UMĚLÁ INTELIGENCE V AUTOMOTIVE / David et al.

Transformace dat na relativní hodnoty Při transformaci vstupních údajů na relativní hodnoty se zaměřujeme na zajištění jednotného rozsahu pro následnou analýzu poruchových mechanismů a diagnostiku. Experimentální údaje mohou mít různý charakter v závislosti na diagnostické veličině, kterou zkoumáme, a je proto klíčové zajistit, aby tyto údaje byly v jednotném rozsahu, konkrétně v intervalu od 0 do 1. Tato transformace, v kombinaci s moderními analytic kými nástroji, umožňuje efektivní porovnání a analýzu dat, což je klíčové pro správné určení poruchových mechanismů a následnou optimalizaci výrobních procesů. Jednotlivé data jsou následně rozděleny na základě nejvyšší relevantní hodnoty ve sledovaném výběrovém souboru, přičemž již nebereme v úvahu extrémní odchylky podle Dixonova testu. Poslední maximální hodnota v analyzovaném souboru je nyní 1, což představuje statistické vyjádření distribuční funkce pro konkrétní poruchový me chanismus. Popis funkce rozdělení nebo funkce spolehlivosti. Z analýzy literárních pramenů lze vyvodit, že Weibullovo rozdělení je efektivní pro popis a matematické modelování různých poruchových mechanismů. K popisu těch to mechanismů poruch budeme používat dvouparametrické Weibullovo rozdělení s distribuční funkcí pro spojité náhodné veličiny definovanou následující rovnicí (4.8) [4.18], [4.20], [4.35]: která ve spolehlivosti vyjadřuje pravděpodobnost, že objekt bude plnit požadovanou funkci do okamžiku t a kde: F(t) je distribuční funkce dvouparametrového Weibullova rozdělení; t čas; β parametr tvaru Weibullova rozdělení; η parametr měřítka Weibullova rozdělení. V nově upraveném souboru experimentálních údajů s počátečními nastaveními tříděnými a vyčištěnými je klíčovým cílem získat distribuční funkci pro každou hod notu. Tato distribuční funkce bude sloužit k diagnostikování mechanismu poruchy prostřednictvím parametrů Weibullova rozdělení. Počáteční nastavení budou postupně modifikována podle navrženého algoritmu s cílem dosáhnout reprezentace diagnosti kovaného mechanismu poruchy. Tento proces bude založen na postupných úpravách parametrů, které budou vyhodnoceny a upraveny na základě získaných dat a analýzy vstupních informací. Algoritmus bude systematicky upravovat nastavení tak, aby co nejpřesněji odpovídalo diagnostikované poruše a umožnilo efektivní identifikaci a řeše ní problému. [4.19]

46