АЛГОРИТМ ОПРЕДЕЛЕНИЯ АНОМАЛЬНОЙ РАБОТЫ ТЕХНОЛОГИЧЕСКОГО ОБОРУДОВАНИЯ (2023)
Разработан алгоритм обнаружения отклонений в работе установок. Изучены и протестированы различные методы распознавания дефектов. Предложенный алгоритм состоит из сбора и обработки данных, анализа и разметки, создания статистических моделей и моделей машинного обучения, сравнения их качества и построения моделей прогнозирования.
Идентификаторы и классификаторы
Для качественного управления процессами и мониторинга характеристик продукции или процесса во времени используются контрольные карты [4]. При проведении статистического контроля качества необходимо определить, какой вид графика контроля качества следует использовать. Если имеется более одной качественной характеристики, то контроль каждой из них по отдельности является неправильным. В такой ситуации необходимо использовать многомерные техники контроля качества, которые позволяют контролировать взаимосвязь между переменными. Многомерное статистическое управление производственными процессами требует использования многомерных статистических методов для разработки производственного процесса и контроля качества. Многомерные методы контроля имеют много преимуществ по сравнению с одномерными, потому что они не только изучают эффекты одиночных переменных, но и контролируют отношения между переменными, учитывая все группы изученных переменных. Поэтому многомерные методы более чувствительны к изменениям переменных и их отношений. Статистика Хотеллинга 2 является более сложным методом мониторинга качества процесса, который используется для контроля одновременно нескольких параметров процесса. Он основан на анализе средних значений и ковариационных матриц выборок векторов показателей процесса. 2 статистика вычисляется для каждой выборки и сравнивается с установленным пороговым значением. Если значение 2 превышает порог, на карте контроля Хотеллинга отображается точка, что указывает на наличие аномалий в данных. В ситуации, когда основная масса параметров неизвестна, набор данных, который необходимо оценить и который не включает наблюдения за выбросами, называется набором прошлых данных или набором эталонных данных.
Список литературы
-
Qu C., Zhou Z., Liu Z. [et al.]. Predictive anomaly detection for marine diesel engine based on echo state network and autoencoder // Energy Reports. 2022. Vol. 8, no. 5. P. 998-1003.
-
Дьяконов, А. Г. Выявление аномалий в работе механизмов методами машинного обучения // Аналитика и управление данными в областях с интенсивным использованием данных: сб. науч. тр. XIX Междунар. конф., 10-13 окт. 2017 г. / Федер. исслед. центр “Информатика и управление” РАН. Москва, 2017. С. 469-476. EDN: OUGRUW
-
Breunig M. M., Kriegel H. P., Ng R.T. [et al.]. LOF: Identifying Density-based Local Outliers // Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, May 16-18, 2000. Dallas, 2000. Vol. 29. P. 93-104.
-
Montgomery D. C.Introduction to Statistical Quality Control. Arizona State University: Wiley, 2009. 754 p.
-
Матинян А. А. Распределение Хотеллинга и его применения // Актуальные научные исследования в современном мире. 2020. № 4-2. С. 124-132. EDN: VNBGZR
-
Tracy N. D., Young J. C., Mason R. L. Multivariate Control Charts for Individual Observations // Journal of Quality Technology. 1992. Vol. 24, no. 2. P. 88-95.
-
Ulen M., Demir I. Application of Multivariate Statistical Quality Control In Pharmaceutical Industry // Balkan journal of mathematics. 2013. Vol. 1. P. 93-105.
-
Щетинин Е. Ю. Обнаружение аномалий в электрокардиограммах методами генеративного обучения // Управление развитием крупномасштабных систем (MLSD’2022): тр. Пятнадцатой Междунар. конф. (Москва, 26-28 сент. 2022 г.). М.: Изд-во Ин-та проблем управления им. В. А. Трапезникова РАН, 2022. C. 1378-1383. EDN: HMCXEM
-
Трыков Е. Л., Трыкова И. В., Коцоев К. И. Обнаружение аномалий в работе реакторного оборудования с помощью нейросетевых алгоритмов // Известия высших учебных заведений. Ядерная энергетика. 2020. № 3. С. 136-147. EDN: AFGWEJ
-
Varolgunes Y. B., Bereaul T., Rudzinski J. F.Interpretable embeddings from molecular simulations using Gaussian mixture variational autoencoders // Machine Learning: Science and Technology. 2020. Vol. 1, no. 1. P. 120-141.
Выпуск
Другие статьи выпуска
Предлагается алгоритм пространственной регистрации изображений, основанный на анализе геометрического расположения меток. Он позволяет проводить поиск матрицы преобразования подобия между двумя изображениями, в том числе и из разных модальностей. Вычисления основываются на сопоставлении точек (меток), заранее отмеченных на обрабатываемых изображениях. Метки могут быть не упорядочены друг относительно друга и размечены как человеком, так и другим алгоритмом. Алгоритм может быть применён в случаях с сильно отличающимися регистрируемыми изображениями.
В работе исследованы основные подходы к распознаванию смысла предложений исходя из контекста. Распознавание смысла предложений используется для решения задачи семантического сравнения пользовательских запросов с целью найти наиболее схожий по смыслу среди имеющихся. Результаты исследования показывают, что использование алгоритмов распознавания смысла предложений позволяет сократить число запросов, которые необходимо описывать вручную, при этом сохраняя большое количество обрабатываемых запросов.
В работе рассматривается разработка клиент-серверного приложения для автоматизации работы заказов в продаже на примере магазина цветов. Исследуется и реализовывается алгоритм машинного обучения k-ближайшего соседа. Результатом является жизнеспособный продукт по продаже товаров цветочной продукции с использованием современного набора технологий и языков программирования.
Рассматривается алгоритм, целью которого является сокращение количества проводимых действий для получения требуемой звуковой дорожки. Его принцип заключается в получении сигнала путем описания правил его воспроизведения. Особенность алгоритма состоит в том, что через введенные параметры формируется функционально зависимая модель. Она получает на вход момент времени, а на выход - определенное значение. Список этих значений отражает конкретные характеристики звукового сигнала, которые были заданы пользователем.
Предлагается и исследуется модификация алгоритма циклического покоординатного спуска. Недостаток классических методов покоординатного спуска - исследуется спуск только по одной координате, что может привести к преждевременной остановке алгоритма. В предложенном модифицированном методе рассматривается движение одновременно по нескольким координатам. Проведены численные эксперименты, получены результаты решений задач, подтверждающие эффективность предложенной модификации.
Исследуются методы и этапы решения задач теории расписания. Рассматривается NP-трудная задача календарного планирования. Проведен анализ объекта и построена математическая модель, цель которой минимизировать нагрузку преподавателей. Численная реализация построенной модели целочисленного линейного программирования позволяет найти оптимальный вариант решения задачи планирования.
Издательство
- Издательство
- ОмГТУ
- Регион
- Россия, Омск
- Почтовый адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- Юр. адрес
- 644050, Российская Федерация, г. Омск, пр-т Мира, д. 11
- ФИО
- Корчагин Павел Александрович (Ректор )
- E-mail адрес
- info@omgtu.ru
- Контактный телефон
- +7 (381) 2653407
- Сайт
- https://omgtu.ru/