ГОСТ Р ИСО 13379-1—2015
6.3.2 Сильные и слабые стороны всех методов диагностирования на основе данных
По сравнению с подходом на основе знаний методы на основе данных не требуют глубокого зна
ния процессов, происходящих в диагностируемом оборудовании.
Кроме того, эти методы не налагают ограничений на формат независимых переменных. Это озна
чает, что состояние машины может быть описано через дихотомию (например, на нормальное и неис
правное состояния), через несколько классов состояний (например, «прогрев», «нормальная работа»,
«максимальная выходная мощность», «работа в режиме холостого хода») или с помощью переменной
состояния (например, температуры, давления, скорости), принимающей непрерывные значения.
К недостаткам методов диагностирования на основе моделей преобразования данных относятся:
- необходимость стадий обучения, калибровки и. возможно, подстройки модели перед ее исполь
зованием. При этом может оказаться необходимым пройти каждую стадию заново при модификации
оборудования или при изменении его применения, а также при обнаружении нетипичных ситуаций, не
рассмотренных на стадии обучения ранее:
- необходимость относительно большого числа выборок данных для нормального и каждого неис
правного состояния, используемых при построении модели;
- неспособность модели указать причину появления неисправного состояния.
- возможная высокая сложность вычислений, требуемых моделью.
Некоторые методы (логистическая регрессия, нейронные сети, деревья классификации, случай
ный лес. метод опорных векторов) целесообразно использовать без математической формализации, а
на основе примеров из практики или полученных с помощью имитационного моделирования (испыта
ния по принципу «прошел — не прошел», испытания химических реакторов и т. д.).
6.3.3 Статистический анализ данных и анализ случаев из практики
6.3.3.1 Общее описание метода
В основу метода положен принцип аналогии между наблюдаемой ситуацией и уже известными и
рассмотренными случаями из практики.
Случаи из практики могут быть описаны через исходные наблюдаемыеданные (одно- и многомер
ные величины, тренды, маски и пр.) или через результаты обработки этих данных, посредством которой
сформированы признаки неисправностей.
Метод состоит в поиске случая или нескольких случаев из базы данных, похожих на текущее со
стояние. требующее диагностирования. Применяемые модели требуют стадии обучения с обратной
связью и подробно описанными случаями из практики.
6.3.3.2 Построение модели
Вначале определяют данные, через которые описывают случаи из практики.
Потом задают метрику, посредством которой описывают степень схожести различных состояний
(обычно ее называют расстоянием между состояниями), и способ классификации состояний (объеди
нения схожих состояний в классы эквивалентности).
На последнем этапе обучения осуществляют калибровку (и. возможно, итеративную подстройку
модели), в ходе которой все известные случаи объединяют в одну систему диагностирования.
6.3.3.3 Сильные и слабые стороны метода
По сравнению с другими методами на основеданных рассматриваемый метод требует более тща
тельного структурирования и описания случаев из практики.
6.3.4 Нейронные сети
6.3.4.1 Общее описание метода
Нейронная сеть (часто называемая также искусственной нейронной сетью) представляет собой
нелинейную статистическую модель, которая может быть использована для описания сложных отно
шений между объектами. Структурно нейронная сеть представляет собой объединение множества
простых процессоров (нейронов), чье коллективное поведение позволяет аппроксимировать заданную
функцию.
6.3.4.2 Построение модели
Построение нейронной сети предполагает стадию обучения, во время которого происходит на
стройка сети посредством предъявления данных для нормального и неисправных состояний машины, и
подгонки весовых коэффициентов, позволяющей согласовать выход модели с состоянием, для кото рого
получены входные данные. После завершения процесса обучения нейронная сеть ведет себя как
«черный ящик», который после поступления на его вход новых данных генерирует выходной сигнал,
соответствующий одному из возможных состояний машины (из тех. что рассматривались в процессе
обучения).
10