Reliable information fusion methods for condition monitoring

In vielen Anwendungsbereichen müssen zuverlässige Entscheidungen getroffen werden, um die Sicherheit zu erhöhen, die Funktionalität zu gewährleisten oder Kosten zu senken. Insbesondere im Bereich der Zustandsüberwachung ist die Bewertung von Situationen, Bedingungen oder Zuständen die Hauptaufgabe des Überwachungssystems.</br> Zahlreiche Klassifikationsalgorithmen wurden entwickelt, um die Klassifikation von Situationen, Bedingungen oder Zuständen zu unterstützen. Die Leistung einzelner Klassifikationsalgorithmen variiert unter anderem mit den verwendeten Datensätzen, den verfügbaren Trainingsdaten für überwachte Klassifikatoren und der Hyperparameterabstimmung.</br> Das Problem, nur einen Klassifikator zu verwenden, der speziell für bestimmte Situationen trainiert wurde, aber für nicht trainierte, unbekannte Situationen nicht geeignet ist, wird durch die Verwendung von Fusionsmethoden überwunden. Die Zuordnungen einzelner Basisklassifikatoren werden kombiniert, um die Gesamtzuverlässigkeit zu verbessern.</br> Ähnlich wie bei den Klassifikationsalgorithmen führt Fusion nicht für jeden Datensatz, jede Klassifikatorauswahl oder jede Fusionsmethode zu zufriedenstellenden Ergebnissen.</br> Die Analyse von Eigenschaften, die das Fusionsergebnis beeinflussen, ist das Hauptthema dieser Arbeit. Dies umfasst zum einen die Analyse mit unterschiedlichen Datensätzen, die verschiedene Eigenschaften aufweisen (wie z. B. Anzahl der Klassen, etc.) und aus verschiedenen Anwendungsbereichen stammen, unter anderem aus der Zustandsüberwachung. Diese Daten werden unter Verwendung verschiedener Standardklassifikatoren mit Standardparametern klassifiziert, um die Analyse der Klassifikatoren an sich von den Untersuchungen auszuschließen. Verschiedene Ensembleauswahlstrategien werden betrachtet, um den Einfluss der Klassifikatoreigenschaften der Ensemblemitglieder auf die Gesamtfusionsperformanz zu untersuchen. Die Leistung der einzelnen Basisklassifikatoren sowie das für die Fusion verwendete Leistungsmaß werden variiert, um den Einfluss auf das Gesamtergebnis zu zeigen. Die Eigenschaften der Fusionsmethoden sowie die Datenmerkmale werden in Bezug auf ihren Einfluss auf die Genauigkeit der Ergebnisse untersucht.</br> Die Ergebnisse zeigen, dass Fusion die Gesamtperformanz verbessern kann, jedoch nur unter bestimmten Umständen. In dieser Arbeit wird der Zusammenhang zwischen verschiedenen Ensembleauswahlstrategien, der optimalen Anzahl und Eigenschaften der augewählten Klassifikatoren, der Dateneigenschaften sowie den Eigenschaften der Fusionmethoden und der Gesamtzuverlässigkeit untersucht. </br>Ziel ist, die Bedingungen unter denen die Fusionsmethoden zu einer Verbesserung der Gesamtzuverlässigkeit führen bzw. unter denen es keinen Sinn ergibt, Fusion anzuwenden, zu bestimmen.
Reliable decisions have to be made in several application fields to enhance safety, ensure functionality, or save costs. Especially in the field of condition monitoring, the evaluation of situations, conditions, or states is the main task of the monitoring system. Several classification approaches were developed to assist classifying situations, conditions, or states.</br>The performance of individual classification approaches vary among others with the applied data sets, available training data for supervised classification approaches, and hyperparameter tuning. To overcome the problem of using only one classifier especially trained for specific situations, but performing not well for not trained unknown situations, fusion methods combine the assignments of individual base classifiers to improve the overall reliability. Similar to the classification approaches, fusion is not working well for every data set, classifier ensemble, or fusion method.</br> The analysis of characteristics influencing the fusion performance is the main topic of this thesis. This includes the analysis using different data with several characteristics (e.g number of classes, etc.) and originated from different application fields, also from condition monitoring approaches. These data are classified using different standard classification approaches with default parameters to exclude the analysis of classification approaches from the considerations. Several ensemble selection strategies are considered to examine the impact of the classifier properties of the ensemble members on the overall fusion performance. The performance of the individual base classifiers as well as the performance measure used for fusion are altered to show the influence on the overall result. Fusion method characteristics as well as data characteristics are examined related to their amount of influence on the performance.</br> The results show, that fusion can improve the overall performance, but only for specific circumstances. In this thesis the relationship between different ensemble selection strategies, the optimal number and properties of the selected classifiers, the data characteristics as well as the properties of the fusion methods and the overall reliability is investigated.</br> The aim is to determine the conditions under which the fusion methods lead to an improvement in the overall reliability or under which it makes no sense to apply fusion.

Vorschau

Zitieren

Zitierform:
Zitierform konnte nicht geladen werden.

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten