METODA OSZACOWANIA NIEPEWNOŚCI ADDYTYWNEGO MODELU REGRESJI NA POTRZEBY UKŁADU DETEKCJI INSTALACJI GAZOCIĄGOWEJ
|
|
- Franciszek Kosiński
- 7 lat temu
- Przeglądów:
Transkrypt
1 METODA OSZACOWANIA NIEPEWNOŚCI ADDYTYWNEGO MODELU REGRESJI NA POTRZEBY UKŁADU DETEKCJI INSTALACJI GAZOCIĄGOWEJ Zofia Magdalena ŁABĘDA-GRUDZIAK Sreszczenie: W arykule przedsawiono meodę oszacowania niepewności modeli obieków dynamicznych dla porzeb deekcji uszkodzeń. W ym celu wykorzysano addyywny model regresji wraz z nieparamerycznymi echnikami esymacji, kóry posłużył zarówno do idenyfikacji modelu obieku meodą błędu predykcji, jak i modelowania błędu modelu addyywnego. Pozyskana wiedza posłużyła do konsrukcji odpornego układu deekcji uszkodzeń, a nasępnie do oceny wrażliwości na wysępowanie poszczególnych uszkodzeń. Badania przeprowadzono na podsawie danych z modelu analiycznego symulaora sieci, kóry dosrojony jes o rzeczywisej insalacji przesyłowej gazu. Słowa kluczowe: model addyywny, sieci przesyłowe gazu, przewidywanie ciśnienia, modelowanie niepewności modelu, odporna deekcja uszkodzeń, eksploracja danych. 1. Wsęp Diagnosyka procesów przemysłowych polega na przeprowadzeniu szeregu operacji, kóre w rezulacie doprowadzą do wykrycia, lokalizacji i idenyfikacji możliwych uszkodzeń. Niniejszy arykuł podejmuje zagadnienie pierwszego eapu posępowania diagnosycznego, mianowicie deekcji uszkodzeń, czyli wykrywania nieprawidłowych sanów procesów oraz uszkodzeń urządzeń echnologicznych, wykonawczych i pomiarowych [1,2]. Sysemy deekcji uszkodzeń rurociągów odgrywają kluczową rolę w zadaniu zminimalizowania wysępowania wycieków oraz ograniczenia ich skuków. Zagadnienie deekcji nieszczelności jes szeroko prezenowane w lieraurze [3,4,5], jednak nie opracowano do ej pory całkowicie skuecznego sysemu działającego dla każdej konfiguracji rurociągu. Ze względu na wysokie koszy budowy rurociągów gazu, kóre są prowadzone przeważnie w ziemi, okres eksploaacji rurociągów powinien być długi (do ok. 50 la) i o przy minimalnym ryzyku wysąpienia awarii. Trudne warunki eksploaacji sawiają coraz większe wymagania doyczące długorwałości i wysokiego sopnia bezawaryjności sysemów serowania. Ze względu na ławopalność i szkodliwość ekologiczną gazu, awarie powodujące rozszczelnienie insalacji i uchodzenie gazu swarzają silne zagrożenie wysąpienia wybuchu i skażenia środowiska. Zagrożenia e wyeliminować można poprzez bieżącą deekcję [3,4,5] pozwalającą przewidzieć ewenualną konieczność wyłączenia łoczenia lub odcięcia nieszczelnego odcinka rurociągu. Meody i sysemy deekcji dzieli się na bezpośrednie (zewnęrzne), kiedy obserwacja zachodzi na zewnąrz rurociągu z użyciem specjalnych czujników lub pośrednie (analiyczne, wewnęrzne), gdy wykorzysuje się w deekcji analizę sanu insalacji 524
2 wyrażonego przez pomiary ciśnień i srumieni/prędkości płynu. Wraz z rozwojem meod eksploracji danych oraz algorymów szucznej ineligencji prowadzone są badania nad wykorzysaniem modeli cząskowych w deekcji uszkodzeń gazociągów. Praca niniejsza podejmuje zagadnienie opracowania modeli cząskowych odwarzających warości ciśnień w sieci gazociągowej za pomocą addyywnego modelu regresji dla porzeb deekcji uszkodzeń gazociągów. Diagnosyka z użyciem cząskowych modeli wymaga opracowania modeli niewielkich fragmenów insalacji, reagujących lokalnie na uszkodzenia i pokrywających w sumie zasięgiem cały modelowany obiek. Modele akie idenyfikowane są w rybie off-line w wyniku eksploracyjnej analizy archiwalnych danych pomiarowych. Nasępnie, w rybie bieżącego monioringu, obliczane są klasyczne residua jako różnica pomiędzy zmienną procesową i odpowiadającą jej wielkością odwarzaną przez model. W osanich laach obserwuje się wzros zaineresowania meodami idenyfikacji zapewniającymi oszacowanie niepewności budowanego modelu na porzeby układów diagnosyki uszkodzeń [6]. Schema deekcji uszkodzeń z modelami sysemu opiera swoje działanie na wyidealizowanych założeniach, że model jes wierną repliką sysemu i idealnie reprezenuje jego dynamikę oraz, że szumy, zakłócenia wysępujące w sysemie są znane. Założenia e nie mogą być ze względów oczywisych spełnione w prakyce. Odporność w konekście deekcji uszkodzeń można zdefiniować jako maksymalizację wykrywalności uszkodzeń przy jednoczesnej minimalizacji niepożądanych efeków, akich jak zakłócenia, szumy pomiarowe, zmiany w sygnałach wejściowych i sanach sysemu. W celu uzyskania właściwej odporności, w pracy wykorzysano mechanizm podejmowania decyzji o uszkodzeniach w oparciu o obwiednie obszaru niepewności, orzymane przy użyciu modelowania residuum, będącego esymaą błędu modelu podsawowego w sosunku do niezamodelowanej dynamiki obieku czy szumów [6]. 2. Idenyfikacja modeli cząskowych meodą błędu predykcji Opis działań mających na celu opracowanie modelu saysycznego procesu przemysłowego nazywa się idenyfikacją modelu. Składa się on z wielu eapów, kóre gwaranują prawidłowy przebieg idenyfikacji. Idenyfikacja jes prowadzona wyłącznie na podsawie danych pomiarowych, sąd opiera się ona na meodach eksploracyjnej analizy danych (ang. Daa Mining) [7], a jakość danych decyduje o powodzeniu obliczeń i jakości wynikowego modelu. Korzysając z coraz większych możliwości opomiarowania sysemów nadzoru sacje operaorskie mogą realizować zadania archiwizacji danych, ponieważ w sieciach przesyłowych odbiorcy gazu są precyzyjnie zlokalizowani poprzez sacje redukcyjnopomiarowe. Z części ych sacji można uzyskać bardzo dokładne dane doyczące chwilowych poborów gazu. To swarza możliwość budowy addyywnych modeli cząskowych na podsawie danych pomiarowych z sieci oraz wiedzy o ich srukurze Addyywny model regresji Meoda idenyfikacji opara na addyywnym modelu regresji jes nowym podejściem w diagnosyce procesów przemysłowych i zosała przedsawiona w pracach auora, opublikowanych w pozycjach [8,9,10,11] spisu lieraury. Poniżej omówiono pokróce ylko isoę meody w odniesieniu do przeprowadzonych badań. 525
3 Rozważając srukurę MISO (ang. Muliple Inpu Single Oupu), dla p > 1 sygnałów wejściowych X 1, X 2,..., X p oraz jednego sygnału wyjściowego Y, zdefiniujmy model addyywny w posaci: p Y = α + ϕ j ( X j ) + ε, (1) gdzie α jes pewną sałą, błąd ε jes niezależny od X, X,..., X ), E( ε ) =0, 2 ( 1 2 p Var( ε ) = σ oraz ϕ j są jednowymiarowymi funkcjami zmiennej X j niekoniecznie liniowymi, szacowanymi na podsawie danych. Sąd modele prognozy mogą być nieliniowe względem sygnałów X, ale nadal są liniowe względem sygnałów ϕ X ). Podkreślmy, j j= 1 j ( j że nie zakładamy, że sygnały X j są niezależne [8,9], fak en wykorzysamy dalej. Wiążąc wielkości fizyczne w procesie oraz czas, model en może posłużyć do opisu zachowania się procesu przemysłowego i może naśladować jego działanie. n Dla danych pomiarowych {( xi, y i )} i= 1, gdzie p xi = { x ij } j= 1, formalnie, zadanie wyznaczenia modelu addyywnego na podsawie danych pomiarowych, rejesrowanych w rakcie eksploaacji obieku, możemy zapisać jako zadanie minimalizacji sumy kwadraów błędów arg min n ( y i α ϕ ( x α, ϕ j } i= 1 j= 1 { p j ij )) 2, (2) kóre oznacza znalezienie