مبتدی (مناسب برای درک مفهوم کلی مطلب) 

برای دستیابی به یک توصیف جامع از کرنش سنج های یکپارچه، بررسی های ساختاری و مترولوژی با استفاده از چندین نمونه استاندارد (250 mm × 40 mm × 2 mm) ساخته شده از مواد کربن اپوکسی انجام شده است. الیاف کربن با کشش بالا و رزین اپوکسی برای تولید دکل سکان، برای بدست آوردن لمینیت تک جهته که خواص آن در جدول 1 گزارش شده است، استفاده می شوند. هشت لایه به صورت متقارن در یک صفحه شبه ایزوتروپیک (همسانگرد) انباشته شده تا 20 نمونه از آن ها بدست آید، که از هرگونه اتصال مکانیکی بین بار درون صفحه ای و تغییر شکل های خارج از صفحه و بالعکس جلوگیری می کند (جونز، 1998).
در میان آن ها، 10 نمونه برای انجام تست های خمش با شکاف (ENF) با هدف ارزیابی چقرمگی حالت دوم GIIC مجهز شده اند (Sham Prasad و همکاران، 2011). آن ها مطابق با استاندارد مربوطه (ASTM D7905 / D7905M-14، 2014)، یک فیلم پلی تترا فلورو اتیلن (PTFE) 13 میکرومتری را در امتداد صفحه خنثی معرفی می کنند. نیروها از طریق یک فیکسچر مخصوص خمش سه نقطه ای تحت بارگذاری جابجایی کنترل شده که توسط یک دستگاه تست 10-KN Zwick-Roell Z010 ارائه شده، به نمونه اعمال می شوند. ثبت نیروی اعمال شده در مقابل جابجایی غلتک مرکزی با استفاده از ثبت کننده زمان واقعی آنالوگ به دیجیتال (A/D) X-Y دستگاه و تعیین نرخ نمونه برداری از 50 هرتز بدست می آید. GIIC با استفاده از روش کالیبراسیون سازگاری (CC) بدست می آید (Jagannathan و همکاران، 2015)، که اعتقاد بر این است که نرخ آزاد شدن انرژی کرنش بحرانی برای رشد ترک از فیلم جاسازی شده را نشان می دهد (Bru et al.، 2016). میانگین نتایج GIIC از پنج آزمایش مشابه در هر یک از ساختارهای مسطح و یکپارچه انجام شده است. آن ها به ترتیب در حدود 217 و J/m2 201 هستند، با پراکندگی در حدود 7٪ که مانع از هرگونه اثر بحرانی بر رفتار شکست می شود در حالی که حسگرهای تعبیه شده برای نمونه تحت آزمایش است.

با استفاده از همان ترتیب، 10 آزمایش دیگر طبق استاندارد D7264 / D7264M-15 (2015) انجام می شود. مدول خمشی الاستیک به عنوان مدول وتر الاستیسیته از بار و جابجایی ثبت شده محاسبه می شود. مقدار میانگین از پنج آزمایش مشابه در ساختارهای مسطح و یکپارچه به ترتیب حدود 5/12 و GPa 5/13 است. با وجود پراکندگی حدود 9٪ هنوز هم قابل قبول است، اما به طور غیر منتظره نشان می دهد که سفتی خمشی در حین قرار دادن سنسور به دلیل پیکربندی عمودی پین ها افزایش می یابد (برای موقعیت کرنش سنج و پین ها به شکل 3 مراجعه کنید).
نکته مهم برای هدف این تحقیق، کارآیی مترولوژی سنسور تعبیه شده است. مقایسه اندازه گیری با انجام تست های خمشی بر روی نمونه های یکپارچه ریز مطابق استاندارد D7264 / D7264M-15 (2015) انجام شده است. نتایج حاصل از کرنش سنج های تعبیه شده به صورت مناسب برای بدست آوردن حداکثر تغییر شکل مورد انتظار در سطح فوقانی، جایی که یک کرنش سنج معمولی دیگر نصب شده، قابل درجه بندی است. کرنش سنج LY46- 10 / 350A نصب شده در سطح توسط HBM برای مطابقت با مشخصات محلول تعبیه شده انتخاب شده است. از سیستم تقویت کننده متراکم چند کاناله PICAS برای تقویت کرنش سنج ها با یک پیکربندی چند بخشی استفاده می شود، در حالی که اسیلوسکوپ OnoSokki CF3600 سیگنال های ولتاژ را با نرخ نمونه گیری 10 هرتز دیجیتالی می کند. یک نتیجه معمولی بدست آمده در شکل 4 گزارش شده است. توزیع پروانه ای کرنش از طریق ضخامت نمونه منجر به خروجی ولتاژهای مختلف می شود. از این رو، یک عامل هم ارزی β با توجه به اینکه توزیع به منظور دستیابی به تغییر شکل معادل نشان داده شده، محاسبه می شود. اندازه گیری های مختلف در پنج نمونه انجام شده است، که تکرارپذیری و همچنین تکثیرپذیری آزمایش ها را نشان می دهد. جدول 2 β را با نسبت (α) بین حداکثر تغییر شکل های اندازه گیری شده توسط هر دو کرنش سنج مقایسه می کند. با توجه به جزئیات، وقتی α از β بزرگتر باشد، کرنش سنج معمولی تغییر شکل بزرگتر از داده های معادل حاصل از سنسور تعبیه شده را بر می گرداند. عامل هم ارزی کرنش سنج بستگی به ضخامت نمونه (h) و فاصله از سطح (d) دارد که در اینجا محاسبه شده است و همچنین ضخامت کرنش سنج (t). درصد خطایی که در همان جدول گزارش شده است تفاوت بسیار ناچیزی را در حین استفاده از مورد دومی نشان می دهد. شایان ذکر است که خطا به دلیل ناهمراستایی محتمل سنسورها که در اینجا به شدت با توالی لایه ای شدن محدود شده، استفاده می شود (Horoschenkoff و همکاران، 2006).

طیف سنجی EMI
یک دستگاه اندازه گیری به وضوح برای التراسوند SHM در مواد بسیار ضعیف طراحی شده است. این دستگاه قادر به انجام هر دو اندازه گیری EMI و نصب در حداکثر 12 کانال با تسهیم تقسیم زمان است. ولتاژ القایی بالا تا 100 Vpp و جریان ها تا A 2 توسط محرک پیزو PD200 تولید شده توسط PiezoDrive فراهم می شوند. تبدیل A / D با استفاده از گستره دستی HS3 در 10 MSPS انجام می شود. دستگاه برای فعال سازی EMI تا حداکثر 1 مگاهرتز مشخص شده است. هر کانال تسهیم کننده از دو قطب همراه با دو پرتابه مکانیکی تشکیل شده است تا هم سیگنال های فعال سازی و هم سیگنال های پایه را تغییر دهند (شکل 5). این طراحی پیچیده فقط برای قابلیت اضافه شدن گیره به زمین ضروری است، که نیاز به قابلیت مسیریابی دو سیگنال مستقل به کانال های پیزو دلخواه دارد. تمام مسیرهای سیگنال استفاده نشده برای جلوگیری از برخورد متقابل بین کانال ها پایه گذاری شده-اند. پیزوها به کابل های هم محور متصل هستند، زیرا سیگنال های پرقدرت برای تأثیرگذاری بر تجهیزات دیگر بدون حفاظ مناسب، به اندازه کافی قوی خواهند بود. مدار EMI از یک مقاومت شانت برای اندازه گیری جریان از طریق مبدل استفاده کرده و همزمان ولتاژ تحریک را اندازه می گیرد. ایده اصلی طراحی کار پیرس و همکاران (2004) را دنبال می کند، همراه با برخی از اصلاحات اساسی برای بکار بردن سیگنال های دامنه بالا. مقدار مقاومت شانت بسیار کم تر از Ω 0.05 برای به حداقل رساندن اتلاف انرژی استفاده می شود، که به یک مدار تقویت کننده پیچیده تر نیاز دارد (شکل 6). ولتاژ تحریک با ضریب 10 کاهش می یابد تا از تداخل بین ولتاژ و کانال های جریان داخل واحد مبدل آنالوگ به دیجیتال (ADC) جلوگیری شود.
راه اندازی آزمایشی
نقشه و تصویری از نمونه دکل سکان به ترتیب در شکل های 7 و 8 نشان داده شده است. این نمونه شامل یک هسته CFRP با سطح مقطع مستطیل شکل و یک قسمت فلزی در هر دو انتهای آن است که برای اصلاح صحیح نمونه در دستگاه تست الکترو هیدرولیکی Schenck 2500-kN اتصال پیچی شده است. علاوه بر این، یک پین فلزی به فلانج های فلزی متصل است. این پین فلزی بخشی از طراحی واقعی دکل سکان برای اتصال قطعات CFRP به جزء فلزی است که تیغه سکان را به دکل وصل می کند. تشخیص خرابی پین برای عملکرد ایمن کشتی مهم است.

