fault diagnosis dinamik menggunakan …
TRANSCRIPT
"..
FAULT DIAGNOSIS DINAMIK MENGGUNAKANPENDEKATANBAYESIAN
Djoko Hari NugrohoP2TKN - BATAN, Kawasan Puspiptek Serpong, Tangerang 15314
Abstrak
FAULT DIAGNOSIS DINAMIK MENGGUNAKAN PENDEKATAN BAYESIAN. Pada
penelitian ini dikembangkan metode fault diagnosis dinamik untuk merunut kemungkinanpenyebab awal insiden berdasarkan Bayesian Networks sebagai dasar pembuatan perangkat lunakuntuk trouble shooting instalasi. Pengembangan dilakukan dengan cara memasukkan data on-linedari sensor dan data remaining lifetime komponen pada node cause sehingga diharapkan tingkatkepercayaan hasil menjadi lebih bail<. Simulasi berdasarkan algoritma Bayesian Networks sebagaitroubleshooter yang dibuat berdasarkan bahasa pemrograman LabVIEW sebagai penampilinformasi instalasi dan dicoupling dengan MA TLAB sebagai engine. Simulasi dilakukan denganmenggunakan data-data sistem termohidrolika eksperimental DURESS. Hasil simulasimenunjukkan bahwa perangkat lunak dapat melakukan diagnosis kegagalan pad a sistem DURESS.
Kata kunci :fault diagnosis dinamik, Bayesian
Abstract
DYNAMIC FAULT DIAGNOSIS USING BAYESIAN APPROACH. Dynamicfault diagnosis whichrepresents the relationship between cause and consequence of the events for troubleshooting isdeveloped in this research based on Bayesian Networks. Contribution of on-line data comes fromsensors and components remaining lifetime in node cause are expected to increase the belief levelof Bayesian Networks. Bayesian networks based troubleshooter was simulated utilizing Lab VIEWand MATLAB for DURESS system plant. LabVIEW was utilized because of the goodcharacteristics in human interface while MATLAB was utilizes an engine. The simulation obtainedthat the software could diagnose the faulty of DURESS system.
Key words: dynamic fault diagnosis. Bayesian
1. Pendahuluan
Ketersediaan dan keandalan operasi suatu instalasi ditentukan oleh
seberapa jauh instalasi tersebut dapat memberikan pelayanan pada saat
diperlukan. Artinya kemungkinan terjadinya kerusakan dalam instalasi harns
dijauhkan atau kalaupun ada harns dikelola sebaik mungkin. Amat beralasan bila
instalasi nuklir dan instalasi kritis yang lain sebagai sistem yang mengutamakan
keselamatan menempatkan program pengelolaan kerusakan sebagai prioritas
utama untuk diteliti, dikembangkan dan diaplikasikan. Pengelolaan kerusakan
sangat ditekankan dalam program pengelolaan (life cycle management) suatu
instalasi.
Selama ini banyak dikembangkan metode fault diagnosis yang
menganggap system sebagai deterministik, sedangkan penelitian ini bertujuan
15
untuk mengembangkan suatu metoda diagnosis kerusakan yang meninjau insta1asi
sebagai sistem yang stokastik agar diagnosis dapat di1akukan dalam suatu range
waktu panjang tertentu dalam lingkungan yang dinamik dan ketidak pastian
(uncertainty). Salah satu metode yang banyak dipergunakan untuk maksud
tersebut adalah Bayesian Networks. Bayesian Networks adalah suatu metoda
penting untuk merepresentasikan ketidak pastian (uncertainty) dan pena1aran
(reasoning) da1am bidang kecerdasan buatan (artificial intelligence).
Saat ini banyak keraguan terhadap hasil analisis berdasarkan Bayesian
Networks, karena adanya keraguan terhadap data sebelumnya (prior). Jika tingkat
kepercayaan data prior rendah, maka hasil yang diperoleh dari Bayesian network
juga memiliki tingkat kepercayaan yang rendah. Penelitian ini bertujuan untuk
melakukan pengembangan Bayesian networks untuk meningkatkan tingkat
kepercayaan dan kemudian dibuat simulasinya untuk keperluan trouble shooting
insta1asi DURESS.
2. Fault Diagnosis
U1erich mendefinisikan diagnosis kerusakan (fault diagnosis) sebagai
proses dimana problem-problem operasional dideteksi menggunakan sensor, alat
pengukur serta alarm dan kemudian keputusan dibuat berdasar bagaimana cara
memperbaikinya pada saat insta1asi beroperasi. Isermann mendefinisikan
diagnosis kerusakan sebagai suatu prosedur yang bertujuan untuk menentukan
jenis kerusakan, lokasi kerusakan, ukuran kerusakan, dan penyebab kerusakan.
