ФОМІН Олександр Олексійович

УДК 004.032.2:620.179

МЕТОД ТА ІНСТРУМЕНТАЛЬНІ ЗАСОБИ МОДЕЛЬНОЇ ДІАГНОСТИКИ НЕЛІНІЙНИХ ДИНАМІЧНИХ ОБ’ЄКТІВ

05.13.06 – Автоматизовані системи управління та прогресивні

інформаційні технології

Автореферат

дисертації на здобуття наукового ступеня

кандидата технічних наук

Одеса – 2005

Дисертацією є рукопис.

Робота виконана в Одеському національному політехнічному університеті на кафедрі комп’ютеризованих систем управління.

Науковий керівник: | кандидат технічних наук, старший науковий співробітник Павленко Віталій Данилович,

Одеський національний політехнічний університет, доцент кафедри комп’ютеризованих систем управління

Офіційні опоненти: | доктор технічних наук, професор Козак Юрій Олександрович, Одеська національна академія зв'язку, завідувач кафедри інформатизації і управління;

кандидат технічних наук, доцент Олецький Олексій Віталійович, Національний університет Києво-Могилянська академія, доцент кафедри мультимедійних систем.

Провідна установа: |

Інститут проблем реєстрації інформації НАН України

Захист відбудеться “28” квітня 2005 року о 1330 на засіданні спеціалізованої вченої ради Д 41.052.01 в Одеському національному політехнічному університеті за адресою: 65044, м. Одеса, пр. Шевченка 1, ауд. 400-А.

З дисертацією можна ознайомитися у бібліотеці Одеського національного політехнічного університету за адресою: 65044, м. Одеса, пр. Шевченка 1.

Автореферат розісланий “28” березня 2005 року.

Вчений секретар

спеціалізованої вченої ради Д 41.052.01 Ямпольський Ю.С.

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Операції контролю та діагностики є необхідною ланкою автоматизованих систем управління складними об’єктами і процесами в різних галузях людської діяльності: техніці, медицині, економіці тощо. Більшість таких операцій призначено для розв'язання відповідальних задач у реальному режимі часу, що висуває підвищені вимоги до ефективності роботи автоматизованих систем діагностичного контролю (АСДК): використання універсальних методів опису об'єктів контролю (ОК) різної природи, мінімізація опису, підвищення достовірності класифікації, швидкодії, завадостійкості алгоритмів інтелектуальної обробки даних.

Ефективність використання сучасних методів діагностичного контролю, заснованих на відновленні моделі ОК, у значній мірі залежить від адекватності застосованих інформаційних моделей реальним об'єктам і процесам. На практиці в АСДК застосовуються лінійні динамічні моделі або нелінійні моделі, які використовують інформацію тільки про властивості статичних характеристик. Але більшість реальних об'єктів описуються нелінійними динамічними моделями. Тому, в якості опису ОК невідомої структури доцільно використовувати нелінійні непараметричні динамічні моделі на основі інтегро-степеневих рядів Вольтерра (РВ), що описують властивості ОК у вигляді послідовності інваріантних до виду вхідного сигналу багатомірних вагових функцій (БВФ).

Розроблення та побудова інформаційних моделей ОК з використанням БВФ в АСДК стримується складністю та нестачею ефективних способів їх параметризації (стискування діагностичних моделей), а також відсутністю спеціалізованих інструментальних засобів з застосуванням прогресивних інформаційних технологій, що забезпечують роботу зазначених моделей, синтез простору діагностичних ознак і побудову вирішувальних правил при багатоальтернативному розпізнаванні станів ОК.

У зв'язку з цим, розробка інструментальних програмних засобів для побудови АСДК, оснащених зазначеними методами, є актуальною проблемою, рішення якої дозволить значно підвищити достовірність діагностування нелінійних динамічних ОК різної природи.

Зв'язок роботи з науковими програмами, темами, планами. Дисертація виконувалася відповідно до завдань д/б НДР Одеського національного політехнічного університету № 281-63 “Апаратні і програмні засоби автоматизованих систем управління і обробки інформації” (1998-2000), № 405-63 “Системи автоматики і контролю для управління технологічними процесами” (2001-2004), № 445-30 “Теоретичні основи автоматичного розпізнавання відмов різального інструменту та прогнозування їх залишкового ресурсу”, номер державної реєстрації ДР0104U002397 (2003-2005), а також до завдань д/б НДР Одеської національної морської академії № 87-Б “Теорія і методи аналізу нелінійних інерційних систем з використанням інтегро-степеневих рядів Вольтерра” відповідно до Закону України “Про приоритетні напрямки розвитку науки і техніки: 5. Нові комп’ютерні засоби та технології інформатизації суспільства”, номер державної реєстрації ДР0100U001972 (2003-2005).

Метою роботи є підвищення достовірності діагностування нелінійних динамічних об'єктів шляхом розвитку методу модельної діагностики з використанням непараметричної ідентифікації об'єктів контролю у вигляді інтегро-степеневих рядів і розробка на його основі інструментальних програмних засобів.

Для досягнення цієї мети в роботі розв’язані такі задачі:

1.

2.

3.

4.

5.

6.

Об'єктом дослідження є АСДК нелінійних неперервних динамічних об'єктів.

Предметом дослідження є метод і інструментальні засоби модельної діагностики в АСДК нелінійних неперервних динамічних об'єктів.

Методи досліджень. При рішенні задач дисертаційного дослідження використовувалися методи теорії непараметричної ідентифікації, теорії імовірностей, статистичної класифікації, нечітких множин. При розробці структури АСДК використовувалися методи об’єктно-орієнтованого проектування інформаційних систем.

Наукова новизна отриманих результатів полягає в наступному:

1.

2.

3.

4.

Практичне значення отриманих результатів:

1.

2.

3.

4.

5.

6.

Особистий внесок здобувача. Автором самостійно сформульовані і вирішені основні положення, що складають суть дисертаційної роботи [1]. У публікаціях, що написані в співавторстві, здобувачеві належать: [3, 4, 9, 10, 12] – експерименти по визначенню інформативності діагностичних ознак, які сформовані на основі БВФ; [2, 5, 8, 14] – побудова вирішувальних правил методами статистичної класифікації і за допомогою нейронних мереж; [6, 7, 11, 15] – порівняльний аналіз методів редукції простору ознак, критерії пошуку кращих наборів.

Автором самостійно розроблені обчислювальні алгоритми визначення інформативності діагностичних ознак та побудови класифікаторів, програмно реалізована АСДК, а також виконані всі експерименти.

Апробація результатів дисертації. Основні положення роботи докладалися й обговорювалися на першій та другі Всеукраїнських молодіжних науково-практичних конференціях з міжнародною участю “Людина і космос” (Дніпропетровськ, 1999, 2000); міжнародній науково-практичній конференції "Сучасні інформаційні та електронні технології" (Одеса, 2000); міжнародній науково-практичній конференції "Молодь третього тисячоліття: гуманітарні проблеми і шляхи їхнього розв’язання" (Одеса, 2000); міжнародних конференціях по управлінню "Автоматика" (Львів, 2000, Одеса, 2001, Донецьк, 2002, Севастополь, 2003, Київ, 2004); на 5-ій, 6-ій і 7-ій міжнародних конференціях "Обробка сигналів і зображень і розпізнавання образів" "Укробраз'2000", "Укробраз'2002" та "Укробраз'2004" (Київ, 2000, 2002, 2004); міжнародній конференції "Інформаційні технології і моделювання" (Кременчук, 2003); II Міжнародній конференції з проблем управління (Москва, 2003); міжнародній конференції "Контроль і управління в складних системах" (Вінниця, 2003); III Міжнародній конференції "Идентификация систем и задачи управления" SICPRO`04 (Москва, 2004).

Публікації. Результати дисертації опубліковані в 27 публікаціях, у тому числі – 9 статтях в наукових журналах зі списку спеціальних видань ВАК України, і 18 працях і збірниках тез міжнародних конференцій.

Структура дисертації. Дисертація складається з вступу, п'яти розділів, п’яти додатків. Обсяг дисертації – 150 стор., додатків – 50 стор. Дисертація містить 53 рисунки, 17 таблиць і посилання до 125 літературних джерел.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовується актуальність теми дисертації, формулюється мета і задачі досліджень, сформульовані основні положення й практичні результати, досягнуті в роботі, їх наукова новизна.

Перший розділ присвячений аналізу задач діагностики. Приводиться формальна постановка задачі діагностичного контролю, а також класифікація методів її розв’язання. Відокремлюється клас методів діагностики нелінійних динамічних ОК на основі відновлення моделі ОК у вигляді РВ.

