74 / 397
Механики XXI веку. №16 2017 г.
74
Введение.
Задача моделирования систем диагностики и прогнозирования неисправно-
стей станков с ЧПУ, является весьма актуальной, т.к. от работоспособности сложного и до-
рогостоящего оборудования зависит эффективность работы предприятия. Кроме того реше-
ние задачи позволит планировать время ремонта и закупок нового оборудования.
В настоящее время диагностика оборудования проводится, как правило, при помощи
анализа спектрограмм вибросигналов, снятых в различных точках [1,2], используя которые
можно прогнозировать лишь «постепенные отказы», когда на значения параметров установ-
лен допуск, ограниченный верхним и нижним уровнями значений параметра. Кроме «посте-
пенных отказов», необходимо учитывать возможные «внезапные отказы», причина возник-
новения которых связана не с изменением состояния объекта, а с неблагоприятным сочета-
нием действующих факторов. Вероятность возникновения таких отказов зависит только от
величины промежутка времени и интенсивности отказов. Поэтому в данном случае для про-
гнозирования отказов следует применять методы математического моделирования.
Теория.
Алгоритмы распознавания в технической диагностике основываются на ди-
агностических моделях, устанавливающих связь между состояниями технической системы и
их отображениями в пространстве контролируемых параметров. Важной частью проблемы
распознавания являются правила принятия решений (решающие правила).
Среди методов технической диагностики метод, основанный на обобщенной формуле
Байеса, занимает особое место благодаря простоте и эффективности. Как и другие, метод
Байеса имеет недостатки: большой объем предварительной информации, «угнетение» редко
встречающихся диагнозов и др. Однако в случаях, когда объем статистических данных по-
зволяет применить метод Байеса, его целесообразно использовать как один из наиболее на-
дежных и эффективных методов. Метод основан на простой формуле Байеса
1
( ...,
)
(
( ))
n
i
i
p X X p X parents X
[3, 4]. Метод Байеса позволяет «переставить причину и след-
ствие»: по известному факту события вычислить вероятность того, что оно было вызвано
данной причиной.
Нейросетевые модели являются мощным и гибким инструментом прогнозирования
многомерных временных рядов, поскольку структура нейронной сети может быть изменена в
зависимости от типа оборудования.
К недостаткам можно отнести необходимость наличия достаточно большого количе-
ства данных для обучения сети, что является затруднительным в случае, например, установ-
ки более нового оборудования.
Нейронные сети хороши для задач распознавания образов, но весьма неудобны для
выяснения вопроса, как они такое распознавание осуществляют. Они могут автоматически
приобретать знания, но процесс их обучения зачастую происходит достаточно медленно, а
анализ обученной сети весьма сложен (обученная сеть обычно — «черный ящик» для поль-
зователя). При этом какую-либо априорную информацию (знания эксперта) для ускорения
процесса ее обучения в нейронную сеть ввести невозможно.
Системы с нечеткой логикой, напротив, хороши для объяснения получаемых с их по-
мощью выводов, но они не могут автоматически приобретать знания для использования их в
механизмах выводов. Необходимость разбиения универсальных множеств на отдельные об-
ласти, как правило, ограничивает количество входных переменных в таких системах не-
большим значением.
Системы с нечеткой логикой и искусственные нейронные сети эквивалентны друг
другу, однако, на практике у них имеются свои собственные достоинства и недостатки [5, 6].
Данное соображение легло в основу аппарата гибридных сетей, в которых выводы делаются
на основе аппарата нечеткой логики, но соответствующие функции принадлежности под-
страиваются с использованием алгоритмов обучения нейронных сетей, например, алгоритма
обратного распространения ошибки, использующего метод Байеса.
Структура предлагаемой экспертной системы, представляет собой гибридную струк-
туру, интегрирующая в себе нейро-нечеткую сеть с алгоритмом динамической байесовской
сети и алгоритмом фильтрации частиц на единой платформе. Метод основан на использова-