Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Machine learning" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-15 z 15
    Tytuł:
    Gearbox faults feature selection and severity classification using machine learning
    Autorzy:
    Zuber, Ninoslav
    Bajrić, Rusmir
    Powiązania:
    https://bibliotekanauki.pl/articles/1841932.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gearbox fault
    vibration analysis
    machine learning
    Opis:
    The most widely used technique for gearbox fault diagnosis is still vibration analysis. The need for gearbox condition monitoring in an automated process is essential and there is still a problem with the selection of features that best describe a fault or its severity level. For this purpose, multiple-domain vibration signals statistic features are extracted through time and frequency domain by postprocessing of raw time signal, time-synchronous average signal, frequency spectra and cepstrum. Five different datasets are considered with different levels of fault analyzing gear chipped and a missing tooth, gear root crack, and gear tooth wear under stable running speed and load. A preliminary experimental study of a single stage test bench gearbox was performed in order to test feature sensitivity to type and level of fault in the process of clustering and classification. Selected features were finally processed using an artificial neural network classifier.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 4; 748-756
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A comprehensive study on the application of firefly algorithm in prediction of energy dissipation on block ramps
    Autorzy:
    Mahdavi-Meymand, Amin
    Sulisz, Wojciech
    Zounemat-Kermani, Mohammad
    Powiązania:
    https://bibliotekanauki.pl/articles/2087026.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    firefly algorithm
    machine learning
    energy dissipation
    block ramp
    Opis:
    In this study novel integrative machine learning models embedded with the firefly algorithm (FA) were developed and employed to predict energy dissipation on block ramps. The used models include multi-layer perceptron neural network (MLPNN), adaptive neuro-fuzzy inference system (ANFIS), group method of data handling (GMDH), support vector regression (SVR), linear equation (LE), and nonlinear regression equation (NE). The investigation focused on the evaluation of the performance of standard and integrative models in different runs. The performances of machine learning models and the nonlinear equation are higher than the linear equation. The results also show that FA increases the performance of all applied models. Moreover, the results indicate that the ANFIS-FA is the most stable integrative model in comparison to the other embedded methods and reveal that GMDH and SVR are the most stable technique among all applied models. The results also show that the accuracy of the LE-FA technique is relatively low, RMSE=0.091. The most accurate results provide SVR-FA, RMSE=0.034.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 2; 200--210
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Application of machine learning and rough set theory in lean maintenance decision support system development
    Autorzy:
    Antosz, Katarzyna
    Jasiulewicz-Kaczmarek, Małgorzata
    Paśko, Łukasz
    Zhang, Chao
    Wang, Shaoping
    Powiązania:
    https://bibliotekanauki.pl/articles/2038009.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    lean maintenance
    availability
    machine learning
    decision trees
    rough set theory
    Opis:
    Lean maintenance concept is crucial to increase the reliability and availability of maintenance equipment in the manufacturing companies. Due the elimination of losses in maintenance processes this concept reduce the number of unplanned downtime and unexpected failures, simultaneously influence a company’s operational and economic performance. Despite the widespread use of lean maintenance, there is no structured approach to support the choice of methods and tools used for the maintenance function improvement. Therefore, in this paper by using machine learning methods and rough set theory a new approach was proposed. This approach supports the decision makers in the selection of methods and tools for the effective implementation of Lean Maintenance.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 4; 695-708
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Using an LSTM network to monitor industrial reactors using electrical capacitance and impedance tomography - a hybrid approach
    Autorzy:
    Kłosowski, Grzegorz
    Rymarczyk, Tomasz
    Niderla, Konrad
    Kulisz, Monika
    Skowron, Łukasz
    Soleimani, Manuchehr
    Powiązania:
    https://bibliotekanauki.pl/articles/24200815.pdf
    Data publikacji:
    2023
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    electrical tomography
    industrial system
    process control
    LSTM networks
    machine learning
    Opis:
    The article presents a new concept for monitoring industrial tank reactors. The presented concept allows for faster and more reliable monitoring of industrial processes, which increases their reliability and reduces operating costs. The innovative method is based on electrical tomography. At the same time, it is non-invasive and enables the imaging of phase changes inside tanks filled with liquid. In particular, the hybrid tomograph can detect gas bubbles and crystals formed during industrial processes. The main novelty of the described solution is the simultaneous use of two types of electrical tomography: impedance and capacitance. Another novelty is the use of the LSTM network to solve the tomographic inverse problem. It was made possible by taking the measurement vector as a data sequence. Research has shown that the proposed hybrid solution and the LSTM algorithm work better than separate systems based on impedance or capacitance tomography.
