Обнаружение неисправностей механического оборудования с использованием методов интеллектуального анализа данных
М. А. Ковито
Сибирский федеральный университет, Красноярск, Россия
DOI: https://doi.org/10.47813/2782-5280-2022-1-2-0121-0133
Ключевые слова: метод, интеллектуальный анализ данных, механическое оборудование, датчик, система, неисправность
Аннотация
Дефектация механического оборудования на производственных предприятиях всегда была важным звеном в производственном процессе. Наряду с компьютерной техникой, технологии искусственного интеллекта и различные интеллектуальные датчики широко используются в обрабатывающей промышленности. Объем данных, производимых производственными машинами и оборудованием на всех этапах производственного процесса, также быстро растет, особенно важно анализировать данные, генерируемые этими устройствами для обнаружения и даже прогнозирования неисправностей. Технология интеллектуального анализа данных предоставляет расширенные методы анализа данных для этой цели. В статье представлены основные концепции интеллектуального анализа данных, его процессов и ключевой технологии интеллектуального анализа данных, а также даны рекомендации по применению интеллектуального анализа данных для обнаружения неисправностей оборудования.
Биография автора
М. А. Ковито , Сибирский федеральный университет, Красноярск, Россия
Ковито Максим Андреевич, кафедра информатики Института космических и информационных технологий Сибирского федерального университета, Красноярск, Россия, e-mail: krovik76@gmail.com
Библиографические ссылки
Tao F., Qi Q. New IT driven service-oriented smart manufacturing: framework and characteristics. IEEE Transactions on Systems, Man and Cybernetics; 2017. http://dx.doi.org/10.1109/TSMC.2017.2723764 DOI: https://doi.org/10.1109/TSMC.2017.2723764
Yin S., Kaynak O. Big data for modern industry: challenges and trends [point of view]. Proc IEEE. 2015; 103(2): 143-146. DOI: https://doi.org/10.1109/JPROC.2015.2388958
Harding J. et al. Data Mining in Manufacturing: A Review. VDM Verlag; 2006: 969-976. DOI: https://doi.org/10.1115/1.2194554
Wang K. Tong et al. Review on Application of Data Mining in Product Design and Manufacturing. International Conference on Fuzzy Systems and Knowledge Discovery; 2007: 613-618. DOI: https://doi.org/10.1109/FSKD.2007.482
Hand D. J. Data Mining. Encyclopedia of Environmetrics. 2006; 2. DOI: https://doi.org/10.1002/0470011815.b2a00007
Yu C. H. Exploratory data analysis. Methods. 1977; 2: 131-160.
Seber G. A. F., Lee A. J. Linear regression analysis: John Wiley & Sons; 2012.
Aiken L.S., West S.G., Reno R.R. Multiple regression: Testing and interpreting interactions: Sage; 1991.
Hansen L.K., Salamon P. Neural network ensembles. IEEE Transactions on Pattern Analysis & Machine Intelligence. 1990; (10): 993-1001. DOI: https://doi.org/10.1109/34.58871
Keller J.M., Gray M.R., Givens J.A. A fuzzy k-nearest neighbor algorithm. IEEE Transactions on Systems, Man and Cybernetics. 1985; 15(4): 580-585. DOI: https://doi.org/10.1109/TSMC.1985.6313426
Hosmer Jr.D.W., Lemeshow S., Sturdivant R.X. Applied logistic regression: John Wiley & Sons; 2013. DOI: https://doi.org/10.1002/9781118548387
Munro D.D. Forest growth models-a prognosis. Growth models for tree and stand simulation. Research Note 30. Department of Forest Yield Research. Royal College of Forestry: Stockholm. 1974; 30: 7-21.
Kass R. E., Raftery A. E. Bayes factors. Journal of the American statistical association. 1995; 90(430): 773-795. DOI: https://doi.org/10.1080/01621459.1995.10476572
Zhang T., Ramakrishnan R., Livny M. BIRCH: A new data clustering algorithm and its applications. Data Mining and Knowledge Discovery. 1997; 1(2): 141-182. DOI: https://doi.org/10.1023/A:1009783824328
Inokuchi A., Washio T., Motoda H. An apriory-based algorithm for mining frequent substructures from graph data. European conference on principles of data mining and knowledge discovery: Springer, Berlin, Heidelberg; 2000: 13-23. DOI: https://doi.org/10.1007/3-540-45372-5_2
Freitas A.A. A genetic programming framework for two data mining tasks: classification and generalized rule induction. Genetic Programming 1997: Proc 2nd Annual Conf. Morgan Kaufmann; 1997: 96-101.
Zheng X., Levine D., Shen J. et al. A high-performance computing toolset for relatedness and principal component analysis of SNP data. Bioinformatics. 2012; 28(24): 3326-3328. DOI: https://doi.org/10.1093/bioinformatics/bts606
Hongjin Z. Fault diagnosis of hydraulic System of road header based on Fuzzy Neural network. Nanjing University of Science and Technology. 2013.
Xin Xuming. Data Mining System based on process Monitoring and its application. Shanghai: Donghua University. 2004.
JiaoPeng Sha. Research on intelligent device Fault diagnosis based on matrix weighted association rules. Hebei: Yanshan University. 2012.
Hong S. Lim W.Y., Cheong T. et al. Fault Detection and Classification in Plasma Etch Equipment for Semiconductor Manufacturing e-Diagnostics. IEEE Transactions on Semiconductor Manufacturing. 2012; 25(1):83-93. DOI: https://doi.org/10.1109/TSM.2011.2175394
Wang. Application of Decision Tree algorithm in mechanical equipment fault diagnosis system. Wuhan: Huazhong University of Science and Technology. 2013.
XueYong Shu. Application of vibration fault diagnosis of rotating equipment based on data Mining. Jilin: Jilin University. 2013.
Wang S., Sun X., Li C. Wind turbine gearbox fault diagnosis method based on Riemannian manifold. Mathematical Problems in Engineering. 2014; 16(4): 835-892. DOI: https://doi.org/10.1155/2014/153656
Jiao B., Xu Zh. Parameters optimization of LSSVM and application in fault diagnosis of wind power gearbox. Control Engineering of China. 2012; 19(4): 681-686.
Shen B., Liang X., Ouyang Y. et al. Stepdeep: a novel spatial-temporal mobility event prediction framework based on deep neural network. Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM; 2018: 724-733. DOI: https://doi.org/10.1145/3219819.3219931
Arora N., Cook J., Kumar R. et al. Hard to Park: Estimating Parking Difficulty at Scale. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM; 2019: 2296-2304. DOI: https://doi.org/10.1145/3292500.3330767