Моделі, методи та інформаційна технологія функціонального діагностування багатоканатної шахтної підйомної машини

Abstract

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.13.06 – інформаційні технології (12 – Інформаційні технології). – Національний технічний університет "Харківський політехнічний інститут", Харків, 2021. Об’єктом дослідження є слабоформалізований процес машинного навчання системи функціонального діагностування за умови неповної визначеності даних, обумовленої довільними початковими умовами технологічного циклу і перетином в просторі ознак класів розпізнавання, які характеризують технічний стан вузлів і пристроїв багатоканатної шахтної підйомної машини. Предметом досліджень є моделі і методи інформаційної технології оцінювання функціональної ефективності та оптимізації параметрів здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини. Дисертаційна робота присвячена підвищенню функціональної ефективності системи функціонального діагностування багатоканатної шахтної підйомної машини шляхом створення інформаційної технології машинного навчання. У роботі поставлене та вирішене актуальне науково-прикладне завдання розроблення інформаційної інтелектуальної технології інформаційного синтезу здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини за умови неповної визначеності даних в рамках інформаційно-екстремальної інтелектуальної технології аналізу даних. Обрані методи дослідження базуються на принципах і методах інтелектуального інформаційного аналізу даних та інформаційно-екстремальної інтелектуальної технології машинного навчання для побудови високодостовірних і оперативних вирішальних правил; методах теорії ймовірностей і математичної статистики для оцінки випадкових величин і перевірки статистичних гіпотез; методах та характеристиках теорії інформації для оцінки функціональної ефективності машинного навчання системи функціонального діагностування; об’єктно-орієнтованій методології проектування складних систем для розробки інформаційного та програмного забезпечення системи функціонального діагностування, що навчається. Обґрунтовано актуальність теми дисертації, зазначено зв’язок роботи з науковими темами, сформульовано мету та задачі дослідження, визначено об’єкт, предмет та методи дослідження, показано наукову новизну та практичне значення отриманих результатів, наведено інформацію про практичне використання, апробацію результатів та їх висвітлення у публікаціях. Показано, що основним шляхом підвищення надійності і безпеки роботи багатоканатної шахтної підйомної машини, яка віднесена до об’єктів критичного призначення, є наявність системи функціонального діагностування у складі автоматизованої системи керування, що дозволяє оцінювати поточний технічний стан вузлів і пристроїв машини, виявляти на ранній стадії дефекти та прогнозувати їх розвиток. За результатами аналізу сучасного стану та тенденцій розвитку систем функціонального діагностування складних електромеханічних машин і пристроїв показано необхідність розробки моделей і методів інформаційних технологій функціонального діагностування на основі машинного навчання і теорії розпізнавання образів. За результатами критичного аналізу відомих методів інтелектуального аналізу даних, включаючи нейроподібні структури, вказано, що причиною їх невисокої функціональної ефективності є невирішені питання науково-методологічного характеру, обумовлені такими основними причинами експлуатації СФД в реальних умовах: – довільні початкові умови технологічного циклу; – суттєвий перетин класів розпізнавання, які характеризують можливі технічні стани вузлів і пристроїв машини, в просторі діагностичних ознак; – великий обсяг діагностичних даних і велика потужність алфавіту класів розпізнавання і вплив неконтрольованих збурюючих факторів. При цьому показано перспективність застосування для інформаційного синтезу систем функціонального діагностування ідей і методів інформаційно-екстремальної інтелектуальної технології аналізу даних, яка ґрунтується на максимізації інформаційної спроможності системи в процесі її машинного навчання. Вперше розроблено категорійні моделі і на їх основі методи інформаційно-екстремального машинного навчання системи функціонального діагностування багатоканатної шахтної підйомної машини за ієрархічною структурою даних, яка функціонує в режимах кластер-аналізу, що дозволяє автоматично формувати вхідну класифіковану нечітку навчальну матрицю, і факторного кластер-аналізу, що дозволяє автоматично перенавчати систему функціонального діагностування при розширенні алфавіту класів розпізнавання. Вперше розроблено метод оцінювання функціональної ефективності інформаційно-екстремального машинного навчання системи функціонального діагностування багатоканатної шахтної підйомної машини з ієрархічною структурою даних на основі запропонованої модифікації інформаційного критерію Кульбака оптимізації параметрів машинного навчання. Крім того, на базі запропонованого інформаційного критерію оптимізації параметрів машинного навчання розроблено метод оптимізації заданої ієрархічної структури даних, що дозволяє підвищити достовірність вирішальних правил Удосконалено модель і метод інформаційно-екстремального машинного навчання з оптимізацією багатоінтервальної системи контрольних допусків на значення діагностичних ознак, які на відміну від двобічних симетричних допусків враховують багатомодальність щільності розподілу ймовірності вхідних даних. При цьому розв’язується практична задача для функціонального діагностування, яка полягає в розширенні простору діагностичних ознак через відносно малу середню міжцентрову відстань класів розпізнавання, які характеризують можливі технічні стани вузлів і пристроїв шахтної підйомної машини. Розроблено засоби технології інформаційного синтезу здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини за умови неповної визначеності даних та нечіткої компактності векторів діагностичних ознак класів розпізнавання, що дозволило за результатами ієрархічного машинного навчання побудувати безпомилкові за навчальною матрицею вирішальні правила, які дозволяють в робочому режимі приймати високо достовірні діагностичні рішення в реальному темпі часу. Усі теоретичні розробки дисертації доведено до конкретних інженерних методик та алгоритмів з застосуванням запропонованої інформаційної технології створення та використання здатної навчатися системи функціонального діагностування багатоканатної шахтної підйомної машини. На основі запропонованих та розроблених моделей, методів та алгоритмів створено комплекс інструментальних засобів для інформаційного синтезу системи функціонального діагностування багатоканатної шахтної підйомної машини, який включає модулі формування вхідного математичного опису системи, бази даних і знань, алгоритми інформаційно-екстремального машинного навчання і побудовані за результатам машинного навчання вирішальні правила, які дозволяють при функціонуванні системи в робочому режимі приймати високодостовірні оперативні діагностичні рішення. Основні наукові результати впроваджено у вигляді інформаційної технології, яка включає категорійні моделі, методи, критерії оцінки функціональної ефективності, алгоритми оптимізації і програмне забезпечення при модернізації системи функціонального діагностування багатоканатної шахтної підйомної машини на підприємстві ТОВ «ULYS Systems» (м.Київ) (акт впровадження від 15.01.2020 р.)) і в навчальний процес Сумського державного університету (акт впровадження від 18.02.2020 р.).Thesis for a Candidate of Science Degree in specialty 05.13.06 “Information Technologies” (12 – Information Technologies). – National Technical University "Kharkiv Polytechnic Institute", Kharkiv, 2021. The object of the study is a poorly formalized machine learning process of functional diagnostics system with incomplete data definiteness caused by arbitrary initial conditions of technological cycle and intersection in the space of features of recognition classes that characterize the technical condition of nodes and devices of a multi-wire mine machine. The subject of research are models and methods of information technology of functional efficiency estimation and optimization of parameters capable of learning the system of functional diagnostics of multi-wire mine lifting machine. The dissertation is devoted to increase of functional efficiency of the system of functional diagnostics of a multichannel mine lifting machine by creation of information technology of machine learning. In this work the actual scientific and applied task of development of information intellectual information technology of information synthesis capable to learn the system of functional diagnostics of a multichannel mine lifting machine under the condition of incomplete data determination in the framework of information-extreme intellectual data analysis technology is set and solved. The introduction substantiated the relevance of the topic of the dissertation, specified the connection of work with scientific themes, formulated the purpose and tasks of the research, defined the object, subject and research methods, showed the scientific novelty and practical significance of the obtained results, provided information about practical use, testing of the results and their coverage in publications. The chosen research methods are based on the principles and methods of intellectual information analysis of data and information-extreme intellectual technology of machine learning for the construction of highly accurate and operational decision rules; methods of probability theory and mathematical statistics for estimation of random variables and testing of statistical hypotheses; methods and characteristics of information theory to evaluate the functional effectiveness of machine learning functional diagnosis system; object-oriented design methodology for sophisticated systems for the development of information and software systems for the functional diagnostics system under study. Shows that the main way to improve the reliability and safety of multi-rope