Применение алгоритмов машинного обучения байесовских сетей для решения задач диагностирования сложных технических систем с использованием дискретных диагностических признаков


Авторы

Дорожко И. В.

Военно-космическая академия имени А.Ф. Можайского, г. Санкт-Петербург, Россия

e-mail: vka@mil.ru

Аннотация

В статье предложено применение алгоритмов машинного обучения байесовских сетей для построения моделей диагностирования сложных технических систем. Описан подход к построению модели диагностирования типовой стойки, входящей в состав автоматизированной системы управления технологическим оборудованием стартового комплекса. Рассматриваются примеры параметрического обучения модели при заданной топологии байесовской сети, а также структурно-параметрического обучения, когда структура модели не задана и синтезируется в процессе машинного обучения. В статье обращается внимание на возможность учета степени доверия к априорной информации при обучении моделей. Анализируются результаты параметрического обучения моделей при различных значениях степеней доверия к априорной информации.  Предлагаются возможности выявления зависимостей между диагностическими признаками при использовании машинного обучения. 

Ключевые слова:

диагностирование, диагностические признаки, априорная информация, байесовская сеть, структурно-параметрическое машинное обучение

Список источников

  1. Автоматизация технологических процессов и производств: учебник / В.А. Белозеров и др.; под редакцией А.Б. Кузнецова – СПб.: ВКА имени А.Ф. Можайского, 2014. – 284 с.
  2. Арсеньев В.Н. Оценивание характеристик систем управления по ограниченному числу натурных испытаний. М.: Рестарт. – 2013. – 126 с.
  3. Воронцов В.А. Разработка прототипа интеллектуальной системы оперативного мониторинга и технического состояния основных бортовых систем космического аппарата / В.А. Воронцов, Е.А. Федоров // Труды МАИ. – 2015. – № 82. URL: https://trudymai.ru/published.php?ID=58817 (дата обращения 16.05.2024).
  4. Дмитриев А.К. Модели и методы анализа технического состояния бортовых систем: учебное пособие. – СПб.: ВИКУ имени А.Ф. Можайского, 1999. – 171 с.
  5. Дорожко И. В. Модель системы поддержки принятия решений для диагностирования бортовых систем космического аппарата на основе байесовских сетей / И. В. Дорожко, О. А. Иванов // Труды МАИ. – 2021. – № 118. URL:  https://trudymai.ru/published.php?ID=158259 (дата обращения 16.05.2024).
  6. Дорожко И.В. Модель оценки вероятности безотказной работы сложных технических комплексов на основе динамических байесовских сетей / И.В. Дорожко, Е.А. Захарова, Н.А. Осипов. // Труды Военно-космической академии им. А.Ф. Можайского. – СПб., 2019. – № 669 – С. 216 – 223.
  7. Дорожко И.В., Осипов Н.А., Иванов О.А. Прогнозирование технического состояния сложных технических систем с помощью метода Берга и байесовских сетей // Труды МАИ. – 2020. – №113. URL: http://trudymai.ru/published.php?ID=118181 (дата обращения 16.05.2024).
  8. Заведеев, А.И. Диагностика состояния и принципы повышения отказоустойчивости бортовой системы управления космического аппарата / А.И. Заведеев, А.Ю. Ковалев // Труды МАИ. – 2012. – № 54. URL: https://trudymai.ru/published.php?ID=29688 (дата обращения 16.05.2024).
  9. Кобзарев И.М. Использование меры ценности информации В.И. Корогодина для построения гибких диагностических процедур распознавания технического состояния бортовых систем космических аппаратов / И.М. Кобзарев, Е.В. Копкин. // Труды Военно-космической академии им. А.Ф. Можайского. – СПб., 2019. – № 671 – С. 326 – 337.
  10. Копейка Е.А. Методический подход оценивания вероятности безотказной работы сложных технических систем с учетом характеристик системы контроля на основе байесовской сети доверия / Е.А. Копейка, А.В. Вербин // Труды МАИ. – 2023. – № 128. URL: https://trudymai.ru/published.php?ID=171411 (дата обращения 16.05.2024).
  11. Копкин Е.В., Кравцов А.Н., Мышко В.В. Анализ технического состояния космических средств. – СПб.: ВКА имени А.Ф. Можайского, 2016. – 189 с.
  12. Копкин Е.В., Кравцов А.Н., Мышко В.В. Контроль и диагностика космических средств: учебное пособие – СПб.: ВКА имени А.Ф. Можайского, 2016. – 198 с.
  13. Митькин М.А., Гаврилов К.Ю. Применение искусственных нейронных сетей для восстановления объектов на радиолокационных изображениях // Труды МАИ. 2025. № 141. URL: https://trudymai.ru/published.php?ID=184505 (дата обращения 16.05.2024).
  14. Сукар Л.Э. Вероятностные графовые модели. Принципы и приложения / пер. с англ. А.В. Снастина. – М.: ДМК Пресс, 2021. – 338 с.: ил.
  15. Тонких А.Н. Применение нейросетевых технологий для распознавания распределенных объектов на радиолокационных изображениях // Труды МАИ. 2025. № 141. URL: https://trudymai.ru/published.php?ID=184504 (дата обращения 16.05.2024).
  16. Тулупьев А.Л., Николенко С.И., Сироткин А.В. Основы теории байесовских сетей: учебник. – СПб.: Изд-во С.-Петерб. ун-та, 2019. – 399 с.
  17. Cowell R.G., Dawid A.P., Lauritzen S.L., Spiegelhalter D.J. Probabilistic Networks and Expert Systems. Springer-Verlag, 1999.
  18. GeNIe & SMILE // Decisions systems laboratory. School of Information Sciences. University of Pittsburg. URL: http://genie.sis.pitt.edu/ (дата обращения 16.05.2024). 
  19. Jensen F.V. Bayesian Networks and Decision Graphs. New York: Springer-Verlag, 2001.
  20. Pearl J. Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. New York: Morgan Kaufman Publ., 1991.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2025

 Вход