دو مبدل پیزوالکتریک در سطح نمونه نصب می شوند. مبدل مستطیلی (GmbH سرامیک PI) DuraAct با اندازه 16 mm × 13 mm × 0.5 بر روی مواد CFRP با استفاده از چسب سیانوآکریلات با ضخامت چند میکرون چسبانده شده است. یک مبدل دایره ای PIC255 (PI Ceramic GmbH) با قطر 10 میلی متر و ضخامت 0.25 میلی متر در قسمت فولادی به همراه سنسور دمایی DS18B20 قرار داده شده است که دمای جریان را روی سطح نمونه ثبت می کند تا اثرات مربوط به دما را بتوان شناسایی کرد.
شکل 9 تصویری از سیستم کسب داده برای کرنش و EMI را نشان می دهد. کرنش سنج به یک تقویت کننده وصل شده که سیگنال کرنش DC تقویت شده را به ADC می فرستد. در این حالت، ما از Handyscope HS3 از مهندسی TiePie استفاده کرده ایم که از کنترل از راه دور MATLAB پشتیبانی می کند. طیف های هر دو کانال EMI و دمای جریان از طریق اترنت به رایانه منتقل می شوند. تمام داده های اندازه گیری به طور همزمان و در یک فایل HDF5 واحد ذخیره می شوند.

نتایج تجربی
شکل 10 نمودارهای نیرو-جابجایی آزمایشات را برای 5 نمونه دکل سکان که در این مطالعه استفاده می شوند، نشان می دهد. در آغاز، همه منحنی ها رفتار تقریباً خطی الاستیک را نشان می دهند، که به رنگ سبز مشخص شده است. در این مرحله می توان نمونه را سالم در نظر گرفت و تاکنون با بازرسی بصری و عدم وجود وقایع انتشار آکوستیک تایید شده که هیچ آسیبی به آن وارد نشده است. با افزایش بیشتر بار، می توان با تغییر در شیب نمودارهای نیرو-جابجایی، کاهش سفتی را که به رنگ نارنجی مشخص شده است، مشاهده کرد (Puck، 1996؛ Schu¨ rmann، 2007). در CFRP، کاهش سفتی در اثر شکست بین الیافی ایجاد می شود، یعنی ترک های کوچکی در زمینه اپوکسی ایجاد می شود. در قطعات فولادی، کاهش سفتی در اثر پلاستیک شدن (نرم سازی) مواد ایجاد می شود. هر دو پدیده با آسیب غیرقابل برگشت در ماده مرتبط هستند که تشخیص آن ها هدف اصلی این مطالعه است. هنگامی که این مرحله اتفاق می افتد، یک افت ناگهانی معمولی در منحنی به طور جزئی ظاهر می-شود (ASTM D7905 / D7905M-14 ، 2014)، اما افزایش بیشتر نیرو ممکن است. دوباره شیب خیلی سریع افزایش یافته، اما خیلی زود به سمت شکست کامل کاهش می یابد. هنگامی که اولین ترک های شدید در فولاد یا پارگی های اولیه الیاف کربن رخ می دهد، می توان افت سطح نیرو را تشخیص داد. در این حالت که به رنگ قرمز مشخص شده است، اتصال معمولاً شکسته شده و دیگر قادر به نگه داشتن نیرو نیست. در سناریوی واقعی، وقتی بار با جابجایی دستگاه هدایت نشود، جدا کردن قطعات متصل امکان پذیر است و در هر صورت با تشخیص آسیب قبل از رسیدن به سطح شکست کامل، باید از آن جلوگیری کرد. در حین آزمایش، روندها برای 180 ثانیه در نقاط مشخص شده با فلش متوقف شده اند، تا اندازه گیری های EMI را بدون دخالت در نویزهای دستگاه تست انجام دهند. در طی این توقف ها، یک آرامش جزئی از سطح نیرو مشاهده می شود، اما سطح اصلی خیلی سریع پس از ادامه آزمایش بدست می آید.
منحنی کرنش که در شکل 10 رسم شده است، کرنش را در مقابل امتداد جابجایی از سنسور تعبیه شده در نمونه 4 نشان می دهد. این مثال به روشنی نشان می دهد که بار را می توان با استفاده از کرنش سنج تعبیه شده تا زمان شکست، کنترل کرد، که اطلاعات صحیحی در مورد افزایش بار، متوقف شدن طی روند بارگذاری و شکست وخیم را ارائه می کند. همانطور که در بالا بحث شد، هر دو نیرو و کرنش در مقابل طرح های جابجایی به وضوح نوعی از شکست لایه اولیه را از طریق افت ناگهانی و جزئی در منحنی نشان می دهند (ASTM D7905 / D7905M-14، 2014). این رفتار در شکل 10 از توزیع کرنش کاملاً واضح است (حدود mm/m 0.7). با افزایش بیشتر بار، تغییر شکل دوباره و خیلی سریع به سمت شکست کامل شروع می شود اما شیب منحنی خیلی زود به دلیل کاهش سفتی کلی کاهش می یابد.

 مبتدی (مناسب برای درک مفهوم کلی مطلب) (ترجمه به صورت خلاصه انجام شده است)

2. کارهای انجام شده در زمینه ی خطای اتصال کوتاه در ماشین های الکتریکی
خطاهای سیم پیچ استاتور معمولاً با عوامل مختلفی از جمله گرمای بیش از حد، اضافه بار الکتریکی، تخلیه های الکتریکی و فشار مکانیکی همراه هستند [5]. محیطی که SCIG در آن نصب شده است، یک محیط خشن است، بنابراین به یک ابزار نظارت نیاز است. تکنیک فعلی تجزیه و تحلیل امضاء (MCSA) به عنوان یک روش امیدوارکننده برای توصیف شرایط عملیاتی ژنراتور القایی مشخص شد. که شامل مجموعه ای از روشهای تلفیقی است که در بین سالهای 1975 تا 1985 در مقالات مروری در سرتاسر جهان توسعه یافت که دارای تجزیه و تحلیل جریان و طیف آن برای توصیف ماشین های القایی بودند [6].
در [7] ، یک طبقه بند عصبی با جریان موتور، ولتاژ تغذیه و سرعت روتور آموزش داده می شود. نویسندگان از یک موتور تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در حالت تخلیه 50 هرتز تخلیه می شود. نویسندگان از یک موتور در حال چرخش تک فاز با قدرت 0.5 اسب بخار استفاده می کنند که در فرکانس 50 هرتز تخلیه می شود. آنها رضایت بخش تلقی می شدند. با این حال ، این مشکل فقط به یک پیکربندی موتور (تک فاز ، بدون بار ، کار با 50 هرتز) محدود شده و به سنسور سرعت به همراه سنسورهای جریان نصب شده قبلی احتیاج دارد. Bouzid و Champenois [8] بر روی یک مدل محاسباتی از یک موتور القایی 1.1 کیلو وات تحت خرابی سیم پیچ استاتور کار کردند. نویسندگان از شبکه های عصبی با تجزیه و تحلیل فعلی استفاده کرده و توانستند 100٪ مسائل مدل سازی شده را شناسایی را داشتند. با این حال، شبیه سازی در نظر گرفته این دستگاه تنها پایین تر از فرکانس 50 هرتز کار می کند.
پالاکیوس و همکاران [9] سیگنال های جریان را در یک موتور یک اسب بخار، با شرایط بار چند برابر به دست آوردند و درصد تغییر در گردش در حالت اتصال کوتاه را به اندازه (3٪ ، 5٪ و 10٪) تغییر دادند. نویسندگان نتایج برای دقت از 75٪ تا 98٪ طبقه بندی های باینری بین شرایط عادی یا خطا را بدست آوردند.
الیویرا و همکارانش [10] با استفاده از یک سنسور تک جریانی و بدون سنسور سرعت و 1.4٪ چرخش های تحت اتصال کوتاه، در یک دستگاه القایی برقی می تواند با استفاده شبکه های عصبی با دقت 67٪ شناسایی شوند. نویسندگان پیشنهاد دادند که از تکنیک MCSA ترکیب شده با فوریه، از تئوری طیف فرکانس تامسون و فنگر [6] استفاده شود. ویرا و همكاران [11] این مطالعات را ادامه داده و توانستند، براساس Multceptine Perceptron (MLP) یك سیستم تعبیه شده برای شناسایی این خرابی ها توسعه دهند.
اعضای همان گروه تحقیقاتی که این کار توسط آنها انجام شده است، در تشخیص اولیه مدارهای کوتاه در موتورهای القایی تجربه دارند. این امر طی سالها و توسط انتشارات آنها تثبیت شد: الیویرا و همکاران [10] ، کولیو و همکاران [12] ، ویرا و همکاران [11].
بررسی کارهای پیشین، نشان می دهد که بیشتر تحقیقات مربوط به شناسایی خرابی در شرایط خاص عملیات ، چه با فرکانس و چه بار و بدون توضیحات زیادی در مورد تقلیدهای خطا بوده است. رویکرد ارائه شده در تحقیق ما، مبتنی بر نیاز به یک روش کلی تر است، که در آن یک سیستم متخصص می تواند نقصی را در نقاط عملیاتی متفاوت تشخیص دهد. همچنین، با گسترش سریع مزارع بادی در منطقه Ceará برزیل، تحقیق حاضر به بررسی مسئله ی شناسایی خطای اولیه در ژنراتورها می پردازد، زیرا هم برای گروه تحقیق و هم برای منطقه بی سابقه است.

3. روش های به کار رفته برای استخراج ویژگی برای ماشین های القایی
می توان از تبدیل فوریه برای بیان سیگنال های حوزه ی زمان، در حوزه فرکانس استفاده کرد. اولیورا و همکاران [10] هارمونیک های موجود در سیگنال جریان الکتریکی از موتور الکتریکی را تحت چندین خطای مدار اتصال کوتاه بین چرخشی بررسی کرده و نتیجه گرفتند که مهمترین فرکانس ها 0.5fn ، 1.5fn ، 2.5fn ، 3.0fn ، 5.0fn و 7fn است که در آن fn فرکانس پایه ی استاتور است. اولیورا و همکاران [10]، کولیو و همکاران [12] و ویرا و همکاران [11] ، ویرا و همکاران [11] همچنین از همین فرکانس برای پیشنهاد دادن روش های مختلف برای تشخیص خطا در موتورهای القایی استفاده کردند. در سایر مطالعات، فرض می شود که ماشین الکتریکی به عنوان موتور عمل می کند، اما ما معتقدیم در حالی که دستگاه به عنوان ژنراتور کار می کند، همین فرکانس ها نماینده خواهند بود. بنابراین، مقادیر این فرکانس ها که توسط فرکانس پایه نرمال شده اند، به عنوان ویژگی مورد استفاده قرار می گیرند.
آماره مرتبه بالاتر، یک تکنیک امیدوارکننده برای توصیف سیگنال های حوزه زمان است [13]. استفاده از Kurtosis توسط دوایر [14] برای اولین بار به عنوان یک ابزار آماری برای نشان دادن مؤلفه های غیر گاوسی در سیگنال ها پیشنهاد شد. این نظریه تحت پایه آماره مرتبه بالا است و آن را به عنوان ممان آماری چهارم توصیف می کند. مزیت HOS برای سیگنال ها توسط مندل [13] نشان داده شده و به مقاومت (یعنی فیلتر کردن) نسبت به نویز گاوسی در هنگام استفاده از ممان بالاتر از مرتبه دوم، وابسته است. ویژگی های به دست آمده از HOS در کنار مقادیر واریانس و مقادیر rms ، چوله و کوتاه مدت خواهند بود.
ماتریس وقوع همزمان ساختاری متشکل از روشی است که مبتنی بر آماره هم وقوع همبستگی است و به تجزیه و تحلیل ساختاری سیگنال های گسسته منجر می شود و اتصالات موجود بین ساختارهای سطح پایین دو سیگنال گسسته در n بعد را پذیرش می کند [16]. ویژگی اصلی آن ارایه ی دانش قبلی در مورد سیگنال های مورد بررسی، با تأکید بر تشخیص جزئیات است. خروجی آن یک هیستوگرام دو بعدی است ، که در آن SCM امکان وقوع مشترک بین ساختارهای سیگنال های ورودی را فراهم می کند [16]. نویسندگان 6 ویژگی را پیشنهاد داده اند که باید از هر سیگنالی استخراج شود و محاسبات مربوط به آن در مقاله آن نشان داده شده است. در میان روش های استخراج ویژگی مورد استفاده در این مقاله، SCM جدیدترین روش است و نشان داده است که می تواند الگوهای موجود در جزئیات سیگنال ها را تشخیص دهد [17].

4. راه اندازی آزمایشی و ایجاد مجموعه داده
شبیه سازی توربین بادی بر اساس تنظیمات شرح داده شده توسط یاراماسو و همکاران [4] انجام شده است که از ژنراتور القایی قفس سنجابی از نوع مقیاس کامل و تمامی متغیر سرعت ساخته شده است، بدین معنی که ماشین الکتریکی می تواند در کل محدوده سرعت، انرژی الکتریکی را در کل تولید کند. یک بستر آزمایشی مبتنی بر این سیستم توربین بادی این مقاله ساخته شده است و در شکل 1 نشان داده شده است.
درایو ماشین (DM) با تحریک انرژی به پره های توربین بادی ، از تبدیل انرژی جنبشی باد در حرکت چرخش به شافت ژنراتور تقلید می کند. مبدل فرکانس FC-1 سرعت باد متغیر را که باعث تقویت DM می شود، تقلید می کند. FC-2 فقط استاتور ژنراتور را تغذیه می کند. هنگامی که فرکانس تنظیم شده در FC-1 بالاتر از FC-2 باشد ، انرژی جنبشی به انرژی الکتریکی تبدیل می شود و این از طریق SCIG به DC-bus FC-2 تبدیل می شود.
شکل ۱: دیاگرام شامل یک بستر آزمایشی توربین بادی است ، مبتنی بر تمام مقیاس ها و کلیه ی متغیرهای سرعت
برای انجام آزمایشات از یک ژنراتور القایی 4 قطبی استفاده کردیم که دارای توان مکانیکی 1 اسب بخار است و در پیکربندی دلتا برای ولتاژ منبع تغذیه 220 ولت ، به صورت الکتریکی متصل شده است و جریان نامی آن ۳ آمپر است. ژنراتور و دستگاه درایو هر دو از مبدل فرکانس WEG CFW-08 استفاده می کنند. درایو ماشین به صورت مکانیکی با ژنراتور کوپل شده است و ما از موتور القایی با همان مشخصات و سیم کشی استفاده کردیم.
یک بورد آزمایشی اتصال کوتاه، آزمایشات را در ماشین آلات (SCTBM انجام می دهد. یک مدار الکتریکی وجود دارد که کار آن شبیه سازی اتصالات مدار اتصال کوتاه بین سیم پیچی های هسته استاتور است. همچنین برای دستیابی به جریان الکتریکی دستگاه برقی ، ماژول جمع آوری و ارسال اطلاعات نیز دارد.

روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری

Modeling and monitoring methods for spatial and image data

چکیده
مقدمه
مدلسازی و مانیتورینگ کیفیت محصول:ترکیب شکل های سطحی و داده های چندسنجشگری
مدلسازی و مانیتورینگ شکل محصول: چالشهای اصلی و راه حلهای ممکن
ترکیب داده های چندسنجشگری
رهنمودهای آتی در مدلسازی داده های محصول
مدلسازی و مانیتورینگ سیگنال پروسه و داده های تصویری: چالشهای اصلی و راه حل ممکن
سنجش in situ از طریق تحلیل داده های ویدئویی-تصویری در ساخت افزوده
نتیجه گیری ها

چکیده
تحلیل کامپیوتری داده ها به روش سنجش هوشمند باعث تغییر پارادایم در آمار صنعت شده است که در بخش تولید گسسته بکار می رود. فناوریهای نوظهوری (مانند تولید افزوده، تولید در سطح خرد) همراه با راه حل های بازرسی نوین (مانند سیستم های غیرتماسی، توموگرافی کامپیوتری اشعه ایکس) و سنجشگرها با سرعت بالا و چندرشته ای (مانند ویدئوها و تصاویر، سیگنالهای آکوستیک، حرارتی، برق و فشار) برای نسل جدید داده های کلان صنعت راه را هموار کرده اند که به روشهای مدلسازی و مانیتورینگ نوینی برای تولید با نقص سطح صفر می باشد. در این مقاله که از مسائل صنعتی واقعی شروع به بحث می کند، برخی چالشهای اصلی که بخشهای صنعت مربوطه با آن مواجه اند مورد بحث قرار می گیرد. در این مقاله بویژه راه حل های پایدار و مسائل مطرح آتی توضیح داده می شوند.

