УДК 519.234
Алгоритм распознавания образов без учителя при группировке электрорадиоизделий
,
научный руководитель доктор тех. наук
Сибирский федеральный университет
Введение. К изделиям электронной техники (ИЭТ), которые используются в космической отрасли, предъявляют высокие требования, т. к. ИЭТ должны безотказно работать весь срок службы. При использовании ИЭТ в космических аппаратах нет возможности осуществить замену или произвести ремонт. Поэтому важно и актуальна диагностика электрорадиоизделий, выявление наиболее стабильных элементов.
При диагностике электрорадиоизделий (ЭРИ) проводятся различные испытания (электротермотренировка, виброиспытания), по результатам которых выделяют изделия различного качества.
Постановка задачи классификации. При диагностике ЭРИ на практике часто возникает задача классификации изделий в соответствии с требованиями ГОСТ для технических изделий.
Пусть изделий характеризуется значениями вектора признаков 
, полученных в результате испытаний и может быть отнесена к одному из двух классов 
или 
. Задача распознавания образов сводится к построению решающего правила на основе имеющейся обучающей выборки 
, где 
указания учителя о принадлежности к или , s – объем выборки. На рис. 1 показан случай для двумерного вектора v, m=2. Элементы обучающей выборки 
на рисунке показаны точками [1].
Рисунок 1 – Иллюстрация задачи распознавания образов
В рассматриваемой постановке задачи все изделия являются годными. Необходимо выделить группы различного качества в выборке изделий при отсутствии указаний учителя. Подробно алгоритм классификации без учителя изложен в [2].
Результаты группировки изделий электронной техники. При оценке качества ЭРИ одним из основных дестабилизирующих факторов при отбраковке ЭРИ является элетротермотренировка (ЭТТ), при которой происходит одновременное воздействие на ЭРИ электрических и тепловых нагрузок.
Рассмотрим результаты испытаний электротермотренировки партии электрорадиоизделий: изделий – 150, признаков – 13. На предварительном этапе была построена гистограмма попарных расстояний между всеми изделиями (рис. 2). По виду гистограммы распределения расстояний можно заметить, что существует две моды. Отсюда сразу следует вывод, что в исходной выборке изделий существуют группы, и их может быть две.
Рисунок 2 – Гистограмма расстояний
В результате работы параметры алгоритма были подобраны таким образом, что в партии было выделено 2 группы: 105 и 43 элемента, и остались два элемента, которые не принадлежат ни одной из групп.
На рис. 3 показан результат группировки: по осям отложены значения тестов 5 и теста 2. На данном графике визуально легко увидеть, почему две точки не вошли ни в одну из групп – значения теста 5 для таких элементов имеет большое отличие от остальных элементов выборки.
Рисунок 3 – Результаты группировки
Заключение. Рассматриваются результаты группировки партии электрорадиоизделий. Было выявлено две группы, а также два элемента, которые не принадлежат ни одному из классов. При этом все изделия являются годными. В дальнейшем предлагается разделить данную партию изделий на три подгруппы: 105, 43 и 2 элемента и проводить дополнительные испытания для каждой из групп.
Список литературы
1. , , Чжан диагностика электрорадиоизделий // Труды XII всероссийского совещания по проблемам управления ВСПУ-2014. Москва, 16 – 19 июня, 2014. С. 7676 – 7682.
2. , , Об идентификации в системах диагностики качества диодных матриц // Идентификация систем и задачи управления» SICPRO '15 // Труды X Международной конференции. Москва, 26 по 29 января 2015 г.
