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:
ƒ Pełna obsługa procedur wbudowanych oraz wyzwalaczy;
ƒ Pełna obsługa transakcji ACID;
ƒ IntegralnoĞü danych (ang. Referential Integrity);
ƒ Obsługa wielu wersji tego samego rekordu (ang. Multi Generational Architecture);
ƒ Nie wymaga specjalnego Ğrodowiska do działania;
ƒ W pełni rozwiniĊty wewnĊtrzny jĊzyk dla procedur wbudowanych oraz wyzwalaczy
(PSQL);
ƒ MoĪliwoĞü korzystania z zewnĊtrznych bibliotek funkcji (UDF);
ƒ Praktycznie nie wymaga obsługi przez wyspecjalizowanych administratorów; – Niemal
w ogóle nie wymaga konfigurowania;
ƒ 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;
ƒ Wiele narzĊdzi, miĊdzy innymi graficzne narzĊdzia do administrowania, narzĊdzia do
replikacji i inne;
ƒ 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;
ƒ Wersje dla wszystkich najwaĪniejszych systemów operacyjnych, włączając Windows,
Linux, Solaris, Mac Os, HP_UX i FreeBSD;
ƒ Przyrostowe kopie bezpieczeĔstwa (ang. Incremental Backups);
ƒ DostĊpne wersje 64-bitowe;
ƒ Pełna implementacja kursorów w PSQL;
ƒ Tabele monitorujące;
ƒ Wyzwalacze dla połączeĔ oraz transakcji;
ƒ Tabele tymczasowe;
ƒ TraceAPI – monitorowanie działania serwera.
Baza danych Firebird ze wzglĊdu na dostĊpnoĞü i ciągły rozwój przez uĪytkowników pozwoliła na jej wybór przy wykonywaniu aplikacji.
ƒ
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:
ƒ Wsparcie dla stylu programowania odpowiedniego dla Javy (obsługa asocjacji,
kompozycji, dziedziczenia, polimorfizmu, kolekcji);
ƒ Wysoka wydajnoĞü i skalowalnoĞü (m.in. update tylko dla zmodyfikowanych obiektów
i kolumn);
ƒ Wiele sposobów wydawania zapytaĔ: HQL [1], natywny SQL [2], zapytania przez obiekty
Javy: Criteria i Example;
ƒ Wykorzystuje siłĊ technologii relacyjnych baz danych, SQL, JDBC [3];
ƒ Hibernate implementuje jĊzyk zapytaĔ i persistence API [4] z EJB 3.0;
ƒ 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]