С. И. ЛЕСНИКОВ
Научный руководитель – В. В. ДАНЬШИН, аспирант
Национальный исследовательский ядерный университет «МИФИ»
МЕТОД ВЫДЕЛЕНИЯ ЛОГИЧЕСКИХ СОСТОЯНИЙ
ДИСКРЕТНОГО СИГНАЛА С ПОМОЩЬЮ
АВТОМАТИЧЕСКОГО МЕТА КОМБИНАТОРНОГО
ПЕРЕБОРА МЕТОДОВ ЦИФРОВОЙ ОБРАБОТКИ
СИГНАЛОВ
Для решения проблемы автоматизации процесса анализа дискретных временных сигналов разработан новый метод анализа, основанный на комбинаторном переборе методов цифровой обработки сигналов.
Нашем коллективом факультетской лаборатории Робототехника НИЯУ МИФИ был разработан новый алгоритм машинного обучения, который позволяет быстро проводить анализы дискретных временных сигналов и решать различные задачи в таких областях машиностроения как виброакустика, дефектоскопия и автоматизированный контроль износа оборудования.
Предлагаем рассмотреть класс задач, когда на исследуемой установке монтируется датчик, например, микрофон, гироскоп или акселерометр, и по его показаниям нужно определить, что именно происходит с узлами конструкции. Конструкцией может быть эксплуатируемая труба нефтегазопровода, редуктор, электропривод. И по показаниям одного или нескольких датчиков необходимо вести автоматизированный контроль за износом подшипников, трещин и других видов отказа оборудования.
Для решения данной задачи производится сбор образцов показаний на стадии эксплуатации оборудования, в том числе и разрушающего контроля, собирается группа исследователей (3-5 человек), которые решают данную задачу за 6-18 месяцев, в зависимости от сложности задачи и объемов финансирования. В ходе решения задачи исследователи активно применяют методы цифровой обработки сигналов, выдвигают гипотезы, осуществляют статистические доказательства своих гипотез, после чего приступают к разработке опытного образца и испытаниям на реальном объекте. Мы нашли способ как сократить путь от получения данных до разработки системы принятия решений до нескольких секунд.
Для этого мы берем входной сигнал, прогоняем его через наш классификатор состояний, и с помощью алгоритм генерируем N мерное пространство временных признаков нашего входного сигнала, проводим их анализ методами наименьших квадратов или среднеквадратичных отклонений, после чего выбираем решение с наименьшей ошибкой распознавания. Размерность пространства признаков в нашем случае равна 1000 и может быть изменена в зависимости от вычислительных мощностей. На данный момент алгоритм можно без проблем запускать на 2х ядерном планшете с частотой ядер 1,5 ГГц.
Чтобы проверить работоспособность нашего метода в таком большом количестве признаков, мы поставили задачу распознавания типа сигнала между дискретными данными, сгенерированных по уравнению прямой и синусоиды, в условиях наложения аддитивных дисперсионных шумов, сгенерированных по равномерному закону распределения. Алгоритм продемонстрировал возможность безотказно автоматически классифицировать сигналы с помехами в 500% от амплитуды исследуемых сигналов, что было подтверждено на выборке в 3 экспериментах по 1000 опытов.
Хотим обратить внимание, что такие результаты полечены без каких-либо оптимизаций, просто за счет большого количества признаков исследуемом сигнале. Мы хотим провести дополнительные статистические доказательства работоспособности нашего метода на различных прикладных задачах и моделях.
Список литературы
Бархатов сигналов и их классификация с помощью распознавания образов.//Дефектоскопия. -2006. -№4.-с.14-27. URL: http://fpribor. ru/uploadedFiles/files/Patern_Recognition_1.pdf (дата обращения: 10.12.2015). Lacoste A., Laviolette F., Marchand M. Bayesian Comparison of Machine Learning Algorithms on Single and Multiple Datasets.// AISTATS-12, 2012. URL: http://jmlr. csail. mit. edu/proceedings/papers/v22/lacoste12/lacoste12.pdf (дата обращения: 10.12.2015). Appelebaum D. Leby Processes and Stochastic Calculs. / D. Applebaum – Cambridge: Cmbridge University Presss, 2004-p.384.
