Artificial intelligence techniques applied to fault detection systems
Notice bibliographique
Résumé
This thesis presents novel applications of Artificial Intelligence-based algorithms to Failure Detection Systems. It shows the benefits intelligent, adaptive blocks can provide along with potential pitfalls. A new fault detection structure is introduced which has desirable properties when dealing with missing data, or data corrupted by extraneous disturbances. A classical alarm generation procedure is extended by transformation into an optimum, real-time, adaptive block. Two techniques, artificial Neural Networks, and Partial Least Squares, complement each other in one of the failure detection applications exploiting their respective non-linear and de-correlation strengths. Artificial Intelligence techniques are compared side by side with classical approaches and the results are analyzed. Three practical examples are examined: The Static Security Assessment of Electric Power Systems, the Oil Leak Detection in Underground Power Cables, and the Stator Overheating Detector. These case studies are demonstrated since each one represents a class of failure detection problems. The Static Security Assessment of Electric Power Systems is a class of problems with inputs which are somewhat correlated, and which has very little learning data. While the time required for the system to learn is not a concern, the recall time must be short, providing for real-time performance. The Oil Leak Detection in Underground Power Cables represents the class of problems where one has vast amounts of data indicative of a properly functioning system, however data from a failed system are very sparse. Unlike the Static Security Assessment problem, the oil leak detector has to consider the time dynamics of the system. Special provisions must be made to accommodate missing data which would interrupt contiguous data sets required for proper operation. This case study shows ways to exploit the slight sensor redundancy in order to detect sensor breakdown along with the detection of the main system failure. A third class of problems is showcased by the Electric Generator Stator Overheating detector. This application must deal with highly correlated inputs, along with the lack of fault data to be used for learning. Physical system non-linearities as well as time dynamics must also be addressed.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».