Pobierz artykuł PDF
Transkrypt
Pobierz artykuł PDF
ALGORYTM WSPIERAJĄCY PROCES PODEJMOWANIA DECYZJI O STANIE OBIEKTU Z WYKORZYSTANIEM SYGNAŁÓW WIBROAKUSTYCZNYCH RAFAŁ BONIECKI, MIROSŁAW MICIAK Streszczenie W artykule przedstawiono propozycjĊ algorytmu moĪliwego do zastosowania w aplikacji z wykorzystaniem Javy oraz technologii ORM (ang. Object – relational mapping). Celem aplikacji jest wspieranie procesu podejmowania decyzji o stanie obiektu technicznego na podstawie sygnałów wibroakustycznych. Słowa kluczowe: Java, Firebird, Hibernate, ORM, redukcja informacji diagnostycznej 1. Wprowadzenie Aplikacja powinna umoĪliwiaü komunikacjĊ pomiĊdzy komputerami, niezaleĪnie od posiadanej platformy sprzĊtowej i systemowej. Program zostanie napisany w jĊzyku Java, z wykorzystaniem biblioteki graficznej Swing. Jako bazĊ danych, przechowującą obiekty trwałoĞci wybrano silnik FirebirdSQL, a komunikacja i generowanie zapytaĔ pomiĊdzy aplikacją i bazą danych odbywaü siĊ bĊdzie za pomocą framework'a Hibernate 2. Firebird Firebird to relacyjna baza danych oferująca wiele standardowych funkcji ANSI SQL, która działa na systemach Linux, Windows i róĪnorodnych platformach Unix. Firebird oferuje doskonałą współbieĪnoĞü, wysoką wydajnoĞü i potĊĪne wsparcie jĊzyka dla procedur składowanych i wyzwalaczy. Jest to produkt typu open source – nie ma podwójnej licencji. MoĪe byü stosowany w aplikacjach zarówno komercyjnych, jak i o otwartym kodzie Ĩródłowym. Do najwaĪniejszych cech bazy danych Firebird zaliczają siĊ: Pełna obsługa procedur wbudowanych oraz wyzwalaczy; Pełna obsługa transakcji ACID; IntegralnoĞü danych (ang. Referential Integrity); Obsługa wielu wersji tego samego rekordu (ang. Multi Generational Architecture); Nie wymaga specjalnego Ğrodowiska do działania; W pełni rozwiniĊty wewnĊtrzny jĊzyk dla procedur wbudowanych oraz wyzwalaczy (PSQL); MoĪliwoĞü korzystania z zewnĊtrznych bibliotek funkcji (UDF); Praktycznie nie wymaga obsługi przez wyspecjalizowanych administratorów; – Niemal w ogóle nie wymaga konfigurowania; DuĪa społecznoĞü uĪytkowników oraz wiele miejsc, gdzie moĪna otrzymaü darmową, 37 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 skuteczną pomoc; Opcjonalna kilku plikowa wersja embedded – Ğwietnie nadaje siĊ miĊdzy innymi do tworzenia katalogów na płytach CD oraz jednostanowiskowych lub demonstracyjnych wersji aplikacji; Wiele narzĊdzi, miĊdzy innymi graficzne narzĊdzia do administrowania, narzĊdzia do replikacji i inne; Wiele moĪliwoĞci połączenia aplikacji z bazami danych: natywne poprzez API, sterowniki dbExpress, ODBC, OLEDB, Net, natywny sterownik JDBC typu 4, moduły Python, PHP, Perl, Ruby i inne; Wersje dla wszystkich najwaĪniejszych systemów operacyjnych, włączając Windows, Linux, Solaris, Mac Os, HP_UX i FreeBSD; Przyrostowe kopie bezpieczeĔstwa (ang. Incremental Backups); DostĊpne wersje 64-bitowe; Pełna implementacja kursorów w PSQL; Tabele monitorujące; Wyzwalacze dla połączeĔ oraz transakcji; Tabele tymczasowe; TraceAPI – monitorowanie działania serwera. Baza danych Firebird ze wzglĊdu na dostĊpnoĞü i ciągły rozwój przez uĪytkowników pozwoliła na jej wybór przy wykonywaniu aplikacji. 3. Hibernate Hibernate jest wysoko wydajną usługą zapewniającą trwałoĞü i kwerendy obiektoworelacyjne. Hibernate zajmuje siĊ mapowaniem z klas jĊzyka Java na tabele bazy danych, oraz z danych typu Java do typów danych SQL. Hibernate sam generuje zapytania do danych i obiektów, co znacznie skraca czas programowania aplikacji. Celem projektu Hibernate jest odciąĪenie programisty od rĊcznego wprowadzania zapytaĔ do bazy danych i ustanawiania połączenia z bazą. Koszty prac rozwojowych są znacznie wyĪsze ze wzglĊdu na niezgodnoĞü miĊdzy nimi. Wielu programistów i architektów szacuje, Īe 30% ich kodu jest potrzebne do radzenia sobie z tymi problemami infrastruktury. Hibernate bezpoĞrednio zapobiega tym wyzwaniom, zapewniając moĪliwoĞü mapowania modelu obiektowego reprezentacji danych do relacyjnego modelu danych i odpowiedniego schematu bazy danych. Główne powody zastosowania Hibernate w aplikacji to: Wsparcie dla stylu programowania odpowiedniego dla Javy (obsługa asocjacji, kompozycji, dziedziczenia, polimorfizmu, kolekcji); Wysoka wydajnoĞü i skalowalnoĞü (m.in. update tylko dla zmodyfikowanych obiektów i kolumn); Wiele sposobów wydawania zapytaĔ: HQL [1], natywny SQL [2], zapytania przez obiekty Javy: Criteria i Example; Wykorzystuje siłĊ technologii relacyjnych baz danych, SQL, JDBC [3]; Hibernate implementuje jĊzyk zapytaĔ i persistence API [4] z EJB 3.0; Architektura Hibernate została przedstawiona na rysunkach. 38 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych Rysunek 1. Architektura aplikacji wykorzystująca Hibernate Rysunek 2. Szczegółowa budowa aplikacji 39 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 4. Budowa algorytmu Na rysunku 3 przedstawiono algorytm wspierający proces podejmowania decyzji na podstawie danych wibroakustycznych. W pierwszym etapie nastĊpuje przetworzenie sygnału wibroakustycznego z postaci amplitudy drgaĔ przebiegu czasowego do wybranych estymat procesu drganiowego. Zestawienie tych estymatorów przedstawiono w tabeli 1. Na rysunku 4 przedstawiano metodykĊ wyboru symptomu potrzebną w celu Ğledzenia ewolucji uszkodzeĔ w obiekcie. Tabela 1. Wykaz oznaczeĔ estymatorów . 1. Oznaczenie estymatora Opis estymatora Media WartoĞü Ğrednia sygnału 2. RMS(t) WartoĞü globalna wartoĞci skutecznej obliczana dla sygnału w dziedzinie czasu 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. Max Min Kurtosis Skewness Standard deviation Form factor Peak factor Ompulse factor Cerance factor Fu (v) F u(d) H(v) T. acf F. acf A. acf Cov. acf Ruido T. xacf F. xacf A.xacf Cov.xacf Freq. coher Ampl. Coher Apd (2std) Apdd(0,2*std) f1 Bspec f2 Bspec A bispec WartoĞü szczytowa sygnału WartoĞü minimalna sygnału Kurtoza serii danych Miara asymetrii serii danych Odchylenie standardowe Współczynnik kształtu Współczynnik szczytu Współczynnik impulsu Współczynnik luzu CzĊstotliwoĞü Rice’a dla prĊdkoĞci drgaĔ CzĊstotliwoĞü Rice’a przemieszczenia drgaĔ Współczynnik harmonicznoĞci prĊdkoĞci drgaĔ Autokorelacja CzĊstotliwoĞü autokorelacji Amplituda autokorelacji Kowariancja sygnału RównowaĪny poziom dĨwiĊku A LAeq,T Korelacja wzajemna CzĊstotliwoĞü korelacji wzajemnej Amplituda korelacji wzajemnej Kowariancja sygnału drganiowego Główna czĊstotliwoĞü koherencji Amplituda głównej koherencji Rozkład prawdopodobieĔstwa GĊstoĞü prawdopodobieĔstwa Pierwsza czĊstotliwoĞü dla maksymalnej amplitudy bispectrum. Druga czĊstotliwoĞü dla maksymalnej amplitudy bispectrum. Maksymalna amplituda bispectrum 40 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych . 33. 34. 35. Oznaczenie estymatora Opis estymatora f1 Bcohe f2 Bcohe Max. Amp. Bcohe Pierwsza czĊstotliwoĞü dla maksymalnej amplitudy bikoherencji Druga czĊstotliwoĞü dla maksymalnej amplitudy bikoherencji Maksymalna amplituda bikoherencji WartoĞü chwilowa dla współczynnika maksymalnego rozkładu Wignera Villego WartoĞü czĊstotliwoĞciowa maksymalnego współczynnika rozkładu Wigne37. Wigner Ville (frecuencia) ra Villego 36. Wigner Ville (tiempo) 38. Wavelet (tiempo) 39. Wavelet(escala) WartoĞü chwilowa maksymalnego współczynnika transformaty falkowej WartoĞü Maksymalna współczynnika transformaty falkowej Rysunek 3. Algorytm wspierający proces podejmowania decyzji o stanie obiektu na podstawie danych wibroakustycznych 41 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 Tabela TABLICA CIĉû Tablica ciĊü Tabela WYBÓR SYMPTOMÓW DANE (Symptopmy) Generowanie tablicy ciĊü Normalizacja Wybór symptomów Dyskretyzacja Tworzenie zbioru reduktów Tabela DYSKRETYZACJA Tabela NORMALIZACJA Tabela KLASYFIKATOR Wybór reguł klasyfikacyjnych KLASYFIKATOR Tabela ZBIÓR REDUKTÓW Rysunek 4. Metodyka wyboru symptomu 5. Normalizacja Dla zbioru atrybutów (w postaci kolumn symptomów) przeprowadzana jest normalizacja dla poszczególnych kolumn: z= x−μ (1) σ T .acf F .acf cov.acf ruido T .xacf F .xacf A .xacf cov.xacf F recuencia.C o herencia A m plitud.C ohe rencia apd(2std) apdd(0,2*std) f1 B spec f2 B spec A B spec f1 B cohe f2 B cohe A B cohe W igner V ille(tiem po) 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 