Chessa mendefinisikan bahwa diagnosis kerusakan berkaitan dengan lokasi
komponen yang rusak dalam sistem, yang akan diganti atau diperbaiki agar dapat
kembali ke kondisi normal. Secara singkat, diagnosis kerusakan dapat
didefinisikan sebagai suatu proses untuk mendeteksi abnorma1itas yang muncul
dalam sistem dan menentukan lokasi kerusakan.
Menurut Kokawa ada 2 jenis teknik untuk menentukan lokasi kerusakan
antara lain:
(a) cause and consequence tree approach (CCT) adalah suatu pohon logika yang
menghubungkan antara penyebab awal dengan konsekuensi yang teramati.
16
(b) signed digraph (SD) approach adalah suatu model matemetika yang
merepresentasikan pengaruh antar elemen-elemen sistem.
Kokawa menganalisis bahwa pendekatan CCT mengekspresikan
perambatan kerusakan pada suatu perangkat sebagai kerusakan. Walaupun SD
menggunakan struktur instalasi untuk mencari lokasi kerusakan berdasarkan
pendekatan graph, namun metoda ini tidak memperhatikan probabilitas penjalaran
kerusakan.
Kondisi real menunjukkan bahwa jumlah kerusakan tidaklah selalu satu
dalam sistem, oleh karena itu problematika diagnosis kerusakan menjadi
kompleks.
Ulerich menekankan analisis diagnosis kerusakan dalam model graph.
Chessa mengembangkan algoritma D-F AUL TS yang mendiagnosis sistem bila
paling tidak ada dua node sumber kerusakan dalam satu waktu.
3. Bayesian Networks
Telah diperoleh banyak definisi berkaitan dengan fault diagnosis yang
berkembang sampai saat ini. Namun pada umumnya ruang lingkup pembahasan
bertitik tolak pada pengelolaan masalah fault detection dan fault localization.
Masalah fault detection telah banyak dibahas dan dikembangkan, yang prinsip
kerjanya berkaitan dengan metode untuk membedakan adanya parameter yang
abnormal bila diketahui status normalnya, dan kemudian membangkitkan sinyal
pemberitahuan ke manajer sistem. Fault localization terkait dengan metode untuk
menentukan lokasi komponen atau sistem yang gagal. Sedangkan metode fault
diagnosis lebih menekankan penyusunan struktur pohon pada cause and
consequence tree approach untuk mengetahui hubungan antara kejadian dan
penyebabnya sehingga dapat dirunut kemungkinan penyebab awal kalau terjadi
insiden.
Ada ketidak pastian (uncertainty) pada model of environment dan lokasi
penyebab kegagalan dalam sistem yang akan dirunut berdasarkan pada data
evidence yang bersifat ambiguous ataupun berdasarkan perkiraan penganalisis.
Analisis data yang bersifat tidak pasti dapat direpresentasi dalam penalaran
17
"
probabilistik menggunakan pendekatan Bayesian, Dempster-Shafer, ataupunfuzzy
logic.
Salah satu metoda fault diagnosis menggunakan pendekatan statistik
adalah pendekatan Bayesian networks. Bayesian networks adalah suatu metoda
penting untuk merepresentasikan ketidak pastian (uncertainty) dan penalaran
(reasoning) dalam bidang kecerdasan buatan (artificial intelligence). Menurut
Kadie dari perusahaan Microsoft[l], Bayesian network adalah :
• sekumpulan variabel-variabel,
• sebuah struktur gratis yang menghubungkan antar variabel,
• sekumpulan distribusi kondisional.
Dasar dari Bayesian network adalah probabilitas kondisional berantai dari
Bayesian yang dipergunakan dalam jaringan yang berdasarkan pendekatan graph.