1- مقدمه
هوشمندی و قابلیت دسترسی به کلان داده ها بنا به اتفاق نظری گسترده به محرک های فناوری انقلاب صنعتی چهارم یعنی Industry 4.0 تبدیل شده اند. همانند کلیه انقلابهای صنعتی قبلی، محرک چهارمین انقلاب صنعتی همان نوآوری های فناوری بوده است. نیروهای محرک انقلاب صنعتی اول همان تولید مکانیکی با قدرت آب و بخار بودند، الکتریسیته و خطوط مونتاژ انقلاب صنعتی دوم را بوجود آوردند، و ورود کامپیوترها برای اهداف اتوماسیون باعث تسهیل پیدایش انقلاب صنعتی سوم گردید. پیشرفتهای بینظیر درباره حجم داده ها، قدرت محاسباتی با کامپیوتر و ارتباطات کامپیوتری، شکل های جدیدی از تعاملات انسان با ماشین از طریق واقعیت افزوده، و پیشرفتهای نوظهور در زمینه علوم روباتیک و چاپ سه بعدی باعث هموارسازی راهی به سوی نسل جدیدتولید دیجیتالی در انقلاب صنعتی چهارم شده است(Brettel, et al, 2014; Baur and Wee, 2015).
انقلاب صنعتی چهارم دربرگیرنده پیشرفتهای فناوری متفاوت گوناگونی می باشد (Rüßmann et al., 2015، شکل 2)، که به رویکردهای نوینی برای تحلیل داده ها نیازمند است (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015). درکل، افزایش حجم داده ها، تنوع و سرعت آنها (یعنی چارچوب کلان داده ها) دربرگیرنده چالشهای متعددی برای آماردانان صنعت و مهندسان کیفیت می باشد (Steinberg, 2016; Megahed and Jones-Farmer , 2015; Jones-Farmer, Ezell and Hazen, 2014). برای مثال، سیستم های سایبرفیزیکی اتصالی بالا (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015) مبین رشته های متعدد داده های واقعی و مجازی می باشند که باید به طور مناسبی با هم ترکیب شده و تحلیل بشوند. اینترنت سایبر-امنیتی و صنعتی برای کارها (Wells et al. 2014, Turner et al., 2015) نیازمند شیوه های جدید مانیتورینگ ابر داده ها و بهینه سازی آنهاست (Aceto et al., 2015). سنجش فراگیر پروسه ها و عملگرهای صنعت (برای طراحی صفحه کاربری های مشترک انسان-ماشین) به حجم عظیمی از داده های تصویری و سیگنال منجر می شود که باید به نحو مناسبی تحت بررسی قرار گیرد.
بحث درباره کلیه تاثیرات انقلاب صنعتی چهارم درباره مدلسازی داده های صنعت، مانیتورینگ و کنترل آنها خارج از بحث این مقاله است. در این مقاله، چالشها و فرصتهای مربوط به مدلسازی و مانیتورینگ داده های کیفیت در محصولات مکانیکی با ارزش افزوده بالا مورد توجه قرار می گیرد. ازا ینرو، بخشهای صنعت مانند هوافضا، خودروسازی، ابزارسازی، و تولید ابزارهای ماشین آلات به طور تخصصی درنظر گرفته می شوند. بعلاوه، به مرحله تولید در زمان عمر این محصولات بطور تخصصی توجه می شود.
در سرتاسر مقاله، مسائل صنعت واقعی به عنوان نمونه های انگیزشی به طور تخصصی مطرح می گردد. همچنین، توجه ویژه ای به برخی پروسه های جدید تولید (چاپ سه بعدی یا تولید افزوده –AM) و راه حل های جدید مترولوژی حجمی و ابعادی (یعنی سنجشگرهای مترولوژی غیرتماسی، ویدئوهای با سرعت بالا، توموگرافی کامپیوتری اشعه ایکس-CT) مبذول خواهد شد.
برای ساده سازی مطالب، این بحث را در دو بخش اصلی سازماندهی می کنیم. اولین بخش متمرکز بر خصوصیات کیفیت راجع به محصولات است درحالیکه دومین بخش راجع به داده های پروسه است. به طور خلاصه، ما درباره شیوه های مدلسازی و مانیتورینگ محصول و داده های کیفیت پروسه به طور جداگانه بحث خواهیم کرد. تفکیک مطالب به این شکل حالت ساختگی دارد چون معمولا از دست اندرکاران صنعت خواسته می شود که در آن واحد با رشته داده های محصول و نیز پروسه مواجه شوند و این دو منبع اطلاعاتی را بهم متصل کنند تا بتوانند اقدامات مناسبی را برای پیشبرد پروسه به سمت تولید با نقص سطح صفر تعیین نمایند.
این دو بخش با ساختار مشابهی سازماندهی شده است. اول از همه، زمینه صنعت و برخی مثالهای انگیزشی مطرح می شود. بعد از آن، راه حل های موجود برای مدلسازی و مانیتورینگ داده ها به طور مختصری توضیح داده می شود. سرانجام، رهنمودهایی برای تحقیقات آتی در قسمت نتیجه گیری ارائه خواهد شد.

Abstract

Intelligent sensing and computerized data analysis are inducing a paradigm shift in industrial statistics applied to discrete part manufacturing. Emerging technologies (e.g., additive manufacturing, micro-manufacturing) combined with new inspection solutions (e.g., non-contact systems, X-ray computer tomography) and fast multistream high-speed sensors (e.g., videos and images; acoustic, thermic, power and pressure signals) are paving the way for a new generation of industrial big-data requiring novel modeling and monitoring approaches for zero-defect manufacturing. Starting from real industrial problems, some of the main challenges to be faced in relevant industrial sectors are discussed. Viable solutions and future open issues are specifically outlined.

1- Introduction

There is a widespread consensus that smartness and big data availability are technological drivers of the fourth industrial revolution, i.e., Industry 4.0. As in all previous revolutions, the fourth is driven by technological innovations. Water- and steam-powered mechanical manufacturing were driving forces for Industry 1.0; electricity and assembly lines drove Industry 2.0; and the introduction of computers for automation purposes catalyzed Industry 3.0. Unrivaled advances in data volumes, computational power and connectivity; new forms of human-machine interactions via augmented reality; and emerging advance in robotics and 3D printing are paving the way to the new generation of digital production in Industry 4.0. (Brettel, et al, 2014; Baur and Wee, 2015).

Industry 4.0 involves many different technological advances (Rüßmann et al., 2015, Figure 2), which require novel approaches for data analysis (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015). Overall, the increase of data volume, variety and velocity (i.e., the ―big data‖ framework) poses several challenges for industrial statisticians and quality engineers (Steinberg, 2016; Megahed and Jones-Farmer , 2015; Jones-Farmer, Ezell and Hazen, 2014). For example, the highly interconnected cyber-physical systems (Lee, Bagheri and Kao, 2014 and 2015; Jazdi, 2014; Wang, Törngren and Onori, 2015) imply multiple streams of real and virtual data that have to be appropriately fused and analyzed. Cyber-security and industrial internet of things (Wells et al. 2014, Turner et al., 2015) ask for new approaches for data cloud monitoring and optimization (Aceto et al., 2015). Pervasive sensing of industrial processes and operators (to design machine-human interfaces) causes a huge amount of image and signal data that have to be appropriately studied.

Discussing all the effects of Industry 4.0 on industrial data modeling, monitoring and control is out of this paper scope. In this paper, the attention will be limited to challenges and opportunities in modeling and monitoring quality data of high-value-added mechanical products. Therefore, industrial sectors as the aerospace, automotive, tooling and machine-tools production will be specifically targeted. Furthermore, attention will be specifically devoted to the manufacturing stage of these products’ lifetime.

Throughout the paper, real industrial problems will be specifically introduced as motivating examples. Special attention will be devoted to some emerging manufacturing processes (3D printing or additive manufacturing – AM) and new dimensional and volumetric metrology solutions (i.e., non-contact metrology sensors, high-speed videos, X-ray computer tomography – CT).

For the sake of simplicity, the discussion will be organized in two main sections. The first will focus on quality features concerning products, while the second section will concern process data. In short, we will discuss approaches for modeling and monitoring product and process quality data, separately. This distinction is clearly artificial, as industrial practitioners are usually asked to face both the product and process data streams at the same time and link these two sources of information to define appropriate actions to drive the process toward zero-defect manufacturing.

The two sections will be organized following a similar structure. The industrial background and some motivating examples will be firstly introduced. Then, existing solutions for data modeling and monitoring will be briefly described. Eventually, directions for future research will be presented in the conclusions..

روشهای مدلسازی و مانیتورینگ برای داده های فضایی و تصویری

Modeling and monitoring methods for spatial and image data

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مدلهای خطی به راحتی قابل پیاده سازی هستند و تفسیر خوبی دارند و بنابراین در بسیاری از مسائل تحلیل سری زمانی در کارهای واقعی به طور گسترده ای مورد استفاده قرار می گیرند. با این حال، نشان داده شده است مدل های خطی برای توصیف برخی از رفتارهای غیرخطی از ترافیک شبکه کافی نیستند. برای انعطاف پذیری بیشترمدل، همچنین کارهایی با استفاده از شبکه عصبی مصنوعی (ANN) برای تقریب عملکرد غیرخطی تابع f وجود دارد.
ANN تقریب زن بسیار قوی تابع غیر خطی با تعداد کافی داده شده از نورون های پنهان است. همانطور که در شکل 1 نشان داده شده است، ما مشاهدات پیشین و خطاهای پیش بینی را به شبکه عصبی و خروجی های شبکه عصبی حجم ترافیک پیش بینی شده آینده نمایش می دهیک . مرحله آموزش شبکه عصبی تنظیم وزنهای اتصالات بین دو لایه مجاور نورون ها به منظور به حداقل رساندن خطاهای پیش بینی است. بازگشت به عقب با استفاده از کاهش گرادیان دسته ای و کاهش گرادیان تصادفی معمولاً برای آموزش یک شبکه عصبی استفاده می شود.

اگرچه ایده پیش بینی غلتان با استفاده از مشاهدات قبلی، ساده و کارآمد به نظر می رسد ، اما محدودیت اصلی این است که باید در فواصل زمانی متوالی حجم ترافیک را جمع آوری کند که می تواند به خصوص در یک شبکه با سرعت بالا در مقیاس بزرگ بسیار گران باشد. برای جلوگیری از اندازه گیری مستقیم حجم ترافیک، روش هایی وجود دارد که به آن توموگرافی شبکه گفته می شود که برای تخمین حجم ترافیک از داده های link utilization پیشنهاد شده است و سپس از ترافیک تخمین زده شده برای انجام پیش بینی همانطور که در قسمت بعدی توضیح داده شده استفاده می کند.

