ОПТИМІЗАЦІЯ ІЄРАРХІЧНОЇ СТРУКТУРИ ДАНИХ ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ФУНКЦІОНАЛЬНОГО ДІАГНОСТУВАННЯ ТЕХНІЧНОГО СТАНУ СКЛАДНОЇ МАШИНИ
Journal Title: Вісник Національного технічного університету «ХПІ». Серія: Системний аналiз, управління та iнформацiйнi технологiї - Year 2018, Vol 1320, Issue 44
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.
Authors and Affiliations
Anatoly Dovbysh, Victoria Zimovets, Myroslav Bibyk
Keywords
Related Articles
- EP ID EP465220
- DOI 10.20998/2079-0023.2018.44.08
- Views 125
- Downloads 0
РЕВЕРСНЫЕ ФУНКЦИИ И РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ СЛУЧАЙНОГО ФУНКЦИОНАЛА-СВЕРТКИ ОТ НОРМАЛЬНОГО МАРКОВСКОГО ПРОЦЕССА
Рассмотрен процесс, обладающий свойствами стационарности, нормальности и марковости. Для заданного временного интервала изучены энергетический функционал и функционал сверточного типа. При аналитическом рассмотрении зада...
The concept of an architectural solution for the service intended to build an enterprise strategy map
<span>The article examines an architectural solution of a software application for building an enterprise strategy map. It gives a short review of existing software products at the IT-market, which is used in strategic e...
Дослідження еволюції напружено-деформованого стану і визначення розрахункового ресурсу масивних елементів вісесиметричних конструкцій із використанням універсального скінченного елементу
<span>Математичне моделювання процесів континуального руйнування в умовах довготривалої повзучості на основі МСЕ являє собою досить складну задачу, ефективність розв'язання якої залежить від повноти бібліотеки скінченно-...
Розробка представлення знань на основі марківських логічних мереж в системі процесного управління
<span>Досліджено проблему побудови представлення знань в системі процесного управління на основі аналізу поведінки бізнес-процесів, що представлена у вигляді логів подій. Кожна подія характеризує дію бізнес-процесу. Акту...
USING GRAPH EMBEDDINGS FOR WIKIPEDIA LINK PREDICTION
Link prediction is an important area of study in network analysis and graph theory which tries to answer the question of whether two nodes in the graph might have an association in the future. Nowadays, graphs are ubiqui...