Döntési fák alkalmazási lehetőségei technológiai rendszerek működtetési tartományainak diagnosztikai célú leírására
Kulcsszavak:
döntési fa, szakértői rendszer, heterokatalitikus reaktorAbsztrakt
Az ipari gyakorlatban használt folyamatirányító rendszerek fejlesztésében törekednek arra, hogy a lehető legjobban kihasználják a technológiai folyamat nyújtotta lehetőségeket. Az optimális üzemeltetési körülmények már a fizikai és kémiai törvények által meghatározott korlátokat közelítik, így egyre fontosabbá válik olyan szakértői rendszerek kidolgozása, amelyek segítik az operátorokat a termelő technológiák eme szűk üzemeltetési tartományban történő működtetésében, a rendszerben előforduló hibák detektálásában, a hibaforrások feltárásában, illetve előrejelzésében, megelőzve esetleg azok kialakulását. A tanulmány célja egy olyan új megközelítésmód bemutatása, amely alkalmas a technológia modelljén alapulva, döntési fák alkalmazásával az üzemeltetés szempontjából lényeges hibaforrások kialakulási okainak feltárására, izolálására. Az így megszerzett szabály alapú ismeretek rendszerezésével egy az operátor döntését segítő szakértői rendszer kidolgozására nyílik lehetőség. A javasolt megközelítésmódot egy heterokatalitikus reaktor üzemeltetését támogatandó információk kezelésével kapcsolatos vizsgálatok sorozatán keresztül mutatjuk be, rávilágítva arra, hogy a gépi tanulás eszközei, pl. döntési fák, miként alkalmazhatók a különböző szimulátorokból kinyerhető információk összesítésében, és könnyen értelmezhető, illetve kezelhető formában történő reprezentálásában.
Hivatkozások
Abonyi, J. (2005). Adatbányászat – a hatékonysága eszköze. ComputerBooks kiadó, 12–34.
Abonyi, J., Roubos, J. A., Szeifert, F. (2003). Data-driven generation of compact, accurate, and linguistically sound fuzzy classifier based on decision-tree initialization. International Journal of Approximate Reasoning, 32(1), 1–21. https://doi.org/10.1016/S0888-613X(02)00076-2
Gugliya, J. K., Gudi, R. D., Lakshminarayanan, S. (2005). Multi-model decomposition of nonlinear dynamics using a fuzzy-CART approach. Journal of Process Control, 15(4), 417–434. https://doi.org/10.1016/j.jprocont.2004.07.004
Han, J., Kimber, M. (2000). Data Mining: concepts and techniques. Chapter 7, Morgan Kaufman, 279–334.
Johansen, T. A., Foss, B. A. (1997). Operating regime based process modeling and identification. Computers and Chemical Engineering, 21(2), 159–176. https://doi.org/10.1016/0098-1354(95)00260-X
Németh, E., Cameron, I. T., Hangos, K. M. (2004). Diagnostic goal driven modelling and simulation of multiscale process systems. Computers and Chemical Engineering, 29. 783–796. https://doi.org/10.1016/j.compchemeng.2004.09.010
Rodriguez, J. A., Romagnoli, J. A., Goodwin, G. C. (2003). Supervisory multiple regime control. Journal of Process Control, 13(2), 177–191. https://doi.org/10.1016/S0959-1524(02)00004-5
Varga, T., Abonyi, J., Szeifert, F. (2006). Heterokatalitikus reaktorok vizsgálata. Acta Agraria Kaposváriensis, 10(3), 121–135.
Venkatasubramanian, V. (2005). Prognostic and diagnostic monitoring of complex systems for product lifecycle management: Challenges and opportunities, Computers and Chemical Engineering, 29(6) 1253–1263. https://doi.org/10.1016/j.compchemeng.2005.02.026
Letöltések
Megjelent
Folyóirat szám
Rovat
License
Copyright (c) 2007 Varga Tamás, Abonyi János, Szeifert Ferenc
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