30 102 65 70 74 87 73 85 255 34 17 28 147 192 36 12 0 51 9 179 45 0 47 0 0 0 91 194 0 2 1 1 2 13 10 17 0 24 27 67 41 10 89 111 109 109 81 67 85 255 26 34 0 24 0 0 0 127 146 42 66 0 0 0 13 25 33 3 1 1 3 13 10 11 0 21 19 74 2 10 76 108 103 102 126 120 128 255 26 4 28 33 4 1 1 4 13 10 11 0 15 23 92 23 10 89 85 101 95 106 255 26 34 0 150 128 28 24 0 0 0 153 182 75 139 0 0 0 27 123 37 5 1 1 5 13 10 17 0 37 59 147 111 10 115 172 169 168 124 171 64 255 59 17 0 116 255 60 12 0 126 9 204 118 62 44 0 0 0 36 132 111 6 1 1 6 13 10 17 0 27 27 119 82 10 115 126 126 126 108 144 64 255 59 17 0 120 106 28 24 0 128 0 179 82 46 74 0 0 0 18 112 90 7 1 1 7 13 20 17 0 21 35 102 29 20 115 76 81 85 115 161 64 255 45 0 0 105 170 47 0 0 255 9 179 82 49 81 0 0 0 54 8 1 1 8 26 30 23 0 33 55 30 115 79 83 87 118 136 85 27 0 0 0 18 241 70 9 1 1 9 53 51 40 0 77 98 153 67 98 38 80 82 51 140 137 141 145 252 235 234 A .acf Hv 13 52 F u (d) 12 99 F u (v) 11 43 F actor H olgura F actor C resta 10 30 F actor Im puls o F actor F orm a 9 0 S esgo 8 29 K urtosis 7 30 M in 6 26 M ax 5 1 R M S (p) 4 1 R M S (f) 3 1 L.P. ĩYS V OMIA 1 R M S (t) 2 1 M edia D .E standar gdzie x – wartoĞü symptomu, μ – Ğrednia wartoĞü dla symptomu, ı – odchylenie standardowe symptomu. Tabela 2. Normalizacja atrybutów (wybrane parametry) 34 0 151 64 28 158 85 47 0 0 0 0 153 173 37 0 255 0 28 147 213 109 12 0 255 0 179 118 46 0 255 0 28 210 106 109 0 105 0 0 54 0 0 0 33 37 90 153 91 57 97 0 0 0 27 59 255 10 1 1 10 229 235 221 192 255 220 104 170 235 179 102 117 134 17 24 0 255 34 170 227 38 0 36 121 128 105 39 153 27 43 67 0 0 0 45 61 11 1 1 11 242 255 255 255 234 224 70 150 255 166 60 75 91 11 17 0 255 34 204 255 30 42 36 146 255 104 255 127 42 66 255 0 0 45 146 33 12 1 1 12 202 204 209 170 200 212 77 61 204 153 69 80 94 10 14 0 255 34 170 170 36 0 36 121 64 105 39 179 36 38 20 0 0 0 45 13 1 1 13 202 204 203 170 188 252 71 17 204 153 54 67 82 12 13 0 255 34 153 170 40 21 36 109 42 66 0 0 0 45 247 33 14 1 1 14 255 245 238 213 240 236 78 153 245 128 70 78 88 13 19 0 255 34 255 255 36 42 36 182 64 109 42 66 0 0 0 68 233 33 0 9 105 49 179 45 9 153 0 28 33 33 42 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych 6. Algorytm wyboru symptomów 6.1. Generowanie zbioru ciĊü Tabela 3. Zbiór ciĊü L.p. Symptom Podział Granice podziału Tabela 4. Uporządkowany zbiór ciĊü Nazwa symptomu Symptom Podział Granice podziału Nazwa symptomu 1 1 2 39.5; 147.5 Media 3 3 8.0; 14.0; 20.0 RMS(f) 2 2 0 * RMS(t) 1 2 39.5; 147.5 Media 3 3 3 8.0; 14.0; 20.0 RMS(f) 6 2 11.0; 29.0 Min 4 4 0 * RMS(p) 7 2 61.5; 125.5 Kurtosis 5 5 0 * Max 29 2 77.5; 123.0 apdd(0,2*std) 6 6 2 11.0; 29.0 Min 10 1 95.5 Factor Forma 7 7 2 61.5; 125.5 Kurtosis 11 1 79.5 Factor Cresta 8 8 0 * Sesgo 12 1 130.5 Factor Impulso 9 9 0 * D.Estandar 15 1 167.5 Fu (d) 10 10 1 95.5 Factor Forma 22 1 95.5 T.xacf 11 11 1 79.5 Factor Cresta 31 1 34.0 f2 Bspec 12 12 1 130.5 Factor Impulso 35 1 43.0 A Bcohe 13 13 0 * Factor Holgura 2 0 * RMS(t) 14 14 0 * Fu (v) 4 0 * RMS(p) 15 15 1 167.5 Fu (d) 5 0 * Max 16 16 0 * Hv 8 0 * Sesgo 17 17 0 * T.acf 9 0 * D.Estandar 18 18 0 * F.acf 13 0 * Factor Holgura 19 19 0 * A.acf 14 0 * Fu (v) 20 20 0 * cov.acf 16 0 * Hv 21 21 0 * ruido 17 0 * T.acf 22 22 1 95.5 T.xacf 18 0 * F.acf 23 23 0 * F.xacf 19 0 * A.acf cov.acf 24 24 0 * A.xacf 20 0 * 25 25 0 * cov.xacf 21 0 * ruido 26 26 0 * Frecuencia.Coherencia 23 0 * F.xacf 27 27 0 * Amplitud.Coherencia 24 0 * A.xacf 28 28 0 * apd(2std) 25 0 * cov.xacf 29 29 2 77.5; 123.0 apdd(0,2*std) 26 0 * Frecuencia.Coherencia 30 30 0 * f1 Bspec 27 0 * Amplitud.Coherencia 31 31 1 34.0 f2 Bspec 28 0 * apd(2std) 32 32 0 * A Bspec 30 0 * f1 Bspec 33 33 0 * f1 Bcohe 32 0 * A Bspec 34 34 0 * f2 Bcohe 33 0 * f1 Bcohe 35 35 1 43.0 A Bcohe 34 0 * f2 Bcohe 36 36 0 * Wigner Ville(tiempo) 36 0 * Wigner Ville(tiempo) Zbiór cieü reprezentuje podział wartoĞci symptomu, przy czym moĪe to byü podział wartoĞci 43 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 na przedziały liczbowe za pomocą pojedynczych wartoĞci tego symptomu na rozłączne podzbiory [5][6]. Otrzymany zbiór ciĊü słuĪy do przeprowadzenia procesu dyskretyzacji tablicy i wyboru istotnych symptomów wykorzystywanych w procesie klasyfikacji stanu maszyny. 6.2. Dyskretyzacja tablicy symptomów Uzyskany w poprzednim kroku zbiór ciĊü tablicy symptomów (Tabela 3) porządkowany jest ze wzglĊdu na ich liczbĊ celem wyboru symptomów z najwiĊkszą liczbą ciĊü (Tabela 4). W kolejnym kroku dla tablicy z uporządkowanymi symptomami przeprowadzana jest dyskretyzacja wartoĞci ze wzglĊdu na liczby ciĊü dla poszczególnych symptomów. Przykładowy wynik dyskretyzacji tablicy symptomów (wybrane parametry) przedstawiono w Ttabeli 5. Tabela 5. Dyskretyzacja tablicy symptomów (wyprane parametry) L.P. ŁOĩYSKO V POMIAR 1 2 3 4 5 6 1 1 1 1 (-Inf,39.5) * (20.0,Inf) * * (29.0,Inf) 2 1 1 2 (-Inf,39.5) 3 1 1 3 (-Inf,39.5) 4 1 1 4 5 1 1 6 1 7 8 7 8 9 10 11 12 13 14 15 (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) * (14.0,20.0) * * (11.0,29.0) (61.5,125.5) * * (-Inf,95.5) (79.5,Inf) (-Inf,130.5) * * (-Inf,167.5) * (8.0,14.0) * * (11.0,29.0) (61.5,125.5) * * (-Inf,95.5) (79.5,Inf) (-Inf,130.5) * * (-Inf,167.5) (-Inf,39.5) * (8.0,14.0) * * (11.0,29.0) (61.5,125.5) * * (-Inf,95.5) (79.5,Inf) (-Inf,130.5) * * (-Inf,167.5) 5 (-Inf,39.5) * (14.0,20.0) * * * * (95.5,Inf) (79.5,Inf) (130.5,Inf) * * (167.5,Inf) 1 6 (-Inf,39.5) * (14.0,20.0) * * (11.0,29.0) (61.5,125.5) * * (95.5,Inf) (79.5,Inf) (-Inf,130.5) * * (-Inf,167.5) 1 1 7 (-Inf,39.5) * (14.0,20.0) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) 1 1 8 (-Inf,39.5) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) 9 1 1 9 (39.5,147.5) * (20.0,Inf) * * (29.0,Inf) * * (95.5,Inf) (79.5,Inf) (130.5,Inf) * * (167.5,Inf) 10 1 1 10 (147.5,Inf) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (79.5,Inf) (-Inf,130.5) * * (-Inf,167.5) 11 1 1 11 (147.5,Inf) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) 12 1 1 12 (147.5,Inf) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) 13 1 1 13 (147.5,Inf) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) 14 1 1 14 (147.5,Inf) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) 15 1 1 15 (147.5,Inf) * (20.0,Inf) * * (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (-Inf,79.5) (-Inf,130.5) * * (-Inf,167.5) (29.0,Inf) (61.5,125.5) * * (95.5,Inf) (125.5,Inf) (125.5,Inf) 6.3. Wybór symptomów Kolumny dla których nie wyznaczono ciĊü są odrzucane i w konsekwencji otrzymywany jest zdyskretyzowana tablica symptomów dla których wyznaczany jest nastĊpnie zbiór reduktów. Tabela 6. Zbiór reduktów L.P 1 2 3 4 5 6 7 ILOĝû 9 9 8 9 8 8 8 REDUKTY (nr symptomu) { " 1", " 3", " 6", " 7", " 10", " 12", " 29", " 31", " 35" } { " 1", " 3", " 6", " 7", " 10", " 22", " 29", " 31", " 35" } { " 1", " 3", " 6", " 10", " 11", " 12", " 15", " 31" } { " 1", " 3", " 6", " 10", " 11", " 12", " 29", " 31", " 35" } { " 1", " 3", " 6", " 10", " 11", " 15", " 22", " 31" } { " 1", " 3", " 6", " 10", " 11", " 22", " 29", " 31" } { " 1", " 3", " 6", " 10", " 11", " 22", " 31", " 35" } 44 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych 6.4. Wybór reguł klasyfikacyjnych NastĊpnie dla tablicy reduktów (Tabela 6) wyznaczane są reguły klasyfikacyjne (Tabela 7). Tabela 7. Reguły klasyfikacyjne L.p. L.w. 1 Reguła klasyfikacyjna 4 72.0,Inf)")&(" 7"="(91.0,Inf)")&(" 11"="(79.5,Inf)")&(" 14"="(-Inf,134.5)")&(" 22"="(31.5,Inf)")&(" 29"="(-Inf,123.0)")&(" 31"="(65.0,Inf)")&(" 36"="(115.0,Inf)")=>(" 3 2 4 2.0,Inf)")&(" 7"="(91.0,Inf)")&(" 11"="(79.5,Inf)")&(" 14"="(-Inf,134.5)")&(" 22"="(31.5,Inf)")&(" 29"="(-Inf,123.0)")&(" 31"="(-Inf,65.0)")&(" 36"="(115.0,Inf)")=>(" 3 3 3 2.0,Inf)")&(" 7"="(-Inf,91.0)")&(" 11"="(-Inf,79.5)")&(" 14"="(-Inf,134.5)")&(" 22"="(31.5,Inf)")&(" 29"="(-Inf,123.0)")&(" 31"="(65.0,Inf)")&(" 36"="(115.0,Inf)")=>(" 3 4 3 Inf,72.0)")&(" 7"="(91.0,Inf)")&(" 11"="(79.5,Inf)")&(" 14"="(134.5,Inf)")&(" 22"="(31.5,Inf)")&(" 29"="(-Inf,123.0)")&(" 31"="(65.0,Inf)")&(" 36"="(115.0,Inf)")=>(" 3 5 3 .0,Inf)")&(" 7"="(-Inf,91.0)")&(" 11"="(-Inf,79.5)")&(" 14"="(-Inf,134.5)")&(" 22"="(-Inf,31.5)")&(" 29"="(123.0,Inf)")&(" 31"="(-Inf,65.0)")&(" 36"="(-Inf,115.0)")=>(" 