Нелінійні непараметричні динамічні моделі у вигляді РВ мають вигляд:

(1)

де – БВФ k-го порядку по i1,...,ik входам та j-му виходу (j=1,2,…,), , – кількість входів и виходів відповідно, x(t) – вхідний вплив, yj(t) – відгук об’єкта на j-му виході при нульових початкових умовах.

Обробка діагностичної інформації у вигляді РВ являє собою досить важку та ресурсномістку задачу, що вимагає великих обсягів пам'яті ЕОМ та часу процесу діагностування. Тому доцільним є перехід від первинних даних – набору БВФ різних порядків до простору діагностичних ознак.

Проводиться аналітичний огляд методів побудови класифікаторів ОК (статистичні методи, методи нечітких множин і нейронні мережі) у просторі діагностичних ознак. Встановлюється область ефективного використання статистичних методів: швидка побудова вирішувальних правил у вигляді поліномів малих порядків на основі репрезентативної навчальної вибірки.

Для оцінки якості системи класифікації в роботі застосовуються експериментальні показники: помилки класифікації, імовірності правильного розпізнавання (ІПР) і мінімум середнього ризику. Оцінка помилок класифікації визначається виразом:

i=Li/Ni, (2)

де Li – кількість об'єктів i-го класу, помилково віднесених до іншого класу k (ki); Ni– кількість елементів i-го класу в екзаменаційній вибірці; i=1, 2, …, m; m – кількість класів стану ОК.

Оцінка ІПР P, середня по всіх класах:

, (3)

Оцінка середнього ризику R (середньої вартості прийняття рішення):

(4)

де si – вартості помилок i , – апріорна імовірність появи класу i.

Для зниження розмірності задачі побудови класифікатора проводиться огляд методів дослідження інформативності сукупностей ознак. Обґрунтовується підхід до відбору сукупностей діагностичних ознак на основі оцінки якості системи класифікації з використанням методів перебору.

Обґрунтовується необхідність створення інструментальних засобів діагностичного контролю, що одночасно забезпечують роботу запропонованих моделей ОК, формування простору діагностичних ознак і побудову ефективних класифікаторів в задачах багатоальтернативного розпізнавання станів ОК.

Другий розділ присвячений розвитку метода модельної діагностики, який полягає у формуванні простору діагностичних ознак на основі результатів ідентифікації ОК з використанням нелінійних динамічних моделей у вигляді РВ і побудові класифікаторів станів ОК в отриманому просторі ознак. Структурна схема методу приведена на рис. 1.

В задачах модельної діагностики адекватність моделі реальним ОК треба розуміти не в смислі точності опису відгуку об'єкта, а в смислі її діагностичної цінності з погляду достовірного (надійного) розпізнавання технічного стану. Тому при ідентифікації нелінійних динамічних ОК необхідно забезпечити в першу чергу високу точність оцінки перетинів БВФ малих порядків, що містять найбільшу кількість діагностичної інформації для побудови ефективної системи розпізнавання.

Розпізнавання станів ОК проводиться на основі їх опису в просторі вторинних діагностичних ознак, отриманих на основі діагностичних моделей: {wk(t1,t2,…,tk)}k=1,2,…,Kx=(x1,x2,…,xn) (K – порядок БВФ, n – розмірність простору ознак, штрих – транспонування вектора). Пропонуються наступні способи стискування діагностичних моделей.

Рис. 1. Структурна схема методу модельної діагностики

Відліки БВФ. В якості вектора ознак x=(x1,x2,…,xn) використовується скінчений набір значень відліків діагональних перетинів БВФ: xj=wk(tj,...,tj), tj=jt, j=1, 2,…,n, t – інтервал дискретизації. Аналогічне формування вектора ознак на основі частотних характеристик: багатомірної амплітудно-частотної і фазо-частотної : x2j-1=Ak(j,..., j), x2j=k(j,..., j), j =j, j=1, 2,…, n.

Евристичні параметри. Формуються деякі евристичні параметри діагональних перетинів БВФ, що входять як компоненти у вектор ознак:

1. Екстремум модуля перетину k-мірної БВФ і точка екстремуму tmax

(5)

2. Похідна функції

при t=0; (6)

3. Інтеграл модуля функції

(7)

4. Час перехідного процесу tпп.

Тут T1,T2,…,Tk-1 – параметри, що визначають діагональний перетин БВФ k-го порядку (T1T2,…Tk-1).

Моменти БВФ. В якості вектора ознак використовуються моменти БВФ ОК:

, (8)

де i,j,…,l=0,1,…,; i+j+…+l=r – порядок моменту.

В роботі використовуються моменти діагональних перетинів БВФ.

Розкладання Карунена-Лоева. Застосування дискретного розкладання Карунена-Лоева БВФ при виборі ознак зводиться до побудови матриці перетворення розмірністю nq, в якості стовпців якої вибираються q нормованих характеристичних векторів, відповідних найбільшим характеристичним числам кореляційної матриці R:

, (9)

де – оператор математичного очікування, який обчислюється за всіма спостереженнями, які відносяться до i-го класу.

Вейвлет-перетворення. В якості вектора ознак використовуються коефіцієнти вейвлет-перетворення перетинів БВФ , що обчислюються за формулою:

(10)

де (t) – функція перетворення (материнський вейвлет), а та b – параметри масштабу і зсуву вейвлета відповідно.

Для вибору вейвлета (t), що забезпечує найкраще відновлення сигналу, проведений ряд чисельних експериментів по перетворенню і реконструкції аперіодичних і коливальних сигналів з використанням вейвлетів bior, coiflet, dobechi, haar, symlet. Найменші помилки при відновленні досліджуваних сигналів досягаються з використанням вейвлета coiflet, який обрано у якості базового при стискуванні діагностичних моделей.

У третьому розділі розвиваються методи побудови ефективних систем класифікації у просторі вторинних ознак та методи дослідження інформативності сукупностей ознак, а також пропонуються критерії оцінки якості сукупностей ознак в задачах багатоальтернативного розпізнавання.

При нормальному законі розподілу ознак ОК вирішувальне правило (дискримінантна функція) d(x), побудоване методом максимальної правдоподібності є оптимальним з погляду максимуму ІПР. Але в багатьох випадках закони розподілу ознак у класах відрізняються від нормальних. Для підвищення достовірності розпізнавання пропонується коректувати вирішувальне правило, отримане методом максимальної правдоподібності, відповідно до модифікованого алгоритму:

Крок 1. Визначається вирішувальне правило методом максимальної правдоподібності.

Крок 2. Для кожного об'єкта навчальної вибірки підраховується значення дискримінантной функції d(x).

Крок 3. Отримана множина значень d(x) упорядковується по величині та у парі з номером класу для кожного ОК складає “картину розпізнавання”.

Крок 4. Послідовно дорівнюючи =d(x) для всіх елементів “картини розпізнавання”, вибирається поріг класифікації max, що забезпечує найбільшу ІПР для об'єктів екзаменаційної вибірки.

Крок 5. Класифікація ОК здійснюється при =max.

У випадках, коли застосування квадратичного вирішувального правила не забезпечує задовільної ІПР, для побудови класифікатора використовується адаптивний метод стохастичної апроксимації з дискримінантною функцією у вигляді полінома другого ступеня:

, (11)

де aij, bi, c – коефіцієнти полінома.

Для скорочення часу навчання адаптивного алгоритму розроблено комбінований метод побудови вирішувального правила:

Крок 1. Побудова квадратичного вирішувального правила методом максимальної правдоподібності.

Крок 2. Визначення коефіцієнтів aij, bi, c відповідно до формул:

(12)

(13)

(14)

де m(l) – вектор середніх значень діагностичних ознак для i-го класу; – елементи матриці – зворотної до ковариаційної матриці Si; |Si| – визначник ковариациійної матриці Sl (l=1,2).

Крок 3. Побудова вирішувального правила методом стохастичної апроксимації з використанням в якості початкових коефіцієнтів значень, отриманих на Кроці 2.

На прикладі розв’язання задачі медичної діагностики стану тканин пародонту (стоматологія) наведені переваги комбінованого методу перед методом максимальної правдоподібності і методом стохастичної апроксимації (рис. 2): скорочення на два порядки кількості ітерацій у рекурентній процедурі методу стохастичної апроксимації і забезпечення ІПР на 5,3% більше, ніж у методі максимальної правдоподібності.

Процедура адаптивного методу побудови вирішувального правила узагальнена на випадок нечіткого опису класів. При цьому, для кожного об'єкта навчальної вибірки визначається множина пар {i, i}, (i=1,…, m, ), яка вказує ступінь належності ОК до наявних класів.