B. توموگرافی شبکه
ایده توموگرافی شبکه بهره برداری از رابطه بین داده بار لینک و تقاضای ترافیک در بین هاست های انتهایی شبکه است. با استفاده از 〖 X〗_t یک بردار جمع آوری شده از تمام حجم های ترافیکی منتقل شده در شکاف زمانی t بین هر دو هاست انتهایی شبکه و یک ماتریس روتینگ (مسیریابی) توسط A که حاوی اطلاعات مسیریابی است، یعنی 〖 A〗_(i.j)=1بدین معنی است که لینک i به مسیری تعلق دارد که جفت مقصد j برای انتقال ترافیک خود استفاده می کند. در غیر اینصورت 〖 A〗_(i.j)=0. ما همچنین توسط〖 Y〗_tt یک بردار را نشان می دهیم که تمام بارهای لینک را در شکاف زمانی t جمع آوری می کند. سپس می توانیم رابطه بین بار لینک (لینک لود) و حجم ترافیک را با سیستم خطی زیر فرمول بندی کنیم.

توجه داشته باشید که فرض می کنیم در طول دوره مشاهده ، ماتریس روتینگ تغییر داده نشده است. حتی با این فرض، سیستم حل توصیف شده در معادله 3 بسیار مشکل است زیرا سیستم نامعین است زیرا تعداد لینک ها معمولا به مراتب کمتر از تعداد جفت های هاست های انتهایی در یک شبکه هستند.
تحقیقات گسترده ای با استفاده ازسنجش فشرده، الگوریتم های امید ریاضی- بشینه سازی برای حل این سیستم وجود دارد. به طور کلی ، آن الگوریتم ها پیچیده هستند و نتایج رضایت بخش نیست.
با درک محدودیت های قوی در کارهای موجود ذکر شده، چارچوبی جدید برای برآورد حجم ترافیک بر اساس برخی از آماگان های ساده سطح جریان را با استفاده از مدل های پنهان مارکوف در بخش زیر پیشنهاد می کنیم.

3. حدس زدن و پیش بینی حجم ترافیک با استفاده از HMM ها
در این بخش، امکان حدس زدن و پیش بینی حجم ترافیک را بر اساس برخی از آمارگان (آماره های) ساده سطح جریان ساده مورد بحث قرار می دهیم. این ایده مبتنی بر مشاهداتی است که وابستگی آماری قوی بین آن آمارگان (آماره های) ساده سطح جریان و کل حجم ترافیک وجود دارد که توسط شکل زیر که با تجزیه و تحلیل سری زمانی از ترافیک شبکه واقعی بدست آمده است، نشان داده شده است.

شکل 2 رابطه بین تعداد جریان در شکاف های زمانی مختلف و حجم کل جریان مربوطه را (بر حسب بایت) نشان می دهد. در اینجا سری های زمانی را مانند آنهایی که دارای میانگین و انحراف معیار های صفر دارند را نرمالیزه می کنیم. ما می توانیم ببینیم که می توان از این ارتباط برای حدس زدن حجم بر اساس شمارش جریان (flow count) استفاده کرد زیرا همبستگی مهمی بین شمارش جریان (flow count) و حجم ترافیک وجود دارد.

A. آمارگان (آماره های) ساده جریان و تکنیک طراحی
ما استدلال می کنیم که جمع آوری آمارگان (آماره های) ساده جریان بسیار ارزان تر از اندازه گیری مستقیم حجم ترافیک است. در اینجا می توان آمارگان جریان را به صورت آمارگان زیر تعریف کنیم:
C_(f.t) تعداد جریان (flow) در فاصله زمانی t
C_(tcp.t) تعداد جریان های TCP در فاصله زمانی t
C_(R(i).t)تعداد جریان ها با استفاده از تعداد پورت موجود در بازه R(i)، ∀i در زمان t
علاوه بر مواردی که در اینجا تعریف می کنیم، هیچ محدودیتی در استفاده از اطلاعات بیشتری که برای تخمین حجم ترافیک مفید است، وجود ندارد. ما تمام آمارگان (آماره های) جریان را که به راحتی جمع آوری می شود ، در یک بردار مشاهدات y_(t )=〖[C_(f.t).C_(tcp.t).C_(R(i).t).…]〗^T قرار می دهیم.
جمع آوری این آمارگان (آماره های) سطح جریان، به طور طبیعی، مسئله ای آیتم های مجزای قابل شمارش یک رشته داده است که به طور گسترده در مقالات مورد مطالعه قرار گرفته است.

یادگیری تقویتی عمیق برای تولید دیالوگ

Deep Reinforcement Learning for Dialogue Generation

Abstract

Recent neural models of dialogue generation offer great promise for generating responses for conversational agents, but tend to be shortsighted, predicting utterances one at a time while ignoring their influence on future outcomes. Modeling the future direction of a dialogue is crucial to generating coherent, interesting dialogues, a need which led traditional NLP models of dialogue to draw on reinforcement learning. In this paper, we show how to integrate these goals, applying deep reinforcement learning to model future reward in chatbot dialogue. The model simulates dialogues between two virtual agents, using policy gradient methods to reward sequences that display three useful conversational properties: informativity, coherence, and ease of answering (related to forward-looking function). We evaluate our model on diversity, length as well as with human judges, showing that the proposed algorithm generates more interactive responses and manages to foster a more sustained conversation in dialogue simulation. This work marks a first step towards learning a neural conversational model based on the long-term success of dialogues.

1 Introduction

Neural response generation (Sordoni et al., 2015; Shang et al., 2015; Vinyals and Le, 2015; Li et al., 2016a; Wen et al., 2015; Yao et al., 2015; Luan et al., 2016; Xu et al., 2016; Wen et al., 2016; Li et al., 2016b; Su et al., 2016) is of growing interest. The LSTM sequence-to-sequence (SEQ2SEQ) model (Sutskever et al., 2014) is one type of neural generation model that maximizes the probability of generating a response given the previous dialogue turn. This approach enables the incorporation of rich context when mapping between consecutive dialogue turns (Sordoni et al., 2015) in a way not possible, for example, with MT-based dialogue models (Ritter et al., 2011).

Despite the success of SEQ2SEQ models in dialogue generation, two problems emerge: First, SEQ2SEQ models are trained by predicting the next dialogue turn in a given conversational context using the maximum-likelihood estimation (MLE) objective function. However, it is not clear how well MLE approximates the real-world goal of chatbot development: teaching a machine to converse with humans, while providing interesting, diverse, and informative feedback that keeps users engaged. One concrete example is that SEQ2SEQ models tend to generate highly generic responses such as “I don’t know” regardless of the input (Sordoni et al., 2015; Serban et al., 2016; Li et al., 2016a). This can be ascribed to the high frequency of generic responses found in the training set and their compatibility with a diverse range of conversational contexts. Yet “I don’t know” is apparently not a good action to take, since it closes the conversation down.

Another common problem, illustrated in the two sample conversations on the left of Table 1, is that the system becomes stuck in an infinite loop of repetitive responses. This is due to MLE-based SEQ2SEQ models’ inability to account for repetition. In example 2 (bottom left), the dialogue falls into an infinite loop after three turns, with both agents generating dull, generic utterances like i don’t know what you are talking about and you don’t know what you are saying. Looking at the entire conversation, utterance (4) turns out to be a bad action to take because it offers no way of continuing the conversation.

درباره استفاده از سیستم های چندعاملی برای نظارت بر سیستم های صنعتی

On the use of multi-agent systems for the monitoring of industrial systems

Abstract

The objective of the current paper is to present an intelligent system for complex process monitoring, based on artificial intelligence technologies. This system aims to realize with success all the complex process monitoring tasks that are: detection, diagnosis, identification and reconfiguration. For this purpose, the development of a multi-agent system that combines multiple intelligences such as: multivariate control charts, neural networks, Bayesian networks and expert systems has became a necessity. The proposed system is evaluated in the monitoring of the complex process Tennessee Eastman process.

1 Introduction

The process monitoring is a critical task in all industrial plant. It can be realized by the use of three principal approaches (Venkatasubramanian et al. 2003): (1) the analytical methods based on mathematics models. These methods compare the real-system outputs to the mathematical model outputs, (2) the methods based on knowledge (Stamatis 2003; Dhillon 2005) that use the human knowledge [risk analysis, failures modes effects and critically analysis (FMECA), decision trees], and (3) the databased methods that focus on statistic development of the process. The last kind of the method uses, generally, the control charts [(Page 1954), cumulative SUM (CUSUM) (Roberts 1959)] or exponentially weighted moving average (EWMA) (Alt et al. 1985) for the fault detection in the industrial process.

Currently, the manufacturing processes become more and more complex and multivariate. In these systems, the operator recuperates a vast data amount to be analysed. The high volume of data and the big number of process variables make the operator task fastidious. To avoid such problems, the data-based methods are more suitable for the process monitoring. The multivariate control charts [Hotelling T2 control chart, multivariate CUSUM (MCUSUM), multivariate EWMA (MEWMA)] have been used for the control of multivariate process and have proved their adequacy to reduce the complexity of such process monitoring. Moreover, the monitoring of a multivariate process is a complex task, and it can be devised into four subtasks which are: the detection of abnormal situation, the diagnosis of the faults, the identification of variables that involved in the faults and finally the reconfiguration of the process (Venkatasubramanian et al. 2003).

Many researches have used the control charts for process monitoring (Yu-Chang et al. 2015; Xia 2015; Ehsan and Sadigh 2014; Vijayababu and Rukmini 2014; Assareh et al. 2013). To identify the variables that make an out-ofcontrol in T2, a decomposition of the statistic T2 into independent terms has been suggested by Jing et al. (2008). The ‘‘MYT approach’’ has been applied by Mani and Cooper (1999) for the variables identification. The ‘‘MYT approach’’ has a big disadvantage which is the number of T2 decompositions. For a process with p variables, the number of decompositions is p!. To reduce this number and to identify the relationship among the variables, the Bayesian networks have been applied for variables identification by Friedman (2000), Li et al. (2006), Li and Shi (2007), Sylvain (2007).

In this paper, we regroup all the tasks of the multivariate process monitoring in one approach. Our contribution is to determine the best combination of multivariate control charts, neural networks, Bayesian networks, expert systems. The result of this research is a multi-agent system that applied to a multivariate process monitoring. This multi-agent system uses: multivariate control chart for abnormal detection, neural network for faults diagnosis, Bayesian network for variables identification and expert system for reconfiguration task.

The rest of this paper is organized as follows: the process monitoring approach is presented in ‘‘The proposed multi-agent system’’ section with the monitoring algorithm. In ‘‘Application of the proposed model on the Tennessee Eastman process’’ section, a case study of simulated Tennessee Eastman process (TEP) (Downs and Vogel 1993) is employed to illustrate the validity of the proposed approach, including the detection by multivariate control charts executor agent (MCCEA), diagnosis by diagnosis artificial neural network agent (DANNA), identification by Identification Bayesian network agent (IBNA) and the reconfiguration by reconfiguration agent (RA). Finally, conclusions and future works are suggested.

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

مدل های ضمنی مبتنی بر ظاهر: یک مدل ضمنی مبتنی بر ظاهر معمولا شامل شدت تصویر یا ویژگی های بافتی می شود که توسط پنجره یا هسته کوچک محاسبه می شوند که پیکسل داده شده یا خوشه ای کوچکی از پیکسل ها را احاطه می کند.سپس، تشخیص توسط آزمایش بردار های ویژگی پیکسل های اطراف میانی تصویر انجام می گیرد.Cheng و همکارانش با استفاده از شبکه های Bayesian پویا برای تشخیص وسایل نقلیه از نظارت هوایی، نتایج امید دهنده ای در مجموعه داده های چالش بر انگیز بدست آوردند.ولی مدل رنگ،که مخصوصا برای جداسازی ماشین ها از زمینه طراحی شده هنوز هم نمی تواند از تشخیص اشتباه بدلیل همپوشانی ماشین ها و مدل های رنگ زمینه جلوگیری کند.مشکل دیگر این است که رویکرد باید باعث ترکیب پیکسل های تشخیص داده شده به تک وسایل نقلیه شود که زمانی که وسایل نقلیه در مجاورت کوچکی پارک شده اند، وظیفه ای مشکل و سخت می شود.علاوه بر این،آزمایش و بررسی تشخیص در تمامی پیکسل ها،نه تنها پیچیدگی محاسبات را افزایش می دهد بلکه نرخ تشخیص اشتباه را افزایش می دهد.Shao و همکارانش ابتدا تشخیص وسایل نقلیه با استفاده از ویژگی های متعدد( برای مثال HOG ، طرح محلی باینری،و هیستوگرام مخالف) و هسته تقاطع SVM را بررسی کردند.مشابه آن ،Moranduzzo و Melgani ،SIFT و SVM را برای تشخیص ماشین ها از تصاویر وسایل نقلیه هوایی غیرنامگذاری شده ترکیب کردند.Kembhavi و همکارانش ماشین ها را از تصاویر هوایی با وضوح بالا با بکارگیری حداقل مربعات جزیی ، تحلیل قدرتمند انتخاب ویژگی، و توضیح دهنده ویژگی اضافی تشخیص دادند که شامل نقشه های احتمال رنگ ،ویژگی های HOG ، و مقایسات زوج پیکس ها هستند که ویژگی های ساختاری یک ماشین را بدست می آورند.کار آنها عملکردی چشمگیر را نشان می دهد.Moranduzzo و Melgani رویکردی مبتنی برا کاتالوگ برای تشخیص ماشین ها در تصاویرUAV پیشنهاد دادند.ولی کاربرد آن به حس های مخصوص محدود است چرا که باید از جاده آسفالت شده به عنوان راهنمای اولیه استفاده کند.مشکل دیگر این است که باید پیکسل های تشخیص داده شده را در وسایل نقلیه فرد و تک(منظور تمامی پیکسل هارا ترکیب کرده و بعنوان یک عکس به عنوان وسیله نقلیه نمایش دهد) باترکیب کند.Hinz و Baumgartner ویژگی های وسایل نقلیه بر اساس مدل وسیله نقلیه سلسله مراتبی استخراج کردند که سطوح مختلفی را شرح می دهد.Khan و همکارانش ویژگی های وسیله نقلیه را بر اساس مدل 3بعدی استخراح کردند.Wang و همکارانش مدل شکل ضمنی و رای دادن Hough را برای تشخیص ماشین در نقاط ابری 3بعدی بکار گرفتند که نتایج چشمگیری حاصل شد.
مدل های صریح و روشن:در مورد مدل صریح و واضح، یک وسیله نقلیه معمولا توسط یک جعبه،ارائه به عنوان قاب، و یا مدل مورفولوژیکی توصیف می شود.تشخیص ماشین توسط تطابق مدل ماشین با تصویر با استفاده از استراتژی “بالا-پایین” یا ” پایین-بالا” انجام می گیرد.Zheng و همکارانش از تبدیل گشایش سیاه و سفید و تبدیل بالا-کلاه سیاه و سفید برای شناسایی وسایل نقلیه احتمالی در پس زمینه روشن ویا سفید استفاده کرده و از تبدیل خاتمه دهنده سیاه و سفید وتبدیل پایین-کلاه برای شناسایی وسایل نقلیه احتمالی در پس زمینه های سیاه و بی نور استفاده کردند.سپس اطلاعات سایز و اندازه برای حذف هشدار های اشتباه بکار گرفته می شود.رویکرد آنها عملکرد خوبی در تصاویر هوایی بزرگ راه ها نشان می دهد ولی تخمین های مقدار خاکستری پس زمینه و اطلاعات جغرافیایی داده های سیستم مورد نیاز است. در نتیجه ، این روش برای صحنه های عمومی مناسب نیست.یک وسیله نقلیه همچنین به عنوان جعبه 3بعدی با ابعاد عرض و طول و ارتفاع نمایش داده شده است.
مطالعات زیادی انتخاب نمونه از مقادیر زیادی داده های آموزشی را مطالعه کرده اند.Zhou و همکارانش روش کاهش نمونه برای متوجه کردن مشکل غیرمتعادل بودن نمونه های SVM پیشنهاد داد.Nie و همکارانش روش فعالی برای انتخاب نمونه های با بیشترین نمایندگی و نمایان گری (منظور جامع بودن نمونه ها به نمایندگی از بقیه نمونه ها) برای برچسب زدن در مرحله آموزش فعال اولیه برای کاهش کارها و وظایف دستی و غیرخودکار پیشنهاد داد.آنها از روش تکرار برای انتخاب زیرمجموعه های نمونه های با نمایندگی بیشتر با استفاده از نرم ها و استانداردهای موثر و ایجاد کننده پراکندگی استفاده کردند.با این وجود این روش هنوز زمان بر است.
معمولا دو عیب و نقص روش های تشخیص ماشین با استفاده از مدل صریح و روشن مشخص و واضح است.اول، تشخیص معمولا بر اساس لبه های مشخص شده است که منجر به نامستحکم بودن در برابر نویز و پس زمینه پیچیده می شود .دوم ، این روش ها عملکرد ضعیفی در حالات انسداد جزیی و تغییرات شکل دارند چرا که مدل های ماشین ها از قبل بصورت شدید و استواری تعریف شده اند.اکثر روش های تشخیص ماشین بروز( حتی نرم افزار های تجاری) برای حس از دور دست تصاویر، از مدل ضمنی بدلیل توانایی تعمیم بهتر آن استفاده می کنند
ولی روش های موجود که مدل ضمنی را استفاده می کنند هنوز از 2 مشکل زیر رنج می برند.
اول اکثر روش ها بر اساس پیکسل هستند و یا از یک پنجره لغزنده با مرحله لغزنده حین تشخیص استفاده می کنند. روش های مبتنی بر پیکسل محاسبات سنگینی دارند. علاوه بر این، این روش ها باید پیکسل های تشخیص داده شده را به یک عکس تک بازترکیب کنند که وقتی وسایل نقلیه در محدوده نزدیک بهم پارک شده باشند امری سخت و مشکل می شود.در روش های پنجره لغزنده، مرحله و گام لغزنده سرعت پردازش و نرخ فراخوانی تشخیص را تحت تاثیر قرار می دهد.یک گام لغزنده بزرگ ممکن است باعث سرعت زیاد پردازش شود ولی باعث کاهش در نرخ فراخوانی می شود.یک گام لغزنده کوچک ممکن است نرخ فراخوانی را کاهش دهد ولی منجر به هزینه محاسباتی زیاد می شود.برقراری تعادل بین نرخ فراخوانی تشخیص و سرعت پردازش مشکل است.استراتژی کارآمدتر اسکن کردن برای بهبود کارایی اسکن کردن مطلوب است.
دوم، نمونه های آموزشی بصورت دستی یا حتی تصادفی انتخاب شده اند.انتخاب دستی نمونه های آموزشی زمان بر است. برای تشخیص وسایل نقلیه در تصاویر هوایی ،پس زمینه پیچیده باعث تعداد زیاد نمونه های منفی می شود که انتخاب دستی زیرمجموعه آموزشی منفی بهینه را دشوار می سازد.با در نظر گرفتن روش انتخاب تصادفی،ممکن است باعث ایجاد عملکرد غیر پایدار شده و معمولا به عملکرد بهینه دست نمی یابد.روش کارآمد انتخاب نمونه های آموزشی نیازمنده بوجود آمدن است.
در نتیجه، نیاز زیادی برای استخراج روشی برای حل 2مورد بالا وجود دارد.

3. راه حل پیشنهادی
A. چارچوب
همانگونه که در شکل 1 نشان داده شده استچارچوب کلی روش پیشنهادی ما شامل 2 مرحله آموزش فرهنگ جامع و تشخیص ماشن است.در مرحله آموزش، تصاویر آموزشی ابتدا توسط روش تولید سوپرپیکسل به سوپرپیکسل ها تقسیم می شود.بر اساس مراکز سوپرپیکسل ها ،قطعات مهم را به عنوان مجموعه آموزشی تولید میکنیم.سپس زیرمجموعه آموزشی کوچکی برای شروع اولیه فرهنگ پراکنده کوچک انتخاب میکنیم.در روش ما ، شبکه توصیف کنندگانHOG قطعات ، به عنوان ورودی فرهنگ و دیکشنری استخراج می شوند. توسط دیکشنری آموزش یافته ،شباهت بین نمونه های آموزشی باقی مانده و ماشین ها را تخمین میزنیم.نمونه های منفی با بالاترین شباهت و نمونه های مثبت با کمترین شباهت برای افزوده شدن به زیرمجموعه آموزشی انتخاب می شوند تا یک دیکشنری جدید را برای تکرار بعدی انتخاب نمونه ها آموزش دهد.تکرار انتخاب نمونه های آموزشی تا رسیدن به همگرایی ادامه می یابد.در این مقاله 2 وضعیت به عنوان حالات همگرایی مد نظر قرار گرفته اند. اول دیکشنری آموزش یافته شامل بیش از 2000 ایتم و جز است.دوم دقت طبقه بندی تصاویر ازمایشی در نرخ فراخوانی 0.7 بیش از 80 درصد است. زمانی که همگرایی اتفاق افتاد،دیکشنری ارائه پراکنده را برای شناسایی وسایل نقلیه بکار میگیریم.
در مرحله تشخیص، تصویری آزمایشی ابتدا به سوپر پیکسل هایی که بر اساس مراکز آن ها تصویر آزمایشی را با کارایی بالا اسکن می کنیم، بخش بندی می شوند .براساس کد های پراکنده در طی اسکن کردن، کاندید های قطعات به ماشین ها و پس زمینه طبقه بندی می شود.

B. بخش بندی سوپرپیکسل
در روش پیشنهادی ما ،بخش بندی سوپرپیکسل یک مرحله مهم است. شکست بخش بندی سوپرپیکسل تعریف شده به عنوان قطع ارتباط بین بخش بندی ها،دقت مکان اسکن کردن و عملکرد تشخیص را تحت تاثیر قرار می دهد. برای بدست آوردن بخش بندی سوپرپیکسل با شکست کم ، روش بخش بندی سوپرپیکسل که مخصوص چارچوب خودمان طراحی شده را ارائه کردیم.

زمانبندی آگاهی از پوشش در شبکه های حسگر بی سیم: یک رویکرد قرار گیری بهینه

Coverage Aware Scheduling in Wireless Sensor Networks: An Optimal Placement Approach

Abstract

Area coverage is an important issue in wireless sensor networks, which reflects how well an area is monitored or tracked by sensors. But, since a sensor network has restricted energy resources, energy efficiency is vital for this area coverage. One of the most efficient solutions to provide energy-aware area coverage is scheduling. That is, without any assumption about sensors’ locations, only a distributed and parallel scheduling method determines which sensors should be on and which ones should be off in each decision period. The ultimate objective is to maximize network lifetime and keeping a target level of area coverage. A major part of the algorithms proposed in this field, schedule a sensor node activity based on its neighbors’ information. Such information includes the distances of a node from its neighbors, the number of its active neighbors, etc. Indeed, message exchange is essential in the implementation of these algorithms which causes to increased energy consumption. In this paper, we propose a distributed scheduling algorithm, at which, each node itself decides to make its sensor on or off based on its location information and the node density over the target area. For this purpose, we first compute the minimum number of nodes that are enough to cover the target area. Then we obtain the best locations for theses nodes. Based on these computed location the area is partitioned into some sub-area, each one coverable by only one sensor. Then in each sub-area, a local scheduling procedure schedules the activation order of sensor. Simulation results show that the proposed algorithm, called CAOP, can maximize the network lifetime while maintaining complete area coverage.

1 Introduction

Wireless sensor networks (WSNs) consist of small-sized sensor nodes [1] and have been used in many applications such as vehicle tracking, danger alert and battlefield surveillance. Generally the wireless sensor nodes are equipped with finite power batteries that can be deployed cheaply and rapidly for monitoring the environment events. In such a network replacing node battery is impossible, hence, in order to prolong the network lifetime and to keep a high degree of reliability, a type of redundancy is provides by deploying a high density of sensors [2]. But, if all the sensor nodes are active at the same time, a major part of nodes’ energy will be consumed due to an extra amount of message exchanges. Obviously, this can lead to fast depletion of nodes’ energy and ending the network life. To prevent the nodes from unnecessary activities, we can use some scheduling algorithms. Scheduling algorithms are applied to schedule nodes to be activated alternatively to save the overall energy of the system. These scheduling algorithms are often aware of some design goals such as connectivity, coverage, energy saving and so on. That is, since the scheduling policy makes some sensors on and makes others off, naturally it may cause to reduced connectivity and coverage. Hence, a subset of nodes that are kept active for sensing and communication must ensure coverage, connectivity and other design objectives.

The coverage concept is one of the most fundamental issues in WSNs, which directly affects the quality of service (QoS). The coverage indicates how well the deployed sensor nodes can track a set of targets. Sensor activation scheduling under constraint on covering of targets is called the coverage problem in the literature. Generally, there exist three types of coverage in a WSN: point coverage, barrier coverage and area coverage [3]. Point coverage refers that the separate target points can be covered at any time [4]. The objective of barrier coverage is to minimize the probability of undetected penetration through the sensor network [3]. In the area coverage problem, the goal is to cover some areas. In all the proposed solutions the goal is to find a minimum set of active nodes that can maintain coverage and connectivity of the network in a suitable level while the consumption of the energy by the sensor nodes is as balanced as possible.

By far, many coverage scheduling algorithms have been proposed. Some of these algorithms [5] assume that the nodes know their locations by using some devices or techniques. Others [6] adopt that the distances between nodes can be achieved by using the received signal strengths. Some others [7] consider some mobile nodes with controllable mobility. Some other researchers have also suggested coverage control algorithms without usage of any location, distance or angle information of the sensor nodes.

From other point of view, a sensor activity scheduling algorithm can be either centralized or distributed. A distributed scheduling protocol can be easily expanded to largescale sensor networks, so it is more desirable. It is often assumed in these protocols that the time is divided into rounds. At the beginning of each round, all sensor nodes wake up and must make their activity decisions the current round. This decision stage is based on the message exchanges. Moreover, at the end of a round, all sensors must be activated and decision stage is required to be repeated in the next round. Athwart, the power consumption rate of the message exchanges may be very high, if the network scale is great.

This paper assumes that any sensor node knows its location and then tries to design an energy-aware area coverage scheduling algorithm. The proposed algorithm follows a distributed approach and is called Coverage Aware scheduling for Optimal Placement of sensors (CAOP). Its design goal is to maintain area coverage and to prolong the network lifetime by efficient energy consumption. Rest of this paper is organized as follows. In the next section, some existing schedulingbased algorithms in WSN coverage problem are reviewed. Section 3 brings the required preliminaries for this work. In Sect. 3, the proposed algorithm (CAOP) is given. Section 4 evaluates the performance of the proposed algorithm and compares its outcomes with other related works. Finally, in Sect. 5, this paper is concluded.