mine lifting machine, which is classified as critical objects, is the presence of a system of functional diagnostics as part of an automated control system, which allows to evaluate the current technical condition of the units and devices of the machine, to detect early-stage defects and predict their development. According to the results of the analysis of the current state and tendencies of development of systems of functional diagnostics of complex electromechanical machines and devices the necessity of development of models and methods of information technologies of functional diagnostics on the basis of machine learning and theory of pattern recognition is shown. According to the results of the critical analysis of known methods of data mining, including neuro like structures, it is indicated that the reason of their low functional efficiency is the unresolved scientific and methodological issue of systems of functional diagnostics in real conditions: – arbitrary initial conditions of the technological cycle; – significant intersection of recognition classes characterizing possible technical states of machine components and devices in the space of diagnostic features; – large amount of diagnostic data and high power of alphabet recognition classes and influence of uncontrollable disturbing factors. At the same time the prospect of application for information synthesis of systems of functional diagnostics of ideas and methods of information-extreme intellectual technology of data analysis, which is based on maximizing the information capacity of the system in the process of its machine learning, is shown. For the first time, categorical models and methods of information-extreme machine learning for the system of functional diagnostics of multichannel mine lifting machine based on a hierarchical data structure, which operates in cluster-analysis modes, that allows to automatically form an input classified fuzzy training matrix, and a cluster analyzer, and which allows you to automatically retrain the system of functional diagnostics when expanding the alphabet of recognition classes. For the first time the method of estimation of functional efficiency of information-extreme machine learning of the system of functional diagnostics of multichannel mine lifting machine with hierarchical data structure was developed on the basis of the proposed modification of information criterion of Kulback optimization of machine learning parameter. In addition, based on the proposed information criterion for optimization of machine learning parameters, a method of optimization of a given hierarchical data structure is developed, which allows to increase the reliability of the decisive rules. The model and method of information-extreme machine learning with the optimization of a multi-interval system of control tolerances for the values of diagnostic features, which, unlike bilateral symmetrical tolerances, take into account the multimodality of the probability density distribution of the input data, have been improved. This solves a specific problem for functional diagnostics, which is to expand the space of diagnostic features because of the relatively small average center-center distance of the recognition classes, which characterize the possible technical conditions of nodes and devices of the mine lifting machine. Means of information synthesis technology capable of learning the system of functional diagnostics of multichannel mine lifting machine under conditions of incomplete data definiteness and fuzzy compactness of vectors of diagnostic features of recognition classes have been developed reliable diagnostic solutions in real time. All theoretical developments of the dissertation have been brought to the specific engineering methods and algorithms with the use of the offered information technology of creation and use of the system of functional diagnostics of the multistage mine lifting machine capable of learning. Developed to the basis of the offered and developed models, methods and algorithms, a set of tools for informational synthesis of the system of functional diagnostics of a multichannel mine lifting machine was created, which includes modules for forming an input mathematical description of the system, databases and knowledge, algorithms of information-extreme machine learning and construction of machine learning results. Training is a decisive rule that allows operating systems to take highly reliable operational and diagnostic solutions. The main scientific results have been implemented in the form of information technology, which includes categorical models, methods, criteria of functional efficiency evaluation, optimization algorithms and software for the modernization of the functional diagnostics system of a multichannel mine lifting machine at the enterprise «ULIS SYSTEMS» (the act of implementation from 15.01.2020) and the educational process of Sumy State University (the act of implementation from 18.02.2020).