Sie sind auf Seite 1von 28

Bearing fault, Impeller fault, seal fault and cavitation are the main causes of breakdown in

a mono block centrifugal pump and hence, the detection and diagnosis of these mechanical
faults in a mono block centrifugal pump is very crucial for its reliable operation. Based on a
continuous acquisition of signals with a data acquisition system, it is possible to classify the
faults. This is achieved by the extraction of features from the measured data and employing
data mining approaches to explore the structural information hidden in the signals acquired.
In the present study, statistical features derived from the vibration data are used as the
features. In order to increase the robustness of the classifier and to reduce the data
processing load, dimensionality reduction is necessary. In this paper dimensionality
reduction is performed using traditional dimensionality reduction techniques and nonlinear
dimensionality reduction techniques. The effectiveness of each dimensionality reduction
technique is also verified using visual analysis. The reduced feature set is then classified
using a decision tree. The results obtained are compared with those generated by classifiers
such as Nave Bayes, Bayes Net and kNN. The effort is to bring out the better
dimensionality reduction techniqueclassifier combination.

Keywords
Mono block centrifugal pump; Statistical features; Nave Bayes; Bayes Net; Dimensionality
reduction techniques; Decision tree; Visual analysis

1. Introduction

Condition monitoring is used to find faults at an early stage [10] so that diagnosis and
correction of those faults can be initiated before they become more prominent and lead to
loss in productivity. Unexpected breakdown of mono block centrifugal pump parts increases
the down time and maintenance costs. This has motivated academic researchers and
industrial experts to focus their attention on such studies using the contemporary
techniques and algorithms available in this field.

Bearings fault, impeller fault, seal fault and cavitation [13] can cause serious problems such
as noise, high vibration, leakage etc. and degrade the performance of the mono block
centrifugal pump [12]. In order to keep the pump performing [35] at its best, different
methods of fault diagnosis have been developed and used effectively to detect the machine
faults at an early stage. Vibration analysis is the one of the prime tools to detect and
diagnose mono block centrifugal pump faults [11]. Vibration based pump condition
monitoring and diagnosis involves data acquisition from the mono block centrifugal pump,
feature extraction from the acquired data, feature selection, and interpreting the results.

Different methods and approaches are used for fault diagnosis. Rajakarunakaran et al. [21]
proposed a model for the fault detection of centrifugal pumping system using feed forward
network with back propagation algorithm and binary adaptive resonance network (ART1)
for classification of seven categories of faults in the centrifugal pumping system. In the work
reported by Sakthivel et al. [23]; the use of Support Vector Machines (SVMs) and Proximal
Support Vector Machines (PSVMs) as a tool for accurately identifying and classifying pump
faults was presented. SVM was found to have a slightly better classification capability than
PSVM. Sakthivel et al. [24] presented the use of decision tree and rough sets to generate
rules from statistical features extracted from vibration signals under good and faulty
conditions of a mono block centrifugal pump. A fuzzy classifier is built using decision tree
and rough set rules, tested and the results are compared with those generated by a PCA
based decision tree-fuzzy classifier. Sakthivel et al. [25] reported the use of statistical
features extracted from time domain signals for classification of faults in centrifugal pumps
using decision tree. For the fault classification of mono block centrifugal pump, Sakthivel et
al. [26] have used artificial immune recognition system (AIRS). The fault classification
efficiency of AIRS is compared with hybrid systems such as PCA-Nave Bayes and PCA-
Bayes Net. AIRS was found to outperform other hybrid systems. Wang and Chen [31]
introduced a fault diagnosis method for a centrifugal pump with frequency domain symptom
parameter using wavelet transforms for feature extraction, rough sets for rule generation
and fuzzy neural network for classification to detect faults and distinguish fault types at
early stages. Rafiee et al. [20] illustrated an artificial neural network (ANN)-based
procedure for fault detection and identification in gearboxes using a new feature vector
extracted from standard deviation of wavelet packet coefficients of vibration signals. The use
of vibration signals requires minimum instrumentation but the use of wavelet transforms
increases the computational requirements. M. Zhao et al. [42] employed TR-LDA based
dimensionality reduction technique for fault diagnosis of rolling element bearings. Y. Zhang
et al. [37] proposed an improved manifold learning algorithm by combining adaptive local
linear embedding and recursively applying normalised cut algorithm for nonlinear
dimensionality reduction, which was then proven to be effective in dealing with standard
test data sets as well as on the TennesseeEastman process. D.Q. Zhang et al. [36] proposed
an efficient dimensionality reduction algorithm called semi supervised dimensionality
reduction. Zhang et al. [38], [39] and [40] presented a novel feature extraction technique
called group sparse canonical correlation analysis (GSCCA). M.S. Baghshah et al. [2]
proposed a kernel based metric learning technique that can produce nonlinear
transformation of the input features resulting in better learning performance. Zhang et al.
[38], [39] and [40] proposed an improvement over the Isomap dimensionality reduction
technique called the Marginal Isomap (M-Isomap) which was able to provide better
separation of data clusters. F.P. Nie et al. [17] developed an algorithm to find the global
optimum for the orthogonal constrained trace ratio problem. Yaguo Lei et al. [33] proposed a
system for fault diagnosis of rolling element bearings based on empirical mode
decomposition (EMD), an improved distance evaluation technique and the combination of
multiple adaptive neuro-fuzzy inference systems (ANFISs). Van Tung Tran et al. [30]
discussed a combined fault diagnosis system for induction motor based on classification and
regression tree (CART) algorithm and ANFIS. Yaguo Lei [34] proposed fault diagnosis of
rotating machinery based on statistic analysis and ANFIS. Necla Togun and Sedat Baysec
[16] presented the application of genetic programming (GP) to predict the torque and brake
specific fuel consumption of a gasoline engine. In the work reported by Demetgul [5] fault
diagnosis of pneumatic systems using ANN was presented.

However, to the best of our knowledge, the comparison of traditional dimensionality
reduction techniques with nonlinear dimensionality reduction techniques for fault
classification of a mono block centrifugal pump has not been reported so far. This paper
investigates traditional dimensionality reduction technique PCA and the following nine
nonlinear dimensionality reduction techniques: (1) Kernel PCA, (2) Isomap, (3) Maximum
Variance Unfolding, (4) diffusion maps, (5) Locally Linear Embedding, (6) Laplacian
Eigenmaps, (7) Hessian LLE, (8) Local Tangent Space Analysis, and (9) manifold charting.
These dimensionality reduction techniques are used to transform statistical features
extracted from the pump vibration signals. Decision tree, nave Bayes Bayes Net and kNN
classifiers are then used to classify the faults. The main objectives of the work are:

(i)
To investigate to what extent the nonlinear dimensionality reduction techniques outperform
the traditional PCA on centrifugal pump data sets
(ii)
To find out the best dimensionality reduction techniqueclassifier combination.
2. Experimental studies
2.1. Experimental setup
Fig. 1 shows the schematic diagram of the experimental test rig. The motor (2HP) drives the
pump. The control valve is used to adjust the flow at the inlet and the outlet of the pump.
The inlet valve is used to create pressure drop between the suction and at the eye of the
impeller to simulate cavitation. An accelerometer mounted at the eye of the impeller
(location shown in Fig. 1), is used to measure the vibration signals. This is due to the fact
that the mechanical components under consideration in the present study (seal, impeller,
bearing), are located close to the eye of the impeller.

Full-size image (63 K)
Fig. 1.
Experimental test rig.
Figure options
2.2. Experimental procedure
The vibration signals are acquired from the centrifugal pump working under normal
condition at a rated speed of 2880 rpm. Centrifugal pump specification is shown in Table 1.
Vibration signals from the accelerometer are measured. The sampling frequency is 24 kHz.
250 sets of readings are taken for each centrifugal pump condition.