برآورد دینامیک پایداری سیستم توان در پیاده سازی های مختلف فیلتر کالمن

Dynamic Estimation of Power System Stability in Different Kalman Filter Implementations

Abstract

Voltage collapse is still the biggest threat to the transmission system. There are many approaches that have been explored to predict the point of voltage collapse. However, it is still lacking of information that related to current system state. With the advancement of Phasor Measurement Units (PMUs) technology, it provides an alternate pathway to improve the existing power system state estimation. Hence, it was of interest to develop better methods that could give a preliminary warning before the voltage collapse. This paper concerns for the development of real-time system monitoring methods to give a timely warning in the power system. The algorithm to predict the points of collapse is based on the assumption that voltage instability is closely related to the maximum load ability of a transmission network. Therefore, the Thevenin impedance is equalled to the apparent load impedance at the points of collapse. Numerous methods such as Discrete Kalman Filter (DKF), Extended Kalman Filter (EKF) and Unscented Kalman Filter (UKF) are being implemented into the realtime voltage instability predictor to track the Thevenin parameters. The test results are tested on Malaysia’s power system 132 kV – 2-bus and 10-bus systems. The results are compared based on the early-warning index of voltage collapse. The results of DKF method are set as the reference for comparison purpose between EKF method and UKF method. The test results shown that EKF method provided better results by decreasing of 0.1169 p.u. for 2-bus system and 0.0338 p.u. for 10-bus system. In the meanwhile, UKF method provided increasing values of 0.4262 p.u. for 2-bus system and 0.1522 p.u. for 10-bus system. The overall purpose of this research is to develop methods that in provide early warning for an emerging stability problem. In order to achieving the research’s objectives, derivation of the index for early warning of the point of collapse is completed. The performance of each method used throughout this research is based on the analyzed results for the points of voltage collapse.

1 Introduction

With the growing of demand in power system, voltage instability problem has become a challenge to power system operator. Load growth without a corresponding increase of transmission capacity has brought many power systems closer to their voltage stability boundaries, which leads to voltage instability problems increase. Moreover, the stable system contributes to reliability and reduction in system loss. Hence the voltage instability problem has received a lot of attention not only from researchers but also from the industry. Thus, a continuous real-time voltage margin monitoring system is required to predict the distance from the point of voltage collapse.

The Malaysia power system is equipped with Phasor Measurement Units (PMUs). The implementation of the PMU technology in real power systems is under the process currently. By referring to the announcement on the increase of electricity tariff as in [1], the continually increasing in load demand and fuel cost leads to urgent needs to improve operational efficiency’s utilization of transmission and distribution assets and reduction of losses. Therefore, Tenaga Nasional Berhad-Transmission (TNB-T) and TNB-Research (TNB-R) have joint collaboration in a 5-years research and development project on Wide-Area Intelligent Systems (WAIS) to enhance security and reliability of the power system network, and hence to provide system operators with realtime information on proximity of the system to voltage collapse as stated in [2].

The existing transmission lines have been equipped with the protection and countermeasure systems to prevent from a collapse. Hence, the actual data from the applied PMUs will never find any collapse in the system. Therefore, fault occurrence or tripping on the bus will be created in the simulation by using Real-Time Digital Simulator (RTDS). The PMUs simulated data obtained from TNB-R are in the form of voltage and current, which refer to its magnitude and angle. For the time being, TNBR is using the latest PMUs technology that able to measure 50 samples per second. The experimental performance of simulation was conducted at TNB-R with the 132 kV system with 2-bus and 10-bus systems. The limitation of this project is due to the communication channels at some TNB substations of interest are not fully configured, thus the measurements based on actual data streams are still impossible at the moment. Therefore, the results shown are based on input from simulations.

This paper will address the overviews of voltage stability in the next section. Third section will include the development of methodology and technique used in this research. The fourth section will show the results and discussion. The conclusion is shown in the last section.

نظارت و تشخیص تشنج نوزادی با پردازش سیگنال ویدیویی

Monitoring and Diagnosing Neonatal Seizures by Video Signal Processing

چکیده
اپراتورهای بالینی در یکی از سخت ترین زمینه های مراقبت های بهداشتی، یعنی مغز و اعصاب نوزادان، باید به صورت روزانه، حملات صرعی را تشخیص دهند. بسیاری از نوزادان مبتلا به بیماری ها در هنگام تولد در معرض خطر تشنجات نوزادی قرار دارند که شایع ترین نشانه اختلالات حاد عصبی است و باید فورا و با دقت به منظور درمان به موقع شناخته شود. روش های تشخیصی سنتی مبتنی بر نظارت ElectroEncephaloGraphic (EEG). با این حال، تجزیه و تحلیل EEG نوزادان، یک روش بسیار تخصصی و وقت گیر است و به مهارت های خاصی نیاز دارد که همیشه به راحتی در بخش های مراقبت ویژه نوزادان (NICUs) در دسترس نیستند. بنابراین، روش های تشخیصی غیر تهاجمی، زمان واقعی، خودکار، کم هزینه، گسترده و تجهیزات توانمند در شناخت قابل اعتماد تشنجات نوزادی، از ارزش قابل توجهی در NICUs برخوردار می باشند.
در حالی که اهمیت تشخیص سریع حضور تشنج نوزادان روشن است، هیچ روش واقعی برای تشخیص یا شناسایی اولیه چنین رفتارهای بیمارگونه و در حال حاضر هیچ ابزار در دسترسی برای پیش بینی آنها وجود ندارد. تنها روش در دسترس و قابل اعتماد، EEG است که نسبتا تهاجمی است و اجرا و تفسیر آن به پرسنل پزشکی به خوبی آموزش دیده نیاز دارد.
یک جایگزین بسیار جذاب، با توجه به EEG، شناسایی خودکار حضور تشنج شامل کسب، از طریق یک دوربین فیلمبرداری، حرکات بدن نوزاد و پردازش درست سیگنال ویدیویی مربوطه می شود. هدف از یک الگوریتم پردازش تصویر موثر، تشخیص حرکات “غیر معمول” نوزاد است. هدف از تشخیص خودکار و طبقه بندی تشنجات نوزادان از طریق یک دوربین فیلمبرداری، جایگزینی کامل EEG نیست (هنوز برای تشخیص دقیق مورد نیاز است)، بلکه ساختن یک تشخیص زمان واقعی، کم هزینه، اولیه، خودکار بر اساس جنبه های بالینی تشنجات نوزادان است. به عبارت دیگر، یک سیستم مبتنی بر دوربین فیلمبرداری خودکار می تواند برای نظارت دائم برای هر بیمار در بخش مراقبت نوزادان مورد استفاده قرار گیرد، در حالی که تنها زمانی EEG برای تشخیص قطعی نیاز می شود که این سیستم، با احتمال بالا، حضور بالقوه تشنج را نشان دهد. برای این منظور، چند روش توسعه یافته در بخش مهندسی اطلاعات، در همکاری با وزارت علوم اعصاب، هر دوی دانشگاه پارما (ایتالیا)، پیشنهاد شده است: روش های مبتنی بر دوره تناوب، مبتنی بر طبقه بندی و مبتنی بر-خوشه بندی.

Abstract

Clinical operators in one of the most difficult health care fields, namely neonatal neurology, on a daily basis have to face the diagnosis of epileptic seizures. Most of the neonates affected by perinatal diseases are at risk of neonatal seizures, which are the most common sign of acute neurological dysfunctions and must be promptly and accurately recognized in order to establish timely treatments. Traditional diagnostic methods are based on ElectroEncephaloGraphic (EEG) monitoring. The neonatal EEG analysis is, however, a very specialistic and time-consuming technique which requires particular skills not always easily available in Neonatal Intensive Care Units (NICUs). Therefore, non-invasive, real-time, automated, low-cost, wide-scale diagnostic methods and equipments capable of reliably recognizing neonatal seizures would be of significant value in the NICUs.

Whilst the importance of promptly diagnosing the presence of neonatal seizures is clear, there are no actual methods to early recognize or detect such pathological behaviors, nor currently available instruments to predict them. The only available and reliable method is the EEG, which is moderately invasive and needs well-trained medical personnel to be correctly administered and interpreted.

A very appealing alternative, with respect to the EEG, to automatically detect the presence of seizures consists in acquiring, through a video camera, the movements of the newborn’s body and properly processing the relevant video signal. The goal of an effective image processing algorithm is the detection of “unusual” movements of the newborn. The aim of automatic detection and classification of neonatal seizures through a video camera is not to completely replace the EEG (still required for accurate diagnosis), but to make a realtime, low-cost, preliminary, automatic diagnosis based on clinical aspects of neonatal seizures. In other words, an automatic video camera-based system could be used to permanently monitor every patient in the neonatal care unit, whereas the EEG would be required for a definitive diagnosis only when the system indicates, with high probability, the potential presence of seizures. For this purpose several approaches, developed at the Department of Information Engineering, in collaboration with the Department of Neurosciences, both of the University of Parma (Italy), have been proposed: periodicity-based, classification-based and clustering-based approaches.