    Źródło:
    Eksploatacja i Niezawodność; 2023, 25, 1; art. no. 11
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Degradation assessment of bearing based on machine learning classification matrix
    Autorzy:
    Kumar, Satish
    Kumar, Paras
    Kumar, Girish
    Powiązania:
    https://bibliotekanauki.pl/articles/1841739.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    degradation state
    health condition indicator
    machine learning
    diagnostic model
    prognostic model
    Opis:
    In the broad framework of degradation assessment of bearing, the final objectives of bearing condition monitoring is to evaluate different degradation states and to estimate the quantitative analysis of degree of performance degradation. Machine learning classification matrices have been used to train models based on health data and real time feedback. Diagnostic and prognostic models based on data driven perspective have been used in the prior research work to improve the bearing degradation assessment. Industry 4.0 has required the research in advanced diagnostic and prognostic algorithm to enhance the accuracy of models. A classification model which is based on machine learning classification matrix to assess the degradation of bearing is proposed to improve the accuracy of classification model. Review work demonstrates the comparisons among the available state-of-the-art methods. In the end, unexplored research technical challenges and niches of opportunity for future researchers are discussed.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 2; 395-404
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    An attempt at applying machine learning in diagnosing marine ship engine turbochargers
    Autorzy:
    Adamkiewicz, Andrzej
    Nikończuk, Piotr
    Powiązania:
    https://bibliotekanauki.pl/articles/2200936.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    machine learning
    compressor diagnosis
    marine ship engine
    operational decision
    neural
    network
    Opis:
    The article presents a diagnosis of turbochargers in the supercharging systems of marine engines in terms of maintenance decisions. The efficiency of turbocharger rotating machines was defined. The operating parameters of turbocharging systems used to monitor the correct operation and diagnose turbochargers were identified. A parametric diagnostic test was performed. Relationships between parameters for use in machine learning were selected. Their credibility was confirmed by the results of the parametric test of the turbocharger system and the main engine, verified by the coefficient of determination. A particularly good fit of the describing functions was confirmed. As determinants of the technical condition of a turbocharger, the relationship between the rotational speed of the engine shaft, the turbocharger rotor assembly and the charging air pressure was assumed. In the process of machine learning, relationships were created between the rotational speed of the engine shaft and the boost pressure, and the indicator of the need for maintenance. The accuracy of the maintenance decisions was confirmed by trends in changes in the efficiency of compressors.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 4; 795--804
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Engine valve clearance diagnostics based on vibration signals and machine learning methods
    Diagnostyka luzu zaworów silnika spalinowego z wykorzystaniem sygnału drganiowego i metod uczenia maszynowego
    Autorzy:
    Tabaszewski, Maciej
    Szymański, Grzegorz. M.
    Powiązania:
    https://bibliotekanauki.pl/articles/1365185.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    combustion engine
    diagnostics
    vibration
    machine learning
    silnik spalinowy
    diagnostyka
    drgania
    uczenie maszynowe
    Opis:
    A dynamic advancement of the design of combustion engines generates a necessity of introduction of strategies of operation based on the information related to their technical condition. The paper analyzes problems related to vibration based diagnostics of valve clearance of a piston combustion engine, significant in terms of its efficiency and durability. Methods of classification have been proposed for the assessment of the valve clearance. Experiments have been performed and described that aimed at providing information necessary to develop and validate the proposed methods. In the performed investigations, the vibration signals were obtained from a triaxial accelerometer located in the engine cylinder head. A parameterization of the obtained vibration signal has been carried out for the engine operating under different engine loads, rotation speeds and valve clearance settings. The parameterization pertained to the specific features of the vibration signals, the derivative of the vibration signal as a function of time as well as the envelope of this derivative. In the first approach, the authors developed a classifier in the form of a set of binary trees that additionally allowed distinguishing the features significant in terms of the identification of adopted classes. For comparison, the authors also developed classifiers in the form of a neural network as well as a k-nearest neighbors algorithm using the Euclidean metric. Based on the performed investigations and analyses a method of valve clearance assessment has been proposed.
    Dynamiczny rozwój konstrukcji silników spalinowych generuje potrzebę wprowadzenia strategii eksploatacji jednostek napędowych, opartej na znajomości ich stanu technicznego. W artykule poddano analizie zagadnienia, związane z drganiową diagnostyką luzu zaworów tłokowego silnika spalinowego, istotnego ze względu na efektywność pracy silnika i jego trwałość. Zaproponowano wykorzystanie metod klasyfikacji do oceny poprawności luzu zaworowego. Przeprowadzono i opisano eksperymenty, które miały na celu dostarczenie informacji koniecznych do zbudowania i zweryfikowania zaproponowanych metod. W przeprowadzonych badaniach pozyskano sygnały drganiowe z trójosiowego czujnika przyspieszeń drgań zlokalizowanego na głowicy silnika. Dokonano parametryzacji uzyskanych przebiegów czasowych sygnału drganiowego dla silnika pracującego pod różnym obciążeniem, z różnymi prędkościami obrotowymi oraz z różnymi luzami zaworowymi. Parametryzacja dotyczyła zarówno cech sygnału przyspieszeń drgań, pochodnej przyspieszeń drgań względem czasu jak i obwiedni tej pochodnej. W pierwszym podejściu zbudowano klasyfikator w postaci zbioru drzew binarnych, który przy okazji pozwolił na wyodrębnienie istotnych, ze względu na przyjęte klasy, cech. Dla porównania zbudowano także klasyfikatory w postaci sieci neuronowej jak i algorytmu k – najbliższych sąsiadów z metryką euklidesową. Na podstawie przeprowadzonych badań i analiz zaproponowano metodę oceny luzu zaworowego.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 2; 331-339
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Predictive modelling of turbofan engine components condition using machine and deep learning methods
    Autorzy:
    Matuszczak, Michał
    Żbikowski, Mateusz
    Teodorczyk, Andrzej
    Powiązania:
    https://bibliotekanauki.pl/articles/1841686.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    reliability
    prognostics
    deep learning
    machine learning
    gas turbine
    turbofan engine
    neural network
    condition-based maintenance
    Opis:
    The article proposes an approach based on deep and machine learning models to predict a component failure as an enhancement of condition based maintenance scheme of a turbofan engine and reviews currently used prognostics approaches in the aviation industry. Component degradation scale representing its life consumption is proposed and such collected condition data are combined with engines sensors and environmental data. With use of data manipulation techniques, a framework for models training is created and models' hyperparameters obtained through Bayesian optimization. Models predict the continuous variable representing condition based on the input. Best performed model is identified by detemining its score on the holdout set. Deep learning models achieved 0.71 MSE score (ensemble meta-model of neural networks) and outperformed significantly machine learning models with their best score at 1.75. The deep learning models shown their feasibility to predict the component condition within less than 1 unit of the error in the rank scale.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 2; 359-370
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Useful energy prediction model of a Lithium-ion cell operating on various duty cycles
    Autorzy:
    Burzyński, Damian
    Powiązania:
    https://bibliotekanauki.pl/articles/2087015.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    cycle life modelling
    lithium-ion battery
    machine learning
    predictive models
    useful energy prediction
    Opis:
    The paper deals with the subject of the prediction of useful energy during the cycling of a lithium-ion cell (LIC), using machine learning-based techniques. It was demonstrated that depending on the combination of cycling parameters, the useful energy (RUEc) that can be transferred during a full cycle is variable, and also three different types of evolution of changes in RUEc were identified. The paper presents a new non-parametric RUEc prediction model based on Gaussian process regression. It was proven that the proposed methodology enables the RUEc prediction for LICs discharged, above the depth of discharge, at a level of 70% with an acceptable error, which is confirmed for new load profiles. Furthermore, techniques associated with explainable artificial intelligence were applied to determine the significance of model input parameters – the variable importance method – and to determine the quantitative effect of individual model parameters (their reciprocal interaction) on RUEc – the accumulated local effects model of the first and second order.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 2; 317--329
