DOI: https://doi.org/10.20998/2079-0023.2018.44.08

ОПТИМІЗАЦІЯ ІЄРАРХІЧНОЇ СТРУКТУРИ ДАНИХ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ФУНКЦІОНАЛЬНОГО ДІАГНОСТУВАННЯ ТЕХНІЧНОГО СТАНУ СКЛАДНОЇ МАШИНИ

Anatoly Stepanovich Dovbysh, Victoria Ihorivna Zimovets, Myroslav Vytalyiovich Bibyk

Анотація


Розглядається метод інформаційно-екстремального машинного навчання системи функціонального діагностування технічного стану складної машини з оптимізацією ієрархічної структури вхідних даних. Показано, що на функціональну ефективність машинного навчання системи функціонального діагностування  суттєво впливає розміщення в ієрархічній структурі  класів розпізнавання, які характеризують технічний стан машини та її вузлів. При цьому для кожної страти ієрархічної структури накладаються обмеження  на кількість класів розпізнавання, що дозволяє зменшити ступінь їх перетину в просторі діагностичних ознак. Оптимізація ієрархічної структури здійснюється  в процесі інформаційно-екстремального машинного навчання системи функціонального діагностування, що дозволяє максимізувати інформаційну спроможність системи. Як критерій оптимізації параметрів машинного навчання розглядається модифікована інформаційна міра Кульбака, яка є функціоналом точнісних характеристик діагностичних рішень. При цьому алгоритм машинного навчання представляв собою багатоциклічну ітераційну процедуру пошуку максимального глобального значення інформаційного критерію оптимізації параметрів машинного навчання в робочій (допустимій) області визначення його функції.  В результаті для страт всіх ярусів ієрархічної структури сформовано алфавіти  класів розпізнавання, які  забезпечили  максимальну функціональну ефективність машинного навчання. За отриманими в процесі машинного навчання оптимальними геометричними параметрами контейнерів класів розпізнавання побудовано вирішальні правила, які дозволяють приймати діагностичні рішення в реальному темпі часу.  Крім того, вирішальні правила, побудовані в рамках геометричного підходу, є практично інваріантними до багатовимірності вхідних даних, що є їх суттєвою перевагою перед штучними нейронними мережами.  Як приклад реалізації запропонованого методу розглядалося машинне навчання системи функціонального діагностування шахтної підйомної машини з оптимізацією структури вхідних даних.

Ключові слова


система функціонального діагностування; технічний стан; інформаційно-екстремальне машинне навчання.система функціонального діагностування; технічний стан; інформаційно-екстремальне машинне навчання

Повний текст:

PDF

Посилання


Popov Yu. V. Problemyi povyisheniya effektivnosti shahtnyih mnogokanatnyih pod'emnyih ustanovok s nazemnyim raspolozheniem pod'emnyih mashin [The problems of increasing the efficiency of mine multi-channel hoisting machines with the ground location of lifting machines]. Izvestiya UGGU [News of the Ural State Mining University]. 2010, no. 24, pp. 59–67.

Bhowmik P. S., Pradhan S., Prkash M. Faultdiagnostic andmonitoringmethods of inductionmotor: a review. International Journal of Applied Control, Electrical and Electronics. 2013, vol. 1, pp. 1–18.

Gerike B. L., Gerike P. B., Shahmanov V. N. Dinamicheskaja diagnostika mashinnyh agregatov gornogo oborudovanija [Dynamic diagnostics of machine units of mining equipment]. Gornyj informacionno-analiticheskij bjulleten' (nauchno-tehnicheskij zhurnal). 2011, no 5, pp. 80–89.

Andrzej O., Zygmunt S. Modern Methods Control and Diagnostics of Hoisting-Machines with Application of Artificial Intelligence Methods. Archives of Mining Sciences. 2010, vol. 55, no. 1, pp. 217–231.

Szymański, Z. Intelligent, Energy Saving Power Supply and Control System of Hoisting Mine Machine with Compact and Hybrid Drive System Szymański, Z., Układy Zasilania I Sterowania Górniczych Maszyn Wyciągowych Z Napędem Zintegrowanym Lub Hybrydowym. Archives of Mining Sciences. 2017, vol. 60(1), pp. 239–251. DOI:10.1515/amsc-2015-0016

Sidorenko V. N., Chernyiy, A. P. ( 2011). Monitoring of powerful electric drives on the basis of Data Mining technology]. Elektrotehnichni ta komp’yuterni sistemi – Electrical and computer systems, no. 3, pp. 313–316.

Skakalіna O. V. Prikladnі aspekti vikoristannja metodu grupovogo urahuvannja argumentіv pri korotkostrokovomu prognozuvannі [Applied aspects of the use of the method of group consideration of arguments in the short-term forecasting] Naukovij vіsnik NGU, 2015, no. 6, pp. 80–88

Arzhenovskiy S. V., Molchanov I. N. Statisticheskie metodyi prognozirovaniya : uchebnoe posobie dlya aspirantov [Statistical methods of forecasting: a textbook for graduate students] Rostov-na-Donu, RGEU Publ., 2001. 74 p.

Dovbysh A.С. Osnovy proektuvannya intelektualnykh system: Navchalnyy posibnyk [Fundamentals of Designing Intelligent Systems: Textbook] – Sumy, SumDU Publ., 2009. 171 p.

Dzhordzh F. Lyugger. Iskusstvennyiy intellekt. Strategii i metodyi resheniya slozhnyih problem [Artificial Intelligence. Strategies and methods for solving complex problems]. Moscow, St. Petersburg, Kiev, Williams Publ., 2009. 864 p.

Ching-Lien Huang, Tsung-Shin Hsu, Chih-Ming Liu. The Mahalanobis-Taguchi system - Neural network algorithm for data-mining in dynamic environments. Expert Systems with Applications: An International Journal. 2009. Vol. 36, issue 3, pp. 5475–5480. DOI 10.1016/j.eswa.2008.06.120

Osovskiy S., trans. with Polish I. D. Rudinsky Neyronnyie seti dlya obrabotki informatsii [Neural networks for information processing]. Moscow: Finance and Statistics Publ., 2004. 344 p.

Hasan A. Yousef, Manal Wahba A. Adaptive fuzzy mimo control of induction motors Expert Systems with Applications: An International Journal. 2009, vol. 36, issue 3, pp. 4171–4175. DOI 10.1016/j.eswa.2008.04.004

Subbotin S. The neuro-fuzzy network synthesis and simplification on precedents in problems of diagnosis and pattern recognition. Optical Memory and Neural Networks (Information Optics). 2013, vol. 22, no 2, pp. 97–103. DOI:: 10.3103/s1060992x13020082

James D. Miller. Statistics for Data Science: Leverage the power of statistics for Data Analysis, Classification, Regression, Machine Learning, and Neural Networks. Packt Publishing Ltd, 2017. 286 p.

Li Juanli and Yang Zhaojian. Research on Fault Diagnosis Method of Hoist in Semantic Environment. Information Technology Journal. 2013, vol. 12, pp. 2581–2586. DOI: 10.3923/itj.2013.2581.2586

Dovbysh, A.S., Martynenko, S. S., Kovalenko, A. S., Budnyk, M. M. Information-extreme algorithm for recognizing current distribution maps in magnetocardiography. Journal of Automation and Information Sciences , 2011, vol. 43, no. 2, pp. 63–70. DOI: 10.1615/JAutomatInfScien.v43.i2.60.

Dovbish A. S, Zimovets V. I., Kozlov Z. S. Informatsiyno-ekstremalniy algoritm navchannya sistemi funktsionalnogo kontrolyu elektroprivodu shahtnoYi pIdyomnoyi mashini [Information-extreme learning algorithm for the system of functional control of the electric drive of a shaft lifting machine]. Radioelektronika i informatika. 2017, pp. 58–63.


Пристатейна бібліографія ГОСТ