liu.seSök publikationer i DiVA
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Combining model-based diagnosis and data-driven anomaly classifiers for fault isolation
Linköpings universitet, Institutionen för systemteknik, Fordonssystem. Linköpings universitet, Tekniska fakulteten.ORCID-id: 0000-0003-0808-052X
School of Engineering, Ulster University, Newtownabbey, UK; Electrical and Computer Systems Engineering, School of Engineering, Monash University Malaysia, Malaysia.
Linköpings universitet, Institutionen för systemteknik, Fordonssystem. Linköpings universitet, Tekniska fakulteten.
Linköpings universitet, Institutionen för systemteknik, Datorteknik. Linköpings universitet, Tekniska fakulteten.ORCID-id: 0000-0003-4965-1077
2018 (Engelska)Ingår i: Control Engineering Practice, ISSN 0967-0661, E-ISSN 1873-6939, Vol. 80, s. 146-156Artikel i tidskrift (Refereegranskat) Published
Abstract [en]

Machine learning can be used to automatically process sensor data and create data-driven models for prediction and classification. However, in applications such as fault diagnosis, faults are rare events and learning models for fault classification is complicated because of lack of relevant training data. This paper proposes a hybrid diagnosis system design which combines model-based residuals with incremental anomaly classifiers. The proposed method is able to identify unknown faults and also classify multiple-faults using only single-fault training data. The proposed method is verified using a physical model and data collected from an internal combustion engine.

Ort, förlag, år, upplaga, sidor
Elsevier, 2018. Vol. 80, s. 146-156
Nyckelord [en]
Fault diagnosis, Fault isolation, Machine learning, Artificial intelligence, Classification
Nationell ämneskategori
Reglerteknik
Identifikatorer
URN: urn:nbn:se:liu:diva-151296DOI: 10.1016/j.conengprac.2018.08.013ISI: 000447483500014OAI: oai:DiVA.org:liu-151296DiVA, id: diva2:1248561
Anmärkning

Funding agencies: Volvo Car Corporation in Gothenburg, Sweden

Tillgänglig från: 2018-09-17 Skapad: 2018-09-17 Senast uppdaterad: 2019-09-23

Open Access i DiVA

Publikationen är tillgänglig i fulltext från 2020-09-09 11:37
Tillgänglig från 2020-09-09 11:37

Övriga länkar

Förlagets fulltext

Personposter BETA

Frisk, ErikKrysander, Mattias

Sök vidare i DiVA

Av författaren/redaktören
Jung, DanielFrisk, ErikKrysander, Mattias
Av organisationen
FordonssystemTekniska fakultetenDatorteknik
I samma tidskrift
Control Engineering Practice
Reglerteknik

Sök vidare utanför DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetricpoäng

doi
urn-nbn
Totalt: 138 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • oxford
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf