Naslov (srp)

Примена вештачке интелигенције у изражавању мерне несигурности неитеративног алгоритма за акустичко лоцирање парцијалног пражњења у минералном уљу : докторска дисертација

Autor

Polužanski, Vladimir S., 1982-

Doprinosi

Stanković, Koviljka, 1979-
Nikolić, Boško, 1972-

Opis (eng)

Standard acoustic methods for locating partial discharge in mineral oil use theassumption of a constant oil temperature when expressing the results. The research within thedoctoral dissertation targets the justification of using the given assumption in the non-iterativealgorithm in a novel way from the aspect of measurement uncertainty. The result of the subjectresearch is the quantification of the influence of the change in mineral oil temperature on a budgetof 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 thebudget of measurement uncertainty. A dedicated software agent with machine learning wasdeveloped to create and implement a procedure for quantifying the contribution of mineral oiltemperature 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 theestimation of the contribution of mineral oil temperature to the measurement uncertainty budget ofthe 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 themachine learning model. A novel procedure to express the measurement uncertainty of the machinelearning model was proposed based on the type B measurement uncertainty and the analogybetween a machine learning model and a measuring device. The validation of the results of thesoftware agent was carried out on the actual model in laboratory conditions. Research is in line withthe trend of using software tools and artificial intelligence methods to optimize non-linear problemswhere 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 statisticalcertainty and reliability of measurement results using a dedicated software agent. The improvedalgorithm can be used by experts who standardize methods and perform equipment tests inlaboratories, plants, and the field, where mineral oil is used as an insulating material. The novelproposed procedure for determining the measurement uncertainty of the machine learningregression model is not limited to the data set from the subject research but can be used in allsimilar regression models, including those that use big data for training.

Opis (srp)

Стандардне методе за акустичко лоцирање парцијалног пражњења у минералномуљу користе претпоставку о константној вредности температуре минералног уља приизражавању резултата. Истраживањем у оквиру докторске дисертације се таргетираоправданост коришћења дате претпоставке у неитеративном алгоритму на нови начин, сааспекта мерне несигурности. Резултат предметног истраживања је квантификација утицајапромене температуре минералног уља на буџет комбиноване мерне несигурностинеитеративног алгоритма применом метода вештачке интелигенције, као и утврђивањезначајности односно доприноса других улазних параметара (релативна конфигурацијасензора и извора, коришћени модел машинског обучавања) у буџету мерне несигурности. Усврху формирања и имплементације поступка квантификације доприноса променетемпературе минералног уља комбинованој мерној несигурности неитеративног алгоритма,развијен је наменски софтверски агент са обучавањем (машинским учењем). На основувредности коефицијента детерминације R2, употреба метода машинског обучавања јеунапредила процену доприноса температуре минералног уља буџету мерне несигурностинеитеративног алгоритма за више од два пута. Међутим, дата примена метода машинскогобучавања (вештачке интелигенције) је проузроковала нови извор мерне несигурности којипотиче од самог модела машинског обучавања. За изражавање мерне несигурности моделамашинског обучавања предложен је нови поступак на основу изражавања мерненесигурности типа Б и аналогије између модела машинског обучавања и мерног уређаја.Валидација резултата софтверског агента је спроведена на моделу у лабораторијскимусловима. Истраживања су у складу са трендом коришћења софтверских алата и методавештачке интелигенције у оптимизацији решавања нелинеарних проблема код којих се дорешења не може доћи аналитичким методама на једноставан (познат) начин. Циљистраживања је унапређење неитеративне све-акустичке методе преко подизања нивоастатистичке сигурности и поузданости резултата мерења применом наменског софтверскогагента. Унапређени алгоритам могу користити стручњаци који се баве стандардизацијомметода, који врше испитивања опреме у лабораторијама, погонима и на терену, код које секористи минерално уље као изолациони материјал. Нови предложени поступак заодређивање мерне несигурности регресиoног модела машинског обучавања није ограниченна скуп података из предметног истраживања већ се може користити у свим сличнимрегресионим моделима укључујући и оне који користе концепт великих података (енгл. bigdata) за обучавање.

Opis (srp)

Техничке науке – електротехника - Вештачка интелигенција, Метрологија / Technical science – Electrical engineering - Artificial intelligence, Metrology Datum odbrane: 23.20.2109.

Jezik

srpski

Datum

2023

Licenca

Ovo delo je licencirano pod uslovima licence
Creative Commons CC BY-NC 3.0 AT - Creative Commons Autorstvo - Nekomercijalno 3.0 Austria License.

http://creativecommons.org/licenses/by-nc/3.0/at/legalcode

Predmet

OSNO - Opšta sistematizacija naučnih oblasti, Električna merenja

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

вештачка интелигенција, машинско учење, Монте Карло метода, мерна несигурност, неитеративни алгоритам, парцијално пражњење, акустичка мерења, изолационо минерално уље, температура минералног уља, софтверски агент

OSNO - Opšta sistematizacija naučnih oblasti, Električna merenja

OSNO - Opšta sistematizacija naučnih oblasti, Veštačka inteligencija. Robotika

artificial intelligence, machine learning, Monte Carlo method, measurement uncertainty, non-iterative algorithm, partial discharge, acoustic measurements, insulating mineral oil, mineral oil temperature, software agent