Metoda oceny jakości modelu oparta na maszynie wektorów nośnych

pol Article in Polish DOI: 10.14313/PAR_239/35

Łukasz Glodek *, Szymon Bysko *, send Witold Nocoń ** * ProPoint Sp. z o.o. Sp.K., Gliwice ** Politechnika Śląska, Wydział Automatyki, Elektroniki i Informatyki

Download Article

Streszczenie

Celem pracy jest ocena jakości modelu oparta na Maszynie Wektorów Nośnych SVM pod kątem jej przydatności w wirtualnym uruchomieniu – do zastosowania na potrzeby wirtualnego bliźniaka. Przedstawione wyniki badań są ściśle skorelowane z Przemysłem 4.0, którego główną ideą jest integracja inteligentnych maszyn, systemów i informatyki. Jednym z celów jest wprowadzenie możliwości elastycznej zmiany asortymentu oraz zmian w systemach produkcyjnych. Wirtualne uruchomienie może zostać użyte do stworzenia modelu symulacyjnego obiektu, na potrzeby szkolenia operatorów. Jednym z działów wirtualnego rozruchu jest cyfrowy bliźniak. Jest to wirtualna reprezentacja instalacji lub urządzenia, czy też maszyny. Dzięki zastosowaniu wirtualnego bliźniaka, możliwe jest odwzorowanie różnych procesów w celu obniżenia kosztów procesu i przyspieszenia procesu testowania. W pracy zaproponowano współczynnik oceny jakości modelu oparty na SVM. Współczynnik ten bierze pod uwagę wiedzę ekspercką oraz metody używane do oceny jakości modelu – Znormalizowany Błąd Średniokwadratowy NRMSE (ang. Normalized Root Mean Square Error) oraz Znormalizowany Maksymalny Błąd ME (ang. Maximum Error). Wspomniane metody są powszechnie stosowane do oceny jakości modelu, jednak dotychczas nie były używane równocześnie. W każdej z metod uwzględniany jest inny aspekt dotyczący modelu. Zaproponowany współczynnik umożliwia podjęcie decyzji, czy dany model może zostać użyty do stworzenia wirtualnego bliźniaka. Takie podejście pozwala na testowanie modeli w sposób automatyczny lub półautomatyczny.

Słowa kluczowe

cyfrowy bliźniak, jakość dopasowania modelu, klasyfikacja, Maszyna Wektorów Nośnych, wirtualne uruchamianie

Model Quality Assessment Method Based on Support Vector Machine

Abstract

This paper proposes a model quality assessment method based on Support Vector Machine, which can be used to develop a digital twin. This work is strongly connected with Industry 4.0, in which the main idea is to integrate machines, devices, systems, and IT. One of the goals of Industry 4.0 is to introduce flexible assortment changes. Virtual commissioning can be used to create a simulation model of a plant or conduct training for maintenance engineers. On a branch of virtual commissioning is a digital twin. The digital twin is a virtual representation of a plant or a device. Thanks to the digital twin, different scenarios can be analyzed to make the testing process less complicated and less time-consuming. The goal of this work is to propose a coefficient that will take into account expert knowledge and methods used for model quality assessment (such as Normalized Root Mean Square Error – NRMSE, Maximum Error – ME). NRMSE and ME methods are commonly used for this purpose, but they have not been used simultaneously so far. Each of them takes into consideration another aspect of a model. The coefficient allows deciding whether the model can be used for digital twin appliances. Such an attitude introduces the ability to test models automatically or in a semi-automatic way.

Keywords

classification, digital twin, model goodness of fit, SVM, virtual commissioning

Bibliography

  1. Hellendoorn H., Driankov D., Fuzzy Model Identification: Selected Approaches. Lindskog P., Fuzzy Identification from a Grey Box Modeling Point of View. Springer-Verlag, Berlin Heidelberg Nowy Jork, 1997, 3–50, DOI: 10.1007/978-3-642-60767-7_1.
  2. [www.mathworks.com/help], [dostępny 9 kwietnia 2020 r.].
  3. Pal R., Predictive Modeling of Drug Sensitivity. Academic Press, 2016. ISBN: 9780128052747.
  4. Steinwart I., Christmann A., Support Vector Machines. Springer, Nowy Jork, 2008, DOI: 10.1007/978-0-387-77242-4.
  5. Cortes C., Vapnik V., Support-Vector Networks. “Machine Learning”, Vol. 20, 1995, 273–297, Kluwer Academic Publishers, Boston, DOI: 10.1007/BF00994018.
  6. Jain U., Nathani K., Ruban N., Noel A., Raj J., Zhuang Z., Mahesh V.G.V., Cubic SVM Classifier Based Feature Extraction and Emotion Detection from Speech Signals. IEEE, 2018, International Conference on Sensor Networks and Signal Processing (SNSP). DOI: 10.1109/SNSP.2018.00081.
  7. Shapiro D.E., The interpretation of diagnostic tests. “Statistical Methods in Medical Research”, Vol. 8, No. 2, 1999, 113–134. DOI: 10.1177/096228029900800203.
  8. Altman D.G., Bland M.J., Diagnostic tests 2: Predictive values, “BMJ”, Vol. 309, 1994, DOI: 10.1136/bmj.309.6947.102.
  9. Smith C.J., Diagnostic tests 2 – positive and negative predictive values, “Phlebology“, Vol. 27, No. 6, 2012, 305–306. DOI: 10.1258/phleb.2012.012J06.