Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów

Transkrypt

1 Zastosowania metod odkrywania wiedzy do diagnostyki maszyn i procesów Wojciech Moczulski Politechnika Śląska Katedra Podstaw Konstrukcji Maszyn Sztuczna inteligencja w automatyce i robotyce Zielona Góra, 22 kwietnia 2005

2 Plan referatu Wprowadzenie Problem Przykłady odkrywania wiedzy z zakresu: diagnostyki maszyn diagnostyki procesu Podsumowanie W. Moczulski, Pol. Śląska, KPKM 2

3 Wprowadzenie Maszyny, urządzenia i procesy są nadzorowane z wykorzystaniem systemów bazujących na wiedzy Wiedzę można odkrywać w bazach danych Dane mogą pochodzić: z pomiarów z odpowiednio zaplanowanych symulacji W. Moczulski, Pol. Śląska, KPKM 3

4 Odkrywanie wiedzy w bazach danych (1) Nietrywialny proces identyfikowania ważnych, nowych, potencjalnie użytecznych i ostatecznie zrozumiałych wzorców/regularności regularności występujących w danych Ang.. Knowledge Discovery in Databases, KDD W. Moczulski, Pol. Śląska, KPKM 4

5 Odkrywanie wiedzy w bazach danych (2) Regularność - wyrażenie w języku reprezentacji danych, zachodzące w jakimś podzbiorze tych danychd Ważność danej regularności określa się np. za pomocą stopnia pewności Odkryte regularności powinny być nowe (nieznane)) co najmniej dla systemu odkryć W. Moczulski, Pol. Śląska, KPKM 5

6 Rodzaje regularności (1) Jakościowe: Tablice kontyngencji Reguły Drzewa decyzyjne Równoważności logiczne.... Ilościowe: Równania Zależności funkcyjne W. Moczulski, Pol. Śląska, KPKM 6

7 Rodzaje regularności (2) Statyczne (przedstawione uprzednio): Regularności nie uwzględniające czasu Dynamiczne: Modele jakościowe Równania różniczkowe Równania różnicowe Sekwencje zdarzeń W. Moczulski, Pol. Śląska, KPKM 7

8 Problem Opracować środki reprezentacji wiedzy przydatnej w diagnostyce technicznej: Maszyn i urządzeń (wiedza statyczna) Maszyn, urządzeń i procesów (wiedza dynamiczna) Opracować metody odkrywania wiedzy reprezentowanej za pomocą tych środków W. Moczulski, Pol. Śląska, KPKM 8

9 Odkrywanie wiedzy z zakresu diagnostyki maszyn Opracowane na podstawie: P. Kostka: Metody klasyfikacji postaci kinetostatycznych linii wałów maszyn wirnikowych,, Pol. Śląska, Gliwice 2001

10 Omawiane zagadnienia Problem diagnostyczny Zastosowana metoda Uzyskane wyniki Wnioski W. Moczulski, Pol. Śląska, KPKM 10

11 Problem diagnostyczny (1) Niewspółosiowość powoduje do 50% niesprawności maszyn wirnikowych Nadmierne drgania - symptomem niewyosiowania [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 11

12 Problem diagnostyczny (2) Czy można określić relacje pomiędzy cechami sygnału i stanem niewyosiowania? Czy metodykę KDD można zastosować do odkrywania relacji diagnostycznych (odwrotnych)? W. Moczulski, Pol. Śląska, KPKM 12

13 Modelowany turbogenerator [Cholewa, Kiciński, 1997] W. Moczulski, Pol. Śląska, KPKM 13

14 Eksperyment jako źródło danych Eksper perymenty y bierne Eksper perymenty czynne Współcześnie: eksperymenty numeryczne (wyniki zależne od jakości modelu) W. Moczulski, Pol. Śląska, KPKM 14

15 Zarys metody 1. DZIAŁANIE Planowanie eksperymentu diagnostycznego 2. Przeprowadzenie eksperymentu 3. Obliczenie wartości cech sygnałów 4. Wstępna selekcja cech 5. Grupowanie rekordów wartości cech 6. Wybór cech istotnych 7. Indukcja klasyfikatorów 8. Selekcja klasyfikatorów WYNIK Lista konfiguracji linii łożysk Zbiór realizacji sygnałów diagnostycznych Baza zbiorów uczących umożliwiająca indukcję klasyfikatorów metodami uczenia maszynowego Klasyfikatory kinetostatycznej linii wału Klasyfikatory optymalne ze względu na przyjęty układ kryteriów [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 15

16 Plan eksperymentu diagnost. (1) Płaszczyzna promieniowa łożyska i Przemieszczenie R i θ i Położenie nominalne Zakres przemieszczeń [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 16

17 Plan eksperymentu diagnost. (2) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 17

18 Warianty danych dot. linii wałów Przemieszczenia pojedynczego łożyska Przypadki : Przemieszczenia wszystkich łożysk Przykłady pozytywne Kontrprzykłady 1333 [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 18

19 Definiowanie granic klas (1) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 19

20 Definiowanie granic klas (2) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 20

21 Definiowanie granic klas (3) Płaszczyzna promieniowa i-tego łożyska [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 21

22 Selekcja atrybutów V5 T(a1,d) V5 T(a2,d) C3 V4 V4 C4 C1 C2 V3 V2 V3 V2 C5 V1 V1 V0 C1 C2 C3 C4 C5 V0 C1 C2 C3 C4 C5 V ( a ) > V ( ) C = 1 C = a 2 [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 22

23 Przykładowe wyniki klasyfikacji [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 23

24 Koncepcja rozmytych granic klas Przykładowe błędy: ε fw = 1 card{ E wa( θ ) wr( R Liczba przykładów: 614 Błąd całkowity: 6.19% Liczba błędów: 38 Rozmyty błąd całkowity (10%): 3.15% t } η k= 1, K, n k err k k ) [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 24

25 Weryfikacja metody Ocena jakości klasyfikatorów Błąd względny, % Ilu atrybutów użyto? [P. Kostka, 2001] W. Moczulski, Pol. Śląska, KPKM 25

26 Podsumowanie i wnioski Metoda umożliwia budowę klasyfikatorów do diagnozowania złożonych obiektów Nowe wyniki dotyczą: Planowania eksperymentu diagnostycznego Budowy zbiorów przykładów uczących Indukcji klasyfikatorów Oceny klasyfikatorów za pomocą błędu bazującego na rozmytych granicach klas W. Moczulski, Pol. Śląska, KPKM 26

27 Podziękowania Prof. Jan Kiciński,, IMP I PAN - za udostępnienie systemu symulacyjnego MESWIR-NLDW oraz za wiele dyskusji Badania przeprowadzone przez P. Kostkę i autora w ramach grantów nr 7T07B i 7T07B finansowanych przez KBN W. Moczulski, Pol. Śląska, KPKM 27

28 Odkrywanie wiedzy z zakresu diagnostyki procesów Opracowane na podstawie: R. Szulim: Metoda pozyskiwania wiedzy do wspomagania prowadzenia złożonego procesu technologicznego, Uniwersytet Zielonogórski, 2004

29 Przykład procesu przemysłowego W. Moczulski, Pol. Śląska, KPKM 29

30 W. Moczulski, Pol. Śląska, KPKM 30

31 Wprowadzenie (1) Złożony proces przemysłowy charakter cykliczny czas trwania cyklu uzależniony od osiągnięcia określonego stanu sterowanie przez operatora w pętli otwartej znaczna liczba parametrów procesowych do kontroli W. Moczulski, Pol. Śląska, KPKM 31

32 Wprowadzenie (2) Znaczny indeterminizm sterowania: różna wiedza posiadana przez obsługę wiele czynników musi być ocenianych Błędne decyzje dotyczące sterowania mogą powodować: nieosiągnięcie celu sterowania (w zadanym czasie) uszkodzenia sterowanego obiektu W. Moczulski, Pol. Śląska, KPKM 32

33 Wprowadzenie (3) Wiele źródeł danych systemy SCADA pracownicy wprowadzający dane manualnie Systemy te gromadzą dane historyczne W. Moczulski, Pol. Śląska, KPKM 33

34 Przykłady realizacji procesu W. Moczulski, Pol. Śląska, KPKM 34

35 Przykłady realizacji procesu W. Moczulski, Pol. Śląska, KPKM

36 Opis potrzeby Brak komputerowych środków wspomagania operatorów procesu Należy wspomagać takie działania, jak: ocena stanu procesu podejmowanie decyzji dotyczących sterowania przebiegiem procesu W. Moczulski, Pol. Śląska, KPKM 36

37 Sformułowanie problemu (1) Proces ma charakter dynamiczny Przebieg poprzednich cykli wpływa na kolejny cykl Modele procesu uzyskane poprzez identyfikację są mało przydatne W. Moczulski, Pol. Śląska, KPKM 37

38 Sformułowanie problemu (2) Dostępne liczne realizacje procesu (niesklasyfikowane),, obejmujące wejścia, wyjścia i stany dla wielu realizacji rozpatrywanego procesu: szeregi czasowe wartości zmiennych procesowych wartości dyskretne (odczyty, spostrzeżenia) Przedmiotem identyfikacji są miękkie modele procesów W. Moczulski, Pol. Śląska, KPKM 38

39 Rozumowanie oparte na przykładach (CBR) Stosowane w razie trudności zbudowania modeli matematycznych, neuronowych i innych Wymaga zbudowania reprezentatywnej bazy przykładów Należy opracować sposób reprezentacji przykładów i miarę ich podobieństwa Wyszukuje rozwiązanie na podstawie analogii do historycznych przykładów W. Moczulski, Pol. Śląska, KPKM 39

40 Cykl CBR W. Moczulski, Pol. Śląska, KPKM 40

41 Bazy przykładów dla cykli i dla faz W. Moczulski, Pol. Śląska, KPKM 41

42 Sposób reprezentacji wiedzy o procesie dynamicznym (1) Dynamiczne stwierdzenie rozmyte (DSR) <Typ, Poziom, Czas, Symetria> Typ = nagły_spadek, powolny_spadek, stabilizacja, powolny_wzrost, nagły_wzrost Poziom = mały, średni, duży Czas = krótki, średni, długi Symetria = niesymetria,, mała_niesymetria niesymetria, symetria Do opisu przebiegów ciągłych - lista DSR W. Moczulski, Pol. Śląska, KPKM 42

43 Opis procesu dynamicznego W. Moczulski, Pol. Śląska, KPKM 43

44 W. Moczulski, Pol. Śląska, KPKM 44

45 Sposób reprezentacji wiedzy o procesie dynamicznym (2) Realizacja procesu opisana przez: Stan początkowy Przebieg sterowania Stan końcowy W. Moczulski, Pol. Śląska, KPKM 45

46 Aproksymacja i reprezentacja przykładów Zdarzenie: Typ Czas Wartość początkowa (wp) 1 Mało Średnio Dużo Wp(x)=<µ mało (x), µ średnio (x), µ dużo (x)> 0 Wartość Funkcje przynależności zbiorów rozmytych W. Moczulski, Pol. Śląska, KPKM 46

47 Miara podobieństwa przebiegów (1) Podobieństwa cząstkowe poszczególnych atrybutów określa się na podstawie: wektora funkcji przynależności specjalnych macierzy wag Podobieństwo pojedynczych zdarzeń jest iloczynem podobieństw cząstkowych, ważonych przez czas trwania zdarzenia Podobieństwo dwóch realizacji określa się dla różnej liczby zdarzeń w porównywanych cyklach W. Moczulski, Pol. Śląska, KPKM 47

48 Miara podobieństwa przebiegów (2) Podobieństwo pary zdarzeń Podobieństwo cząstkowe (5) (6) gdzie gdzie np. określa podobieństwo wartości (7) (8) W. Moczulski, Pol. Śląska, KPKM 48

49 Miara podobieństwa przebiegów (3) Podobieństwo dwóch realizacji: (9) gdzie waga (10) określa wpływ czasu trwania zdarzenia na jego wagę (11) (12) W. Moczulski, Pol. Śląska, KPKM 49

50 Miara podobieństwa przebiegów (4) Porównuje przykłady w sposób przybliżony Porównuje różne długości przebiegów Nie wymaga skalowania wartości Wymaga zdefiniowania wielu parametrów: Funkcji przynależności zbiorów rozmytych Macierzy podobieństwa zbiorów rozmytych W. Moczulski, Pol. Śląska, KPKM 50

51 Weryfikacja metody: HIPOTEZA JEŚLI dla realizacji procesu ich stany początkowe leżą w DOSTATECZNIE BLISKIM SĄSIEDZTWIE, TO zastosowanie DOSTATECZNIE PODOBNYCH STEROWAŃ PROWADZI DO PODOBNYCH WYJŚĆ W. Moczulski, Pol. Śląska, KPKM 51

52 Strojenie parametrów systemu System CBR zawiera 87 parametrów: Parametry funkcji przynależności Macierze podobieństwa Macierze wag Intuicyjny dobór wartości parametrów nie prowadził do dobrych wyników Zastosowano algorytm ewolucyjny W. Moczulski, Pol. Śląska, KPKM 52

53 Określenie funkcji dopasowania Wyrażenie na wartość funkcji dopasowania gdzie: (13) Ile cykli podobnych ze względu na wejście i sterowanie jest także podobnych ze względu na wyjście Ile prób wyszukania przeprowadzono W. Moczulski, Pol. Śląska, KPKM 53

54 Reprezentacja danych Definicje zbiorów rozmytych Wejście Atrybut 1 Atrybut 2 Definicje macierzy podobieństwa Sterowanie Atrybut 3 Atrybut 1 A B C D Definicja zbiorów rozmytych A B C Chromosom Atrybut 2 D E F Atrybut 3 G H J Definicja macierzy podobieństwa Wyjście Atrybut 1 Atrybut 2 Atrybut 3 [R. Szulim, 2004] W. Moczulski, Pol. Śląska, KPKM 54

55 Operatory genetyczne Mutacja (14) (15) Krzyżowanie (16) W. Moczulski, Pol. Śląska, KPKM 55

56 Naprawa parametrów Naprawa polega na przywróceniu zależności pomiędzy wartościami opisującymi granice zbiorów i macierze podobieństwa, np.: A < B < C < D (dla zbiorów) A > B > C (dla macierzy) E > F W. Moczulski, Pol. Śląska, KPKM 56

57 Przykładowe wyniki Przed strojeniem podobieństwo =0,56 Po strojeniu podobieństwo = W. Moczulski, Pol. Śląska, KPKM 57

58 Podsumowanie i wnioski Dane archiwalne można użyć do budowy bazy wiedzy w postaci bazy przykładów Wymagane jest zbudowanie odpowiednich sposobów reprezentacji przykładów i ich miar podobieństwa Parametry systemu reprezentacji danych i obliczania podobieństw mogą być strojone za pomocą algorytmu ewolucyjnego W. Moczulski, Pol. Śląska, KPKM 58

59 Podsumowanie

60 Inne rozwijane metody KDD dla zależności dynamicznych Odkrywanie zależności jakościowych reprezentowanych za pomocą sekwencji zdarzeń Odkrywanie zależności funkcyjnych za pomocą: Gramatyk bezkontekstowych Iteracyjnej transformacji atrybutów w bazie danych W. Moczulski, Pol. Śląska, KPKM 60

61 Podsumowanie (1) Współcześnie dostępnych jest coraz więcej baz danych diagnostycznych Metodyka odkrywania wiedzy w bazach danych umożliwia uzyskanie modeli statycznych i dynamicznych Modele funkcyjne (równania) umożliwiają dokładną predykcję W. Moczulski, Pol. Śląska, KPKM 61

62 Podsumowanie (2) Proces odkrywania wiedzy w bazach danych może przebiegać autonomicznie Celowe jest prowadzenie dalszych badań nad rozwojem metodologii odkrywania wiedzy diagnostycznej Odkryte modele jakościowe i ilościowe mogą być stosowane do generowania residuów wykorzystywanych do detekcji i lokalizacji uszkodzeń W. Moczulski, Pol. Śląska, KPKM 62

63 Dziękuję za uwagę W. Moczulski, Pol. Śląska, KPKM 63