Аннотация:
Несмотря на обширный опыт применения аппарата нейронных сетей для решения разнообразных задач машинного обучения, многочисленные попытки использования его в технической диагностике не приводят (за редким исключением) к законченным решениям. Причиной сложившейся ситуации являются особенности задач технической диагностики, отличающие их от традиционных задач машинного обучения. В результате анализа этих особенностей авторами предложен подход к диагностированию сложных технических объектов, ориентированный на применение в системах встроенной диагностики и основанный на использовании нейросетевых эталонных диагностических моделей функционально обособленных узлов и агрегатов. Описывается методика синтеза таких моделей, особенности их обучения на данных, полученных в результате мониторинга объекта диагностирования с использованием встроенных средств диагностирования, определения допустимых ошибок отклика и адаптации к текущему состоянию объекта. Предлагаемая в статье фаззификация результатов работы диагностической модели на диагностической выборке позволяет унифицировать подход к диагностированию сложных технических объектов различного назначения. Предложенное авторами применение следящего контрольного сигнала Д. Тригга для контроля остатков регрессии в процессе обучения повышает качество обучения моделей и их обобщающую способность. Значение этого сигнала, определяемое в результате работы модели на диагностической выборке, представляет собой дополнительный информативный диагностический параметр, повышающий точность классификации состояния объекта диагностирования. Применение предложенной методики на стадии проектирования сложных технических объектов позволяет оптимизировать вектор контролируемых параметров и кратно повысить эффективность использования диагностической информации, регистрируемой встроенными средствами диагностики и мониторинга.
Ключевые слова:
Техническая диагностика, нейросетевая регрессионная модель, декомпозиция сложного объекта, обучающая выборка, ошибка отклика модели, вектор контролируемых параметров объекта, вектор диагностических параметров, алфавит классов состояния объекта, фаззификация, функция принадлежности