sałej α, równej αˆ oraz p funkcji jednej zmiennej ˆ ϕ j ( ). Esymaory funkcji ϕ j są znajdowane przez zasosowanie usalonych funkcji wygładzających, akich jak funkcje lokalnie wielomianowe oraz wielomianowe funkcje sklejane. Odpowiednie funkcje wygładzające w modelu addyywnym są znajdowane za pomocą ieracyjnego algorymu dopasowania wsecznego (ang. Backfiing Algorihm). Można udowodnić, że przy spełnieniu pewnych założeń, algorym zbiega do jednoznacznego rozwiązania, sarując z dowolnych warości począkowych [8,9] Wybór srukury modelu Dokładność idenyfikacji, a w konsekwencji poprawne działanie sysemu diagnosycznego w dużym sopniu zależy od poprawnego wyboru srukury modelu. W przypadku modelu addyywnego, problem sprowadza się przede wszyskim do usalenia wielkości charakeryzujących obiek badań i określenia rzędu modelu. Ponieważ model procesu przemysłowego powinien jak najlepiej odwzorowywać przebieg rzeczywisych zmian sanu procesu, konieczne jes określenie zbioru sygnałów wejściowych - oddziałujących na proces i wyjściowych, będących wynikiem jego działania. Model addyywny (1) jes modelem wielowejściowym MISO, sąd w procesie idenyfikacji należy wybrać zbiór sygnałów wejściowych oraz jeden sygnał wyjściowy, kóry będzie modelowany. Bardzo isona jes w ym eapie posępowania wiedza a priori o procesie. 526
4 Należy rozpoznać mechanizmy działania procesu i kierować się zamierzonym celem budowy modelu. Ponieważ wykorzysywany model będzie służył do predykcji, zasadą będzie wykorzysanie jako wejść ych wielkości, kóre w sensie przyczynowym są najbliżej powiązane z modelowaną wielkością. Opymalna srukura modelu powinna uwzględniać wszyskie sygnały. Niesey, nie jes możliwe zmierzenie każdego działającego zakłócenia, dlaego eż przygoowywany model będzie zawsze w pewnym sopniu uproszczeniem. Ponado większość procesów przemysłowych posiada właściwości dynamiczne, z ego powodu ważne jes, aby modele uzyskiwane w wyniku idenyfikacji odzwierciedlały ich dynamiczny charaker. Oprócz poprawnego odzwierciedlenia dynamiki procesu należy dążyć do zwiększenia odporności modelu (i ym samym zwiększenia odporności układu deekcji uszkodzeń) na wpływ impulsowych zakłóceń oddziałujących na sygnały pomiarowe. Zadanie o można zrealizować poprzez wprowadzenie dodakowych wejść, na kóre podaje się opóźnione sygnały wejściowe i wyjściowe [9]. Prosoę modelu można mierzyć za pomocą liczby paramerów, kóre się w nim pojawią. Na ogół model o większej liczbie predykorów daje dokładniejsze przewidywania, jednak ma eż większą skłonność do przeuczenia. W celu porównania jakości dwóch lub więcej modeli opisujących zmienność danej zmiennej zależnej, w pracy wybrano es końcowego błędu prognozy FPE (ang. Final Predicion Error) i kryerium informacyjne Akaike AIC (ang. Akaike Informaion Crieria) Wsępne przewarzanie danych Podczas pracy kompuerowego sysemu serowania dane pobierane z czujników pomiarowych są rejesrowane i przekazywane dalej do bazy danych archiwalnych procesu. Większość surowych danych przechowywanych w archiwalnych bazach danych jes nieobrobiona, niekomplena i zaszumiona. Aby baza danych była przydana do celów idenyfikacji musi przejść przez wsępną obróbkę danych w formie czyszczenia i przekszałcania danych. Należy również pamięać o możliwości pojawienia się błędów wynikających z ograniczeń zakresów czujników pomiarowych. Dodakowo, w przypadku podejrzenia udziału szumu pomiarowego można rozważać wprowadzenie filracji. Jes o operacja, kórej celem jes zazwyczaj usunięcie z sygnału zniekszałceń pomiarowych. Filracji można dokonać w dziedzinie czasu lub częsoliwości. W prakyce przy algorymach odwarzania lub predykcji zadawalające efeky zmniejszenia wpływu szumów pomiarowych daje zasosowanie uśredniającego okna czasowego lub zasosowanie filracji jako wygładzania sygnału Ocena jakości idenyfikacji modelu Model obieku opisuje jego właściwości i zachowanie ylko w przybliżeniu, jes uproszczonym opisem rzeczywisości. Spowodowane jes o niedokładnością wyznaczenia paramerów modelu oraz nieadekwanością srukury modelu. Na niedokładność wyznaczenia paramerów modelu mają wpływ błędy przyjęej meody idenyfikacji paramerów modelu, błędy obliczeń numerycznych, błędy danych użyych do idenyfikacji paramerów modelu. Naomias nieadekwaność srukury modelu może wynikać z pominięcia wśród wielkości modelujących obiek, czynników isonych dla przebiegu zjawisk w obiekcie lub niewłaściwej specyfikacji wielkości modelujących obiek. 527
5 Obiekywną oceną modelu procesu jes wykorzysanie wyznaczonego modelu do symulacji wyjścia dla zbioru danych esowych. W celu sprawdzenia jakości oszacowanego modelu, wyznaczono warości miar dopasowania, akich jak: średni kwadra błędów (MSE), średni moduł błędów (MADE), średni bezwzględny błąd procenowy wyrażony w zakresie pomiarowym wyjścia (MAPE), wariancja błędów (VAR). 3. Modelowanie niepewności modelu addyywnego W echnice modelowania błędu (ang. Model Error Modelling) wykorzysuje się sygnał residuum, orzymany jako różnicę między sygnałem zarejesrowanym w procesie, pochodzącym z czujnika a odpowiednią zmienną obliczoną analiycznie na podsawie przyjęego modelu addyywnego i na jego podsawie szacuje się niepewność modelu. W ym przypadku zakłada się, że niepewność jes miarą niezamodelowanej dynamiki procesu, szumów pomiarowych i wszelkiego rodzaju innych zakłóceń. W wyniku modelowania sygnału residuum uzyskuje się model błędu (ang. Error Model). Odpowiedź ego modelu jes wykorzysywana do obliczenia dolnej i górnej obwiedni niepewności. Procedurę formowania obwiedni niepewności w dziedzinie czasu, przeznaczonej do przeprowadzania działań diagnosycznych opisuje algorym przedsawiony w pracy Korbicza [6]. Poniżej przedsawiono wersję ej meody, w kórej schema modelowania błędu modelu auor zrealizował z wykorzysaniem addyywnego modelu regresji. Jes o nowe podejście, doychczas niesosowane. Algorym modelowania niepewności modelu x 1 n i. Uformułuj zbiór danych {( x, y )} = 1 gdzie p = { x j } j= jes wekorem warości sygnałów wejściowych wykorzysywanych w fazie idenyfikacji addyywnego modelu procesu, residuum r = y yˆ, gdzie y i ŷ są wyjściami odpowiednio procesu i addyywnego modelu procesu. n x, )} 1 {( = ii. Uformułuj zbiór danych r i przeprowadź procedurę modelowania modelu błędu przy wykorzysaniu addyywnego modelu regresji. Orzymany model jes esymaą błędu modelu procesu w sosunku do niezamodelowanej dynamiki procesu czy szumów. iii. Wyznacz środek obszaru niepewności jako odpowiedzą modelu błędu. yˆ + rˆ, gdzie rˆ jes iv. Zakładając, że odpowiedź modelu błędu jes zgodna z rozkładem normalnym (lub nieznacznie od niego odbiega), użyj saysycznych charakerysyk sygnału rˆ do określenia obszaru niepewności. Na ej podsawie wyznacz dwa progi adapacyjne, górny T, i dolny T,. g d 528