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Innovative methods of neural reconstruction for tomographic images in maintenance of tank industrial reactors
    Nowatorskie metody neuronowej rekonstrukcji obrazów tomograficznych w eksploatacji zbiornikowych reaktorów przemysłowych
    Autorzy:
    Rymarczyk, Tomasz
    Kłosowski, Grzegorz
    Powiązania:
    https://bibliotekanauki.pl/articles/1365287.pdf
    Data publikacji:
    2019
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    electrical tomography
    industrial processes
    process control
    neural networks
    machine learning
    tomografia elektryczna
    procesy przemysłowe
    sterowanie procesami
    sieci neuronowe
    uczenie maszynowe
    Opis:
    The article presents an innovative concept of improving the monitoring and optimization of industrial processes. The developed method is based on a system of many separately trained neural networks, in which each network generates a single point of the output image. Thanks to the elastic net method, the implemented algorithm reduces the correlated and irrelevant variables from the input measurement vector, making it more resistant to the phenomenon of data noises. The advantage of the described solution over known non-invasive methods is to obtain a higher resolution of images dynamically appearing inside the reactor of artifacts (crystals or gas bubbles), which essentially contributes to the early detection of hazards and problems associated with the operation of industrial systems, and thus increases the efficiency of chemical process control.
    W artykule przedstawiono nowatorską koncepcję usprawnienia monitoringu i optymalizacji procesów przemysłowych. Opracowana metoda bazuje na systemie osobno wytrenowanych wielu sieci neuronowych, w którym każda sieć generuje pojedynczy punkt obrazu wyjściowego. Dzięki zastosowaniu metody elastic net zaimplementowany algorytm redukuje z wejściowego wektora pomiarowego zmienne skorelowane i nieistotne, czyniąc go bardziej odpornym na zjawisko zaszumienia danych. Przewagą opisywanego rozwiązania nad znanymi metodami nieinwazyjnymi jest uzyskanie wyższej rozdzielczości obrazów dynamicznie pojawiających się wewnątrz reaktora artefaktów (kryształów lub pęcherzy gazowych), co zasadniczo przyczynia się do wczesnego wykrycia zagrożeń i problemów związanych z eksploatacją systemów przemysłowych, a tym samym zwiększa efektywność sterowania procesami chemicznymi.
    Źródło:
    Eksploatacja i Niezawodność; 2019, 21, 2; 261-267
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Industrial gas turbine operating parameters monitoring and data-driven prediction
    Monitorowanie oraz bazująca na danych predykcja parametrów roboczych przemysłowej turbiny gazowej
    Autorzy:
    Pawełczyk, Maciej
    Fulara, Szymon
    Sepe, Marzia
    De Luca, Alessandro
    Badora, Maciej
    Powiązania:
    https://bibliotekanauki.pl/articles/1841865.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    gas turbine
    machine learning
    data-driven prediction
    HP recoup pressure analysis
    turbina gazowa
    uczenie maszynowe
    predykcja bazująca na danych
    analiza pomiarów ciśnienia sprężarki
    Opis:
    The article reviews traditional and modern methods for prediction of gas turbine operating characteristics and its potential failures. Moreover, a comparison of Machine Learning based prediction models, including Artificial Neural Networks (ANN), is presented. The research focuses on High Pressure Compressor (HPC) recoup pressure level of 4th generation LM2500 gas generator (LM2500+G4) coupled with a 2-stage High Speed Power Turbine Module. The researched parameter is adjustable and may be used to balance net axial loads exerted on thrust bearing to ensure stable gas turbine operation, but its direct measurement is technically difficult implicating the need to indirect measurement via set of other gas turbine sensors. Input data for the research have been obtained from BHGE manufactured and monitored gas turbines and consists of real-time data extracted from industrial installations. Machine learning models trained using the data show less than 1% Mean Absolute Percentage Error (MAPE) as obtained with the use of Random Forest and Gradient Boosting Regression models. Multilayer Perceptron Artificial Neural Networks (MLP ANN) models are reviewed, and their performance checks inferior to Random Forest algorithm-based model. The importance of hyperparameter tuning and feature engineering is discussed.
    W artykule przedstawiono przegląd klasycznych i aktualnych metod przewidywania parametrów operacyjnych oraz potencjalnych usterek turbin gazowych. Dodatkowo zaprezentowano porównanie wybranych modeli opartych o uczenie maszynowe, w tym modeli wykorzystujące sztuczne sieci neuronowe. Przeprowadzone badania dotyczyły analiz poziomu ciśnienia ze sprężarki turbiny gazowej LM2500 czwartej generacji (LM2500+G4) połączonej z dwustopniową turbiną roboczą. Badany parametr podlega sterowaniu i może posłużyć do wyrównania sił osiowych działających na łożysko główne wału wysokiego ciśnienia w celu zapewnienia stabilnej i niezawodnej pracy turbiny gazowej. Jednocześnie jego bezpośredni pomiar jest kosztowny stąd potrzeba dokonania pośredniego pomiaru z wykorzystaniem innych czujników zamontowanych na turbinie. Dane wejściowe do analiz otrzymano dzięki uprzejmości producenta turbin, firmy BHGE. Zawierają one parametry bezpośrednio pobrane z monitorowanych turbin gazowych. Modele uczenia maszynowego otrzymane w wyniku analizy charakteryzują się średnim błędem procentowym (MAPE) na poziomie poniżej 1%. Najmniejszym błędem charakteryzują się modele otrzymane przy zastosowaniu lasów losowych (Random Forest) oraz gradientowego wzmacniania regresji (Gradient Boosted Regression). Przetestowano także zastosowanie wielowarstwowych, w pełni połączonych sztucznych sieci neuronowych, których efektywność okazała się niższa od modelu opartego o algorytm lasów losowych. W podsumowaniu podkreślono wagę dostosowywania hiperparametrów i inżynierii cech.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 3; 391-399
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Artificial intelligence-based hybrid forecasting models for manufacturing systems
    Autorzy:
    Rosienkiewicz, Maria
    Powiązania:
    https://bibliotekanauki.pl/articles/1841698.pdf
    Data publikacji:
    2021
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    artificial neural network
    support vector machine
    extreme learning machine
    hybrid forecasting
    production planning
    maintenance
    quality control
    Opis:
    The paper addresses the problem of forecasting in manufacturing systems. The main aim of the research is to propose new hybrid forecasting models combining artificial intelligencebased methods with traditional techniques based on time series – namely: Hybrid econometric model, Hybrid artificial neural network model, Hybrid support vector machine model and Hybrid extreme learning machine model. The study focuses on solving the problem of limited access to independent variables. Empirical verification of the proposed models is built upon real data from the three manufacturing system areas – production planning, maintenance and quality control. Moreover, in the paper, an algorithm for the forecasting accuracy assessment and optimal method selection for industrial companies is introduced. It can serve not only as an efficient and costless tool for advanced manufacturing companies willing to select the right forecasting method for their particular needs but also as an approach supporting the initial steps of transformation towards smart factory and Industry 4.0 implementation.
    Źródło:
    Eksploatacja i Niezawodność; 2021, 23, 2; 263-277
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    A novel test case prioritization method based on problems of numerical software code statement defect prediction
    Nowatorska metoda priorytetyzacji przypadków testowych oparta na prognozowaniu błędów instrukcji kodu oprogramowania numerycznego
    Autorzy:
    Shao, Yuanxun
    Liu, Bin
    Wang, Shihai
    Xiao, Peng
    Powiązania:
    https://bibliotekanauki.pl/articles/1841862.pdf
    Data publikacji:
    2020
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    software defect prediction
    test case prioritization
    code statement metrics
    machine learning
    software testing
    przewidywanie błędów oprogramowania
    priorytetyzacja przypadków testowych
    metryki instrukcji kodu
    uczenie maszynowe
    testowanie oprogramowania
    Opis:
    Test case prioritization (TCP) has been considerably utilized to arrange the implementation order of test cases, which contributes to improve the efficiency and resource allocation of software regression testing. Traditional coverage-based TCP techniques, such as statement-level, method/function-level and class-level, only leverages program code coverage to prioritize test cases without considering the probable distribution of defects. However, software defect data tends to be imbalanced following Pareto principle. Instinctively, the more vulnerable the code covered by the test case is, the higher the priority it is. Besides, statement-level coverage is a more fine-grained method than function-level coverage or class-level coverage, which can more accurately formulate test strategies. Therefore, we present a test case prioritization approach based on statement software defect prediction to tame the limitations of current coverage-based techniques in this paper. Statement metrics in the source code are extracted and data pre-processing is implemented to train the defect predictor. And then the defect detection rate of test cases is calculated by combining the prioritization strategy and prediction results. Finally, the prioritization performance is evaluated in terms of average percentage faults detected in four open source datasets. We comprehensively compare the performance of the proposed method under different prioritization strategies and predictors. The experimental results show it is a promising technique to improve the prevailing coverage-based TCP methods by incorporating statement-level defect-proneness. Moreover, it is also concluded that the performance of the additional strategy is better than that of max and total, and the choice of the defect predictor affects the efficiency of the strategy.
