Диагностика технического состояния аппаратуры с использованием агрегированных классификаторов
- 1 д.т.н., профессор, кафедра «Прикладная математика и информатика», Ульяновский государственный технический университет
- 2 к.т.н., доцент, кафедра «Прикладная математика и информатика», Ульяновский государственный технический университет
- 3 аспирант, кафедра «Прикладная математика и информатика», Ульяновский государственный технический университет
Аннотация
Показано, что для распознавания исправности состояния технического объекта могут быть использованы методы машинного обучения, с помощью которых проводится бинарная классификация: объекты подразделяются на исправные и неисправные. При этом качество классификации зависит от ряда факторов: объема и качества исходной выборки, метода машинного обучения, способа разделения исходной выборки на обучающую и контрольную части. Для повышения качества распознавания исправного состояния аппаратуры предложено использовать агрегированные методы, объединяющие несколько базовых классификаторов различными способами – по среднему значению, медиане или с помощью голосования. Проведены численные испытания реальных объектов, подтверждающие эффективность такого подхода.
Для цитирования
Клячкин В.Н., Кувайскова Ю.Е., Жуков Д.А. Диагностика технического состояния аппаратуры с использованием агрегированных классификаторов // Радиотехника. 2018. № 6. С. 46–49.
Список источников
- Клячкин В.Н., Кувайскова Ю.Е., Бубырь Д.С. Прогнозирование состояния объекта с использованием систем временных рядов // Радиотехника. 2015. № 6. С. 45−47.
- Montgomery D.C. Introduction to Statistical Quality Control. New York: John Wiley and Sons. 2009. 754 р.
- Ryan T.P. Statistical Methods for Quality Improvement. New York: John Wiley and Sons. 2011. 687 р.
- Клячкин В.Н. Статистические методы в управлении качеством: компьютерные технологии. М.: Финансы и статистика, ИНФРА-М. 2009. 304 с.
- Witten I.H., Frank E. Data Mining: Practical Machine Learning Tools and Techniques. San Francisco: Morgan Kaufmann Publishers. 2005. 525 р.
- Соколов Е.А. Машинное обучение. URL = http://wiki.cs.hse.ru/ Машинное _обучение. _1/2016_ 2017.
- Жуков Д.А., Клячкин В.Н. Диагностика исправности технического объекта с использованием пакета Matlab // Труды Междунар. научно-технич. конф. «Перспективные информационные технологии». Самара: Изд-во Самарского научного центра РАН. 2018. С. 55−57.
- Клячкин В.Н., Кувайскова Ю.Е., Алексеева В.А. Статистические методы анализа данных. М.: Финансы и статистика. 2016. 240 с.
- Клячкин В.Н., Шунина Ю.С. Система оценки кредитоспособности заемщика и прогнозирования возврата кредитов // Вестник компьютерных и информационных технологий. 2015. № 11 (137). С. 45−51.
- Klyachkin V.N., Kuvayskova Yu.E., Zhukov D.А. The Use of Aggregate Classifiers in Technical Diagnostics, Based on Machine Learning // CEUR Workshop Proceedings. V. 1903. Data Science. Information Technology and Nanotechnology. 2017. P. 32−35.
- Kuvayskova Y.E. The Prediction Algorithm of the Technical State of an Object by Means of Fuzzy Logic Inference Models // Procedia Engineering «3rdInternational Conference «Information Technology and Nanotechnology (ITNT 2017)». 2017. С. 767−772.