کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942836 1437422 2016 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Fault diagnosis using spatial and temporal information with application to railway track circuits
ترجمه فارسی عنوان
تشخیص گسل با استفاده از اطلاعات مکانی و زمانی با استفاده از مدارهای راه آهن
کلمات کلیدی
نظارت بر سیستم، تشخیص گسل، تشخیص گسل، سیستم های راه آهن، سیستم های اساسی،
ترجمه چکیده
تشخیص خطا معقول نیاز به اطلاعات سیستم واقعی برای تبعیض بین رفتار سالم و انواع مختلف رفتارهای نامناسب است. به خصوص در شبکه های بزرگ، اغلب غیرممکن است که تعداد زیادی از متغیرها را برای هر زیرسیستم نظارت کنند. این نتیجه نیاز به روش های تشخیص خطا است که می توانند با مجموعه ای محدود از سیگنال های نظارت کار کنند. در این مقاله، یک روش برای تشخیص خطا در شبکه پیشنهاد شده است. این رویکرد مبتنی بر دانش است و وابستگی شبکه زمانی، فضایی و فضایی را به عنوان ویژگی های تشخیصی مورد استفاده قرار می دهد. این ویژگی ها را می توان از سیگنال های نظارت موجود استخراج کرد. بنابراین هیچ حسگر اضافی لازم نیست. علاوه بر این که رویکرد پیشنهادی نیاز به تنها چند دستگاه نظارت دارد، با توجه به استفاده از وابستگی های فضایی، با توجه به اختلالات زیست محیطی قوی است. به عنوان مثال برای یک مسیر مدار راه آهن، ما نشان می دهیم که بدون ویژگی های زمانی، فضایی و فضایی زمان، امکان شناسایی علت یک خطای تشخیصی وجود ندارد. از جمله ویژگی های اضافی اجازه می دهد تا علل احتمالی شناسایی شود. برای مدار مدار مسیر، بر اساس یک سیگنال، می توانیم بین شش کلاس گسل تشخیص دهیم.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
چکیده انگلیسی
Adequate fault diagnosis requires actual system data to discriminate between healthy behavior and various types of faulty behavior. Especially in large networks, it is often impracticable to monitor a large number of variables for each subsystem. This results in a need for fault diagnosis methods that can work with a limited set of monitoring signals. In this paper, we propose such an approach for fault diagnosis in networks. This approach is knowledge-based and uses the temporal, spatial, and spatio-temporal network dependencies as diagnostic features. These features can be derived from the existing monitoring signals; so no additional sensors are required. Besides that the proposed approach requires only a few monitoring devices, it is, thanks to the use of the spatial dependencies, robust with respect to environmental disturbances. For a railway track circuit example, we show that, without the temporal, spatial, and spatio-temporal features, it is not possible to identify the cause of a detected fault. Including the additional features allows potential causes to be identified. For the track circuit case, based on one signal, we can distinguish between six fault classes.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 56, November 2016, Pages 200-211
نویسندگان
, , ,