Neural Network based Active Fault Diagnosis with a Statistical Test
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F49777513%3A23520%2F23%3A43970378" target="_blank" >RIV/49777513:23520/23:43970378 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.1007/978-3-031-35170-9_21" target="_blank" >https://doi.org/10.1007/978-3-031-35170-9_21</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1007/978-3-031-35170-9_21" target="_blank" >10.1007/978-3-031-35170-9_21</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Neural Network based Active Fault Diagnosis with a Statistical Test
Popis výsledku v původním jazyce
The paper focuses on designing an active fault detector (AFD) for a nonlinear stochastic system subject to abrupt faults. The neural network (NN) based models of the monitored system and their prediction error uncertainties are identified using historical input-output data obtained from the system under fault-free and all considered faulty conditions. The fault detector is based on a multiple hypothesis CUSUM-like statistical test that uses the identified NN models. The quality of decisions provided by such a detector is improved by a closed loop input signal generator. The input signal generator is represented by another NN and it is designed using a reinforcement learning method. The proposed AFD is illustrated by means of a numerical example.
Název v anglickém jazyce
Neural Network based Active Fault Diagnosis with a Statistical Test
Popis výsledku anglicky
The paper focuses on designing an active fault detector (AFD) for a nonlinear stochastic system subject to abrupt faults. The neural network (NN) based models of the monitored system and their prediction error uncertainties are identified using historical input-output data obtained from the system under fault-free and all considered faulty conditions. The fault detector is based on a multiple hypothesis CUSUM-like statistical test that uses the identified NN models. The quality of decisions provided by such a detector is improved by a closed loop input signal generator. The input signal generator is represented by another NN and it is designed using a reinforcement learning method. The proposed AFD is illustrated by means of a numerical example.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA22-11101S" target="_blank" >GA22-11101S: Tenzorový rozklad v aktivní diagnostice poruch pro stochastické rozlehlé systémy</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2023
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 21st Polish Control Conference, PCC 2023
ISBN
978-3-031-35169-3
ISSN
2367-3370
e-ISSN
2367-3389
Počet stran výsledku
10
Strana od-do
227-236
Název nakladatele
Springer
Místo vydání
Gliwice, Polsko
Místo konání akce
Gliwice, Polsko
Datum konání akce
26. 6. 2023
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
—