Table 1.
Centrifugal pump specification.
Speed: 2880 rpm Pump size: 50 50 mm
Current: 11.5 A Discharge: 392 L per second
Head: 20 m Power: 2 HP
Table options
In the present study, the following faults are simulated

Bearing fault Inner and Outer race fault
Seal fault Broken seal
Impeller fault Damaged impeller
Bearing and Impeller fault together
Cavitation at the eye of the impeller
The faults are introduced one at a time and the pump performance characteristic and
vibration signals are taken.

3. Feature extraction
Statistical analysis of vibration signals yields different descriptive statistical parameters.
The statistical parameters taken for this study are mean, standard error, median, standard
deviation, sample variance, kurtosis, skewness, range, minimum, maximum, and sum.
These eleven features are extracted from vibration signals.

4. Dimensionality reduction techniques [14]
4.1. Linear dimensionality reduction techniques
4.1.1. Principle component analysis (PCA)
PCA is a linear technique for dimensionality reduction. It performs dimensionality reduction
by embedding the data into a linear subspace of lower dimensionality. PCA is one of the most
popular (unsupervised) techniques. Therefore, PCA is included in this comparative study.

PCA constructs a low-dimensional representation of the data that describes as much of the
variance in the data as possible. This is done by finding a linear basis of reduced
dimensionality for the data, in which the amount of variance in the data is maximal. The
basic working of a PCA is presented below.

Let x1, x2,, xn be N 1 vectors

Step 1
Mean value View the MathML sourceis calculated using the equation:
equation(1)
View the MathML source
Turn MathJax on

Step 2
The mean value is subtracted from each feature:
equation(2)
View the MathML source
Turn MathJax on

Step 3
Matrix A = [1, 2, ., N] is generated with and covariance matrix C is computed as
follows:
equation(3)
View the MathML source
Turn MathJax on

The covariance matrix characterizes the distribution of the data.

Step 4
Eigenvalues are computed as:
equation(4)
C=1>2>N
Turn MathJax on

Step 5
Eigenvectors are computed as:
equation(5)
C=u1,u2,uN
Turn MathJax on

Since C is symmetric, u 1, u 2,,u N form a basis, View the MathML source, can be
written as a linear combination of the eigenvectors:

equation(6)
View the MathML source
Turn MathJax on

where b1, b2,, bN are scalars.
Step 6
For dimensionality reduction, it keeps only the terms corresponding to the K largest
eigenvalues:
equation(7)
View the MathML source
Turn MathJax on

The representation of xx into the basis u1, u2,, uK is thus

equation(8)
View the MathML source
Turn MathJax on

4.2. Nonlinear dimensionality reduction techniques
4.2.1. Diffusion maps
Diffusion maps are based on defining a Markov random walk on the graph of the data. By
performing the random walk for a number of time steps, a measure for the proximity of the
data points is obtained. Using this measure, the diffusion distance is defined. The basic
working of diffusion map is presented below :

Step 1
A graph of the data is constructed first in the diffusion maps frame work. Using the
Gaussian Kernel function, the weights of the edges in the graph are computed, leading to a
matrix W with entries
equation(9)
View the MathML source
Turn MathJax on

where indicates the variance of the Gaussian.
Step2
normalization of the matrix W is performed in such a way that its rows add up to 1. In this
way, a matrix P(1) is formed with entries
equation(10)
View the MathML source
Turn MathJax on

Since diffusion maps originate from dynamical systems theory, the resulting matrix P(1) is
considered a Markov matrix that defines the forward transition probability matrix of a
dynamical process. Hence, the matrix P(1) represents the probability of a transition from one
data point to another data point in a single time step. The forward probability matrix for t
time steps P(t) is thus given by (P(1))t.

Step3Diffusion distance is defined using random walk forward probabilities View the
MathML source
equation(11)
View the MathML source
Turn MathJax on

In the above equation, (xk)(0) is a term that attributes more weight to parts of the graph
with high density. It is defined by (xk)(0)=mi/jmj, where m i is the degree of node x i
defined by mi=jpij

Step 4
In the low-dimensional representation of the data Y , diffusion maps attempt to retain the
diffusion distances. Using spectral theory on the random walk, the low-dimensional
representation Y that retains the diffusion distances D(t)(xi,xj) is formed by the d nontrivial
principal eigenvectors of the eigenproblem
equation(12)
P(t)v=v
Turn MathJax on

Because the graph is fully connected, the largest eigenvalue is trivial (viz. 1=1), and its
eigenvector v1 is thus discarded. The low-dimensional representation Y is given by the next
d principal eigenvectors. In the low-dimensional representation, the eigenvectors are
normalized by their corresponding eigenvalues. Hence, the low-dimensional data
representation is given by

equation(13)
Y={2v2,3v3,,d+1vd+1}
Turn MathJax on

4.2.2. Hessian LLE
Hessian LLE (HLLE) [7] is a variant of LLE that minimizes the curviness of the high-
dimensional manifold when embedding it into a low-dimensional space, under the constraint
that the low-dimensional data representation is locally isometric. This is done by an
eigenanalysis of a matrix H that describes the curviness of the manifold around the data
points. The curviness of the manifold is measured by means of the local Hessian at every
data point. The local Hessian is represented in the local tangent space at the data point, in
order to obtain a representation of the local Hessian that is invariant to differences in the
positions of the data points. It can be shown that the coordinates of the low-dimensional
representation can be found by performing an eigenanalysis of an estimator H of the
manifold Hessian.

Step 1
Identifying the k nearest neighbours for each data point xi using Euclidean distance.
Assume local linearity of the manifold in the neighbourhood.
Step 2
Applying PCA on its k nearest neighbours, the local tangent space at point xi can be found.
Step 3
An estimator for the Hessian of the manifold at point xi in local tangent space coordinates is
computed. In order to do this, a matrix Zi is formed that contains (in the columns) all cross
products of M up to the dth order.
Step 4
The matrix Zi is orthonormalized by applying Gram-Schmidt ortho-normalization [1].
The estimation of the tangent Hessian Hi is now given by the transpose of the last d(d + 1)/2
columns of the matrix Zi. Using the Hessian estimators in local tangent coordinates, a
matrix H is constructed

equation(14)
View the MathML source
Turn MathJax on

The matrix H represents information on the curviness of the high-dimensional data
manifold. An eigenanalysis of H is performed in order to find the low-dimensional data
representation that minimizes the curviness of the manifold. The eigenvectors corresponding
to the d smallest nonzero eigenvalues of H are selected and form the matrix Y, which
contains the low-dimensional representation of the data.

4.2.3. Isomap
Isomap [28] is a technique that attempts to preserve pairwise geodesic (or curvilinear)
distances between data points. Geodesic distance is the distance between two points
measured over the manifold.

Step 1
In Isomap, the geodesic distances between the data points xi (i = 1, 2,, n) are computed by
constructing a neighbourhood graph G, in which every data point xi is connected with its k
nearest neighbours xij (j = 1, 2,, k) in the data set X.
Step 2
The shortest path between two points in the graph forms an estimate of the geodesic
distance between these two points, and can easily be computed using Dijkstra's or Floyd's
shortest-path algorithm [6] and [8].
Step 3
The geodesic distances between all data points in X are computed, thereby forming a
pairwise geodesic distance matrix. The geodesic distances between all data points in X are
computed, thereby forming a pairwise geodesic distance matrix.
Step 4
The low-dimensional representations yi of the data points xi in the low-dimensional space Y
are computed by applying classical scaling.
4.2.4. Kernel PCA
Kernel PCA (KPCA) is the reformulation of traditional linear PCA in a high-dimensional
space that is constructed using a kernel function [27]. Kernel PCA computes the principal
eigenvectors of the kernel matrix, rather than those of the covariance matrix. The
reformulation of PCA in kernel space is straightforward, since a kernel matrix is similar to
the inner product of the data points in the high-dimensional space that is constructed using
the kernel function. The application of PCA in the kernel space provides Kernel PCA the
property of constructing nonlinear mappings.

