کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
10133491 | 1645596 | 2018 | 11 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Combining model-based diagnosis and data-driven anomaly classifiers for fault isolation
ترجمه فارسی عنوان
ترکیب تشخیص مبتنی بر مدل و طبقه بندی ناهماهنگ داده شده برای داده ها برای جداسازی خطا
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
تشخیص گسل، انزوا گسل، فراگیری ماشین، هوش مصنوعی، طبقه بندی،
ترجمه چکیده
یادگیری ماشین را می توان به صورت خودکار پردازش داده های سنسور و ایجاد مدل های داده مبتنی بر پیش بینی و طبقه بندی. با این حال، در برنامه های کاربردی مانند تشخیص خطا، گسل ها رویدادهای نادر هستند و مدل های یادگیری برای طبقه بندی گسل ها به دلیل عدم وجود اطلاعات مربوط به آموزش پیچیده است. این مقاله یک طراحی سیستم تشخیص ترکیبی ارائه می دهد که ترکیبی از باقی مانده های مبتنی بر مدل با طبقه بندی های غیرمعمولی افزایشی است. روش پیشنهادی قادر به شناسایی خطاهای ناشناخته و همچنین طبقه بندی گسل های چند گانه با استفاده از داده های آموزشی تک تک گسل است. روش پیشنهادی با استفاده از یک مدل فیزیکی و داده های جمع آوری شده از موتور احتراق داخلی تأیید می شود.
موضوعات مرتبط
مهندسی و علوم پایه
سایر رشته های مهندسی
مهندسی هوافضا
چکیده انگلیسی
Machine learning can be used to automatically process sensor data and create data-driven models for prediction and classification. However, in applications such as fault diagnosis, faults are rare events and learning models for fault classification is complicated because of lack of relevant training data. This paper proposes a hybrid diagnosis system design which combines model-based residuals with incremental anomaly classifiers. The proposed method is able to identify unknown faults and also classify multiple-faults using only single-fault training data. The proposed method is verified using a physical model and data collected from an internal combustion engine.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Control Engineering Practice - Volume 80, November 2018, Pages 146-156
Journal: Control Engineering Practice - Volume 80, November 2018, Pages 146-156
نویسندگان
Daniel Jung, Kok Yew Ng, Erik Frisk, Mattias Krysander,