Пространство диагностическое (признаков) состояний

Систему п функций (10) или аналогичную ей систему т функции (9) можно рассматривать как отображение пространства состояний, заданного координатами г , 2 , г в пространство диагностических признаков с координатами ..., и , [c.382]

Построение алгоритмов распознавания в диагностике существенно облегчается в том случае, когда удается построить диагностическую модель, устанавливающую связь между пространством состояний и пространством диагностических признаков. При этом не имеет значения, в какой форме представлена Э13 связь, [c.385]

Степень близости вектора диагностических признаков (6) к одному из эталонных оценивают с помощью классифицирующих функций. Совокупность последовательных Действий при постановке диагноза называется алгоритмом распознавания. Алгоритмы распознавании частично основываются на диагностических моделях, устанавливающих связь между состояниями механизма и их отображениями в пространстве [c.383]

Пусть задан некоторый технический объект, текуш,ее состояние которого контролируют на основании косвенных измерений. Состояние объекта — функция непрерывного или дискретного параметра t (времени, наработки и т. п.). Совокупность результатов измерений в момент времени t назовем диагностическим вектором или вектором признаков и обозначим w. Вектор признаков есть элемент некоторого диагностического пространства W или пространства признаков (см. гл. 2). [c.267]

Однако на практике определение функциональной зависимости, обусловливающей связь контролируемых параметров с обобщенным диагностическим признаком, представляется сложной и часто неразрешимой задачей. В связи с этим в последнее время успешно применяются так называемые нейросетевые алгоритмы, по которым обобщенный диагностический признак формируется как некоторое ограниченное дискретное гиперпространство контролируемых параметров. Границы этого пространства получают посредством обучения алгоритма распознавания по выборке значений параметров, измеренных на двигателе с известным состоянием (исправным, неисправным). На рис. 8 представлены основные подходы, примененные при создании нейросетевого алгоритма для оценки состояния двигателя по комплексу термогазодинамических параметров, регистрируемых в полете. [c.60]

Применение нейросетевых алгоритмов достаточно эффективно, когда имеется значительный объем априорных статистических данных о состоянии двигателя. Если таких данных недостаточно, то целесообразно применять алгоритмы, основанные на вычислении обобщенного диагностического признака, в качестве которого принимается функция расстояния в пространстве контролируемых параметров, принадлежащих исправному и неисправному состояниям двигателя. Чтобы этот признак учитывал все особенности сложных процессов, связанных с проявлением неисправности, он должен формироваться на основе комплекса разнородных функциональных параметров двигателя. Такой признак называется обобщенным диагностическим. [c.61]

Решение задачи построения диагностических признаков представляет собой результат итеративной процедуры обучения распознаванию кпассов состояний/дефектов узлов ГПА при априорно заданной ошибке классификации, где максимально возможное число итераций определяется количественным составом кпассов метрического преобразования и преобразования подобия над пространством первичных описаний в виде обучающих статистик вибрационных портретов. [c.73]

Энциклопедия по машиностроению XXL

Оборудование, материаловедение, механика и ...