4.2.5. Laplacian Eigenmaps
In Laplacian Eigenmaps, the local properties are based on the pairwise distances between
near neighbours. Laplacian Eigenmaps compute a low-dimensional representation of the
data in which the distances between a data point and its k-nearest neighbours are
minimized. This is done in a weighted manner, i.e., the distance in the low-dimensional data
representation between a data point and its first nearest neighbour contributes more to the
cost function than the distance between the data point and its second nearest neighbour.
Using spectral graph theory, the minimization of the cost function is defined as an
eigenproblem.

4.2.6. Local linear embedding (LLE)
LLE [22] is a technique similar to Isomap (and MVU) in that it constructs a graph
representation of the data points. In contrast to Isomap, it attempts to preserve solely local
properties of the data. As a result, LLE is less sensitive to short-circuiting than Isomap,
because only a small number of local properties are affected if short-circuiting occurs.
Furthermore, the preservation of local properties allows for successful embedding of non-
convex manifolds. In LLE, the local properties of the data manifold are constructed by
writing the high-dimensional data points as a linear combination of their nearest
neighbours. In the low-dimensional representation of the data, LLE attempts to retain the
reconstruction weights in the linear combinations as good as possible.

4.2.7. Local tangent space analysis (LTSA)
LTSA describes local properties of the high-dimensional data using the local tangent space of
each data point [41]. It is based on the observation that, if local linearity of the manifold is
assumed, there exists a linear mapping from a high-dimensional data point to its local
tangent space, and that there exists a linear mapping from the corresponding low-
dimensional data point to the same local tangent space. LTSA attempts to align these linear
mappings in such a way, that they construct the local tangent space of the manifold from the
low-dimensional representation.

4.2.8. Manifold charting
Manifold charting constructs a low-dimensional data representation by aligning a MoFA or a
MoPPCA model [4]. Manifold charting minimizes a convex cost function that measures the
amount of disagreement between the linear models on the global coordinates of the data
points. The minimization of this cost function can be performed by solving a generalized
eigenproblem.

4.2.9. Maximum variance unfolding (MVU)
MVU is a technique that attempts to resolve this problem by learning the kernel matrix.
MVU learns the kernel matrix by defining a neighbourhood graph on the data (as in Isomap)
and retaining pairwise distances in the resulting graph [32]. MVU is different from Isomap
in that it explicitly attempts to unfold the data manifold. It is done by maximizing the
Euclidean distances between the data points, under the constraint that the distances in the
neighbourhood graph are left unchanged (i.e., under the constraint that the local geometry of
the data manifold is not distorted). The resulting optimization problem can be solved using
semi definite programming.

5. Classifiers
5.1. Decision tree algorithm
A decision tree [19] represents the information in the signal, presented to it as features, in
the form of a tree. Decision trees are built recursively, following a top-down approach. A tree
induced using the C5.0 (or ID3 or C4.5) algorithm consists of a number of branches, one root,
a number of nodes and a number of leaves. One branch is a chain of nodes from root to a
leaf; and each node involves one attribute. Classification is done through the decision tree
with its leaves representing the different conditions of the mono block centrifugal pump.

5.1.1. The information gain and entropy reduction is calculated in the following way
Information gain measures how well a given attribute separates the training examples
according to their target classification. The measure is used to select among the candidate
features at each step while growing the tree. Information gain is the expected reduction in
entropy caused by partitioning the samples according to this feature.

Information gain (S , A ) of a feature A relative to a collection of examples S , is defined as

equation(15)
View the MathML source
Turn MathJax on

where Values(A ) is the set of all possible values for attribute A , and S v is the subset of S
for which feature A has value v (ie., Sv={sS|A(s)=v}).
The first term in the equation for Gain is the entropy (measure of disorder in the data) of the
original collection S and the second term is the expected value of the entropy after S is
partitioned using feature A. The expected entropy described by the second term is simply the
sum of the entropies of each subset Sv, weighed by the fraction of samples |Sv|/|S| that
belong to Sv. Gain(S, A) is therefore the expected reduction in entropy caused by knowing
the value of feature A. Entropy is a measure of homogeneity of the set of examples and it is
given by

equation(16)
View the MathML source
Turn MathJax on

where c is the number of classes, pi is the proportion of S belonging to class i.
5.2. Nave Bayes algorithm [29]
The Nave Bayes classifier is a highly practical Bayesian learning method. The following
description is based on the discussion in Ref. [15]. The Nave Bayes classifier applies to
learning tasks where each instance x is described by a conjunction of attribute values and
the target function f(x) can take on any value from some finite set C. A set of training
examples of the target function is provided, and a new instance is presented, described by
the tuple of attribute values (a1, a2,, an). The learner is asked to predict the target value,
or classification, for this new instance.

The Bayesian approach to classifying the new instance is to assign the most probable target
value, cMAP, given the attribute values (a1, a2,, an) that describe the instance.

equation(17)
View the MathML source
Turn MathJax on

Using Bayes theorem,

equation(18)
View the MathML source
Turn MathJax on

The Nave Bayes classifier makes the further simplifying assumption that the attribute
values are conditionally independent given the target value. Therefore,

equation(19)
View the MathML source
Turn MathJax on

where cNB denotes the target value output by the Nave Bayes classifier.
The conditional probabilities P(ai|cj) need to be estimated from the training set. The prior
probabilities P(cj) also need to be fixed in some fashion (typically by simply counting the
frequencies from the training set). The probabilities for differing hypotheses (classes) can
also be computed by normalizing the values received for each hypothesis (class).

5.3. Bayes Net algorithm
Bayesian network [9] consists of a set of variables, V = {A1, A2,, AN} and a set of directed
edge, E, between variables, which form a directed acyclic graph (DAG) G = (V, E) where a
joint distribution of variables is represented by the product of conditional distributions of
each variable given its parents [3].Each node, Ai V represents a random variable and a
directed edge from Ai to Aj, (Ai, Aj) E, represents the conditional dependency between Ai
and Aj. In a Bayesian networks, each variable is independent on its non-descendants, given
a value of its parents in G. This independence encoded in G reduces the number of
parameters which is required to characterize a joint distribution, so that posterior
distribution can be efficiently inferred.