Коефіцієнти адаптивного вирішувального правила в цьому випадку визначаються по рекурентному виразу:

ckck-1k F ( yk-c k-1 (хk)) хk) (15)

де c – вектор коефіцієнтів вирішувального правила; k – номер кроку пошуку рішення; Г[k] – діагональна матриця величин кроків, що визначають швидкість руху до оптимальної точки вектора коефіцієнтів c по різних координатах на k-му кроці навчання; F – міра відхилення апроксимуючої функції від оптимальної; y – реакція “вчителя”; (х) – вектор базисних функцій.

Подальше ускладнення виду вирішувального правила приводить до істотного ускладнення системи розпізнавання. При отриманні недостатньої якості діагностики ОК доцільно будувати класифікатор у іншому просторі ознак.

При формуванні простору діагностичних ознак для зниження його розмірності проводиться визначення інформативності ознак і відбирається з базової множини підмножина ознак мінімального розміру, яка забезпечує достатню достовірність класифікації. Визначення діагностичної цінності сукупності ознак припускає використання конкретного класифікатора, оскільки тільки в його межах має смисл достовірність розпізнавання. Тому, в роботі використовуються методи вибору сукупностей ознак, засновані на прямій оцінці достовірності класифікації: методи повного та скороченого перебору. Недоліком методу скороченого перебору є отримання рішення, наближеного до найкращого. Метод повного перебору дає найкраще рішення, але при збільшенні розмірності вектору ознак суттєво зростає обчислювальна складність. Тому, розроблен алгоритм квазіповного відбору сукупностей діагностичних ознак, який дозволяє скоротити кількість досліджуваних сукупностей у порівнянні з методом повного перебору та підвищити діагностичну цінність сукупностей у порівнянні з методом скороченого перебору.

Крок 1. Для вектора x=(x1,x2,…,xn) задається початковий набір i ознак , k1<k2<…<ki, kj{1,2,…,n}, j=1,2,…,i; i=1,2,…,n, а також деяка величина , яка визначає інтервал відхилення від найкращого рішення max().

Крок 2. Формуються всі сполучення з i заданих ознак і кожної з ознак, що не увійшли в початковий набір , ki+1{1,2,…,n}, ki+1 kj.

Крок 3. Для кожної сукупності з i+1 ознак, отриманої на Кроці 2 визначається ІПР Pq (q=1,2,...,n-i-1) одним з методів статистичної класифікації.

Крок 4. Вибирається сукупність ознак, що доставляє найбільшу ІПР max(Pq), а також усі сукупності, для яких ІПР P попадає в інтервал [max(Pq) - , max(Pq)]:

(16)

Крок 5. Якщо для відібраних на Кроці 4 рішень бажане значення ІПР не досягнута, для кожного рішення з i+1 заданих ознак здійснюється перехід до Кроку 2.

Крок 6. З отриманих рішень остаточно вибирається те, що несе максимум інформації max(Pq) про об'єкт.

При рішенні багатоальтернативних задач класифікації (m>2) кожне вирішувальне правило для вибраної сукупності ознак характеризується власним показником достовірності розпізнавання Pi, внаслідок чого виникає необхідність рішення задачі багатокритеріальної оптимізації при пошуку такої сукупності ознак, яка забезпечує максимальну у середньому достовірність розпізнавання всіх класів станів ОК. В роботі запропоновані наступні цільові функції:

, (17)

, (18)

, (19)

де Рmax, Pmin – максимальне та мінімальне значення достовірності розпізнавання серед отриманих вирішувальних правил di(х), i=m-1; – константа, що характеризує відхилення Рi від Рmax (0<<1); , – вагові коефіцієнти (>0, >0).

У четвертому розділі наведені результати досліджень ефективності запропонованих методів стискування діагностичних моделей, побудованих на основі первинної інформації, яка отримана за результатами ідентифікації ОК у вигляді РВ (1). Проведені експериментальні дослідження, що дозволяють оцінити завадостійкість побудованих систем ознак та вплив погрішності оцінок БВФ із використанням процедури ідентифікації на діагностичну цінність систем ознак.

Діагностична цінність запропонованих систем ознак визначається на прикладі нелінійних динамічних ОК: системи з аперіодичними характеристиками (рис. 3) і системи управління приводом стеження з коливальними характеристиками (рис. 4).

