit Pył węglowy Woda Błędy dodawanych ilości składników masy, o których decydował człowiek, są istotnie wyższe niż błędy popełniane przez sieć

30 Przypadek VII: sterowanie procesem on-line Automatyczny system dozowania dodatków odświeżających do wilgotnych mas formierskich System działa w odlewni John Deer Foundry, Iowa, USA Miejsca, w których wykorzystuje się sieci neuronowe zaznaczono czerwonymi kołami

31 Przypadek VIII: wspomaganie projektowania Celem projektu było uzyskanie zależności umożliwiających wyznaczenie poprawnych wymiarów zasilaczy bocznych w odlewie, stwarzających największe problemy związane m.in. z lokalnym przegrzewaniem się formy. Przeprowadzone zostały symulacje krzepnięcia specjalnie zaprojektowanych odlewów. Otrzymano obrazy z rozkładem wad skurczowych, zależne od: proporcji i wielkości nadlewu, odległości nadlewu od odlewu oraz modułu szyi. Na przykładowym wyniku symulacji kółkiem zaznaczono typową wadę wynikłą z lokalnego przegrzania.

32 Przypadek VIII: wspomaganie projektowania Sieć neuronowa pozwoliła na uogólnienie wyników numerycznej symulacji krzepnięcia w celu uzyskania zaleceń projektowych dla układów zasilania odlewów. Optymalny stosunek wysokości nadlewu bocznego do jego średnicy wynosi 1,5. Zapewnia on niewielki stopień przegrzewania przyległej ściany odlewu i dość korzystny stosunek czasu krzepnięcia do objętości Minimalna długość szyi (odległość między nadlewem a odlewem) wynosi 20 mm. Dla aluminium wystarczający stosunek modułów nadlewu i odlewu wynosi 1 dla zalewania przez nadlew, zaś dla równomiernego początkowego rozkładu temperatury 1,3. Dla staliwa stosunek ten w obu wypadkach wynosi 1,2.

33 Przypadek IX: przemysłowy system kontroli jakości Istotnym problemem jest rozpoznawanie obiektów przypadkowo ułożonych w przestrzeni. Dotyczy to zwłaszcza obiektów o kształtach nieregularnych. Wybrana metoda grupowania połączona z algorytmem skalującym, pozycjonującym i orientującym w przestrzeni pozwoliła została skutecznie wykorzystana w zastosowaniu przemysłowym.

34 Przypadek IX: przemysłowy system kontroli jakości Źródło: Hough-transform based algorithm for the automatic invariant recognition of rectangular chocolates. Detection of defective pieces; Javier Monteenegro Joo

35 Przypadek IX: przemysłowy system kontroli jakości Przygotowany algorytm był początkowo testowany na obiektach wygenerowanych przez program komputerowy. Następnie, po zdaniu egzaminu na przygotowanych z kartonu figurach geometrycznych, został wykorzystany do rozpoznawania nieregularnych herbatników. Obecnie jest stosowany z powodzeniem do rozpoznawania czekoladek, włączając w to selekcję uszkodzonych lub zdeformowanych. Uzyskane wyniki świadczą o możliwości zastosowania automatycznego przemysłowego systemu kontroli jakości obiektów będących w ruchu, np. przemieszczających się na pasach transmisyjnych.