عنوان پایان‌نامه
تشخیص عیب در فرایند های صنعتی با رویکرد نظریه ی ترکیب داده
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2483;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 63912
- تاریخ دفاع
- ۳۱ خرداد ۱۳۹۳
- دانشجو
- محمد توکلی نیا
- چکیده
- در این پایان‌نامه به منظور بهبود دقت و صحت آشکارسازی و تشخیص عیب در فرایندهای صنعتی از نظریه‌ی ترکیب داده و روش‌های مرتبط با آن استفاده می‌شود. با در نظر گرفتن مسئله‌ی آشکارسازی و تشخیص عیب به عنوان یک مسئله‌ی طبقه‌بندی می‌توان از روش‌های ترکیب طبقه‌بند استفاده کرد. هر کدام از روش‌های ترکیب با توجه به ویژگی‌های خاص خود، توان بهبود دقت و صحت را تا حد مشخصی دارند. روش‌هایی که برای ساخت شورای طبقه‌بندها استفاده می‌شوند نیز به عنوان یکی از موضوعات مهم مطرح‌شده در زمینه‌ی ترکیب طبقه‌بندها در این پایان‌نامه مورد بررسی قرار می‌گیرند و نتایج آنها با هم مقایسه می‌شوند. روش‌های ساخت شورای طبقه‌بندها با ایجاد گوناگونی در طبقه‌بندهای پایه و استفاده از روش‌های ترکیب داده به بهبود عملکرد سیستم طبقه‌بندی‌کننده می‌پردازند. در این پژوهش توسعه‌هایی برای روش جنگل دوران که از روش‌های نوین ساخت شورای طبقه‌بندها است ارائه می‌گردد. این روش با استفاده از PCA یک ماتریس دوران ایجاد می‌کند و به کمک آن نمونه‌های آموزش را در فضای ویژگی دوران می‌دهد. در یک مسئله‌ی تشخیص عیب نمونه‌ها مقادیر نمونه‌برداری‌شده در طول زمان هستند. بنابراین می‌توان از DPCA برای ساخت ماتریس دوران استفاده نمود. روش DPCA با استفاده از نمونه‌های قبلی همبستگی‌های زمانی را نیز در نظر می‌گیرد. همچنین با استفاده از روش‌های دیگری مانند ICA، LDA و یا بردارهای ویژه می‌توان به ساخت ماتریس دوران مبادرت ورزید. شبیه‌سازی‌ها نتایج رضایت‌بخش‌تری را با استفاده از LDA نشان داده‌اند. واژه‌های کلیدی: آشکارسازی و تشخیص عیب، ترکیب داده، ترکیب طبقه‌بندها، شورای طبقه‌بندها، جنگل دوران، تحلیل پویای اجزای اصلی (DPCA)، تحلیل جداکنندگی خطی (LDA).
- Abstract
- In this thesis, data fusion theory and related methods are used in order to improve the accuracy of fault detection and diagnosis for industrial processes. By Considering fault detection and diagnosis as a classification problem, we can use classifier fusion and combining methods. The improvement of accuracy depends on properties of each fusion method and data set used for classification purposes. As an important field of study in classifier fusion, classifier ensembles are also reviewed and the corresponding results are compared. By introducing diversity concept in base classifiers and using corresponding fusion methods, provided classifier ensembles tend to improve performance of a classification system. In this research work, the Rotation Forest approach as a new classifier ensemble method is developed. This algorithm uses PCA for building a rotation matrix and rotates the training samples in feature space. The samples in a fault diagnosis problem are usually time interval data points. Therefore, we can use Dynamic PCA to build the rotation matrix. Dynamic PCA considers previous samples to capture time correlations. The rotation matrix could be built with other methods such as LDA, ICA and eigenvectors. The simulations have shown more satisfied results using LDA method. Keywords: Fault Detection and Diagnosis, Data Fusion, Classifier Fusion, Classifier Ensembles, Rotation Forest, Dynamic Principal Component Analysis (DPCA), Linear Discriminant Analysis (LDA).