Pada Bayesian Network, direpresentasikan keadaan nyata dan bukan proses
penalaran Probabilitas peristiwa gabungan (joint events) antara dua events Xl dan
X2 dimana probabilitas P(Xl) > 0 ditentukan oleh formulasi probabilitas
kondisional dalam Bayesian sebagai berikut [2,3]:
atau dapat juga dinyatakan sebagai:
dimana :
P(X,) = probabilitas a priori
P(X2IXl) = fungsi likelihood
Formulasi umum untuk hukum berantai (chain rule) adalah sebagaiberikut :
P(X I,X2,X3,X4,.,Xn)=P(X] IX2,X3,X4, ... ,Xn)*P(X2IX3,Xt, ... ,Xn)*P(X3IX4, •.• ,Xn)*. *P(Xn)
atau
18
"
Contoh sederhana Bayesian network adalah hubungan antara musim (Xl),
hujan (X2), semprotan air nyala (X)), halaman basah (Xt) dan halaman licin (Xs).
Pada Bayesian Network, direpresentasikan keadaan nyata dan bukan
proses penalaran. Tanda panah di atas menunjukkan hubungan sebab-akibat dan
bukan aliran informasi dalam penalaran. Bila semprotan air nyala, maka halaman
akan basah. Jika seseorang terpeleset di halaman, artinya halaman juga basah.
Pada contoh kita di atas, formulasi umum untuk hukum berantai (chain rule)
adalah
4. Bayesian Networks Sebagai Troubleshooter
Probabilitas asli yang terdapat pada model diagram disebut sebagai
probabilitas prior, karena dimasukkan sebelum kondisi sat ini (evidence)
diketahui. Probabilitas setelah evidence diketahui disebut probabilitas posterior,
karena angka tersebut merefleksikan tingkat probabilitas pada saat terdapat
evidence yang baru. Penggunaan inferensi mengakibatkan manipulasi evidence
pad a model sehingga menghasilkan perubahan probabilitas posterior akibat
berubahnya evidence.
Dalam skenario peristiwa, simpul (node) yang memiliki nilai informasi
penting dalam model dapat berupa simpul hipotetik ataupun simpul informatik.
Simpul hipotetik menunjukkan bahwa simpul tersebut merupakan variabel
tersembunyi yang tidak dapat diobservasi secara langsung, sedangkan simpul
informatik adalah variabel yang dapat diobservasi langsung dan mempengaruhi
simpul hipotetik dalam model. Simpul hipotetik merupakan target atau tujuan dari
diagnosis secara keseluruhan.
19
Untuk keperluan fault diagnosis, Bayesian Network bekerja sebagai
trouble shooter. Bayesian Network yang mumi hanya berdasarkan probabilitas,
namun karena troubleshooting menggunakan probabilistik banyak memberikan
hasil, maka dihitung tingkat kegagalan atau keberhasilan masing-masing node
sesuai constraints yang sudah ditentukan
Diagnosis menggunakan informasi bersama untuk menghitung bobot
evidence yang terkandung dalam state setiap simpul informasi yang akan
mengarah ke variabel hipotetik. Ranking hasil dari simpul informasi yang tidak
pasti tersebut dipergunakan pada proses diagnosis. Untuk melakukan diagnosis
suatu model diperlukan adanya :
• paling tidak satu simpul dapat diidentifikasikan sebagai simpul hipotetik
• paling tidak dua simpul dapat diidentifikasikan sebagai simpul informatik
Lokasi komponen yang rusak dalam sistem dapat diketahui dengan
menggunakan back-tracking dalam jaringan untuk memeriksa simpul hipotetik.
5. Inkorporasi Data Dinamik
Diasumsikan bahwa sampel acak D dihasilkan dari model causal
M=<G,8G>. Probabilitas posterior untuk diagram causal G dimana terdapat satuan
data D adalah [4] :
Marginal likelihood dari data G dapat dihitung sebagai
dimana p(DI8G,G,;-) adalah probabilitas data, p(8GIG,;-) adalah distribusi prior
untuk parameter probabilitas, dan p(GI;-) adalah diagram causal.
Bila diasumsikan terdapat dua dataset D dan D' yang diperoleh dari
diagram kausal G dengan parameter yang berlainan 8G dan 8'G, maka marginal
likelihood dapat dinyatakan sebagai :
20
Untuk dua diagram causal GJ dan G2 yang saling tak tergantung, setiap
distribusi yang kompatibel dengan G) juga kompatibel dengan G2. Sehingga dapat
dinyatakan adanya ekivalensi likelihood p(DIGi'~)= p(DIG2'~). Bila data
diperoleh secara berurutan dari berbagai sumber, D = {DO, D1, ••• , Dk} adalah
sekelompok data berurutan yang diperoleh dari diagram causal G dengan
parameter eOG, ... ekG, dan 3G = Uki=OeiG , maka marginal likelihood dapat
dihitung sebagai
Permasalahan yang muncul berkenaan dengan penggunaan Bayesian
Networks terletak pada kualitas kepercayaan pada data sebelurnnya. Jika tingkat
kepercayaan data prior rendah, maka hasil yang diperoleh dari Bayesian network
juga memiliki tingkat kepercayaan yang rendah. Data ekspektasi prior yang
terlampau optimistik maupun pesimistik juga akan menurunkan tingkat
kepercayaan hasil Bayesian Networks. Berkenaan dengan hal tersebut diperlukan
distribusi statistik pada pemodelan data.
Altematif berikutnya berkenaan dengan ketidakpastian (uncertainty) data
dapat diatasi dengan memastikannya. Dalam arah ini pengembangan dilakukan
dengan memperhatikan parameter-parameter constraint pada node cause. Pada
aplikasi trouble shooting dapat dinyatakan bahwa data masukan yang diperoleh
dari sensor berupa digit (gagal/berhasil, atau 0/1). Penggunaan masukan data on
line dan dipadukan dengan data reliabilitas komponen diharapkan tingkat
kepercayaan hasil menjadi lebih baik.
Pengembangan Bayesian Network yabg dilakukan adalah dengan
memasukkan constraints dalam bentuk berbagai parameter pembentuk yang
menentukan tingkat keberhasilan atau kegagalan untuk masing-masing node cause
pada diagram cost and consequence. Artinya, kalau program fault diagnosis ini
dijalankan secara on-line, maka parameter pembentuk node adalah informasi
keberhasilan/kegagalan bekerjanya komponen node beserta delay time dan sifat
sifat jaringan instrumentasi yang lain. Sedangkan bila program fault diagnosis
dilakukan secara off-line, maka parameter pembentuk adalah parameter-parameter
21
yang menjadi komponen untuk mengestimasi probabilitas kegagalan/keberhasilan
node.
Berdasarkan diagram cost and consequence sistem yang menunjukkan
kemungkinan solusi, maka dapat dibuat ranking berdasarkan likelihood
keberhasilan, dan node yang memiliki harga terbesar menunjukkan probabilitas
terbesar mengalami kerusakan.
Bila probabilitas hukum berantai (chain rule probability) adalah :R
p(xp xRI;-)= IIp(x;lxp x;_p;-);=1
dimana 5 adalah status informasi saat ini.
Karena Xi dan {XI, ...•. X i-I) tidak tergantung secara kondisional, maka :
dimana Xi = f(a,~), dan a = data on-line, ~ = data reliabilitas komponen/sistem
6. Perancangan Simulasi
Simulasi yang dibangun dirancang untuk dapat (a) melakukan interaksi
secara interaktif antara instalasi dengan pengguna, (b) melakukan trouble shooting
mencari lokasi komponen yang rusak dalam instalasi. Oleh karena itu perangkat
lunak harns dibangun secara optimal berdasarkan konstrain kedua hal tersebut.
Agar dapat melakukan interaksi yang baik antara instalasi dengan
pengguna, maka harns dipilih perangkat pemrograman dasar yang memiliki
human interface yang memberi performansi menarik, tleksibel, dan memiliki
kompatibilitas tinggi dengan perangkat pemrograman yang lain. Salah satu pilihan
terbaik yang dapat memenuhi persyaratan yang diinginkan adalah bahasa
pemrograman LabView. Tampilan pada layar dibuat dari pemrog-:aman LabView
yang merepresentasikan instalasi dapat dilihat pada Gambar 1.
Trouble shooting dilakukan berdasarkan algoritma Bayesian Networks.
Dengan mempertimbangkan kompatibilitas dengan LabView, kemudahan untuk
mendapatkan source program dan pertimbangan lain, maka pada mesin untuk
melakukan trouble shooting pada penelitian ini dipergmiakan perangkat
pemrograman MA TLAB.
}}
Gambar 1. Human interface untuk Bayesian Networks menggunakan
Labview
Inti perangkat lunak dirancang dengan menggunakan bahasa
pemrograman MA TLAB. Model Bayesian networks terdiri dari struktur
graph dan parameter. Parameter-parameter dinyatakan sebagai obyek CPD
objects (Conditional Probability Distribution), yang mendefinisikan
distribusi probabilitas suatu node bila diketahui induknya atau dapat
dinyatakan sebagai P(X(i) I X(Pa(i))), dimana XCi) adalah node ke-i, dan
X(Pa(i)) adalah induk node i.
Setelah membuat model Bayesian networks, kita dapat menggunakannya
untuk menyusun inference. Untuk menyatakan inference engines dipergunakan
program:
engine = jtree_inCengine(bnet);
Distribusi marginal dapat dinyatakan dengan :
evidence = cell(l,N);
evidence{W} = 2; (bila harga W=2)
Untuk memasukkan evidence ke engine dipergunakan :
[engine, loglik] = enter_evidence(engine, evidence
Distribusi gabungan dapat dihitung dengan menggunakan perintah :
'Y'-j
evidence = cell(l,N);
[engine, 11] = enter_evidence (engine, evidence);
m = marginal_nodes (engine, [S R W]);
dimana m adalah struktur.
Inti perangkat lunak dirancang dengan menggunakan bahasa pemrograman
MA TLAB. Model Bayesian Networks terdiri dari struktur graph dan parameter.
Parameter-parameter dinyatakan sebagai obyek CPD objects (Conditional
Probability Distribution). Untuk user interface dipergunakan bahasa
pemrograman LabView. Labview dipilih karena tampilannya yang menarik.
Algoritma untuk pemograman dapat disusun sebagai berikut :
1. Susun diagram cause and consequence sistem
2. Masukkan data biner / reliabilitas komponen ke model Bayesian Networks
3. Simulasifault message di tampilan utama
4. Gunakan searching probabilitas kegagalan node untuk memprediksi lokasi
kegagalan
Menggunakan back-tracking probabilitas kegagalan simpul untuk
memprediksi lokasi kegagalan melalui pemeriksaan pada simpul informatik dan
hipotetik
7. Eksperimen Numerik dan Analisis
Karena adanya kendala dalam melakukan aplikasi metode ke dalam
instalasi nuklir, maka metode yang dikembangkan pada langkah awal ini akan
disimulasikan dengan menggunakan data-data sistem kompleks yang
direpresentasikan oleh sistem DURESS seperti tampak pada Gambar 2. DURESS
adalah suatu instalasi termohidrolika yang dikembangkan sebagai peralatan
eksperimen. Kompleksitas DURESS ditunjukkan oleh terpasangnya sekitar 34
variabel proses yang direpresentasikan oleh berbagai aliran sensor dan komponen
komponen pengukur besaran alamo Sistem ini terdiri dari dua jalur aliran air yang
masing-masing terdiri dari pompa dan 3 buah valve dan memberikan air ke dalam
dua bak penampung air.
Karena kita hanya dapat mengetahuai adanya kegagalan dari sensor, maka
kita menggunakan sensor sebagai pusat observasi.
24
UpperTank
VA1
VA2
VB1
Level Sensor
~hermocoUPle
o 1/1
~ Valve
GJ Flow Sensor...IW'L Heate r
"
VB2
Gambar 2. Blok Diagram Sistem DURESS
Table 1. Tabel Hubungan Tanggung Jawab Antara Sensor dan Peralatanpada DURESS
NoNama Sensor Nama Komponen Terkait
I.
Sensor Aliran (FA) Tangki Atas
Pompa AValve VA2.Sensor Aliran (FB) Tangki Atas
Pompa BValve VB3.Sensor Aliran (FA I) Valve VAl
4.Sensor Aliran (FA2) Valve VA2
5.Sensor Aliran (FB I) Valve VBI
6.Sensor Aliran (FB2) Valve VB2
7.Sensor Tinggi reservoir 1
permukaaIl (WLl) 8.Thermocouple (TRI) Pemanas 1
9.Sensor Tinggi reservoir 2
permukaan (WL2) 10.Thermocouple (TR2) Pemanas 2
II.Sensor Aliran (FRl) reservoir 1
12.Sensor Aliran (FR2) reservoir 2
Di dalam Bayesian Networks, peluang kegagalan sistem DURESS diubah
ke dalam diagram pohon cause and consequence sebagai berikut.
