Diagnosis progresiva en el tiempo de sistemas dinámicos

Sistemas Cualitativos y Diagnosis (Alonso González and Rodríguez Diez, 1999) Alonso González, C. J. and Rodríguez Diez, J. J. (1999). A graphical rule language for continuous dynamic systems. In Mohamma dian, M., editor, Computational Intelligence for Modelling, Control and Automation: CIMCA-99, pages 482-487. IOS Press. [de Kleer et al., 1992) de Kleer, J., Mackworth, A. K., and Reiter, R. (1992). Characterising diagnosis and systems. In Readings in Mo del Based Diagnosis, pages 54-65. Morgan Kauffman. original.ly appeared in Artificial Intelligence, 56. (Dressler and Struss, 1996] Dressler, O. and Struss, P. (1996). The consistency-based a proach to automated diagnosis of devices. In Brewka, G., editor, Principies o/ Knowledge Representation. CSLI Publications. (Freund and Schapire, 1996) Freund, Y. and Schapire, R. (1996). Experiments with a new boosting algorithm. In 19th Intemational Conference om Machine Learning (ICML- 96), pages 148-156. [Pulido Junquera and Alonso González, 2000] Pulido Junquera, B. and Alonso González, C. J. (2000). An alternative approach to dependency-recording engines in consistency-based diagnosis. In Cerri, S. A. and Dochev, D., editors, Artificial Intelligence: Methodology, Systems and Applications, 9th International Conference, AIMSA 2000, pages 111-121. Springer. (Rodríguez et al., 2001) Rodríguez, J. J., Alon so, C. J., and Bostrom, H. (2001}. Boos ting interval based literals. Intelligent Data Analysis, 5(3):245-262. [Rodríguez Diez et al., 2001) Rodríguez Diez, J. J., Alonso González, C. J., and Moro San cho, Q. l. (2001). Clasificación de patrones temporales en sistemas dinámicos median te boosting y alineamiento dinámico temp ral. In Alonso, C. and Ortega, J. A., editors, Diagnosis, Razonamiento Cualitativo y Sis temas Socioeconómicos, pages 175-182. Edi ción Digital @tres. (Roverso, 2000] Roverso, D. (2000). Multiva riate temporal classification by windowed wavelet decomposition and recurrent neural networks. In 9rd ANS International Topical Meeting on Nuclear Plant Instrumentation, Control and Human-Machine Interface. 110 [Schapire, 1999) Schapire, R. E. (1999). A brief introduction to boosting. In Dean, T., editor, 16th International Joint Conference on Ar tificial Intelligence (IJCAI-99}, pages 1401- 1406. Morgan Kaufmann. [Schapire and Singer, 1998] Schapire, R. E. and Singer, Y. (1998). Improved boosting al gorithms using confidence-rated predictions. In 11th Annual Conference on Computatio nal Learning Theory (COLT 1998), pages 80-91. ACM. Sistemas Cualitativos y Diagnosis DIAGNOSIS PROGRESIVA EN EL TIEMPO DE SISTEMAS DINÁMICOS Antonio J. Suárez, Pedro J. Abad Departamento de Ingeniería Electrónica, Sistemas Informáticos y Automática. Universidad de Huelva {asuarez, abadhe }@uhu.es J. A. Ortega, Rafael M. Gasea Departamento de Lenguajes y Sistemas Informáticos. Universidad de Sevilla {ortega, gasea }@lsi.us.es Resumen En este trabajo se presenta un nuevo avance en la metodología objeto de estudio_ por los m!smos autores presentada en trabajos anteriores, esta nueva aproximación se basa en reah� detección y diagnosis en momentos tempranos de la evolución de un sistema dinámico, el cual evoluc1ona desde una situación estable a otra distinta también estable, siendo en esos cambios o pulsos de control en los momentos en los que el fallo será detectado y posterionnente diagnosticado, esta detección y diagnosis temprana se realizará mediante aprendizaje supervisado, el cual se realiza off�lin:, obteniendo tres árboles de decisión para realizar diagnosis en un tercio, dos tercios y al final del trans1tono. Debemos tener en cuenta que los datos con los que el sistema trabaja pueden obtenerse mediante adquisición del sistema real o mediante simulaciones como es el caso, es de resaltar que las si��J�ciones se han realizado en presencia de ruido, adecuando el exhaustivo tratamiento de los datos a mlllllil1zar en lo posible el impacto de este sobre el aprendizaje. 1.- Introducción En los primeros intentos de realizar diagnosis de sistemas dinámicos se intenta extender a estos las técnicas con las que se obtenian un buen resultado para los sistemas estáticos, como ocurre en los trabajos presentados en [Hamscher'90] o [Dague'91], así como en trabajos más recientes como [Struss'97] que presenta los fundamentos de la diagnosis basada en modelos para los sistemas dinámicos, y [Pulido'Ol] que propone una aproximación basada en consistencias con modelos cualitativos. Una de las técnicas utilizadas para realizar la aproximación aqui presentada son las técnicas basadas en aprendizaje como ocurre en otros trabajos [Pouliezos&Stavrakakis,94] que usa métodos estocásticos, [Venkatusubramanian& Chan,95] que usa técnicas de tipo conexionista y [Leonhart&Ayoubi, 97] sistemas de clasificación, técnica esta última en la que nos basamos para este y otros trabajos presentados con anterioridad por los mismos autores [Abad&Suarez'Ol) [Suarez.&Abad'Ol]. Además de otros trabajos que utilizan técnicas de 111 aprendizaje en sistemas dinámicos como [Alonso'Ol] donde podemos encontrar un modelo de conocimiento para la monitorización de sistemas dinámicos. En esta linea las técnicas de aprendizaje tratan de identificar el comportamiento del sistema basándose en un entrenamiento previo, aprendizaje supervisado. Las técnicas de tipo conexionistas han sido las más ampliamente usadas en diversos campos, como medicina [Simón'Ol] o la producción de energía [Saludes 'O 1] En la clasificación concretamente, nuestra atención se ha centrado en aproximaciones con árboles de decisión [Quinlan'86], en los cuales la clasificación es el resultado de una serie de pasos lógicos. Estas aproximaciones pueden realizar clasificación en los problemas más complejos si tienen datos significativos y en suficiente cantidad. Aplicados a la diagnosis podemos encontrar estos métodos usados para la clasificación de patrones temporales [Rodriguez'Ol] o en trabajos previos al actual [Abad&Suarez'Ol] [Suarez.&Abad'Ol].