Оптимізація ієрархічної структури даних інтелектуальної системи функціонального діагностування технічного стану складної машини

Abstract

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.

The conclusions about the strata of society, various parties are supported by, have been made. The method of information-extreme machine learning of the system of functional diagnosis of the technical state of a complex machine with the optimization of the hierarchical data structure is considered. It is shown that the functional efficiency of machine learning of the system of functional diagnosis is significantly influenced by the location in the hierarchical structure of the recognition classes characterizing the technical state of the machine and its nodes. At the same time, for each level of the hierarchical structure under consideration, a restriction on the number of recognition classes is imposed, which makes it possible to reduce the degree of their intersection in the space of diagnostic features. Optimization of the hierarchical structure was carried out in the process of information-extreme machine learning of the system of functional diagnosis, which allows to maximize the information capacity of the system. As a criterion for optimizing the parameters of machine learning, we considered a modi fied information measure of Kulbak, which is a functional of the accurate characteristics of diagnostic solutions. In this case, the algorithm of machine learning represented a multi-cycle iterative procedure of finding the maximum global value of the information criterion for optimizing learning parameters in the working (permissible) domain of determining its function. Based on the optimal geometric parameters of recognition class containers obtained in the course of machine learning, decision rules have been constructed that allow making diagnostic decisions in a real time. As an example of the implementation of the method of optimization the structure of input data, the machine learning of the system for the functional diagnosis of a mine hoist was considered. As a result, alphabets of recognition classes have been created for strata of all tiers of the hierarchical structure, providing the maximum functional efficiency of machine learning