Рис. 3. Відгук ОК на імпульсний вхідний вплив і БВФ 1-го, 2-го та 3-го порядку нелінійної системи з аперіодичними характеристиками |

Рис. 4. Відгук ОК на імпульсний вхідний вплив і БВФ 1-го та 3-го порядку системи управління приводом стеження

В роботі досліджується модель ОК (рис. 3) у вигляді трьох членів РВ (1) w1(t), w2(t,t), w3(t,t,t) та модель системи (рис. 4) у вигляді двох членів РВ (1) w1(t), w3(t,t,t) (w2(t,t)=0).

За допомогою імітаційного моделювання для зазначених ОК отримані навчальна і екзаменаційна вибірки для об'єктів чотирьох класів, умовно придатних і непридатних по параметрам a1, a2, які характеризують відповідно інерційні і нелінійні властивості та недоступні для прямих вимірів. Побудовано три вирішувальні функції d1(x), d2(x), d3(x) так, що функція d1(x) відокремлює ОК 1-го класу від 2-го, 3-го і 4-го; d2(x) – відокремлює ОК 2-го класу від 3-го і 4-го; d3(x) – відокремлює ОК 3-го і 4-го класів.

Проведено визначення інформативності систем діагностичних ознак на основі відліків з рівномірним кроком t на інтервалі (0, tпп] БВФ 1-го порядку (V1) і діагональних перетинів БВФ 2-го (V2) і 3-го (V3) порядків, а також відгуків ОК на збурення у вигляді коротких імпульсів різної амплітуди A1=1.0, A2=0.5, A3=0.1 і тривалістю і=0.1 (системи ознак Y1, Y2, Y3 відповідно). Значення узагальнених ІПР згідно (19) для квадратичного вирішувального правила у залежності від кількості використаних ознак k для зазначених систем представлені діаграмами (рис. 5).

Рис. 5. Узагальнені значення ІПР для систем ознак V1, V2, V3, Y1, Y2, Y3

ОК (рис. 3) – ліворуч та ОК (рис. 4) - праворуч

Найбільш високим показником ІПР з означених систем ознак для розглянутих нелінійних динамічних ОК володіє система V2 (відліки w2(t1,t1), w2(t2,t2)).

Розглядаються системи на основі частотних характеристик (багатомірної амплітудно-частотної AC і фазо-частотної FC), евристичних ознак Е, моментів M, вейвлет-перетворень W та розкладання Карунена-Лоева KL, отриманих на основі БВФ другого порядку. Найбільш високим показником ІПР для розглянутих ОК володіють системи E (сполучення екстремуму та інтеграла від модуля діагонального перетину БВФ), P=0.987; M (сукупність моментів (,)), P=0.98; W (сукупність коефіцієнтів вейвлет-перетворень (c1,c2)), P=0.983 і система KL, P=0.98. Найбільш стійкими до погрішностей оцінок БВФ виявилися системи ознак: E, W, KL.

У результаті емпіричних досліджень показано, що використання разом в моделі ОК БВФ 1-го, 2-го і 3-го порядків приводить до підвищення ІПР для систем ознак E, M, W; найбільш високий показник ІПР має сукупність моментів БВФ (,,, ), P=0.99.

При оцінюванні БВФ із використанням процедури ідентифікації найбільш високі показники ІПР досягаються на системах ознак, що були виявлені як найкращі при застосуванні еталонних моделей.

П'ятий розділ присвячений розробці базових інструментальних засобів АСДК “ІСІДА” та їх практичному застосуванню.

На основі об’єктно-орієнтованого підходу розроблені класи АСДК – клас даних (DataClass) і клас обробки даних (ProcessClass), які складають ядро АСДК (рис. 6). DataClass має поля даних та методи маніпуляції з даними: ініціалізації класу, перевірки коректності даних, взаємодії з нащадками класу обробки даних.

На основі класу ProcessClass будуються нащадки, які реалізують методи обробки даних з бібліотеки обчислювальних процедур: стискування даних, визначення інформативності сукупностей ознак, побудови вирішувальних правил, класифікації ОК.

Така структура ядра робить АСДК більш гнучкою та потужною, дозволяючи доповнювати її потрібними методами обробки даних.

З метою скорочення витрат часу на непродуктивні дії з великими обсягами навчальних вибірок, забезпечення ефективної взаємодії алгоритмів інтелектуальної обробки даних та організації простої, інтуїтивно зрозумілої роботи оператора розроблена АСДК “ІСІДА”. Програмні інструментальні засоби написані з використанням об’єктно-орієнтованної технології програмування на мові C++.