6 Progi adapacyjne, kóre określają obszar niepewności, są nasępujące: T T g, d, = yˆ + rˆ + u = yˆ + rˆ u α α ˆ σ ˆ σ rˆ rˆ (3) gdzie 1 α, u α jes kwanylem rozkładu normalnego o zadanym poziomie ufności równym σ jes nieobciążonym esymaorem odchylenia sandardowego sygnału rˆ. Należy ˆ rˆ zaznaczyć, że rˆ reprezenuje nie ylko sygnał residuum, ale akże niepewność srukuralną czy zakłócenia. Z ego względu progi (3) będą dobrze określać obszar niepewności ylko wedy, kiedy sygnał rˆ będzie posiadał rozkład prawdopodobieńswa zgodny z rozkładem normalnym Wskaźniki jakości deekcji W celu sprawdzenia jakości proponowanego algorymu deekcji w badaniach wykorzysane zosaną nasępujące wskaźniki jakości diagnozowania: d - czas deekcji, kóry jes czasem mierzonym od czasu rozpoczęcia symulowania uszkodzenia do czasu wysąpienia jego sympomu, θ fd - sopień fałszywej deekcji, kórego warość informuje o ym, jak wiele wysąpiło fałszywych alarmów, θ d - sopień prawdziwej deekcji, kórego warość informuje o efekywności deekcji uszkodzeń. 4. Przykład W niniejszym rozdziale przedsawiono wyniki wykorzysania addyywnego modelu regresji do idenyfikacji modelu rozkładu ciśnienia w sieci gazociągowej oraz jego niepewności dla porzeb deekcji uszkodzeń. Badania przeprowadzono na podsawie danych pochodzących z symulaora sieci gazociągowej, dosrojonego do rzeczywisej insalacji znajdującej się na dużym obszarze Polski. Symulaor zosał opracowany na podsawie modeli analiycznych, w sysemie zaawansowanego moniorowania i diagnosyki AMandD [12] w Insyucie Auomayki i Roboyki Poliechniki Warszawskiej. Badania przeprowadzono przy użyciu programu R-projec [13], przeznaczonego do zaawansowanych obliczeń saysycznych Opis obieku diagnozowania Odcinek sieci gazowej wykorzysany w prezenowanych badaniach obejmował fragmen rzeczywisego gazociągu zasilanego ze sacji w Wólce Radzymińskiej wraz z całą siecią sacji poborów. Żaden z odcinków analizowanej sieci nie wyprowadza gazu poza moniorowany obszar [12]. W większości sacji, odległych od głównej linii gazociągu od 529
7 kilkuse merów do kilkunasu kilomerów, dosępne są pomiary srumieni pobieranego gazu oraz warości ciśnień w rurociągu zasilającym w części wysokociśnieniowej. Węzły, w kórych nie ma dosępnych pomiarów przepływów oraz ciśnień, wskazano na le schemau na rys. 1. Na wejściu analizowanego odcinka dosępny jes pomiar srumienia gazu, jak i ciśnienia zasilania. Warość ciśnienia na wejściu (Wólka Radzymińska) urzymywana jes na sałym poziomie poprzez układ regulacji, co uławia idenyfikację oraz wykorzysanie w deekcji uszkodzeń cząskowych modeli paramerycznych. W przeprowadzonych badaniach analizowano możliwość wykorzysania modeli o różnej srukurze odwarzających warości ciśnień w poszczególnych sacjach. Z zależności fizycznych opisujących przepływ gazu wynika, że wielkości e zależne są od ciśnień w sacjach sąsiednich oraz srumienia przepływu gazu w danym odcinku gazociągu. Niesey, pomiar srumienia w głównej linii insalacji nie jes dosępny, dosępne są jedynie pomiary srumieni poborów w poszczególnych sacjach. Rys. 1. Fragmeny gazociągu wybrane do badań Aby umożliwić budowę modeli cząskowych, zdecydowano się zaem na wykorzysanie szacowanego srumienia gazu, wyliczanego na podsawie skumulowanej sumy poborów ze 530
8 sacji znajdujących się za analizowanym odcinkiem z uwzględnieniem dynamiki zmiany objęości gazu skumulowanego w gazociągu [12]. Tak wyliczane sygnały mogą być wykorzysywane jako dodakowe wejścia modeli cząskowych Eksploracyjna analiza danych pomiarowych Addyywne modele cząskowe odzwierciedlające funkcjonowanie określonych fragmenów insalacji zosały pozyskiwane z zasosowania echnik eksploracji danych pomiarowych. W ramach badań dokonano: wyboru sygnałów wejściowych dla poszczególnych modeli na podsawie analizy wrażliwości oraz znajomości srukury sieci gazociągowej, wykorzysując przede wszyskim ciśnienia i przepływy skumulowane z węzłów bezpośrednio sąsiadujących z węzłem modelowanym; wsępnej obróbki danych. Opis wykorzysywanych sygnałów pomiarowych zamieszczono w ab. 1. Tab. 1. Zmienne pomiarowe gazu użye w modelowaniu Przepływ Ciśnienie Sacja poboru gazu skumulowany Qn(n) Trojany P Troj Troj P Nieg Qn(n) Nieg Niegów P Drog Qn(n) Drog Drogoszewo W celu prawidłowego odzwierciedlenia dynamiki obieku oraz zwiększenia odporności deekcji uszkodzeń na wpływ impulsowych zakłóceń oddziałujących na sygnały pomiarowe, zaproponowano model addyywny o srukurze FIR (ang. finie impulse response model) rzędu 2. Zwiększenie rzędu modelu nie skukowało znaczną poprawą wyników modelowania w sosunku do wzrosu złożoności modelu Model cząskowy obieku diagnozowania W niniejszym rozdziale przedsawiono wyniki dla wybranego węzła sieci Niegów. Zaproponowano nasępujący model: P Nieg, = α + ϕ (P + ϕ (Qn(n) 5 + ϕ (Qn(n) 9 1 Troj, 1 ) + ϕ (P Nieg, 1 Drog, 1 2 Troj, 2 ) + ϕ (Qn(n) 6 ) + ϕ (Qn(n) 10 ) + ϕ (Qn(n) 3 Nieg, 2 Drog, 2 Troj, 1 ) + ϕ (P 7 ) + ε, ) + ϕ (Qn(n) Drog, 1 4 ) + ϕ (P 8 Troj, 2 ) Drog, 2 ) (4) gdzie ε, dla = 3,..., n są niezależnymi zakłóceniami losowymi oraz ϕ,...,ϕ 1 10 są pewnymi jednowymiarowymi funkcjami rzeczywisymi Wyniki jakości idenyfikacji modelu rozkładu ciśnienia W celu esymacji modelu addyywnego (4) wybrano algorym dopasowania wsecznego z nauralną kubiczną funkcją sklejaną. Dla danych uczących, pochodzących ze sanu zdaności procesu, orzymano esymowane warości ciśnienia wraz z rzeczywisymi 531
9 warościami ciśnienia danymi z procesu. Wskaźniki jakości idenyfikacji modelu (4) przedsawiono w ab. 2. Tab. 2. Wyniki jakości idenyfikacji modelu rozkładu ciśnienia MSE MADE MAPE VAR 2e-06 3e % 1e-06 Uzyskano jakość modelowania rzędu 0.1% zakresu zmienności sygnału wyjściowego. Orzymane wyniki badań są zadowalające, gdyż na podsawie danych pochodzących z symulaora sieci, zaprezenowane meody pozwoliły na skonsruowanie modelu dobrze odzwierciedlającego dynamikę procesu Wyniki modelowania niepewności modelu addyywnego Na podsawie modelu (4) można wyznaczyć residua r = PNieg, PNieg,, a nasępnie wyznaczyć odporną esymaę niepewności związanej z modelem (4). W ym celu zasosowano addyywny model błędu o srukurze rzędu 4, z pięcioma sygnałami wejściowymi ( P Troj, P Drog, Qn(n) Troj, Qn(n) Nieg, Qn(n) Drog ) i sygnałem wyjściowym sanowiącym sygnał residuum r. Wybór wysokiego rzędu modelu był podykowany jakością odwzorowania dynamiki sygnału residuum. Na rys. 2 (a) przedsawiono sygnał residuum oraz esymowane wyjście modelu błędu. Na podsawie wykresu kwanylowego przedsawionego na rys. 2 (b) można wnioskować o ym, że esymowane wyjście modelu błędu posiada rozkład normalny. ˆ (a) (b) Rys. 2. Residua i wyjścia modelu błędów dla procesu w sanie zdaności (a) oraz wykresy kwanylowe dla rozkładu normalnego (b) Błędy MADE i MAPE idenyfikacji modelu błędu były rzędu 0.9%. Do określenia obszaru niepewności założono poziom ufności o warości 95% i wygenerowano dwa progi adapacyjne, górny T, i dolny T, zgodnie z zależnością (3). g d 532
