Title
Примена вештачке интелигенције у изражавању мерне несигурности неитеративног алгоритма за акустичко лоцирање парцијалног пражњења у минералном уљу
Creator
Polužanski, Vladimir S., 1982-
CONOR:
103733001
Copyright date
2023
Object Links
Select license
Autorstvo-Nekomercijalno 3.0 Srbija (CC BY-NC 3.0)
License description
Dozvoljavate umnožavanje, distribuciju i javno saopštavanje dela, i prerade, ako se navede ime autora na način odredjen od strane autora ili davaoca licence. Ova licenca ne dozvoljava komercijalnu upotrebu dela. Osnovni opis Licence: http://creativecommons.org/licenses/by-nc/3.0/rs/deed.sr_LATN Sadržaj ugovora u celini: http://creativecommons.org/licenses/by-nc/3.0/rs/legalcode.sr-Latn
Language
Serbian
Cobiss-ID
Theses Type
Doktorska disertacija
description
Datum odbrane: 23.20.2109.
Other responsibilities
Academic Expertise
Tehničko-tehnološke nauke
University
Univerzitet u Beogradu
Faculty
Elektrotehnički fakultet
Alternative title
Application of artificial intelligence to express the measurement uncertainty of non-iterative algorithm for the acoustic location of partial discharge in mineral oil
Publisher
[В. Полужански]
Format
140 листова
description
Техничке науке – електротехника - Вештачка интелигенција, Метрологија / Technical science – Electrical engineering - Artificial intelligence, Metrology
Abstract (sr)
Стандардне методе за акустичко лоцирање парцијалног пражњења у минералном
уљу користе претпоставку о константној вредности температуре минералног уља при
изражавању резултата. Истраживањем у оквиру докторске дисертације се таргетира
оправданост коришћења дате претпоставке у неитеративном алгоритму на нови начин, са
аспекта мерне несигурности. Резултат предметног истраживања је квантификација утицаја
промене температуре минералног уља на буџет комбиноване мерне несигурности
неитеративног алгоритма применом метода вештачке интелигенције, као и утврђивање
значајности односно доприноса других улазних параметара (релативна конфигурација
сензора и извора, коришћени модел машинског обучавања) у буџету мерне несигурности. У
сврху формирања и имплементације поступка квантификације доприноса промене
температуре минералног уља комбинованој мерној несигурности неитеративног алгоритма,
развијен је наменски софтверски агент са обучавањем (машинским учењем). На основу
вредности коефицијента детерминације R2, употреба метода машинског обучавања је
унапредила процену доприноса температуре минералног уља буџету мерне несигурности
неитеративног алгоритма за више од два пута. Међутим, дата примена метода машинског
обучавања (вештачке интелигенције) је проузроковала нови извор мерне несигурности који
потиче од самог модела машинског обучавања. За изражавање мерне несигурности модела
машинског обучавања предложен је нови поступак на основу изражавања мерне
несигурности типа Б и аналогије између модела машинског обучавања и мерног уређаја.
Валидација резултата софтверског агента је спроведена на моделу у лабораторијским
условима. Истраживања су у складу са трендом коришћења софтверских алата и метода
вештачке интелигенције у оптимизацији решавања нелинеарних проблема код којих се до
решења не може доћи аналитичким методама на једноставан (познат) начин. Циљ
истраживања је унапређење неитеративне све-акустичке методе преко подизања нивоа
статистичке сигурности и поузданости резултата мерења применом наменског софтверског
агента. Унапређени алгоритам могу користити стручњаци који се баве стандардизацијом
метода, који врше испитивања опреме у лабораторијама, погонима и на терену, код које се
користи минерално уље као изолациони материјал. Нови предложени поступак за
одређивање мерне несигурности регресиoног модела машинског обучавања није ограничен
на скуп података из предметног истраживања већ се може користити у свим сличним
регресионим моделима укључујући и оне који користе концепт великих података (енгл. big
data) за обучавање.
Abstract (en)
Standard acoustic methods for locating partial discharge in mineral oil use the
assumption of a constant oil temperature when expressing the results. The research within the
doctoral dissertation targets the justification of using the given assumption in the non-iterative
algorithm in a novel way from the aspect of measurement uncertainty. The result of the subject
research is the quantification of the influence of the change in mineral oil temperature on a budget
of the combined measurement uncertainty of the non-iterative algorithm using artificial intelligence,
as well as the determination of the significance of the contribution of other input parameters
(relative configuration of sensors and partial discharge, the used machine learning model) in the
budget of measurement uncertainty. A dedicated software agent with machine learning was
developed to create and implement a procedure for quantifying the contribution of mineral oil
temperature changes to the combined measurement uncertainty of the non-iterative algorithm.
Based on the value of the coefficient of determination R2, machine learning methods improved the
estimation of the contribution of mineral oil temperature to the measurement uncertainty budget of
the non-iterative algorithm by more than two times. However, the application of machine learning
(artificial intelligence) has caused a new source of measurement uncertainty that originates from the
machine learning model. A novel procedure to express the measurement uncertainty of the machine
learning model was proposed based on the type B measurement uncertainty and the analogy
between a machine learning model and a measuring device. The validation of the results of the
software agent was carried out on the actual model in laboratory conditions. Research is in line with
the trend of using software tools and artificial intelligence methods to optimize non-linear problems
where the solution cannot be reached by analytical techniques in a straightforward (known) way.
The research aims to improve the non-iterative all-acoustic method by increasing the statistical
certainty and reliability of measurement results using a dedicated software agent. The improved
algorithm can be used by experts who standardize methods and perform equipment tests in
laboratories, plants, and the field, where mineral oil is used as an insulating material. The novel
proposed procedure for determining the measurement uncertainty of the machine learning
regression model is not limited to the data set from the subject research but can be used in all
similar regression models, including those that use big data for training.
Authors Key words
вештачка интелигенција, машинско учење, Монте Карло метода, мерна
несигурност, неитеративни алгоритам, парцијално пражњење, акустичка мерења, изолационо
минерално уље, температура минералног уља, софтверски агент
Authors Key words
artificial intelligence, machine learning, Monte Carlo method, measurement
uncertainty, non-iterative algorithm, partial discharge, acoustic measurements, insulating mineral
oil, mineral oil temperature, software agent
Classification
004.85:681.88(043.3)
Type
Tekst
Abstract (sr)
Стандардне методе за акустичко лоцирање парцијалног пражњења у минералном
уљу користе претпоставку о константној вредности температуре минералног уља при
изражавању резултата. Истраживањем у оквиру докторске дисертације се таргетира
оправданост коришћења дате претпоставке у неитеративном алгоритму на нови начин, са
аспекта мерне несигурности. Резултат предметног истраживања је квантификација утицаја
промене температуре минералног уља на буџет комбиноване мерне несигурности
неитеративног алгоритма применом метода вештачке интелигенције, као и утврђивање
значајности односно доприноса других улазних параметара (релативна конфигурација
сензора и извора, коришћени модел машинског обучавања) у буџету мерне несигурности. У
сврху формирања и имплементације поступка квантификације доприноса промене
температуре минералног уља комбинованој мерној несигурности неитеративног алгоритма,
развијен је наменски софтверски агент са обучавањем (машинским учењем). На основу
вредности коефицијента детерминације R2, употреба метода машинског обучавања је
унапредила процену доприноса температуре минералног уља буџету мерне несигурности
неитеративног алгоритма за више од два пута. Међутим, дата примена метода машинског
обучавања (вештачке интелигенције) је проузроковала нови извор мерне несигурности који
потиче од самог модела машинског обучавања. За изражавање мерне несигурности модела
машинског обучавања предложен је нови поступак на основу изражавања мерне
несигурности типа Б и аналогије између модела машинског обучавања и мерног уређаја.
Валидација резултата софтверског агента је спроведена на моделу у лабораторијским
условима. Истраживања су у складу са трендом коришћења софтверских алата и метода
вештачке интелигенције у оптимизацији решавања нелинеарних проблема код којих се до
решења не може доћи аналитичким методама на једноставан (познат) начин. Циљ
истраживања је унапређење неитеративне све-акустичке методе преко подизања нивоа
статистичке сигурности и поузданости резултата мерења применом наменског софтверског
агента. Унапређени алгоритам могу користити стручњаци који се баве стандардизацијом
метода, који врше испитивања опреме у лабораторијама, погонима и на терену, код које се
користи минерално уље као изолациони материјал. Нови предложени поступак за
одређивање мерне несигурности регресиoног модела машинског обучавања није ограничен
на скуп података из предметног истраживања већ се може користити у свим сличним
регресионим моделима укључујући и оне који користе концепт великих података (енгл. big
data) за обучавање.
“Data exchange” service offers individual users metadata transfer in several different formats. Citation formats are offered for transfers in texts as for the transfer into internet pages. Citation formats include permanent links that guarantee access to cited sources. For use are commonly structured metadata schemes : Dublin Core xml and ETUB-MS xml, local adaptation of international ETD-MS scheme intended for use in academic documents.