Högskolan i Skövde

his.sePublications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Decision Trees and the Effects of Feature Extraction Parameters for Robust Sensor Network Design
Hamburg University of Applied Sciences Aero - Aircraft Design and Systems Group, Hamburg, Germany / Luleå University of Technology, Division of Operation and Maintenance Engineering, Luleå, Sweden.
University of Skövde, School of Engineering Science. University of Skövde, The Virtual Systems Research Centre. Luleå University of Technology, Division of Operation and Maintenance Engineering, Luleå, Sweden. (Produktion och Automatiseringsteknik, Production and Automation Engineering)ORCID iD: 0000-0002-4107-0991
Hamburg University of Applied Sciences Aero - Aircraft Design and Systems Group, Hamburg, Germany.
2017 (English)In: Eksploatacja i Niezawodność – Maintenance and Reliability, ISSN 1507-2711, E-ISSN 2956-3860, Vol. 19, no 1, p. 31-42Article in journal (Refereed) Published
Abstract [en]

Reliable sensors and information are required for reliable condition monitoring. Complex systems are commonly monitored by many sensors for health assessment and operation purposes. When one of the sensors fails, the current state of the system cannot be calculated in same reliable way or the information about the current state will not be complete. Condition monitoring can still be used with an incomplete state, but the results may not represent the true condition of the system. This is especially true if the failed sensor monitors an important system parameter. There are two possibilities to handle sensor failure. One is to make the monitoring more complex by enabling it to work better with incomplete data; the other is to introduce hard or software redundancy. Sensor reliability is a critical part of a system. Not all sensors can be made redundant because of space, cost or environmental constraints. Sensors delivering significant information about the system state need to be redundant, but an error of less important sensors is acceptable. This paper shows how to calculate the significance of the information that a sensor gives about a system by using signal processing and decision trees. It also shows how signal processing parameters influence the classification rate of a decision tree and, thus, the information. Decision trees are used to calculate and order the features based on the information gain of each feature. During the method validation, they are used for failure classification to show the influence of different features on the classification performance. The paper concludes by analysing the results of experiments showing how the method can classy different errors with a 75% probability and how different feature extraction options influence the information gain.

Abstract [pl]

Niezawodne monitorowanie stanu wymaga niezawodności czujników i pochodzących z nich informacji. Systemy złożone są zazwyczaj monitorowane przez wiele czujników, co pozwala na  ocenę stanu technicznego oraz aspektów eksploatacyjnych. Gdy jeden z czujników ulega uszkodzeniu, uniemożliwia to obliczenie bieżącego stanu systemu z dotychczasową niezawodnością lub uzyskanie kompletnych informacji o bieżącym stanie. Stan można co prawda monitorować nawet przy niekompletnych danych, ale wyniki takiego monitorowania mogą nie odpowiadać rzeczywistemu stanowi systemu.  Sytuacja taka ma miejsce w szczególności, gdy uszkodzony czujnik jest odpowiedzialny za monitorowanie istotnego parametru systemu. Problem uszkodzenia czujnika można rozwiązywać na dwa sposoby. Pierwszy polega na zwiększeniu złożoności systemu, co umożliwia jego sprawniejsze działanie w sytuacji, gdy dane są niekompletne. Drugim sposobem jest wprowadzenie nadmiarowego sprzętu (hardware'u) lub oprogramowania. Niezawodność czujników stanowi krytyczny aspekt systemu. Oczywiście, ze względu na ograniczenia przestrzenne, ekonomiczne i środowiskowe nie wszystkie czujniki w systemie mogą być nadmiarowe. Redundancja powinna dotyczyć wszystkich czujników, które dostarczają istotnych informacji na temat stanu systemu, natomiast dopuszczalne są błędy mniej ważnych czujników. W niniejszej pracy pokazano jak obliczać istotność informacji o systemie dostarczanych przez poszczególne czujniki z wykorzystaniem metod przetwarzania sygnałów oraz drzew decyzyjnych. Zademonstrowano również w jaki sposób parametry przetwarzania sygnałów wpływają na poprawność klasyfikacji metodą drzewa decyzyjnego, a tym samym na poprawność dostarczanych informacji. Drzew decyzyjnych używa się do obliczania i porządkowania cech w oparciu o przyrost informacji charakteryzujący poszczególne cechy. Podczas weryfikacji zastosowanej metody, drzewa decyzyjne wykorzystano do klasyfikacji uszkodzeń celem przedstawienia wpływu różnych cech na dokładność klasyfikacji. Pracę kończy analiza wyników eksperymentów pokazujących w jaki sposób zastosowana metoda pozwala na klasyfikację różnych błędów z 75-procentowym prawdopodobieństwem oraz jak różne opcje ekstrakcji cech wpływają na przyrost informacji.

Place, publisher, year, edition, pages
Polskie Naukowo - Techniczne Towarzystwo Eksploatacyjne , 2017. Vol. 19, no 1, p. 31-42
Keywords [en]
decision trees, feature extraction, sensor optimization, sensor fusion, sensor selection
Keywords [pl]
drzewa decyzyjne, ekstrakcja cech, optymalizacja czujników, fuzja czujników, dobór czujników
National Category
Computer and Information Sciences Electrical Engineering, Electronic Engineering, Information Engineering Reliability and Maintenance
Research subject
Production and Automation Engineering; INF201 Virtual Production Development
Identifiers
URN: urn:nbn:se:his:diva-13394DOI: 10.17531/ein.2017.1.5ISI: 000392367100005Scopus ID: 2-s2.0-85006786154OAI: oai:DiVA.org:his-13394DiVA, id: diva2:1074896
Available from: 2017-02-16 Created: 2017-02-16 Last updated: 2024-01-16Bibliographically approved

Open Access in DiVA

fulltext(1171 kB)134 downloads
File information
File name FULLTEXT01.pdfFile size 1171 kBChecksum SHA-512
a5981e8e4450a58f7283c522f33dc5d07fc3a03c17ce80bf3c0d6429f03a345fa0e2f27471a230491500214e347ddf160338a55684867ae40d64d909d0d7d8e0
Type fulltextMimetype application/pdf

Other links

Publisher's full textScopus

Authority records

Galar, Diego

Search in DiVA

By author/editor
Galar, Diego
By organisation
School of Engineering ScienceThe Virtual Systems Research Centre
In the same journal
Eksploatacja i Niezawodność – Maintenance and Reliability
Computer and Information SciencesElectrical Engineering, Electronic Engineering, Information EngineeringReliability and Maintenance

Search outside of DiVA

GoogleGoogle Scholar
Total: 134 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

doi
urn-nbn

Altmetric score

doi
urn-nbn
Total: 537 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • apa-cv
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf