Abstrakt
Monitoring plays an important role in advanced control of complex dynamic systems. Precise information about system's behaviour, including faults detection, enables efficient control. Proposed method- Kernel Principal Component Analysis (KPCA), a representative of machine learning, skilfully takes full advantage of the well known PCA method and extends its application to nonlinear case. The paper explains the general idea of KPCA and provides an example of how to utilize it for fault detection problem. The efficiency of described method is presented for application of leakage detection in drinking water systems, representing a complex and distributed dynamic system of a large scale. Simulations for Chojnice town show promising results of detecting and even localising the leakages, using limited number of measuring points
Autorzy (2)
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- materiały konferencyjne indeksowane w Web of Science
- Opublikowano w:
-
LECTURE NOTES IN COMPUTER SCIENCE
nr 6922,
strony 497 - 506,
ISSN: 0302-9743 - Tytuł wydania:
- 3rd International Conference on Computational Collective Intelligence. Technologies and Applications strony 497 - 506
- Język:
- angielski
- Rok wydania:
- 2011
- Opis bibliograficzny:
- Nowicki A., Grochowski M..: Kernel PCA in Application to Leakage Detection in Drinking Water Distribution System, W: 3rd International Conference on Computational Collective Intelligence. Technologies and Applications, 2011, ,.
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 103 razy
Publikacje, które mogą cię zainteresować
MultiRegional PCA for leakage detection and localisation in DWDS - approach
- A. Borowa,
- K. Mazur,
- M. Grochowski
- + 2 autorów
Leakage detection and localisation in drinking water distributionnetworks by MultiRegional PCA
- K. Duzinkiewicz,
- A. Borowa,
- K. Mazur
- + 3 autorów