В АСДК реалізований автоматизований режим досліджень, який крок за кроком веде користувача по означених етапах діагностування станів ОК і дає можливість втручання у ключові моменти роботи базових компонентів.

Для скорочення часу роботи алгоритмів перебору сукупностей ознак розроблена технологія розподілених обчислень в локальній мережі на основі стандартних засобів ОС Linuх. Програмне забезпечення створено у вигляді двох модулів: серверної частини mkList, яка формує усі комбінації ознак за обраним алгоритмом перебору, та клієнтської частини Work, яка обчислює оцінку якості кожної сукупності ознак.

В розробленій АСДК досліджувались практичні задачі діагностики ОК різної природи. При формуванні діагностичного простору ознак в задачі продовження ресурсу різального інструмента застосування методу квазіповного перебору дозволило одержати ІПР на 11% краще, ніж методом скороченого перебору при порівнянному часі обчислень (рис. 7).

Застосування критеріїв (18), (19) дозволило автоматизувати процес вибору задовільних рішень і скоротити їх кількість у 2-4 рази в порівнянні з критерієм (17). В обраному просторі діагностичних ознак побудовано класифікатор станів різальної частини інструментів для прогнозування їх залишкового робочого ресурсу.

В стоматології у задачі діагностування захворювання тканин пародонту скорочення розмірності простору діагностичних ознак з 29-ти клінічних тестів до 5-ти проводилося методом повного перебору з використанням розподілених обчислень на двох робочих станціях, що допомогло скоротити час обчислень в 1,8 разів у порівнянні з однією робочою станцією. Побудована система вирішувальних правил у обраному просторі ознак застосована для діагностики та прогнозування основних клінічних форм розвитку генералізованого пародонтиту та виявлення клініко-біохімічних його варіантів.

Рис. 7. Порівняння методів перебору: квазіповного (=5%) – графік 1, скороченого – графік 2, повного – графік 3. Залежність ІПР P від кількості ознак k (ліворуч), залежність кількості сукупностей ознак Q (обчислювальної складності) від кількості базової множини ознак (праворуч).

ЗАГАЛЬНІ ВИСНОВКИ

У дисертації розв’язана задача підвищення достовірності діагностування нелінійних динамічних об'єктів шляхом розвитку методу модельної діагностики з використанням непараметричної ідентифікації об'єктів контролю у вигляді інтегро-степеневих рядів і розроблені на його основі інструментальні засоби діагностування станів об'єктів різної природи. В роботі отримані наступні результати:

1.

2.

3.

4.

5.

6.

7.

побудовано статистичний класифікатор станів різальної частини інструментів та прогнозування їх залишкового робочого ресурсу, впроваджений в ВАТ “Український науково-дослідний інститут верстатів, інструментів і приладів” (УКРНДІВІП), м. Одеса;

–

–

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1.

2.

3.

4.

5.

6.

7.

8.

9.

10.

11.

12.

13.

14.

15.

16.

17.

18.

19.

20.

21.

22.

23.

24.

25.

26.

27.

Фомін О.О. Метод і інструментальні засоби модельної діагностики нелінійних динамічних об'єктів. – Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за фахом 05.13.06 – Автоматизовані системи управління і прогресивні інформаційні технології. – Одеський національний політехнічний університет, Одеса, 2005.

Дисертація присвячена питанням підвищення достовірності діагностування нелінійних динамічних об'єктів шляхом розвитку методу модельної діагностики з використанням непараметричної ідентифікації об'єктів контролю у вигляді інтегро-степеневих рядів Вольтерра для формування простору діагностичних ознак і розробка на його основі інструментальних засобів діагностування станів технічних і біологічних об'єктів.

Актуальність роботи складається в необхідності розвитку методів контролю та діагностики нелінійних динамічних об'єктів, створенні сучасних інструментальних засобів повнофункціональної проблемно-орієнтованої автоматизованої системи діагностичного контролю.

Ключові слова: автоматизована система управління, діагностичний контроль, інформаційні моделі, модельна діагностика, інтегро-степеневі ряди, статистична класифікація.

Fomin A.A. The Method and instrumental tools of model diagnostics of nonlinear dynamic objects. – Manuscript.

The dissertation seeking scientific degree