АВТОМАТИЗИРОВАННАЯ СИСТЕМА ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ОБЪЕКТА С ИСПОЛЬЗОВАНИЕМ АГРЕГИРОВАННЫХ КЛАССИФИКАТОРОВ 

Клячкин Владимир Николаевич, доктор технических наук, профессор, кафедра прикладной математики и информатики, Ульяновский государственный технический университет (Россия, г. Ульяновск, ул. Северный Венец, 32), E-mail: v_kl@mail.ru
Жуков Дмитрий Анатольевич, специалист по базе данных, Ульяновский филиал конструкторского бюро ПАО «Туполев» (Россия, г. Ульяновск, проспект О. К. Антонова, 1), E-mail: zh.dimka17@mail.ru 

681.518.5 

DOI

10.21685/2307-4205-2020-4-6 

Актуальность и цели. Для обеспечения надежности технического объекта проводится его диагностика в условиях эксплуатации по результатам мониторинга показателей функционирования этого объекта. Актуальность задачи обусловлена постоянно растущими требованиями по безопасности и надежности техники. При диагностировании работоспособности технического объекта требуется оценить его состояние по заданным показателям функционирования. При этом могут использоваться методы многомерной классификации, как стандартные статистические, так и специальные методы машинного обучения. Существенными особенностями рассматриваемой задачи являются, во-первых, несбалансированность обучающей выборки: информации о показателях функционирования при неработоспособных состояниях объекта гораздо меньше, чем при работоспособных, и во-вторых, сравнительно небольшой объем выборки (как правило, сотни наблюдений, в отличие от «BigData» в десятки и сотни тысяч в обычных задачах машинного обучения). Цель исследования – разработка программного комплекса, который в автоматическом режиме, анализируя исходные данные о результатах предшествующей эксплуатации, давал бы заключение о работоспособности объекта и прогнозировал бы его состояние по заданным показателям функционирования.
Материалы и методы. Для решения задачи диагностики могут быть использованы различные методы машинного обучения: наивный байесовский классификатор, метод опорных векторов, композиционные методы (бэггинг и бустинг) и др. Для повышения точности диагностики могут быть применены агрегированные методы классификации, которые используют комбинацию базовых моделей, построенных на обучающей выборке. При формировании единого решения о работоспособности объекта можно использовать три варианта агрегирования результатов: по среднему значению, по медиане, а также с помощью процедуры голосования. Кроме агрегирования, качество диагностики также зависит от выбранного объема контрольной выборки и способа отбора значимых показателей. Доля контрольной выборки в общем объеме исходных данных (или количество блоков разбиения выборки при кросс-валидации) оказывает неоднозначное влияние на качество классификации: для каждого конкретного технического объекта необходимо оценивать этот фактор индивидуально. Еще один фактор, существенно влияющий на качество диагностики, – это значимость влияния рассматриваемых показателей функционирования на состояние объекта. Рассматриваются два подхода к оценке значимости показателей.
Результаты и выводы. Разработан алгоритм и программный комплекс для диагностики технического состояния объекта с использованием агрегированных классификаторов, включающий в себя: разбиение исходных данных на контрольную и обучающую выборки, отбор значимых признаков, построение базовых и агрегированных классификаторов, поиск наилучшего по F-критерию метода, а также возможность прогнозирования состояния технического объекта. Все перечисленные функции рассчитываются в автоматизированном режиме, тем самым для осуществления диагностики технического объекта достаточно загрузить данные о его предшествующих состояниях и программный комплекс подберет оптимальные параметры для получения наиболее точного результата. В качестве объекта исследования использовалась система горячего водоснабжения в городе Ульяновск: контроль проводился по данным, снятым со счетчиков водоснабжения. Путем проведения статистических испытаний показана эффективность разработанных моделей и алгоритмов, при этом значение F-критерия на исследуемых выборках за счет применения агрегирования, выбора объема контроля и отбора значимых показателей увеличилось до 15 % относительно базовых методов. 

Ключевые слова

техническая диагностика, показатели функционирования, работоспособность, агрегированные классификаторы, кросс-валидация, F-критерий, счетчик горячего водоснабжения 

 Скачать статью в формате PDF

1. Мишанов, Р. О. Анализ точности классификации электрорадиоизделий для космической аппаратуры в зависимости от времени прогнозирования / Р. О. Мишанов // Надежность и качество сложных систем. – 2019. – № 4 (28). – С. 112–117.
2. Северцев, Н. А. Методы и модели создания автоматизированных средств контроля для повышения безопасности функционирования технических систем / Н. А. Северцев, А. В. Бецков, А. Н. Дарьина // Надежность и качество сложных систем. – 2019. – № 2 (26). – С. 19–26.
3. Юрков, Н. К. Риски отказов сложных систем / Н. К. Юрков // Надежность и качество сложных систем. – 2014. – № 1 (5). – С. 18–24.
4. Биргер, И. А. Техническая диагностика / И. А. Биргер. – Москва : Машиностроение, 1978. – 240 с.
5. Клячкин, В. Н. Прогнозирование и диагностика стабильности функционирования технических объектов / В. Н. Клячкин, В. Р. Крашенинников, Ю. Е. Кувайскова. – Москва : Русайнс, 2020. – 200 с.
6. Klyachkin, V. N. Multivariate Statistical Process Control by Individual Observations / V. N. Klyachkin, I. N. Karpunina // International Journal of Innovative Technology and Exploring Engineering (IJITEE). – 2019. – Vol. 8 (6S3). – P. 590–593.
7. Воронина, В. В. Теория и практика машинного обучения : учеб. пособие / В. В. Воронина, А. В. Михеев, Н. Г. Ярушкина, К. В. Святов. – Ульяновск : УлГТУ, 2017. – 290 с.
8. Neykov, M. On the Characterization of a Class of Fisher-Consistent Loss Functions and its Application to Boosting / M. Neykov, Jun S. Liu, Tianxi Cai // Journal of Machine Learning Research. – 2016. – № 17 (70). – P. 1–32.
9. Wyner, A. J. Explaining the Success of AdaBoost and Random Forests as Interpolating Classifiers / A. J. Wyner, M. Olson, J. Bleich, D. Mease // Journal of Machine Learning Research. – 2017. – № 18 (48). – P. 1–33.
10. Клячкин, В. Н. Диагностика технического состояния аппаратуры с использованием агрегированных классификаторов / В. Н. Клячкин, Ю. Е. Кувайскова, Д. А. Жуков // Радиотехника. – 2018. – № 6. – С. 46–49.
11. Klyachkin, V. N. Aggregated Classifiers for State Diagnostics of the Technical Object / V. N. Klyachkin, J. E. Kuvayskova, D. A. Zhukov // International Multi-Conference on Industrial Engineering and Modern Technologies (FarEastCon – 2019). – Vladivostok, 2019. – Vol. 22. – P. 244–260. – DOI 10.15827/0236–235x.126.244–260.
12. Жуков, Д. А. Особенности диагностики функционирования технического объекта методами машинного обучения / Д. А. Жуков // Современные проблемы проектирования, производства и эксплуатации радиотехнических систем : сб. – Ульяновск, 2019. – С. 214–216.
13. Davis, J. The relationship between Precision-Recall and ROC curves / J. Davis, M. Goadrich // Proceedings of the 23rd international conference on Machine learning. – Pittsburgh, 2006. – P. 233–240.
14. Жуков, Д. А. Анализ критериев качества классификации при диагностике функционирования технического объекта / Д. А. Жуков // Автоматизация процессов управления. – 2019. – № 3 (57). – С. 112–117.