In a Bayesian network over V = {A1, A2,, An}, the joint distribution P(V) is the product of
all conditional distributions specified in the Bayesian network such as

equation(20)
View the MathML source
Turn MathJax on

where, P(Ai/Pai) is the conditional distribution of Ai, given Pai which denotes the parent set
of Ai. A conditional distribution for each variable has a parametric form that can be learnt by
the maximum likelihood estimation.
6. Results and discussion
The study of fault classification performance of mono block centrifugal pump using
traditional dimensionality reduction technique and nonlinear dimensionality reduction
techniques is discussed in the following phases:

(i)
Visual analysis of the reduced feature set.
(ii)
Comparison of dimensionality reduction techniques with decision tree, Bayes Net Nave
Bayes and kNN classifiers.
(iii)
Comparison of the above results with a stand-alone decision tree classifier.
As can be seen from Fig. 2, Fig. 3 and Fig. 4, different dimensionality reduction techniques
offer differing degrees of separation of different fault categories. From observation of the
above Fig. 2, Fig. 3 and Fig. 4 it is clear that kPCA and PCA provide the maximum
separation between different fault categories hence combining these dimensionality
reduction techniques with a classifier is very likely to yield a high degree of classification
accuracy. On the other hand, Hessian LLE based dimensionality reduction offers the least
visual separation between fault classes and hence is likely to result in very poor
classification accuracy when combined with a classifier. These assertions on the likely
impact of different dimensionality reduction techniques on the classification accuracy are
verified with the help of decision tree, nave Bayes, Bayes Net and kNN classifiers in the
subsequent sections. Table 1, Table 2, Table 3 and Table 4 show the classification accuracy
obtained using decision tree, Bayes Net, Nave Bayes and kNN classifiers respectively, with
various nonlinear dimensionality reduction techniques and PCA. It must be noted that
normalisation is performed on all the features before the process of dimensionality reduction
is carried out. From Table 1, Table 2, Table 3 and Table 4 among the nonlinear
dimensionality reduction techniques and PCA, the PCA outperforms when using decision
tree, Bayes Net, Nave Bayes and kNN classifiers. In this work, the lowest accuracy is
obtained by the Hessian LLE transformed features with all the four classifiers. PCA-decision
tree classifier outperforms the other three classifiers, namely, PCA-nave Bayes, PCA-Bayes
Net and PCA-kNN. Fig. 5 shows the plot of various dimensionality reduction techniques and
their percentage classification accuracy with decision tree, nave Bayes, Bayes Net and kNN
classifiers. The overall classification accuracy was found to be 99.45% for the PCA-decision
tree classifier, which is slightly higher than the overall classification accuracy of PCA-kNN
(99.43%), PCA-Nave Bayes (99.3%) and PCA-Bayes Net (99.18%) (Table 5).

Indonesia:

Bantalan kesalahan , Impeller kesalahan , segel kesalahan dan kavitasi adalah penyebab
utama kerusakan dalam mono blok pompa sentrifugal dan karenanya , deteksi dan
diagnosis ini kesalahan mekanik dalam mono blok pompa sentrifugal sangat penting untuk
operasi yang dapat diandalkan . Berdasarkan akuisisi kontinu sinyal dengan sistem akuisisi
data , adalah mungkin untuk mengklasifikasikan kesalahan . Hal ini dicapai dengan
ekstraksi fitur dari data diukur dan menggunakan pendekatan data mining untuk
mengeksplorasi informasi struktural yang tersembunyi dalam sinyal yang diperoleh . Dalam
penelitian ini , fitur statistik yang berasal dari data getaran digunakan sebagai fitur .
Dalam rangka meningkatkan ketahanan classifier dan untuk mengurangi beban
pengolahan data , pengurangan dimensi diperlukan . Dalam hal ini pengurangan kertas
dimensi dilakukan dengan menggunakan teknik pengurangan dimensi tradisional dan
teknik pengurangan dimensi nonlinear . Efektivitas setiap teknik pengurangan dimensi
juga diverifikasi menggunakan analisis visual. Menurunnya set fitur ini kemudian
diklasifikasikan menggunakan pohon keputusan . Hasil yang diperoleh dibandingkan
dengan yang dihasilkan oleh pengklasifikasi seperti Nave Bayes , Bayes Net dan kNN .
Upaya ini untuk membawa keluar pengurangan dimensi kombinasi teknik - classifier yang
lebih baik .

Keywords
Mono blok pompa sentrifugal ; Fitur statistik ; Nave Bayes ; Bayes Net ; Teknik
pengurangan dimensi ; Pohon keputusan ; analisis Visual

1 . Pendahuluan

Pemantauan kondisi digunakan untuk mencari kesalahan pada tahap awal [ 10 ] sehingga
diagnosis dan koreksi kesalahan tersebut dapat dimulai sebelum mereka menjadi lebih
menonjol dan menyebabkan hilangnya produktivitas . Kerusakan tak terduga mono blok
bagian pompa sentrifugal meningkatkan waktu dan pemeliharaan menurunkan biaya . Hal
ini telah memotivasi peneliti akademis dan ahli industri untuk memusatkan perhatian
mereka pada studi tersebut menggunakan teknik kontemporer dan algoritma yang tersedia
di bidang ini .

Bearing kesalahan , kesalahan impeller , segel kesalahan dan kavitasi [ 13 ] dapat
menyebabkan masalah serius seperti kebisingan , getaran tinggi , dll kebocoran dan
menurunkan kinerja dari mono block pompa sentrifugal [ 12 ] . Dalam rangka menjaga
pompa melakukan [ 35 ] yang terbaik , metode yang berbeda dari kesalahan diagnosis telah
dikembangkan dan digunakan secara efektif untuk mendeteksi kesalahan mesin pada tahap
awal . Analisis getaran adalah salah satu alat utama untuk mendeteksi dan mendiagnosa
mono block kesalahan pompa sentrifugal [ 11 ] . Getaran berbasis pompa kondisi
pemantauan dan diagnosis melibatkan akuisisi data dari mono block pompa sentrifugal ,
ekstraksi fitur dari data yang diperoleh , seleksi fitur , dan menafsirkan hasilnya.