Plant dapat disederhanakan sesuai blok diagram berikut :
Bila diasumsikan data-data reliabilitas komponen adalah sebagai berikut
P(TA=F) I P(TA=T)
---1----------0,5 I 0,5
I
S1
F
T
I P(S1=F) : P(S1=T)I II I
------r---------1----! 0,5 I 0,5
1--~-·-!-----D:1------I I! I
26
. --'-'--r
I 81 82 I P(TB=F)
I .. 1 _
r- F F I 1,0l--- I '
I T F i 0,1 II I Ii -~-----·--·-i-----· - -++ -"-_. ----.--. ,.--.-- "-1
F T ! 0,1 I
i I
----T--------- --------r--------------- -----0,01 0,99
! !
r- 82Iii!------ --LI TI
T T
P(82=F) ---I P(82=T)i----L-----
0,8 I 0,2
0,2 0,8
P(TB=T)
0,0
0,9
0,9
,J
Prinsip pemrograman menggunakan Matlab
1. Membuat struktur graph
N=4;
dag = zeros(N ,N);
TA= 1; Sl =2; S2=3; TB=4;
dag(TA,[S2 SI]) = 1;
dag(S2,TB) = 1;
dag(S 1,TB)=I;
Oalam hal ini graphs merupakan matriks
2. Membuat model shell
% node biner
false = 1; true = 2;
ns = 2*ones(1,N);
%bnet = mk bnet( dag, ns);
27
bnet = mk_bnet(dag, ns, 'names', {'tangki atas','SI ','S2','TB'}, 'discrete',
1:4);
names = bnet.names;
Model terdiri atas struktur dan parameter
3. Spesifikasi parameter
bnet.CPD{TA} = tabular_CPD(bnet, TA, [0.5 0.5]);
bnet.CPD{S2} = tabular_CPD(bnet, S2, [0.8 0.20.20.8]);
bnet.CPD{S I} = tabular _CPD(bnet, S I, [0.5 0.90.5 0.1]);
bnet.CPD{TB} = tabular_CPD(bnet, TB, [I 0.1 0.1 0.01 00.90.90.99]);
• Parameter dinyatakan sebagai obyek CPD -> tabel
(distribusi peluang suatu node bila diketahui parent)
4. Melakukan inference
engine = jtree _inC engine(bnet);
5. Menghitung Distribusi Marjinal
evidence = ce11(I,N);
evidence{TB} = true;
[engine, 11]= enter_evidence( engine, evidence);
m = marginal_nodes(engine, SI);
pi = m.T(true) % P(SI=trueITB=true) = 0.4298
likl = exp(ll); % P(TB=true) = 0.6471
assert(approxeq(pl,0.4298));
assert(approxeq(likl,0.6471));
m = marginal_nodes(engine, S2);
p2 = m.T(true) % P(S2=trueITB=true) = 0.7079
6. Menghitung Distribusi Gabungan
evidence = ce11(I,N);
[engine, ll] = enter_evidence(engine, evidence);
m = marginal_ nodes( engine, [S1 S2 TB]);
28
evidence{S2} = 2;
[engine, 11]= enter_evidence(engine, evidence);
m = marginal_nodes(engine, [SI S2 TB]);
Dari program yang dibuat dengan kasus sistem DURESS yang telah
disederhanakan dengan asumsi kegagalan komponen seperti yang telah dijelaskan
di atas maka didapatkan hasil perhitungan
pI = 0.4298
p2 = 0.7079
p3 = 0.1945
»m.T
ans(:,:,I) = 0.0820
0.0018
ans(:,:,2) = 0.7380
0.1782
8. Kesimpulan
Dalam penelitian ini telah dilakukan pengembangan Bayesian Networks
untuk keperluan trouble shooting instalasi. Pengembangan dilakukan dengan cara
memasukkan data on-line dari sensor dan data reliabilitas komponen pada node
cause sehingga diharapkan tingkat kepercayaan hasil menjadi lebih baik.Telah
dilakukan pembuatan perangkat lunak menggunakan Lab VIEW dan MA TLAB
berdasarkan algoritma Bayesian Networks untuk trouble shooting instalasi.
Simulasi dilakukan dengan menggunakan data-data sistem termohidrolika
eksperimental DURESS. Hasil simulasi menunjukkan bahwa perangkat lunak
dapat melakukan diagnosis kegagalan pada sistem DURESS.
Daftar Pustaka
[1] KADlE, C. M., HOVEL, D., HORVITZ, E. "MSBNx: A Component-Centric
Toolkit for Modeling and Inference with Bayesian Networks". Technical
Report MSR-TR-2001-67. Microsoft Research, Microsoft Corporation, 200!.
[2] PEARL, J., RUSSELL, S. "Bayesian Networks". Computer Science
Department, University of California, Berkeley. 2000.
29
[3] PEARL, J. "Bayesian Networks, Causal Inference and Knowledge
Discovery". Computer Science Department, University of California,
Berkeley. 2001.
[4] TIAN, J., PEARL, J. "Causal Discovery from Changes: a Bayesian
Approach". Computer Science Department, University of California,
Berkeley. 2001.
30