6 2 nf,72.0)")&(" 7"="(91.0,Inf)")&(" 11"="(-Inf,79.5)")&(" 14"="(-Inf,134.5)")&(" 22"="(31.5,Inf)")&(" 29"="(-Inf,123.0)")&(" 31"="(-Inf,65.0)")&(" 36"="(115.0,Inf)")=>(" 3 7 2 2.0,Inf)")&(" 7"="(-Inf,91.0)")&(" 11"="(-Inf,79.5)")&(" 14"="(-Inf,134.5)")&(" 22"="(-Inf,31.5)")&(" 29"="(-Inf,123.0)")&(" 31"="(65.0,Inf)")&(" 36"="(115.0,Inf)")=>(" 3 8 2 nf,72.0)")&(" 7"="(-Inf,91.0)")&(" 11"="(79.5,Inf)")&(" 14"="(134.5,Inf)")&(" 22"="(31.5,Inf)")&(" 29"="(-Inf,123.0)")&(" 31"="(65.0,Inf)")&(" 36"="(115.0,Inf)")=>(" 3 9 2 nf,72.0)")&(" 7"="(-Inf,91.0)")&(" 11"="(-Inf,79.5)")&(" 14"="(134.5,Inf)")&(" 22"="(31.5,Inf)")&(" 29"="(123.0,Inf)")&(" 31"="(65.0,Inf)")&(" 36"="(-Inf,115.0)")=>(" 3 7. Wybór modeli Po stworzeniu reguł klasyfikacyjnych moĪna przystąpiü do budowy modelu (rys. 5–7) opisującego ewolucjĊ uszkodzenia dla badanego obiektu. UmoĪliwia to kompleksowe rozpoznawanie stanu maszyny przez pokładowe lub stacjonarne systemy diagnostyczne działające na podstawie opisanego algorytmu. Rysunek 5. Model liniowy symptomu Asr (obiekt Sil24_d2) 45 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 Rysunek 6. Model potĊgowy symptomu Xsz (obiekt Sil24_d2) Rysunek 7. Model ekspotencjalny symptomu Xsz (obiekt Sil24_d2) Dla wybranych symptomów za pomocą zaproponowanego algorytmu (rozdział 6) wyznaczono 46 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych modele potĊgowe i ekspotencjalne symptomów Asr, Xsz, Asz, Ask, dla obiektu Sil24_d2 (Tabela 8). Tabela 8. Modele potĊgowe i ekspotencjalne wybranych symptomów obiektu Sil24_d2 Symptom Model potĊgowy Model ekspotencjalny WartoĞci graniczne Asr_Sil24_d2 4.89491*x.^0.146727168 18.0803*exp(1.9551414E-6.*x) 50 Xsz_Sil24_d2 0.14341*x.^0.071569542 0.26399*exp(1.7536301E-6.*x) 5 Asz_Sil24_d2 24.05980*x.^0.132450920 77.03300*exp(1.8367322E-6.*x) 200 Ask_Sil24_d2 7.02050*x.^0.147649869 25.7803*exp(2.0315695E-6.*x) 69 Rysunek 8. Model potĊgowy symptomów Asr, Xsz, Asz, Ask dla obiektu Sil24_d2 47 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 Rysunek 9. Model ekspotencjalny symptomów Asr, Xsz, Asz, Ask dla obiektu Sil24_d2 Rysunek 10. Znormalizowany wzglĊdem wartoĞci granicznych model potĊgowy symptomów Asr, Xsz, Asz, Ask dla obiektu Sil24_d2 48 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych Rysunek 11. Znormalizowany wzglĊdem wartoĞci granicznych model ekspotencjalny symptomów Asr, Xsz, Asz, Ask dla obiektu Sil24_d2 Rysunek 12.Model potĊgowy obiektu Sil24_d2 49 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 Rysunek 13.Model ekspotencjalny obiektu Sil24_d2 Na podstawie wyznaczonego modelu Sil24_d2 (rys. 12–13) moĪna okreĞliü miejsce osiągniĊcia wartoĞci granicznej (rys. 14–15). Rysunek 14. OsiągniĊcie wartoĞci granicznej dla obiektu Sil24_d2 – model potĊgowy 50 Rafał Boniecki, Mirosław Miciak Algorytm wspierający proces podejmowania decyzji o stanie obiektu z wykorzystaniem sygnałów wibroakustycznych Rysunek 15. OsiągniĊcie wartoĞci granicznej dla obiektu Sil24_d2 – model ekspotencjalny 8. Podsumowanie W artykule przedstawiono propozycjĊ algorytmu moĪliwego do zastosowania w aplikacji z wykorzystaniem Javy oraz technologii ORM (ang. Object – relational mapping). Celem aplikacji jest wspieranie procesu podejmowania decyzji o stanie obiektu technicznego na podstawie sygnałów wibroakustycznych. Aplikacja powinna umoĪliwiaü komunikacjĊ pomiĊdzy komputerami, niezaleĪnie od posiadanej platformy sprzĊtowej i systemowej. Program zostanie napisany w jĊzyku Java, z wykorzystaniem biblioteki graficznej Swing. Jako bazĊ danych, przechowującą obiekty trwałoĞci wybrano silnik FirebirdSQL, a komunikacja i generowanie zapytaĔ pomiĊdzy aplikacją i bazą danych odbywaü siĊ bĊdzie za pomocą framework'a Hibernate 51 Studies & Proceedings of Polish Association for Knowledge Management Nr 47, 2011 Bibliografia 1. Hibernate Query Language – jĊzyk zapytaĔ Hibernate (http://download.oracle.com/javaee/5/ tutorial/doc/bnbuf.html). 2. Structured Query Language – strukturalny jĊzyk zapytaĔ u Īywany do tworzenia, modyfikowania baz danych, oraz do umieszczania i pobierania danych z bazy (http://pl.wikipedia.org). 3. Java DataBase Connectivity – łącze do baz danych w jĊzyku Java (http://www.oracle.com/ technetwork/java/javase/jdbc/index.html). 4. JPA – oficjalny standard mapowania obiektowo-relacyjnego (ORM) (http://www.objectdb.com/java/jpa/query). 5. J. Bazan, M. Szczuka, J. Wróblewski (2002): A New Version of Rough Set Exploration System, Lecture Notes in Artificial Intelligence 2475, s. 397–404, Berlin, Heidelberg: Springer-Verlag. 6. J. Bazan, M. Szczuka, A. Wojna, M. Wojnarski (2004): On Evolution of Rough Set Exploration System, Lecture Notes in Artificial Intelligence 3066, 592–601, Berlin, Heidelberg: Springer-Verlag. THE ALGORITHM OF SUPPORTING THE DECISION ON THE STATE OF THE OBJECT USING VIBROACOUSTIC SIGNALS Summary In this paper we proposes an algorithm for applications using Java technology and ORM (Object – relational mapping). The main objective is to promote the application of decision-making on the state of technical facility on the basis of vibroacoustic Keywords: JAVA, Firebird, Hibernate, ORM, reduction diagnostic information Rafał Boniecki Mirosław Miciak Roman Wiatr Zakład InĪynierii Poczty Wydział Telekomunikacji i Elektrotechniki Uniwersytet Technologiczno-Przyrodniczy w Bydgoszczy ul. Kordeckiego 20, 85-225 Bydgoszcz e-mail: [email protected] mirosł[email protected] [email protected]