10 4.6. Wyniki wrażliwości modelu na zasymulowane uszkodzenia Do badania algorymów deekcyjnych, bazujących na meodzie modelowania niepewności modelu addyywnego, wykorzysano próbę esową składającą się z danych pomiarowych pochodzących zarówno ze sanu zdaności, jak i ze szucznie wprowadzonymi uszkodzeniami, kórych opis przedsawiono w ab. 3. Tab. 3. Lisa uszkodzeń wybranych do esów Nazwa Opis Warość Wyciek 1 W połowie pomiędzy Trojanami a Niegowem (przepływ nominalny około 6000 m3/h) 500 Nm3/h 1000 Nm3/h Ciśnienie 1 Sacja Niegów (warości akualnej) -2 % -5 % -10 % Na rys. 3a i 3b przedsawiono obszary niepewności (linie szare: jasna i ciemna) i wyjście procesu (linia czarna) w warunkach nominalnych oraz wysąpienia poszczególnych uszkodzeń. Można zaobserwować, iż przedział ufności wyjścia sysemu generowany za pomocą zaprojekowanego modelu addyywnego obejmuje wyjście procesu w warunkach nominalnych oraz leży na zewnąrz obszaru niepewności w rakcie symulacji uszkodzeń, dzięki czemu może zosać wykorzysany jako adapacyjny próg decyzyjny. (a) (b) Rys. 3. Obszar niepewności i wyjście procesu w warunkach nominalnych (zdaność) i wysąpienia uszkodzenia: wyciek 1 (a), ciśnienie 1 (b) 533
11 Wyniki wskaźników jakości deekcji poszczególnych uszkodzeń przedsawiono w ab. 4. Tab. 4. Wyniki jakości idenyfikacji modelu rozkładu ciśnienia Wyciek 1 Ciśnienie 1 Miara 500 Nm3/h 1000 Nm3/h --2% -5% -10% θ d [%] [min] d Ponado, najwyższe warości wskaźnika fałszywej deekcji θ fd w poszczególnych próbach esowych (w rakcie 2157 minu symulacji procesu w warunkach nominalnych) zanoowano na poziomie 2.6%. Wynika o głównie z pewnej wady meody progowania - jeśli w sygnale wyjściowym obserwuje się nagłe zmiany warości, obszar niepewności jes dosyć wąski i sygnał wyjściowy procesu wykracza poza obszar niepewności, powodując fałszywe alarmy. 5. Wnioski W arykule zaprezenowano efekywne rozwiązanie umożliwiające idenyfikację zarówno modelu rozkładu ciśnienia w ściśle określonym węźle sieci gazociągowej, jak i jego niepewności za pomocą addyywnego modelu regresji. Jes o nowe podejście w diagnosyce procesów przemysłowych. Zaprezenowany eksperymen pokazuje poencjał i możliwości zasosowań algorymu odpornej idenyfikacji w układach diagnosycznych. Dokładność odwarzanych warości ciśnień waha się w granicach do około 0,015 MPa, przy średniej warości ciśnień równej ok. 3.6 MPa, j. 0.5% błędu względnego. Sąd zaprezenowana meoda pozwoliła na skonsruowanie modelu dobrze odzwierciedlającego dynamikę procesu. Wykorzysanie niepewności skonsruowanego modelu umożliwiło orzymanie wyników deekcji zdecydowanie lepszych niż przy zasosowaniu algorymu deekcji o sałych warościach progowych (por. [11]). Podziękowania Niniejsza praca była częściowo finansowana w ramach granu promoorskiego KBN Wykorzysanie addyywnego modelu regresji do generacji residuów dla porzeb deekcji uszkodzeń, nr N N oraz projeku badawczego Meody rozwiązania podsawowych problemów rozpoznawania uszkodzeń w złożonych obiekach dynamicznych, nr 2011/01/B/ST7/ Lieraura 1. Kościelny J.M.: Diagnosyka procesów przemysłowych. EXIT, Warszawa Korbicz J., Kościelny J.M., Kowalczuk Z., Cholewa W. (red): Diagnosyka procesów. Modele, meody szucznej ineligencji, zasosowania. WNT, Warszawa Bilman L. Isermann R.: Leak deecions mehods for pipelines, Auomaica, vol. 23, no. 3, 1987, s
12 4. Verde C.: Muli-leak deecion and isolaion in fluid pipelines, Conrol Engineering Pracice, vol.9, Hauge E., Aamo O.M., Godhavn J-M.: Model based pipeline monioring wih leak deecion, SPE Projecs, Faciliies & Consrucion, vol. 4, No.3, Korbicz J., Kościelny J.M.: Modelowanie, diagnosyka i serowanie nadrzędne procesami. Implemenacja w sysemie DiaSer. WNT, Warszawa, Larose D.T.: Discovering Knowledge in Daa: An Inroducion o DATA MINING. Wiley, Hasie T., Tibshirani R.: Generalized addiive models. Chapman and Hall, Łabęda-Grudziak Z.M.: Idenificaion of dynamic sysem addiive models by KDD mehods. Pomiary-Auomayka-Konrola PAK, nr 3, 2011, 2011, s Łabęda-Grudziak Z.M.: Idenyfikacja i symulacja rozkładu ciśnienia w sieciach gazowych z wykorzysaniem addyywnego modelu regresji. Pomiary-Auomayka- Roboyka PAR, nr 11, 2010, s Łabęda-Grudziak Z.M.: Moniorowanie sanu insalacji gazociągowej w oparciu o addyywny model regresji, XIV Konferencja Kompuerowo Zinegrowane Zarządzanie, Zakopane, maeriały konferencyjne,.2, 2010, s Sachura M. i Syfer M.: Model sieci gazowej w sysemie moniorowania i diagnosyki AMandD. Pomiary-Auomayka-Roboyka PAR, nr 11, 2010, s Good P.I. Inroducion o saisics hrough reasampling mehods and R/S-PLUS. Wiley, Mgr Zofia M. ŁABĘDA-GRUDZIAK Insyu Auomayki i Roboyki Wydział Mecharoniki Poliechniki Warszawskiej Warszawa, ul. Św. Andrzeja Boboli 8 el.: (22) z.labeda@mchr.pw.edu.pl 535
Identyfikacja i symulacja rozkładu ciśnienia w sieciach gazowych z wykorzystaniem addytywnego modelu regresji
Idenyfikacja i symulacja rozkładu ciśnienia w sieciach gazowych z wykorzysaniem addyywnego modelu regresji Zofia Magdalena Łabęda-Grudziak Insyu Auomayki i Roboyki Poliechniki Warszawskiej W arykule przedsawiono
Bardziej szczegółowoALGORYTM ODPORNEJ IDENTYFIKACJI ADDYTYWNEGO MODELU REGRESJI DLA POTRZEB DETEKCJI USZKODZEŃ *
Zeszyy Naukowe WSInf Vol 11, Nr 1, 2012 Zofia M. Łabęda-Grudziak Poliechnika Warszawska, Insyu Auomayki i Roboyki e-mail: z.labeda@mchr.pw.edu.pl ALGORYTM ODPORNEJ IDENTYFIKACJI ADDYTYWNEGO MODELU REGRESJI
Bardziej szczegółowoPobieranie próby. Rozkład χ 2
Graficzne przedsawianie próby Hisogram Esymaory przykład Próby z rozkładów cząskowych Próby ze skończonej populacji Próby z rozkładu normalnego Rozkład χ Pobieranie próby. Rozkład χ Posać i własności Znaczenie
Bardziej szczegółowoAnaliza rynku projekt
Analiza rynku projek A. Układ projeku 1. Srona yułowa Tema Auor 2. Spis reści 3. Treść projeku 1 B. Treść projeku 1. Wsęp Po co? Na co? Dlaczego? Dlaczego robię badania? Jakimi meodami? Dla Kogo o jes
Bardziej szczegółowoWNIOSKOWANIE STATYSTYCZNE
Wnioskowanie saysyczne w ekonomerycznej analizie procesu produkcyjnego / WNIOSKOWANIE STATYSTYCZNE W EKONOMETRYCZNEJ ANAIZIE PROCESU PRODUKCYJNEGO Maeriał pomocniczy: proszę przejrzeć srony www.cyf-kr.edu.pl/~eomazur/zadl4.hml
Bardziej szczegółowoZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH
Pior KISIELEWSKI, Łukasz SOBOTA ZASTOSOWANIE TEORII MASOWEJ OBSŁUGI DO MODELOWANIA SYSTEMÓW TRANSPORTOWYCH W arykule przedsawiono zasosowanie eorii masowej obsługi do analizy i modelowania wybranych sysemów
Bardziej szczegółowoKombinowanie prognoz. - dlaczego należy kombinować prognozy? - obejmowanie prognoz. - podstawowe metody kombinowania prognoz
Noaki do wykładu 005 Kombinowanie prognoz - dlaczego należy kombinować prognozy? - obejmowanie prognoz - podsawowe meody kombinowania prognoz - przykłady kombinowania prognoz gospodarki polskiej - zalecenia
Bardziej szczegółowoPROPOZYCJA NOWEJ METODY OKREŚLANIA ZUŻYCIA TECHNICZNEGO BUDYNKÓW
Udosępnione na prawach rękopisu, 8.04.014r. Publikacja: Knyziak P., "Propozycja nowej meody określania zuzycia echnicznego budynków" (Proposal Of New Mehod For Calculaing he echnical Deerioraion Of Buildings),
Bardziej szczegółowoPolitechnika Gdańska Wydział Elektrotechniki i Automatyki Katedra Inżynierii Systemów Sterowania. Podstawy Automatyki
Poliechnika Gdańska Wydział Elekroechniki i Auomayki Kaedra Inżynierii Sysemów Serowania Podsawy Auomayki Repeyorium z Podsaw auomayki Zadania do ćwiczeń ermin T15 Opracowanie: Kazimierz Duzinkiewicz,
Bardziej szczegółowoEKONOMETRIA wykład 2. Prof. dr hab. Eugeniusz Gatnar.
EKONOMERIA wykład Prof. dr hab. Eugeniusz Ganar eganar@mail.wz.uw.edu.pl Przedziały ufności Dla paramerów srukuralnych modelu: P bˆ j S( bˆ z prawdopodobieńswem parameru b bˆ S( bˆ, ( m j j j, ( m j b
Bardziej szczegółowoDYNAMIKA KONSTRUKCJI
10. DYNAMIKA KONSTRUKCJI 1 10. 10. DYNAMIKA KONSTRUKCJI 10.1. Wprowadzenie Ogólne równanie dynamiki zapisujemy w posaci: M d C d Kd =P (10.1) Zapis powyższy oznacza, że równanie musi być spełnione w każdej
Bardziej szczegółowospecyfikacji i estymacji modelu regresji progowej (ang. threshold regression).
4. Modele regresji progowej W badaniach empirycznych coraz większym zaineresowaniem cieszą się akie modele szeregów czasowych, kóre pozwalają na objaśnianie nieliniowych zależności między poszczególnymi
Bardziej szczegółowoPOMIAR PARAMETRÓW SYGNAŁOW NAPIĘCIOWYCH METODĄ PRÓKOWANIA I CYFROWEGO PRZETWARZANIA SYGNAŁU
Pomiar paramerów sygnałów napięciowych. POMIAR PARAMERÓW SYGNAŁOW NAPIĘCIOWYCH MEODĄ PRÓKOWANIA I CYFROWEGO PRZEWARZANIA SYGNAŁU Cel ćwiczenia Poznanie warunków prawidłowego wyznaczania elemenarnych paramerów
Bardziej szczegółowoMetody badania wpływu zmian kursu walutowego na wskaźnik inflacji
Agnieszka Przybylska-Mazur * Meody badania wpływu zmian kursu waluowego na wskaźnik inflacji Wsęp Do oceny łącznego efeku przenoszenia zmian czynników zewnęrznych, akich jak zmiany cen zewnęrznych (szoki
Bardziej szczegółowo2. Wprowadzenie. Obiekt
POLITECHNIKA WARSZAWSKA Insyu Elekroenergeyki, Zakład Elekrowni i Gospodarki Elekroenergeycznej Bezpieczeńswo elekroenergeyczne i niezawodność zasilania laoraorium opracował: prof. dr ha. inż. Józef Paska,
Bardziej szczegółowoWYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH
SaSof Polska, el. 12 428 43 00, 601 41 41 51, info@sasof.pl, www.sasof.pl WYKORZYSTANIE STATISTICA DATA MINER DO PROGNOZOWANIA W KRAJOWYM DEPOZYCIE PAPIERÓW WARTOŚCIOWYCH Joanna Maych, Krajowy Depozy Papierów
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoTemat: Weryfikacja nienaruszalności bezpieczeństwa SIL struktury sprzętowej realizującej funkcje bezpieczeństwa
1 Lab3: Bezpieczeńswo funkcjonalne i ochrona informacji Tema: Weryfikacja nienaruszalności bezpieczeńswa SIL srukury sprzęowej realizującej funkcje bezpieczeńswa Kryeria probabilisyczne bezpieczeńswa funkcjonalnego
Bardziej szczegółowoPolitechnika Częstochowska Wydział Inżynierii Mechanicznej i Informatyki. Sprawozdanie #2 z przedmiotu: Prognozowanie w systemach multimedialnych
Poliechnika Częsochowska Wydział Inżynierii Mechanicznej i Informayki Sprawozdanie #2 z przedmiou: Prognozowanie w sysemach mulimedialnych Andrzej Siwczyński Andrzej Rezler Informayka Rok V, Grupa IO II
Bardziej szczegółowoOcena płynności wybranymi metodami szacowania osadu 1
Bogdan Ludwiczak Wprowadzenie Ocena płynności wybranymi meodami szacowania osadu W ubiegłym roku zaszły znaczące zmiany doyczące pomiaru i zarządzania ryzykiem bankowym. Są one konsekwencją nowowprowadzonych
Bardziej szczegółowoĆWICZENIE NR 43 U R I (1)
ĆWCZENE N 43 POMY OPO METODĄ TECHNCZNĄ Cel ćwiczenia: wyznaczenie warości oporu oporników poprzez pomiary naężania prądu płynącego przez opornik oraz napięcia na oporniku Wsęp W celu wyznaczenia warości
Bardziej szczegółowoJednofazowe przekształtniki DC AC i AC DC z eliminacją składowej podwójnej częstotliwości po stronie DC
Akademia Górniczo-Hunicza im. Sanisława Saszica w Krakowie Wydział Elekroechniki, Auomayki, Informayki i Inżynierii Biomedycznej Kaedra Energoelekroniki i Auomayki Sysemów Przewarzania Energii Auorefera
Bardziej szczegółowoPorównanie jakości nieliniowych modeli ekonometrycznych na podstawie testów trafności prognoz
233 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Porównanie jakości nieliniowych modeli ekonomerycznych na podsawie esów rafności prognoz Sreszczenie.
Bardziej szczegółowoRys.1. Podstawowa klasyfikacja sygnałów
Kaedra Podsaw Sysemów echnicznych - Podsawy merologii - Ćwiczenie 1. Podsawowe rodzaje i ocena sygnałów Srona: 1 1. CEL ĆWICZENIA Celem ćwiczenia jes zapoznanie się z podsawowymi rodzajami sygnałów, ich
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE. mgr Żaneta Pruska. Ćwiczenia 2 Zadanie 1
PROGNOZOWANIE I SYMULACJE mgr Żanea Pruska Ćwiczenia 2 Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X, wyrażona w ysiącach wyprodukowanych i dosarczonych szuk firmie Bea,
Bardziej szczegółowoMONITOROWANIE STANU INSTALACJI GAZOCIĄGOWEJ W OPARCIU O ADDYTYWNY MODEL REGRESJI
MONITOROWANIE STANU INSTALACJI GAZOCIĄGOWEJ W OPARCIU O ADDYTYWNY MODEL REGRESJI Zofia Magdalena ŁABĘDA-GRUDZIAK Streszczenie: W artykule przedstawiono próbę wykorzystania technik eksploracji danych i
Bardziej szczegółowodr inż. MARCIN MAŁACHOWSKI Instytut Technik Innowacyjnych EMAG
dr inż. MARCIN MAŁACHOWSKI Insyu Technik Innowacyjnych EMAG Wykorzysanie opycznej meody pomiaru sężenia pyłu do wspomagania oceny paramerów wpływających na możliwość zaisnienia wybuchu osiadłego pyłu węglowego
Bardziej szczegółowoKURS EKONOMETRIA. Lekcja 1 Wprowadzenie do modelowania ekonometrycznego ZADANIE DOMOWE. Strona 1
KURS EKONOMETRIA Lekcja 1 Wprowadzenie do modelowania ekonomerycznego ZADANIE DOMOWE www.erapez.pl Srona 1 Część 1: TEST Zaznacz poprawną odpowiedź (ylko jedna jes prawdziwa). Pyanie 1 Kóre z poniższych
Bardziej szczegółowoUWARUNKOWANIA DIAGNOSTYCZNE STEROWANIA PROCESEM EKSPLOATACJI OKRĘTOWYCH SILNIKÓW GŁÓWNYCH
UWARUNKOWANIA DIAGNOSTYCZNE STEROWANIA PROCESEM EKSPLOATACJI OKRĘTOWYCH SILNIKÓW GŁÓWNYCH Jacek Rudnicki Poliechnika Gdańska ul. Naruowicza 11/12, 8-233 Gdańsk el.: +48 58 3472973 e-mail:jacekrud@pg.edu.pl
Bardziej szczegółowoANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1
ANALIZA, PROGNOZOWANIE I SYMULACJA / Ćwiczenia 1 mgr inż. Żanea Pruska Maeriał opracowany na podsawie lieraury przedmiou. Zadanie 1 Firma Alfa jes jednym z głównych dosawców firmy Bea. Ilość produku X,
Bardziej szczegółowo1. Szereg niesezonowy 1.1. Opis szeregu
kwaralnych z la 2000-217 z la 2010-2017.. Szereg sezonowy ma charaker danych model z klasy ARIMA/SARIMA i model eksrapolacyjny oraz d prognoz z ych modeli. 1. Szereg niesezonowy 1.1. Opis szeregu Analizowany
Bardziej szczegółowoDendrochronologia Tworzenie chronologii
Dendrochronologia Dendrochronologia jes nauką wykorzysującą słoje przyrosu rocznego drzew do określania wieku (daowania) obieków drewnianych (budynki, przedmioy). Analizy różnych paramerów słojów przyrosu
Bardziej szczegółowoManagement Systems in Production Engineering No 4(20), 2015
EKONOMICZNE ASPEKTY PRZYGOTOWANIA PRODUKCJI NOWEGO WYROBU Janusz WÓJCIK Fabryka Druu Gliwice Sp. z o.o. Jolana BIJAŃSKA, Krzyszof WODARSKI Poliechnika Śląska Sreszczenie: Realizacja prac z zakresu przygoowania
Bardziej szczegółowo1.2.1 Ogólny algorytm podejmowania decyzji... 18. 1.2.2 Algorytm postępowania diagnostycznego... 23. 1.2.3 Analiza decyzyjna... 27
3 Spis reści Spis reści... 3 Użye oznaczenia... 7 Wsęp i założenia pracy... 9 1. Akualny san wiedzy medycznej i echnicznej związanej zagadnieniami analizy decyzyjnej w chorobach górnego odcinka przewodu
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 PROGNOZOWANIE I SYMULACJE EXCEL AUTOR: ŻANETA PRUSKA
1 PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: mgr inż. ŻANETA PRUSKA DODATEK SOLVER 2 Sprawdzić czy w zakładce Dane znajduję się Solver 1. Kliknij przycisk Microsof Office, a nasępnie kliknij przycisk Opcje
Bardziej szczegółowoOcena efektywności procedury Congruent Specyfication dla małych prób
243 Zeszyy Naukowe Wyższej Szkoły Bankowej we Wrocławiu Nr 20/2011 Wyższa Szkoła Bankowa w Toruniu Ocena efekywności procedury Congruen Specyficaion dla małych prób Sreszczenie. Procedura specyfikacji
Bardziej szczegółowoWYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA NA PRZYKŁADZIE VALUE AT RISK
Przemysław Jeziorski Uniwersye Ekonomiczny w Kaowicach Wydział Informayki i Komunikacji Zakład Demografii i Saysyki Ekonomicznej przemyslaw.jeziorski@ue.kaowice.pl WYBRANE TESTY NIEOBCIĄŻONOŚCI MIAR RYZYKA
Bardziej szczegółowo1.1. Bezpośrednie transformowanie napięć przemiennych
Rozdział Wprowadzenie.. Bezpośrednie ransformowanie napięć przemiennych Bezpośrednie ransformowanie napięć przemiennych jes formą zmiany paramerów wielkości fizycznych charakeryzujących energię elekryczną
Bardziej szczegółowoESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI
METODY ILOŚCIOWE W BADANIACH EKONOMICZNYCH Tom XIII/3, 202, sr. 253 26 ESTYMACJA KRZYWEJ DOCHODOWOŚCI STÓP PROCENTOWYCH DLA POLSKI Adam Waszkowski Kaedra Ekonomiki Rolnicwa i Międzynarodowych Sosunków
Bardziej szczegółowoPROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK PROGNOZOWANIE I SYMULACJE EXCEL 2 AUTOR: MARTYNA MALAK
1 PROGNOZOWANIE I SYMULACJE 2 hp://www.oucome-seo.pl/excel2.xls DODATEK SOLVER WERSJE EXCELA 5.0, 95, 97, 2000, 2002/XP i 2003. 3 Dodaek Solver jes dosępny w menu Narzędzia. Jeżeli Solver nie jes dosępny
Bardziej szczegółowoPREDYKCJA KURSU EURO/DOLAR Z WYKORZYSTANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WYBRANE MODELE EKONOMETRYCZNE I PERCEPTRON WIELOWARSTWOWY
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2004 Aleksandra MAUSZEWSKA Doroa WIKOWSKA PREDKCJA KURSU EURO/DOLAR Z WKORZSANIEM PROGNOZ INDEKSU GIEŁDOWEGO: WBRANE MODELE EKONOMERCZNE I PERCEPRON WIELOWARSWOW
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Pior Fiszeder Uniwersye Mikołaja Kopernika
Bardziej szczegółowoStatystyka od podstaw z systemem SAS Dr hab. E. Frątczak, ZAHZiAW, ISiD, KAE. Część VII. Analiza szeregu czasowego
Część VII. Analiza szeregu czasowego 1 DEFINICJA SZEREGU CZASOWEGO Szeregiem czasowym nazywamy zbiór warości cechy w uporządkowanych chronologicznie różnych momenach (okresach) czasu. Oznaczając przez
Bardziej szczegółowoHarmonogram czyszczenia z osadów sieci wymienników ciepła w trakcie eksploatacji instalacji na przykładzie destylacji rurowo-wieżowej
Mariusz Markowski, Marian Trafczyński Poliechnika Warszawska Zakład Aparaury Przemysłowe ul. Jachowicza 2/4, 09-402 Płock Harmonogram czyszczenia z osadów sieci wymienników ciepła w rakcie eksploaaci insalaci
Bardziej szczegółowoPOZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K
MODELOWANIE INŻYNIERSKIE ISSN 1896-771X 37, s. 97-104, Gliwice 2009 POZYCJONOWANIE I NADĄŻANIE MINIROBOTA MOBILNEGO M.R.K MARIUSZ GIERGIEL, PIOTR MAŁKA Kaedra Roboyki i Mecharoniki, Akademia Górniczo-Hunicza
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk Krzywa wieża w Pizie 1 2 3 4 5 6 7 8 9 10 11 12 13 y 4,9642 4,9644 4,9656 4,9667 4,9673 4,9688 4,9696 4,9698 4,9713 4,9717 4,9725 4,9742 4,9757 Szeregiem czasowym nazywamy
Bardziej szczegółowoCopyright by Politechnika Białostocka, Białystok 2017
Recenzenci: dr hab. Sanisław Łobejko, prof. SGH prof. dr hab. Doroa Wikowska Redakor naukowy: Joanicjusz Nazarko Auorzy: Ewa Chodakowska Kaarzyna Halicka Arkadiusz Jurczuk Joanicjusz Nazarko Redakor wydawnicwa:
Bardziej szczegółowoLABORATORIUM PODSTAW ELEKTRONIKI PROSTOWNIKI
ZESPÓŁ LABORATORIÓW TELEMATYKI TRANSPORTU ZAKŁAD TELEKOMUNIKJI W TRANSPORCIE WYDZIAŁ TRANSPORTU POLITECHNIKI WARSZAWSKIEJ LABORATORIUM PODSTAW ELEKTRONIKI INSTRUKCJA DO ĆWICZENIA NR 5 PROSTOWNIKI DO UŻYTKU
Bardziej szczegółowoStrukturalne podejście w prognozowaniu produktu krajowego brutto w ujęciu regionalnym
Jacek Baóg Uniwersye Szczeciński Srukuralne podejście w prognozowaniu produku krajowego bruo w ujęciu regionalnym Znajomość poziomu i dynamiki produku krajowego bruo wyworzonego w poszczególnych regionach
Bardziej szczegółowoANALIZA BIPOLARNEGO DYNAMICZNEGO MODELU DIAGNOSTYCZNEGO MONITOROWANIA WYPOSAśENIA ELEKTRYCZNEGO SAMOCHODU
LOGITRANS - VII KONFERENCJA NAUKOWO-TECHNICZNA LOGISTYKA, SYSTEMY TRANSPORTOWE, BEZPIECZEŃSTWO W TRANSPORCIE Radosław GAD 1 Moniorowanie diagnosyczne, model dynamiczny, diagnosyka pojazdowa ANALIZA BIPOLARNEGO
Bardziej szczegółowoE k o n o m e t r i a S t r o n a 1. Nieliniowy model ekonometryczny
E k o n o m e r i a S r o n a Nieliniowy model ekonomeryczny Jednorównaniowy model ekonomeryczny ma posać = f( X, X,, X k, ε ) gdzie: zmienna objaśniana, X, X,, X k zmienne objaśniające, ε - składnik losowy,
Bardziej szczegółowoMatematyka ubezpieczeń majątkowych r. ma złożony rozkład Poissona. W tabeli poniżej podano rozkład prawdopodobieństwa ( )
Zadanie. Zmienna losowa: X = Y +... + Y N ma złożony rozkład Poissona. W abeli poniżej podano rozkład prawdopodobieńswa składnika sumy Y. W ejże abeli podano akże obliczone dla k = 0... 4 prawdopodobieńswa
Bardziej szczegółowoIdentyfikacja modelu przedziałowego kąta elewacji orientowanego ogniwa słonecznego
Krzyszof OPRZĘDKIEWICZ, Wiold GŁOWACZ, Mieczysław ZACZYK, Janusz ENEA, Łukasz WIĘCKOWSKI Akademia Górniczo-Hunicza, Wydział Elekroechniki, Auomayki, Informayki i Inżynierii Biomedycznej, Kaedra Auomayki
Bardziej szczegółowoStosowane metody wykrywania nieszczelności w sieciach gazowych
Stosowane metody wykrywania nieszczelności w sieciach gazowych Andrzej Osiadacz, Łukasz Kotyński Zakład Systemów Ciepłowniczych i Gazowniczych Wydział Inżynierii Środowiska Politechniki Warszawskiej Międzyzdroje,
Bardziej szczegółowoZESZYTY NAUKOWE NR 2 (74) AKADEMII MORSKIEJ W SZCZECINIE. Adaptacyjny układ stabilizacji kursu statku. An Adaptive System of Ship Course Stabilization
ISSN 9-69 Zenon Zwierzewicz, ior Borkowski ZESZYY NAUKOWE NR 74 AKADEMII MORSKIEJ W SZCZECINIE EXLO-SHI 4 Adapacyjny układ sabilizacji kursu saku Słowa kluczowe: serowanie adapacyjne, idenyfikacja modelu,
Bardziej szczegółowoBadanie funktorów logicznych TTL - ćwiczenie 1
adanie funkorów logicznych TTL - ćwiczenie 1 1. Cel ćwiczenia Zapoznanie się z podsawowymi srukurami funkorów logicznych realizowanych w echnice TTL (Transisor Transisor Logic), ich podsawowymi paramerami
Bardziej szczegółowoParytet stóp procentowych a premia za ryzyko na przykładzie kursu EURUSD
Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Marcin Gajewski Uniwersye Łódzki 4.12.2008 Parye sóp procenowych a premia za ryzyko na przykładzie kursu EURUD Niezabazpieczony UIP)
Bardziej szczegółowoPROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO
POZNAN UNIVE RSITY OF TE CHNOLOGY ACADE MIC JOURNALS No 69 Elecrical Engineering 0 Janusz WALCZAK* Seweryn MAZURKIEWICZ* PROGRAMOWY GENERATOR PROCESÓW STOCHASTYCZNYCH LEVY EGO W arykule opisano meodę generacji
Bardziej szczegółowoDobór przekroju żyły powrotnej w kablach elektroenergetycznych
Dobór przekroju żyły powronej w kablach elekroenergeycznych Franciszek pyra, ZPBE Energopomiar Elekryka, Gliwice Marian Urbańczyk, Insyu Fizyki Poliechnika Śląska, Gliwice. Wsęp Zagadnienie poprawnego
Bardziej szczegółowoLaboratorium z PODSTAW AUTOMATYKI, cz.1 EAP, Lab nr 3
I. ema ćwiczenia: Dynamiczne badanie przerzuników II. Cel/cele ćwiczenia III. Wykaz użyych przyrządów IV. Przebieg ćwiczenia Eap 1: Przerzunik asabilny Przerzuniki asabilne służą jako generaory przebiegów
Bardziej szczegółowolicencjat Pytania teoretyczne:
Plan wykładu: 1. Wiadomości ogólne. 2. Model ekonomeryczny i jego elemeny 3. Meody doboru zmiennych do modelu ekonomerycznego. 4. Szacownie paramerów srukuralnych MNK. Weryfikacja modelu KMNK 6. Prognozowanie
Bardziej szczegółowoModel logistycznego wsparcia systemu eksploatacji środków transportu
Poliechnika Wrocławska Insyu Konsrukcji i Eksploaacji Maszyn Zakład Logisyki i Sysemów Transporowych Rozprawa dokorska Model logisycznego wsparcia sysemu eksploaacji środków ransporu Rapor serii: PRE nr
Bardziej szczegółowoEwa Dziawgo Uniwersytet Mikołaja Kopernika w Toruniu. Analiza wrażliwości modelu wyceny opcji złożonych
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 7 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoFOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Stetin., Oeconomica 2015, 323(81)4,
FOLIA POMERANAE UNIVERSITATIS TECHNOLOGIAE STETINENSIS Folia Pomer. Univ. Technol. Sein., Oeconomica 205, 323(8)4, 25 32 Joanna PERZYŃSKA WYBRANE MIERNIKI TRAFNOŚCI PROGNOZ EX POST W WYZNACZANIU PROGNOZ
Bardziej szczegółowoWskazówki projektowe do obliczania nośności i maksymalnego zanurzenia statku rybackiego na wstępnym etapie projektowania
CEPOWSKI omasz 1 Wskazówki projekowe do obliczania nośności i maksymalnego zanurzenia saku rybackiego na wsępnym eapie projekowania WSĘP Celem podjęych badań było opracowanie wskazówek projekowych do wyznaczania
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODELE EKONOMETRYCZNE IX Ogólnopolskie Seminarium Naukowe, 6 8 września 2005 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Kaarzyna Kuziak Akademia Ekonomiczna
Bardziej szczegółowoEFEKTYWNOŚĆ INWESTYCJI MODERNIZACYJNYCH. dr inż. Robert Stachniewicz
EFEKTYWNOŚĆ INWESTYCJI MODERNIZACYJNYCH dr inż. Rober Sachniewicz METODY OCENY EFEKTYWNOŚCI PROJEKTÓW INWESTYCYJNYCH Jednymi z licznych celów i zadań przedsiębiorswa są: - wzros warości przedsiębiorswa
Bardziej szczegółowoWitold Orzeszko Uniwersytet Mikołaja Kopernika w Toruniu
DYNAMICZNE MODELE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 2007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Uniwersye Mikołaja Kopernika w Toruniu
Bardziej szczegółowoJacek Kwiatkowski Magdalena Osińska. Procesy zawierające stochastyczne pierwiastki jednostkowe identyfikacja i zastosowanie.
DYNAMICZNE MODELE EKONOMETRYCZNE Jacek Kwiakowski Magdalena Osińska Uniwersye Mikołaja Kopernika Procesy zawierające sochasyczne pierwiaski jednoskowe idenyfikacja i zasosowanie.. Wsęp Większość lieraury
Bardziej szczegółowoDYNAMICZNE MODELE EKONOMETRYCZNE
DYNAMICZNE MODEE EKONOMETRYCZNE X Ogólnopolskie Seminarium Naukowe, 4 6 września 007 w Toruniu Kaedra Ekonomerii i Saysyki, Uniwersye Mikołaja Kopernika w Toruniu Joanna Małgorzaa andmesser Szkoła Główna
Bardziej szczegółowoZastosowanie predykcji sygnału odchylenia regulacyjnego do centralnej regulacji mocy czynnej i częstotliwości w systemie elektroenergetycznym
INSTYTUT AUTOMATYKI SYSTEMÓW ENERGETYCZNYCH Zasosowanie predykcji sygnału odchylenia regulacyjnego do cenralnej regulacji mocy czynnej i częsoliwości w sysemie elekroenergeycznym Prof. dr hab. inż. Tadeusz
Bardziej szczegółowoMariusz Plich. Spis treści:
Spis reści: Modele wielorównaniowe - mnożniki i symulacje. Podsawowe pojęcia i klasyfikacje. Czynniki modelowania i sposoby wykorzysania modelu 3. ypy i posacie modeli wielorównaniowych 4. Przykłady modeli
Bardziej szczegółowoWygładzanie metodą średnich ruchomych w procesach stałych
Wgładzanie meodą średnich ruchomch w procesach sałch Cel ćwiczenia. Przgoowanie procedur Średniej Ruchomej (dla ruchomego okna danch); 2. apisanie procedur do obliczenia sandardowego błędu esmacji;. Wizualizacja
Bardziej szczegółowoWykład 6. Badanie dynamiki zjawisk
Wykład 6 Badanie dynamiki zjawisk TREND WYODRĘBNIANIE SKŁADNIKÓW SZEREGU CZASOWEGO 1. FUNKCJA TRENDU METODA ANALITYCZNA 2. ŚREDNIE RUCHOME METODA WYRÓWNYWANIA MECHANICZNEGO średnie ruchome zwykłe średnie
Bardziej szczegółowoMetody rachunku kosztów Metoda rachunku kosztu działań Podstawowe pojęcia metody ABC Kalkulacja obiektów kosztowych metodą ABC Zasobowy rachunek
Meody rachunku koszów Meoda rachunku koszu Podsawowe pojęcia meody ABC Kalkulacja obieków koszowych meodą ABC Zasobowy rachunek koszów Kalkulacja koszów meodą ABC podsawową informacja dla rachunkowości
Bardziej szczegółowoInstrukcja do ćwiczenia laboratoryjnego. Badanie liczników
Insrukcja do ćwiczenia laboraoryjnego Badanie liczników Opracował: mgr inż. Andrzej Biedka Wymagania, znajomość zagadnień: 3. 4. Budowa licznika cyfrowego. zielnik częsoliwości, różnice między licznikiem
Bardziej szczegółowoCHEMIA KWANTOWA Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoretycznej Zespół Chemii Kwantowej Grupa Teorii Reaktywności Chemicznej
CHEMI KWTOW CHEMI KWTOW Jacek Korchowiec Wydział Chemii UJ Zakład Chemii Teoreycznej Zespół Chemii Kwanowej Grupa Teorii Reakywności Chemicznej LITERTUR R. F. alewajski, Podsawy i meody chemii kwanowej:
Bardziej szczegółowoEksploracja danych. KLASYFIKACJA I REGRESJA cz. 1. Wojciech Waloszek. Teresa Zawadzka.
Eksploracja danych KLASYFIKACJA I REGRESJA cz. 1 Wojciech Waloszek wowal@ei.pg.gda.pl Teresa Zawadzka egra@ei.pg.gda.pl Kaedra Inżyrii Oprogramowania Wydział Elekroniki, Telekomunikacji i Informayki Poliechnika
Bardziej szczegółowoPrognozowanie średniego miesięcznego kursu kupna USD
Prognozowanie średniego miesięcznego kursu kupna USD Kaarzyna Halicka Poliechnika Białosocka, Wydział Zarządzania, Kaedra Informayki Gospodarczej i Logisyki, e-mail: k.halicka@pb.edu.pl Jusyna Godlewska
Bardziej szczegółowoOPTYMALIZACJA PORTFELA INWESTYCYJNEGO ZE WZGLĘDU NA MINIMALNY POZIOM TOLERANCJI DLA USTALONEGO VaR
Daniel Iskra Uniwersye Ekonomiczny w Kaowicach OPTYMALIZACJA PORTFELA IWESTYCYJEGO ZE WZGLĘDU A MIIMALY POZIOM TOLERACJI DLA USTALOEGO VaR Wprowadzenie W osanich laach bardzo popularną miarą ryzyka sała
Bardziej szczegółowoSystem zielonych inwestycji (GIS Green Investment Scheme)
PROGRAM PRIORYTETOWY Tyuł programu: Sysem zielonych inwesycji (GIS Green Invesmen Scheme) Część 6) SOWA Energooszczędne oświelenie uliczne. 1. Cel programu Ograniczenie lub uniknięcie emisji dwulenku węgla
Bardziej szczegółowoUkłady sekwencyjne asynchroniczne Zadania projektowe
Układy sekwencyjne asynchroniczne Zadania projekowe Zadanie Zaprojekować układ dwusopniowej sygnalizacji opycznej informującej operaora procesu o przekroczeniu przez konrolowany paramer warości granicznej.
Bardziej szczegółowoPROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM
PROGNOZOWANIE W ZARZĄDZANIU PRZEDSIĘBIORSTWEM prof. dr hab. Paweł Dimann 1 Znaczenie prognoz w zarządzaniu firmą Zarządzanie firmą jes nieusannym procesem podejmowania decyzji, kóry może być zdefiniowany
Bardziej szczegółowoAnaliza i Zarządzanie Portfelem cz. 6 R = Ocena wyników zarządzania portfelem. Pomiar wyników zarządzania portfelem. Dr Katarzyna Kuziak
Ocena wyników zarządzania porelem Analiza i Zarządzanie Porelem cz. 6 Dr Kaarzyna Kuziak Eapy oceny wyników zarządzania porelem: - (porolio perormance measuremen) - Przypisanie wyników zarządzania porelem
Bardziej szczegółowoPrzemysław Klęsk. Słowa kluczowe: analiza składowych głównych, rozmaitości algebraiczne
Przemysław Klęsk O ALGORYTMIE PRINCIPAL MANIFOLDS OPARTYM NA PCA SŁUŻACYM DO ZNAJDOWANIA DZIEDZIN JAKO ROZMAITOŚCI ALGEBRAICZNYCH NA PODSTAWIE ZBIORU DANYCH, PROPOZYCJA MIAR JAKOŚCI ROZMAITOŚCI Sreszczenie
Bardziej szczegółowoRóżnica bilansowa dla Operatorów Systemów Dystrybucyjnych na lata (którzy dokonali z dniem 1 lipca 2007 r. rozdzielenia działalności)
Różnica bilansowa dla Operaorów Sysemów Dysrybucyjnych na laa 2016-2020 (kórzy dokonali z dniem 1 lipca 2007 r. rozdzielenia działalności) Deparamen Rynków Energii Elekrycznej i Ciepła Warszawa 201 Spis
Bardziej szczegółowoMetody analizy i prognozowania szeregów czasowych
Meody analizy i prognozowania szeregów czasowych Wsęp 1. Modele szeregów czasowych 2. Modele ARMA i procedura Boxa-Jenkinsa 3. Modele rendów deerminisycznych i sochasycznych 4. Meody dekompozycji szeregów
Bardziej szczegółowoInstrukcja do ćwiczenia laboratoryjnego. Badanie przerzutników
Insrukcja do ćwiczenia laboraoryjnego Badanie przerzuników Opracował: mgr inż. Andrzej Biedka Wymagania, znajomość zagadnień: 1. 2. Właściwości, ablice sanów, paramery sayczne przerzuników RS, D, T, JK.
Bardziej szczegółowoSZACOWANIE MODELU RYNKOWEGO CYKLU ŻYCIA PRODUKTU
B A D A N I A O P E R A C J N E I D E C Z J E Nr 2 2006 Bogusław GUZIK* SZACOWANIE MODELU RNKOWEGO CKLU ŻCIA PRODUKTU Przedsawiono zasadnicze podejścia do saysycznego szacowania modelu rynkowego cyklu
Bardziej szczegółowoMetody prognozowania: Szeregi czasowe. Dr inż. Sebastian Skoczypiec. ver Co to jest szereg czasowy?
Meody prognozowania: Szeregi czasowe Dr inż. Sebasian Skoczypiec ver. 11.20.2009 Co o jes szereg czasowy? Szereg czasowy: uporządkowany zbiór warości badanej cechy lub warości określonego zjawiska, zaobserwowanych
Bardziej szczegółowoVII. ZAGADNIENIA DYNAMIKI
Konderla P. Meoda Elemenów Skończonych, eoria i zasosowania 47 VII. ZAGADNIENIA DYNAMIKI. Równanie ruchu dla zagadnienia dynamicznego Q, (7.) gdzie M NxN macierz mas, C NxN macierz łumienia, K NxN macierz
Bardziej szczegółowoUDOSKONALONA METODA BEZPOŚREDNIA ROZWIĄZANIA ZADANIA TRAFIENIA CELU DLA TACHOMETRYCZNYCH SYSTEMÓW KIEROWANIA OGNIEM ARTYLERII PRZECIWLOTNICZEJ
dr inż. Zygmun PANKOWSKI Wojskowy Insyu Techniczny Uzbrojenia UDOSKONALONA METODA BEZPOŚREDNIA ROZWIĄZANIA ZADANIA TRAFIENIA CELU DLA TACHOMETRYCZNYCH SYSTEMÓW KIEROWANIA OGNIEM ARTYLERII PRZECIWLOTNICZEJ
Bardziej szczegółowoSYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE
SYMULACYJNA ANALIZA PRODUKCJI ENERGII ELEKTRYCZNEJ I CIEPŁA Z ODNAWIALNYCH NOŚNIKÓW W POLSCE Janusz Sowiński, Rober Tomaszewski, Arur Wacharczyk Insyu Elekroenergeyki Poliechnika Częsochowska Aky prawne
Bardziej szczegółowoPrzetwarzanie analogowocyfrowe
Przewarzanie analogowocyfrowe Z. Serweciński 05-03-2011 Przewarzanie u analogowego na cyfrowy Proces przewarzania u analogowego (ciągłego) na cyfrowy składa się z rzech podsawowych operacji: 1. Próbkowanie
Bardziej szczegółowoBADANIE WŁAŚCIWOŚCI DYNAMICZNYCH REZYSTANCYJNYCH CZUJNIKÓW TEMPERATURY
BADANIE WŁAŚCIWOŚCI DYNAMICZNYCH REZYSANCYJNYCH CZUJNIKÓW EMPERAURY. Cel ćwiczenia Celem ćwiczenia jes eksperymenalne wyznaczenie charakerysyk dynamicznych czujników ermomerycznych w różnych ośrodkach
Bardziej szczegółowoAnalityczne metody detekcji uszkodzeń
Instytut Sterowania i Systemów Informatycznych Universytet Zielonogórski Wykład 5 Model procesu Rozważmy czasowo-dyskretny model liniowy gdzie: k dyskretny czas, x(k) R n wektor stanu, x(k + 1) = Ax(k)
Bardziej szczegółowoCyfrowe przetwarzanie sygnału przetwornika obrotowo-impulsowego
Cyfrowe przewarzanie sygnału przewornika obroowo-impulsowego Eligiusz PAWŁOWSKI Poliechnika Lubelska, Kaedra Auomayki i Merologii ul. Nadbysrzycka 38 A, 20-68 Lublin, email: elekp@elekron.pol.lublin.pl
Bardziej szczegółowoZastosowanie sztucznych sieci neuronowych do prognozowania szeregów czasowych
dr Joanna Perzyńska adiunk w Kaedrze Zasosowań Maemayki w Ekonomii Wydział Ekonomiczny Zachodniopomorski Uniwersye Technologiczny w Szczecinie Zasosowanie szucznych sieci neuronowych do prognozowania szeregów
Bardziej szczegółowo4.2. Obliczanie przewodów grzejnych metodą dopuszczalnego obciążenia powierzchniowego
4.. Obliczanie przewodów grzejnych meodą dopuszczalnego obciążenia powierzchniowego Meodą częściej sosowaną w prakyce projekowej niż poprzednia, jes meoda dopuszczalnego obciążenia powierzchniowego. W
Bardziej szczegółowoWyzwania praktyczne w modelowaniu wielowymiarowych procesów GARCH
Krzyszof Pionek Akademia Ekonomiczna we Wrocławiu Wyzwania prakyczne w modelowaniu wielowymiarowych procesów GARCH Wsęp Od zaproponowania przez Engla w 1982 roku jednowymiarowego modelu klasy ARCH, modele
Bardziej szczegółowo