Metode dan pendekatan yang berbeda digunakan untuk diagnosis kesalahan .
Rajakarunakaran et al . [ 21 ] mengusulkan model untuk mendeteksi kesalahan sistem
pompa sentrifugal menggunakan jaringan umpan maju dengan algoritma propagasi
belakang dan biner jaringan resonansi adaptif ( ART1 ) untuk klasifikasi dari tujuh kategori
kesalahan dalam sistem pompa sentrifugal . Dalam pekerjaan yang dilaporkan oleh
Sakthivel et al . [ 23 ] ; penggunaan Support Vector Machines ( SVM ) dan proksimal
Support Vector Machines ( PSVMs ) sebagai alat untuk secara akurat mengidentifikasi dan
mengklasifikasikan kesalahan pompa disajikan . SVM ditemukan memiliki kemampuan
klasifikasi sedikit lebih baik daripada PSVM . Sakthivel et al . [ 24 ] mempresentasikan
penggunaan pohon keputusan dan set kasar untuk menghasilkan aturan dari fitur statistik
yang diekstrak dari sinyal getaran dalam kondisi baik dan rusak dari mono block pompa
sentrifugal . Sebuah classifier fuzzy dibangun dengan menggunakan pohon keputusan dan
set aturan kasar , diuji dan hasilnya dibandingkan dengan yang dihasilkan oleh keputusan
pohon - kabur classifier berbasis PCA . Sakthivel et al . [ 25 ] melaporkan penggunaan fitur
statistik yang diambil dari sinyal domain waktu untuk klasifikasi kesalahan dalam pompa
sentrifugal menggunakan pohon keputusan . Untuk klasifikasi kesalahan mono blok pompa
sentrifugal , Sakthivel et al . [ 26 ] telah menggunakan buatan sistem pengenalan kekebalan
(mengudara ) . Efisiensi Klasifikasi kesalahan mengudara dibandingkan dengan sistem
hibrida seperti PCA - Nave Bayes dan PCA - Bayes Net . Mengudara ditemukan untuk
mengungguli sistem hybrid lainnya . Wang dan Chen [ 31 ] memperkenalkan metode
diagnosis kesalahan untuk pompa sentrifugal dengan parameter domain frekuensi gejala
menggunakan transformasi wavelet untuk ekstraksi fitur , set kasar untuk pembangkitan
rule dan jaringan saraf fuzzy untuk klasifikasi untuk mendeteksi kesalahan dan
membedakan jenis kesalahan pada tahap awal . Rafiee et al . [ 20 ] diilustrasikan jaringan
saraf tiruan ( JST ) berbasis prosedur untuk deteksi kesalahan dan identifikasi di gearbox
menggunakan vektor fitur baru yang diambil dari standar deviasi wavelet packet koefisien
sinyal getaran . Penggunaan sinyal getaran memerlukan instrumentasi minimum tetapi
penggunaan transformasi wavelet meningkatkan kebutuhan komputasi . M. Zhao et al . [ 42
] dipekerjakan TR - LDA teknik pengurangan dimensi berbasis diagnosis kesalahan
bantalan elemen bergulir . Y. Zhang et al . [ 37 ] mengusulkan sebuah algoritma
pembelajaran berjenis ditingkatkan dengan menggabungkan adaptif embedding linear lokal
dan rekursif menerapkan algoritma cut dinormalisasi untuk pengurangan dimensi
nonlinear , yang kemudian terbukti efektif dalam menangani data uji standar set serta pada
proses Tennessee - Eastman . D.Q. Zhang et al . [ 36 ] mengusulkan sebuah algoritma
pengurangan dimensi yang efisien disebut semi diawasi pengurangan dimensi . Zhang et al .
[ 38 ] , [ 39 ] dan [ 40 ] disajikan teknik ekstraksi fitur baru yang disebut kelompok jarang
analisis korelasi kanonik ( GSCCA ) . M.S. Baghshah et al . [ 2 ] mengusulkan teknik
pembelajaran metrik berbasis kernel yang dapat menghasilkan transformasi nonlinier input
fitur menghasilkan kinerja belajar yang lebih baik . Zhang et al . [ 38 ] , [ 39 ] dan [ 40 ]
mengusulkan perbaikan atas teknik reduksi dimensi Isomap disebut Marginal Isomap ( M -
Isomap ) yang mampu memberikan pemisahan yang lebih baik dari cluster data. F.P. Nie et
al . [ 17 ] mengembangkan algoritma untuk menemukan optimum global untuk masalah
dibatasi jejak rasio orthogonal . Yaguo Lei et al . [ 33 ] mengusulkan sebuah sistem untuk
diagnosis kesalahan bantalan elemen bergulir berdasarkan modus empiris dekomposisi (
EMD ) , teknik perbaikan jarak evaluasi dan kombinasi dari beberapa adaptif sistem
inferensi neuro-fuzzy ( ANFISs ) . Van Tung Tran et al . [ 30 ] membahas sistem diagnosis
kesalahan gabungan untuk motor induksi berdasarkan klasifikasi dan pohon regresi (
CART ) algoritma dan ANFIS . Yaguo Lei [ 34 ] kesalahan diagnosis diusulkan mesin
berputar berdasarkan analisis statistik dan ANFIS . Necla Togun dan Sedat Baysec [ 16 ]
mempresentasikan aplikasi pemrograman genetik ( GP ) untuk memprediksi torsi dan rem
konsumsi bahan bakar spesifik mesin bensin . Dalam pekerjaan yang dilaporkan oleh
Demetgul [ 5 ] diagnosis kesalahan sistem pneumatik menggunakan JST disajikan .

Namun, untuk yang terbaik dari pengetahuan kita , perbandingan teknik pengurangan
dimensi tradisional dengan teknik pengurangan dimensi nonlinear untuk klasifikasi
kesalahan dari mono block pompa sentrifugal belum dilaporkan sejauh ini. Makalah ini
menyelidiki tradisional pengurangan dimensi teknik PCA dan berikut sembilan teknik
pengurangan dimensi nonlinear : ( 1 ) Kernel PCA , ( 2 ) Isomap , ( 3 ) Maksimum Variance
Unfolding , ( 4 ) peta difusi , ( 5 ) Lokal Embedding Linear , ( 6 ) Laplacian Eigenmaps , ( 7 )
Hessian LLE , ( 8 ) Lokal Tangent Analisis Ruang , dan ( 9 ) charting manifold. Teknik
pengurangan dimensi ini digunakan untuk mengubah fitur statistik yang diekstrak dari
sinyal getaran pompa . Pohon keputusan , naif Bayes Bayes Bersih dan kNN pengklasifikasi
kemudian digunakan untuk mengklasifikasikan kesalahan . Tujuan utama dari pekerjaan
ini adalah:

( i )
Untuk menyelidiki sejauh mana teknik pengurangan dimensi nonlinier mengungguli PCA
tradisional sentrifugal set data pompa
( ii )
Untuk mengetahui pengurangan dimensi kombinasi teknik - classifier terbaik .
2 . Studi Eksperimental
2.1 . setup eksperimental
Gambar . 1 menunjukkan diagram skematik dari rig uji eksperimental . Motor ( 2HP ) drive
pompa . Control valve digunakan untuk mengatur aliran di inlet dan outlet pompa. Katup
inlet digunakan untuk membuat penurunan tekanan antara suction dan di mata impeller
untuk mensimulasikan kavitasi . Sebuah accelerometer dipasang di mata impeller ( lokasi
ditunjukkan pada Gambar . 1 ) , digunakan untuk mengukur sinyal getaran . Hal ini
disebabkan oleh fakta bahwa komponen mekanis yang dipertimbangkan dalam penelitian
ini ( seal , impeller , bantalan ) , yang terletak dekat dengan mata impeller .

Full- size image ( 63 K )
Gambar . 1 .
Rig uji eksperimental .
Gambar Pilihan
2.2 . prosedur eksperimental
Sinyal getaran yang diperoleh dari pompa sentrifugal bekerja di bawah kondisi normal pada
peringkat kecepatan 2880 rpm . Spesifikasi pompa sentrifugal dapat dilihat pada Tabel 1 .
Sinyal Getaran dari accelerometer diukur . Frekuensi sampling 24 kHz . 250 set bacaan
yang diambil untuk setiap kondisi pompa sentrifugal .

Tabel 1 .
Pompa sentrifugal spesifikasi .
Kecepatan : 2880 rpm Ukuran Pompa : 50 50 mm
Current : 11,5 Discharge A : 392 L per detik
Kepala : 20 m Power: 2 HP
Pilihan tabel
Dalam penelitian ini , kesalahan berikut disimulasikan

Mengingat kesalahan - kesalahan batin dan ras Outer
Seal kesalahan - Patah seal
Impeller kesalahan - Rusak impeller
Bantalan dan Impeller kesalahan bersama-sama
Kavitasi - di mata impeller
Kesalahan diperkenalkan satu per satu dan karakteristik kinerja pompa dan sinyal getaran
diambil .

3 . Ekstraksi fitur
Analisis statistik sinyal getaran menghasilkan parameter statistik deskriptif yang berbeda .
Parameter statistik yang diambil untuk penelitian ini adalah rata-rata , standar error ,
median , standar deviasi , varians sampel , kurtosis , skewness , range, minimum ,
maksimum , dan jumlah . Ini sebelas fitur yang diekstraksi dari sinyal getaran .

4 . Teknik pengurangan dimensi [ 14 ]
4.1 . Teknik pengurangan dimensi linier
4.1.1 . Analisis komponen utama ( PCA )
PCA merupakan teknik linear untuk pengurangan dimensi . Ia melakukan pengurangan
dimensi dengan menanamkan data ke ruang bagian linear dari dimensi yang lebih rendah .
PCA adalah salah satu yang paling populer ( tanpa pengawasan ) teknik . Oleh karena itu ,
PCA termasuk dalam studi banding ini .

PCA membangun representasi low- dimensi dari data yang menggambarkan sebanyak
varians dalam data sebanyak mungkin . Hal ini dilakukan dengan mencari secara linear
berkurangnya dimensi untuk data , di mana jumlah varians dalam data yang maksimal .
Kerja dasar dari PCA disajikan di bawah ini .

Biarkan x1 , x2 , ... , xn menjadi N 1 vektor

Langkah 1
Nilai rata-rata Lihat MathML sourceis dihitung dengan menggunakan persamaan :
Persamaan ( 1 )
Lihat sumber MathML
Hidupkan MathJax on

Langkah 2
Nilai rata-rata dikurangi dari setiap fitur :
Persamaan ( 2 )
Lihat sumber MathML
Hidupkan MathJax on

Langkah 3
Matriks A = [ 1 , 2 , .... , N ] dihasilkan dengan dan matriks kovarians C dihitung
sebagai berikut :
Persamaan ( 3 )
Lihat sumber MathML
Hidupkan MathJax on

The matriks kovarians mencirikan distribusi data .

Langkah 4
Nilai Eigen dihitung sebagai :
Persamaan ( 4 )
C = 1 > 2 > ... N
Hidupkan MathJax on

Langkah 5
Vektor eigen dihitung sebagai :
Persamaan ( 5 )
C = u1 , u2 , ... uN
Hidupkan MathJax on

Karena C adalah simetris , u 1 , u 2 , ... , u N membentuk dasar , Lihat sumber MathML ,
dapat ditulis sebagai kombinasi linear dari vektor eigen :

Persamaan ( 6 )
Lihat sumber MathML
Hidupkan MathJax on

dimana b1 , b2 , ... , bn adalah skalar .
Langkah 6
Untuk pengurangan dimensi , itu membuat hanya istilah yang sesuai dengan nilai-nilai
eigen terbesar K :
Persamaan ( 7 )
Lihat sumber MathML
Hidupkan MathJax on

Representasi x x ke u1 dasar , u2 , ... , uk demikian

Persamaan ( 8 )
Lihat sumber MathML
Hidupkan MathJax on

4.2 . Teknik pengurangan dimensi nonlinier
4.2.1 . peta difusi
Peta Difusi didasarkan pada mendefinisikan Markov random walk pada grafik data .
Dengan melakukan berjalan acak untuk sejumlah langkah waktu , ukuran untuk
kedekatan titik data diperoleh . Menggunakan ukuran ini , jarak difusi didefinisikan . Kerja
dasar dari difusi peta adalah sebagai berikut :

Langkah 1
Sebuah grafik dari data yang dibangun pertama dalam difusi bingkai peta kerja .
Menggunakan fungsi Gaussian Kernel , bobot dari tepi dalam grafik dihitung , mengarah ke
matriks W dengan entri
Persamaan ( 9 )
Lihat sumber MathML
Hidupkan MathJax on

dimana menunjukkan varians dari Gaussian .
Step2
normalisasi matriks W dilakukan sedemikian rupa sehingga baris yang menambahkan
hingga 1 . Dengan cara ini , sebuah matriks P ( 1 ) dibentuk dengan entri
Persamaan ( 10 )
Lihat sumber MathML
Hidupkan MathJax on

Karena peta difusi berasal dari teori sistem dinamis , P matriks yang dihasilkan ( 1 )
dianggap sebagai matriks Markov yang mendefinisikan maju matriks peluang transisi dari
proses dinamis . Oleh karena itu , matriks P ( 1 ) merupakan probabilitas transisi dari satu
titik data untuk data titik lain dalam waktu satu langkah . Probabilitas matriks depan
untuk waktu t langkah P ( t ) dengan demikian diberikan oleh ( P ( 1 ) ) t .

Jarak Step3Diffusion didefinisikan menggunakan random walk probabilitas maju Lihat
sumber MathML
Persamaan ( 11 )
Lihat sumber MathML
Hidupkan MathJax on

Dalam persamaan di atas , ( xk ) ( 0 ) adalah istilah yang atribut lebih berat ke bagian
dari grafik dengan kepadatan tinggi . Hal ini didefinisikan oleh ( xk ) ( 0 ) = mi / jmj , di
mana mi adalah derajat simpul xi didefinisikan oleh mil = jpij

Langkah 4
Dalam representasi low - dimensi dari data Y , peta difusi berusaha untuk
mempertahankan jarak difusi . Menggunakan teori spektral pada random walk , rendah -
dimensi representasi Y yang mempertahankan jarak difusi D ( t ) (xi , xj ) dibentuk oleh
vektor eigen utama trivial d eigenproblem yang
Persamaan ( 12 )
P ( t ) v = v
Hidupkan MathJax on

Karena grafik terhubung penuh, eigenvalue terbesar adalah sepele (yaitu 1 = 1 ) , dan
vektor eigen v1 yang demikian dibuang . The low- dimensi representasi Y diberikan oleh
vektor eigen utama d berikutnya . Dalam representasi low - dimensi , vektor eigen yang
dinormalisasi dengan nilai eigen yang berhubungan. Oleh karena itu , representasi data
rendah - dimensi diberikan oleh

Persamaan ( 13 )
Y = { 2v2 , 3v3 , ... , d +1 vd +1 }
Hidupkan MathJax on

4.2.2 . Hessian LLE
Hessian LLE ( HLLE ) [ 7 ] adalah varian dari LLE yang meminimalkan ' curviness ' dari
manifold dimensi tinggi ketika embedding ke dalam ruang dimensi rendah , di bawah
kendala bahwa representasi data low- dimensi lokal isometrik . Hal ini dilakukan oleh
eigenanalysis dari H matriks yang menggambarkan curviness dari manifold sekitar titik
data. The curviness dari manifold diukur dengan cara Hessian lokal di setiap titik data. The
Hessian lokal diwakili dalam ruang tangen lokal pada titik data, untuk mendapatkan
representasi dari Hessian lokal yang invarian perbedaan posisi dari titik data . Hal ini
dapat ditunjukkan bahwa koordinat representasi low - dimensi dapat ditemukan dengan
melakukan eigenanalysis dari H estimator dari Hessian manifold.

Langkah 1
Mengidentifikasi k tetangga terdekat untuk setiap titik data xi menggunakan jarak
Euclidean . Asumsikan linearitas lokal manifold di lingkungan.
Langkah 2
Menerapkan PCA pada k tetangga terdekatnya , ruang tangen lokal pada titik xi dapat
ditemukan .
Langkah 3
Sebuah estimator untuk Hessian yang bermacam-macam pada titik xi dalam koordinat
ruang tangen lokal dihitung . Untuk melakukan hal ini , matriks Zi dibentuk yang berisi (
dalam kolom ) semua produk silang dari M naik ke urutan DTH .
Langkah 4
Matriks Zi adalah orthonormalized dengan menerapkan Gram - Schmidt orto- normalisasi [
1 ] .
Estimasi tangen Hessian Hi sekarang diberikan oleh transpos dari d terakhir ( d + 1 ) / 2
kolom dari matriks Zi . Menggunakan estimator Hessian di singgung lokal koordinat ,
matriks H dibangun

Persamaan ( 14 )
Lihat sumber MathML
Hidupkan MathJax on

Matriks H merupakan informasi tentang curviness dari dimensi tinggi berjenis data.
Sebuah eigenanalysis H dilakukan dalam rangka untuk menemukan representasi data
rendah - dimensi yang meminimalkan curviness yang bermacam-macam . Vektor eigen yang
sesuai dengan nilai-nilai eigen terkecil d nol dari H dipilih dan membentuk matriks Y , yang
berisi representasi low- dimensi data .

4.2.3 . Isomap
Isomap [ 28 ] adalah teknik yang mencoba untuk melestarikan geodesic berpasangan ( atau
lengkung ) jarak antara titik data . Jarak geodesik adalah jarak antara dua titik diukur dari
bermacam-macam.

Langkah 1
Di Isomap , jarak geodesik antara titik data xi (i = 1 , 2 , ... , n ) dihitung dengan
membangun lingkungan graph G , di mana setiap data titik xi terhubung dengan k nya
tetangga terdekat xij ( j = 1 , 2 , ... , k ) dalam kumpulan data X.
Langkah 2
Jalur terpendek antara dua titik dalam bentuk grafik perkiraan jarak geodesik antara dua
titik , dan dengan mudah dapat dihitung dengan menggunakan Dijkstra atau algoritma
shortest- path Floyd [ 6 ] dan [ 8 ] .
Langkah 3
Jarak geodesik antara semua titik data dalam X dihitung , sehingga membentuk matriks
jarak geodesic berpasangan . Jarak geodesik antara semua titik data dalam X dihitung ,
sehingga membentuk matriks jarak geodesic berpasangan .
Langkah 4
The low- dimensi representasi yi dari xi titik data dalam low - dimensi ruang Y dihitung
dengan menerapkan skala klasik .
4.2.4 . kernel PCA
Kernel PCA ( KPCA ) adalah reformulasi PCA linier tradisional dalam ruang dimensi tinggi
yang dibangun menggunakan fungsi kernel [ 27 ] . Kernel PCA menghitung vektor eigen
utama dari matriks kernel , daripada mereka dari matriks kovarians . The reformulasi PCA
dalam ruang kernel sangat mudah , karena matriks kernel mirip dengan produk inner dari
titik data dalam ruang dimensi tinggi yang dibangun menggunakan fungsi kernel .
Penerapan PCA dalam ruang kernel menyediakan Kernel PCA milik membangun pemetaan
nonlinear .

4.2.5 . Eigenmaps Laplacian
Dalam Laplacian Eigenmaps , sifat lokal didasarkan pada jarak berpasangan antara
tetangga dekat . Eigenmaps Laplacian menghitung representasi low- dimensi dari data di
mana jarak antara titik data dan k - terdekat tetangga diminimalkan . Hal ini dilakukan
dengan cara yang berbobot , yaitu , jarak dalam representasi data rendah - dimensi antara
titik data dan tetangga terdekat pertama memberikan kontribusi lebih kepada fungsi biaya
dari jarak antara titik data dan kedua tetangga terdekat . Menggunakan teori grafik
spektral , minimalisasi fungsi biaya didefinisikan sebagai eigenproblem .

4.2.6 . Linear embedding lokal ( LLE )
LLE [ 22 ] adalah teknik yang mirip dengan Isomap ( dan MVU ) dalam hal membangun
sebuah representasi grafik dari titik data . Berbeda dengan Isomap , ia mencoba untuk
melestarikan sifat semata-mata lokal data . Akibatnya , LLE kurang sensitif terhadap
hubungan arus pendek dari Isomap , karena hanya sejumlah kecil sifat lokal terpengaruh
jika arus pendek terjadi . Selain itu , pelestarian properti lokal memungkinkan untuk
embedding sukses manifold non - cembung . Di LLE , sifat lokal manifold data dibangun
dengan menulis titik data dimensi tinggi sebagai kombinasi linear dari tetangga terdekat
mereka . Dalam representasi low - dimensi data , LLE mencoba untuk mempertahankan
bobot rekonstruksi di kombinasi linear sebaik mungkin .

4.2.7 . Analisis ruang tangen lokal ( LTSA )
LTSA menggambarkan sifat lokal dari data dimensi tinggi menggunakan ruang tangen
lokal dari setiap titik data [ 41 ] . Hal ini didasarkan pada pengamatan bahwa , jika
linearitas lokal manifold diasumsikan , terdapat pemetaan linear dari titik data yang tinggi
- dimensi untuk ruang tangen lokal , dan bahwa ada pemetaan linear dari titik yang sesuai
data rendah - dimensi ke ruang tangen lokal yang sama . LTSA mencoba untuk
menyelaraskan ini pemetaan linear sedemikian rupa , sehingga mereka membangun ruang
tangen lokal yang bermacam-macam dari rendahnya representasi dimensi .

4.2.8 . charting Manifold
Charting Manifold membangun sebuah representasi data low- dimensi dengan
menyelaraskan sebuah MoFA atau model MoPPCA [ 4 ] . Charting Manifold meminimalkan
fungsi biaya cembung yang mengukur jumlah perselisihan antara model linear pada
koordinat global titik data . Meminimalkan fungsi biaya ini dapat dilakukan dengan
memecahkan eigenproblem umum .

4.2.9 . Varians maksimum berlangsung ( MVU )
MVU adalah teknik yang mencoba untuk menyelesaikan masalah ini dengan mempelajari
matriks kernel . MVU belajar matriks kernel dengan mendefinisikan grafik lingkungan
pada data ( seperti dalam Isomap ) dan mempertahankan jarak berpasangan dalam grafik
yang dihasilkan [ 32 ] . MVU berbeda dari Isomap dalam hal itu secara eksplisit mencoba
untuk ' terungkap ' manifold data. Hal ini dilakukan dengan memaksimalkan jarak
Euclidean antara titik-titik data, di bawah kendala bahwa jarak dalam grafik lingkungan
yang tersisa tidak berubah (yaitu , di bawah kendala bahwa geometri lokal manifold data
tidak terdistorsi ) . Masalah optimasi yang dihasilkan dapat diselesaikan dengan
menggunakan setengah pasti pemrograman .

5 . Classifiers
5.1 . Algoritma pohon keputusan
Sebuah pohon keputusan [ 19 ] mewakili informasi dalam sinyal , disajikan untuk itu
sebagai fitur , dalam bentuk pohon . Pohon keputusan dibangun secara rekursif , mengikuti
pendekatan top-down . Sebuah pohon diinduksi menggunakan C5.0 ( atau ID3 atau C4.5 )
algoritma terdiri dari sejumlah cabang , satu akar , sejumlah node dan jumlah daun . Satu
cabang adalah rantai node dari akar ke daun ; dan setiap node melibatkan satu atribut .
Klasifikasi dilakukan melalui pohon keputusan dengan daun mewakili kondisi yang
berbeda dari mono block pompa sentrifugal .

5.1.1 . Keuntungan informasi dan entropi pengurangan dihitung dengan cara sebagai
berikut
Gain Informasi mengukur seberapa baik suatu atribut tertentu memisahkan contoh
pelatihan sesuai dengan klasifikasi target mereka . Langkah ini digunakan untuk memilih
di antara fitur kandidat di setiap langkah saat tumbuh pohon . Information gain adalah
pengurangan diharapkan entropi disebabkan oleh partisi sampel sesuai dengan fitur ini .

Informasi gain ( S , A ) dari fitur A relatif terhadap koleksi contoh S , didefinisikan sebagai

Persamaan ( 15 )
Lihat sumber MathML
Hidupkan MathJax on

dimana Nilai ( A) adalah himpunan semua nilai yang mungkin untuk atribut A , dan S v
adalah bagian dari S yang menampilkan A memiliki nilai v ( mis. , Sv = { s S | A ( s ) = v } )
.
Istilah pertama dalam persamaan untuk Gain adalah entropi ( ukuran ketidakteraturan
dalam data ) dari koleksi asli S dan istilah kedua adalah nilai yang diharapkan dari entropi
setelah S dipartisi menggunakan fitur A. entropi yang diharapkan dijelaskan oleh kedua
istilah hanyalah jumlah dari entropi dari setiap bagian Sv , ditimbang oleh fraksi sampel |
Sv | / | S | milik Sv . Oleh karena itu, Gain ( S , A ) adalah penurunan diharapkan entropi
disebabkan dengan mengetahui nilai fitur A. Entropi adalah ukuran homogenitas dari
himpunan contoh dan diberikan oleh

Persamaan ( 16 )
Lihat sumber MathML
Hidupkan MathJax on

di mana c adalah jumlah kelas , pi adalah proporsi S milik class 'i' .
5.2 . Algoritma Nave Bayes [ 29 ]
The Nave Bayes classifier adalah metode pembelajaran Bayesian yang sangat praktis .
Uraian berikut ini didasarkan pada diskusi di Ref . [ 15 ] . The Nave Bayes classifier
berlaku untuk tugas-tugas belajar di mana setiap contoh x digambarkan oleh gabungan dari
nilai atribut dan fungsi sasaran f ( x ) dapat mengambil nilai apapun dari beberapa
himpunan berhingga C. Satu set contoh pelatihan fungsi target disediakan , dan contoh
baru disajikan , dijelaskan oleh tuple nilai atribut ( a1 , a2 , ... , an) . Pelajar diminta untuk
memprediksi nilai target , atau klasifikasi , misalnya baru ini .

Pendekatan Bayesian untuk mengklasifikasikan contoh baru adalah untuk menetapkan
nilai target yang paling mungkin , CMAP , mengingat nilai atribut ( a1 , a2 , ... , an) yang
menggambarkan contoh.

Persamaan ( 17 )
Lihat sumber MathML
Hidupkan MathJax on

Menggunakan teorema Bayes ,

Persamaan ( 18 )
Lihat sumber MathML
Hidupkan MathJax on

The Nave Bayes classifier membuat asumsi lebih menyederhanakan bahwa nilai atribut
yang bersyarat independen diberi nilai target . Oleh karena itu ,

Persamaan ( 19 )
Lihat sumber MathML
Hidupkan MathJax on

mana CNB menunjukkan nilai target produksi oleh classifier Nave Bayes .
Probabilitas bersyarat P ( ai | cj ) harus diperkirakan dari training set . Probabilitas
sebelum P ( cj ) juga perlu diperbaiki dalam beberapa mode ( biasanya dengan menghitung
frekuensi dari training set ) . Probabilitas untuk berbeda hipotesis ( kelas ) juga dapat
dihitung dengan normalisasi nilai-nilai yang diterima untuk setiap hipotesis ( kelas ) .

5.3 . Algoritma Net Bayes
Jaringan Bayesian [ 9 ] terdiri dari satu set variabel , V = { A1 , A2 , ... , AN } dan satu set
diarahkan tepi , E , antara variabel , yang membentuk grafik asiklik diarahkan ( DAG ) G =
( V , E ) dimana distribusi gabungan variabel diwakili oleh produk dari distribusi bersyarat
dari masing-masing variabel yang diberikan orang tuanya [ 3 ] . setiap node , Ai V
merupakan variabel acak dan tepi diarahkan dari Ai ke Aj , ( Ai , Aj ) E , merupakan
ketergantungan bersyarat antara Ai dan Aj . Dalam jaringan Bayesian , masing-masing
variabel independen non - keturunan , mengingat nilai orang tua di G. kemerdekaan ini
dikodekan dalam G mengurangi jumlah parameter yang diperlukan untuk menandai
distribusi gabungan , sehingga distribusi posterior dapat efisien tereka .

Dalam sebuah jaringan Bayesian atas V = { A1 , A2 , ... , An } , P distribusi gabungan ( V )
adalah produk dari semua distro bersyarat ditentukan dalam jaringan Bayesian seperti

Persamaan ( 20 )
Lihat sumber MathML
Hidupkan MathJax on

dimana , P ( Ai / Pai ) adalah distribusi bersyarat dari Ai , mengingat Pai yang
menunjukkan set induk dari Ai . Sebuah distribusi bersyarat untuk setiap variabel memiliki
bentuk parametrik yang dapat dipelajari oleh estimasi kemungkinan maksimum .
6 . Hasil dan Pembahasan
Studi tentang kinerja klasifikasi kesalahan mono blok pompa sentrifugal menggunakan
teknik pengurangan dimensi tradisional dan teknik pengurangan dimensi nonlinear
dibahas dalam tahap-tahap berikut :

( i )
Analisis visual berkurang set fitur .
( ii )
Perbandingan teknik pengurangan dimensi dengan pohon keputusan , Bayes Net Nave
Bayes dan kNN pengklasifikasi .
( iii )
Perbandingan hasil di atas dengan pohon keputusan classifier berdiri sendiri .
Seperti dapat dilihat dari Gambar . 2 , Gambar . 3 dan Gambar . 4 , teknik pengurangan
dimensi yang berbeda menawarkan berbagai tingkat pemisahan kategori kesalahan yang
berbeda . Dari pengamatan Gambar di atas . 2 , Gambar . 3 dan Gambar . 4 jelas bahwa
kPCA dan PCA memberikan pemisahan maksimum antara kategori kesalahan yang
berbeda maka menggabungkan teknik pengurangan dimensi ini dengan classifier yang
sangat mungkin untuk menghasilkan tingkat akurasi yang tinggi klasifikasi . Di sisi lain ,
Hessian LLE berbasis pengurangan dimensi menawarkan pemisahan visual yang paling
antara kelas kesalahan dan karenanya cenderung menghasilkan akurasi klasifikasi sangat
miskin bila dikombinasikan dengan classifier a . Pernyataan ini pada kemungkinan dampak
dari teknik pengurangan dimensi yang berbeda pada keakuratan klasifikasi diverifikasi
dengan bantuan pohon keputusan , naif Bayes , Bayes Net dan kNN pengklasifikasi di
bagian berikutnya . Tabel 1 , Tabel 2 , Tabel 3 dan Tabel 4 menunjukkan akurasi klasifikasi
diperoleh dengan menggunakan pohon keputusan , Bayes Net , Nave Bayes dan kNN
pengklasifikasi masing-masing , dengan berbagai teknik pengurangan dimensi nonlinear
dan PCA . Harus dicatat bahwa normalisasi dilakukan pada semua fitur sebelum proses
reduksi dimensi dilakukan . Dari Tabel 1 , Tabel 2 , Tabel 3 dan Tabel 4 di antara teknik
pengurangan dimensi nonlinear dan PCA , PCA melebihi ketika menggunakan pohon
keputusan , Bayes Net , Nave Bayes dan kNN pengklasifikasi . Dalam karya ini , akurasi
terendah diperoleh oleh Hessian LLE fitur ditransformasi dengan semua empat
pengklasifikasi . PCA - keputusan pohon classifier melebihi tiga lainnya pengklasifikasi ,
yaitu PCA - nave Bayes , PCA - Bayes Net dan PCA - kNN . Gambar . 5 menunjukkan plot
berbagai teknik pengurangan dimensi dan akurasi klasifikasi persentase mereka dengan
pohon keputusan , naif Bayes , Bayes Net dan kNN pengklasifikasi . Akurasi klasifikasi
keseluruhan ditemukan 99,45 % untuk pohon classifier PCA - keputusan , yang sedikit lebih
tinggi dari akurasi klasifikasi keseluruhan PCA - kNN ( 99,43 % ) , PCA - Nave Bayes ( 99,3
% ) dan PCA - Bayes Net ( 99,18 % ) ( Tabel 5 ) .