Trend-Based Dynamic Classification for on-line Diagnosis of Time-Varying Dynamic Systems - Archive ouverte HAL Accéder directement au contenu
Communication Dans Un Congrès Année : 2015

Trend-Based Dynamic Classification for on-line Diagnosis of Time-Varying Dynamic Systems

Clasificación dinámica basada en extracción de tendencias para el diagnóstico en línea de sistemas variantes en el tiempo

Classification dynamique basée sur tendances pour le diagnostic en ligne de systèmes dynamiques variables dans le temps

Résumé

Nowadays systems must adapt to rapidly changing environments and must show behaviour that evolve with time. On the other hand they are intensively monitored so that huge amounts of data are generally collected and available for further analysis. Data-driven diagnosis systems must hence face new challenges, in particular be supported by efficient classification algorithms that adapt the targeted model (or classifier) to the evolution of the system and be able to scale to big data. In this paper, a proposal which couples a dynamic clustering method with an on-line trend extraction algorithm that works incrementally on the incoming data is presented. The dynamic clustering method is based on micro-clusters that may drift, merge and split, hence following the evolution of the system. The trend extraction method applies to individual signals and generates a compact abstraction in the form of episodes. The episodes of all signals are then put together to feed the dynamic clustering method. This approach allows data reduction and makes it suitable for on-line data analysis and diagnosis in real-time and low-memory requirements. The proposed algorithm is tested successfully on a continuous stirred tank heater benchmark suffering faults with varying magnitude.
Los sistemas de hoy en día deben adaptarse a entornos que cambian rápidamente y deben mostrar un comportamiento que evoluciona con el tiempo. Además, dichos sistemas son intensamente monitoreados por lo cual, en general, grandes cantidades de datos sobre su funcionamiento son recolectadas y están disponibles para un análisis posterior. Debido a este hecho, los sistemas de diagnóstico basados ​​en datos deben enfrentar nuevos desafíos, en particular, apoyarse en algoritmos de clasificación eficientes que adapten el modelo de seguimiento (o clasificador) a la evolución del sistema y ser capaz de escalar a grandes cantidades de datos. En este trabajo, una propuesta que acopla un método de clustering dinámico con un algoritmo de extracción de tendencias en línea y que procesa de forma incremental los datos de entrada es presentada. El método de clustering dinámico se basa en micro-grupos (micro-clusters) que pueden moverse, fusionarse o partirse, permitiendo así el seguimiento de la evolución del sistema. El método de extracción tendencias se aplica a cada señal de entrada de forma individual y genera una abstracción compacta en forma de lo que nosotros llamamos episodios. Los episodios de todas las señales se agrupan luego en vectores que serán los datos de entrada del algoritmo de clustering dinámico. Este enfoque permite reducción de datos lo que lo hace adecuado para el análisis de datos en línea y el diagnóstico en tiempo real sin necesitar grandes cantidades de memoria. El algoritmo propuesto se probó con éxito en el modelo del calentador de tanque continuamente agitado, induciendo fallas de diferentes magnitudes.
Fichier principal
Vignette du fichier
0303.pdf (1.19 Mo) Télécharger le fichier
Origine : Fichiers éditeurs autorisés sur une archive ouverte
Loading...

Dates et versions

hal-01205313 , version 1 (25-09-2015)

Identifiants

  • HAL Id : hal-01205313 , version 1

Citer

Nathalie Andrea Barbosa Roa, Louise Travé-Massuyès, Victor Hugo Grisales Palacio. Trend-Based Dynamic Classification for on-line Diagnosis of Time-Varying Dynamic Systems. 9th IFAC Symposium on Fault Detection, Supervision and Safety of Technical Processes, IFAC, Sep 2015, Paris, France. ⟨hal-01205313⟩
205 Consultations
349 Téléchargements

Partager

Gmail Facebook X LinkedIn More