    Metodę priorytetyzacji przypadków testowych (TCP) wykorzystuje się powszechnie do ustalania kolejności implementacji przypadków testowych, co przyczynia się do poprawy wydajności i alokacji zasobów w trakcie testowania regresyjnego oprogramowania. Tradycyjne techniki TCP oparte na pokryciu na poziomie instrukcji, metody/funkcji oraz klasy, wykorzystują pokrycie kodu programu tylko w celu ustalenia priorytetów przypadków testowych, bez uwzględnienia prawdopodobnego rozkładu błędów. Jednak dane o błędach oprogramowania są zwykle niezrównoważone zgodnie z zasadą Pareto. Instynktownie, im bardziej wrażliwy jest kod pokryty przypadkiem testowym, tym wyższy jest jego priorytet. Poza tym, pokrycie na poziomie instrukcji jest bardziej szczegółową metodą niż pokrycie na poziomie funkcji lub pokrycie na poziomie klasy, które mogą dokładniej formułować strategie testowe. Dlatego w artykule przedstawiamy podejście do priorytetyzacji przypadków testowych oparte na prognozowaniu błędów instrukcji oprogramowania, które pozwala zmniejszyć ograniczenia obecnych technik opartych na pokryciu. Wyodrębniono metryki instrukcji w kodzie źródłowym i zaimplementowano wstępne przetwarzanie danych w celu nauczania predyktora błędów. Następnie obliczono wskaźnik wykrywania błędów w przypadkach testowych poprzez połączenie strategii priorytetyzacji i wyników prognozowania. Wreszcie, oceniono wydajność ustalania priorytetów pod względem średnich procentowych błędów wykrytych w czterech zestawach danych typu open source. Kompleksowo porównano wydajność proponowanej metody w ramach różnych strategii ustalania priorytetów i predyktorów. Wyniki eksperymentów pokazują, że jest to obiecująca technika poprawy dominujących metod TCP opartych na pokryciu poprzez włączenie podatności na błędy na poziomie instrukcji. Ponadto stwierdzono również, że strategia dodatkowa cechuje się lepszą wydajnością niż strategie max i total, a wybór predyktora błędów wpływa na skuteczność strategii.
    Źródło:
    Eksploatacja i Niezawodność; 2020, 22, 3; 419-431
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Aircraft fault forecasting at maintenance service on the basis of historic data and aircraft parameters
    Prognozowanie uszkodzeń statków powietrznych dla celów obsługi konserwacyjnej na podstawie ich parametrów oraz danych z eksploatacji
    Autorzy:
    Pogačnik, B.
    Duhovnik, J.
    Tavčar, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/301740.pdf
    Data publikacji:
    2017
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    konserwacja statków powietrznych
    prognozowanie uszkodzeń
    metody szczupłego utrzymania ruchu
    systemy uczące się
    logistyka części zamiennych
    aircraft maintenance
    fault forecasting
    lean methods
    machine learning
    spare-parts logistics
    Opis:
    Aircraft maintenance and repair organizations (MROs) have to be competitive and attractive for both existing and new customers. The aircraft ground time at MROs should be as short as possible and cost effective without reducing the quality of the work. Process optimization in MROs requires the continuous improvement of processes and the elimination of non-value-added activities during maintenance checks. There is, on the one hand, an obligation to follow the prescribed procedures and, on the other hand, pressure for time and cost reduction. The aircraft servicing process has been analysed according to a lean methodology. The optimization of logistics processes is recognized as the most promising method for reducing the maintenance service time and costs of spare parts. The probability of aircraft faults is calculated on the basis of historic data from previously completed service projects. Aircraft parameters, such as aircraft type, operator, aircraft age, flight hours, flight cycles, engine type and operation location, are taken into consideration in the fault forecasting. The fault probability is used as an indicator for defining a priority list for the accomplishment of jobs included in the aircraft maintenance service. The proposed methodology was validated and confirmed on four different projects.
    Organizacje zajmujące się konserwacją i naprawami statków powietrznych (MRO) muszą dbać o swoją konkurencyjność i atrakcyjność zarówno dla istniejących jak i nowych klientów. Czas trwania obsługi naziemnej w MRO powinien być jak najkrótszy a konserwacja powinna pociągać za sobą jak najmniejsze koszty, bez konieczności obniżania jakości pracy. Optymalizacja procesów przeprowadzanych w MRO wymaga ciągłego doskonalenia oraz eliminacji nieuzasadnionych czynności przeglądowych. Z jednej strony pracownicy MRO muszą przestrzegać określonych procedur, z drugiej zaś strony, ciąży na nich presja redukcji czasu i kosztów obsługi. Proces obsługi statku powietrznego analizowano zgodnie z metodologią szczupłego utrzymania ruchu. Optymalizację procesów logistycznych uznaje się za najbardziej obiecujący sposób redukcji czasu obsługi serwisowej oraz kosztów części zamiennych. Prawdopodobieństwo wystąpienia uszkodzeń statku powietrznego obliczano na podstawie danych historycznych z uprzednio przeprowadzonych prac obsługowych. W prognozowaniu uszkodzeń, uwzględniano takie parametry statku powietrznego, jak typ statku, jego operator, wiek, liczba godzin w powietrzu, liczba cykli lotów, typ silnika oraz miejsce stacjonowania. Prawdopodobieństwo wystąpienia uszkodzeń wykorzystano jako wskaźnik do hierarchizacji zadań obsługi technicznej statku powietrznego. Przydatność proponowanej metodologii zweryfikowano i potwierdzono na przykładzie czterech różnych projektów.
    Źródło:
    Eksploatacja i Niezawodność; 2017, 19, 4; 624-633
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Forecasting short-term electric load using extreme learning machine with improved tree seed algorithm based on Lévy flight
    Autorzy:
    Chen, Xuan
    Przystupa, Krzysztof
    Ye, Zhiwei
    Chen, Feng
    Wang, Chunzhi
    Liu, Jinhang
    Gao, Rong
    Wei, Ming
    Kochan, Orest
    Powiązania:
    https://bibliotekanauki.pl/articles/2087016.pdf
    Data publikacji:
    2022
    Wydawca:
    Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
    Tematy:
    short-term electric load forecast
    extreme learning machine
    Lévy flight
    tree-seed algorithm
    Kernel principal component analysis
    Opis:
    In recent years, forecasting has received increasing attention since it provides an important basis for the effective operation of power systems. In this paper, a hybrid method, composed of kernel principal component analysis (KPCA), tree seed algorithm based on Lévy flight (LTSA) and extreme learning machine (ELM), is proposed for short-term load forecasting. Specifically, the randomly generated weights and biases of ELM have a significant impact on the stability of prediction results. Therefore, in order to solve this problem, LTSA is utilized to obtain the optimal parameters before the prediction process is executed by ELM, which is called LTSA-ELM. Meanwhile, the input data is extracted by KPCA considering the sparseness of the electric load data and used as the input of LTSA-ELM model. The proposed method is tested on the data from European network on intelligent technologies (EUNITE) and experimental results demonstrate the superiority of the proposed approaches compared to the other methods involved in the paper.
    Źródło:
    Eksploatacja i Niezawodność; 2022, 24, 2; 153--162
    1507-2711
    Pojawia się w:
    Eksploatacja i Niezawodność
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-15 z 15

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies