nach oben

Erschienen in:

2021 | OriginalPaper | Buchkapitel

Importance of Variables in Gearbox Diagnostics Using Random Forests and Ensemble Credits

verfasst von : Anna M. Bartkowiak, Radoslaw Zimroz

Erschienen in: Computer Information Systems and Industrial Management

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config

KI-gestützte Suche

Aus

Abstract

We consider a multivariate data matrix of size \(n \times d = 2183 \times 15\), where \(n=2183\) is the number of time segments recorded from vibration signals of two gearboxes, and \(d=15\) is the number of variables (traits) characterizing these segments. To learn about the role played by each of the 15 variables in the gearbox diagnostics, we use the Random Forest (RF) methodology with its ‘Variables Importance Plot’ (VIP) algorithm, which yields a kind of ranking of the variables with regard of their importance in the performed diagnostics. This ranking is different in various runs of the RF. We propose to use at this stage an additional module performing a specific ensemble learning yielding credits scores for each variable. It shows clearly the top most important variables.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Nächstes Kapitel Typing Pattern Analysis for Fake Profile Detection in Social Media

Bartelmus, W., Zimroz, R.: A new feature for monitoring the condition of gearboxes in non-stationary operating systems. Mech. Syst. Signal Process. 23(5), 1528–1534 (2009)CrossRef

Bartkowiak, A., Zimroz, R.: Dimensionality reduction via variables selection - linear and nonlinear approaches with application to vibration-based condition monitoring of planetary gearbox. Appl. Accoustics 77, 169–177 (2014)CrossRef

Breiman, L., Friedman, J., Stone, C.J., Olshen, R.A.: Classification and Regression Trees. Taylor & Francis (1984)

Breiman, L.: Random forests. Mach. Learn. 45(1), 5–32 (2001)CrossRef

Breiman, L.: Statistical modeling: the two cultures. Stat. Sci. 16(3), 199–231 (2001)MathSciNetCrossRef

Breiman, L., Cutler, A.: Random Forest Manual v. 4.0. Technical Report UC Berkeley (2003)

Burduk, R., Baczyńska, P.: Ensemble of classifiers with modification of confidence values. In: Saeed, K., Homenda, W. (eds.) CISIM 2016. LNCS, vol. 9842, pp. 473–480. Springer, Cham (2016). https://doi.org/10.1007/978-3-319-45378-1_42CrossRef

Cerrada, M., et al.: Fault diagnosis in spur gears based on genetic algorithm and random forest. Mech. Syst. Signal Process. 70, 87–103 (2016)

Dey, A., Shaikh, S.H., Saeed, K., Chaki, N.: Modified majority voting algorithm towards creating reference image for binarization. In: Kumar Kundu, M., Mohapatra, D.P., Konar, A., Chakraborty, A. (eds.) Advanced Computing, Networking and Informatics- Volume 1. SIST, vol. 27, pp. 221–227. Springer, Cham (2014). https://doi.org/10.1007/978-3-319-07353-8_26CrossRef

10.

Genuer, R., Poggi, J.M., Tuleau-Malot, Ch., Elsevier: Variable selection using random forests. Pattern Recogn. Lett. 31(14), 2225–2236 (2010)CrossRef

11.

Heda, P., Rojek, I., Burduk, R.: Dynamic ensemble selection – application to classification of cutting tools. In: Saeed, K., Dvorský, J. (eds.) CISIM 2020. LNCS, vol. 12133, pp. 345–354. Springer, Cham (2020). https://doi.org/10.1007/978-3-030-47679-3_29CrossRef

12.

James, G., Witten, D., Hastie, T., Tibshirani, R.: An Introduction to Statistical Learning. STS, vol. 103. Springer, New York (2013). https://doi.org/10.1007/978-1-4614-7138-7CrossRefMATH

13.

Kuhn, M., Johnson, K.: Applied Predictive Modeling. Springer, New York (2013). https://doi.org/10.1007/978-1-4614-6849-3CrossRefMATH

14.

Li, Y., Wu, F.X., Ngom, A.: A review on machine learning principles for multi-view biological data integration. Briefings Bioinf. 19(2), 325–340 (2018)

15.

Liaw, A., Wiener, M.: Classification and regression by random forest. R News 2(3), 18–22 (2002)

16.

Lipinski, P., Brzychczy, E., Zimroz, R.: Decision tree-based classification for planetary gearboxes’ condition monitoring with the use of vibration data in multidimensional symptom space. Sensors 20, 1–17 (2020). https://doi.org/10.3390/s20215979

17.

Maqsood, I., Abraham, A.: Weather analysis using ensemble of connectionist learning paradigms. Appl. Soft Comput. 7, 995–1004 (2007)CrossRef

18.

Polikar, R.: Bootstrap inspired techniques in computational intelligence: ensemble of classifiers, incremental learning, data fusion and missing features. IEEE Signal Process. Mag. 24(4), 59–72 (2007)CrossRef

19.

Polikar, R.: Ensemble based systems in decision making. IEEE Circ. Syst. Mag. 9(3), 21–45 (2006)CrossRef

20.

Polikar, R.: Ensemble learning. Scholarpedia 4(1), 2776 (2009)CrossRef

21.

Ripley, B.D.: Pattern Recognition and Neural Networks. Cambridge University Press, Great Britain (1996)CrossRef

22.

Ripley, B.D.: Package ‘nnet’. Package for feed-forward neural networks with a single hidden layer, and for multinomial log-linear models, pp. 1–11. cran.r-project.org. 3 May 2021

23.

Stapor, K., Ksieniewicz, P., Garcia, S., Wozniak, M.: How to design the fair experimental classifier evaluation. Appl. Soft Comput. J. 104, 107219 (2021)

24.

Zimroz, R., Bartkowiak, A.: Two simple multivariate procedures for monitoring planetary gearboxes in non-stationary operating conditions. Mech. Syst. Signal Process. 38, 237–247 (2013)CrossRef

Titel: Importance of Variables in Gearbox Diagnostics Using Random Forests and Ensemble Credits
verfasst von: Anna M. Bartkowiak
Radoslaw Zimroz
Verlag: Springer International Publishing
Buch: Computer Information Systems and Industrial Management
Print ISBN: 978-3-030-84339-7

Electronic ISBN: 978-3-030-84340-3

Copyright-Jahr: 2021
DOI: https://doi.org/10.1007/978-3-030-84340-3_1

Springer Professional

Abstract

Bitte loggen Sie sich ein, um Zugang zu Ihrer Lizenz zu erhalten.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"