The development of training procedures for modeling the processes of diagnosing technical systems | Vestnik Tomskogo gosudarstvennogo universiteta. Upravlenie, vychislitelnaja tehnika i informatika – Tomsk State University Journal of Control and Computer Science. 2020. № 53. DOI: 10.17223/19988605/53/4

The development of training procedures for modeling the processes of diagnosing technical systems

The methods of teaching in models of diagnosing complex technical systems with incomplete and heterogeneous information on failures are being improved. The theoretical foundations of the construction of images - a formalized representation of inoperable states of the system are revealed. A procedure for the synthesis of an image based on an orthogonal trigonometric basis in a functional space with an arbitrary domain of definition has been developed, which makes it possible to increase the convergence of the learning process.

Download file

Counter downloads: 110

Keywords

inoperative condition, diagnostic parameter, recurrence relation, orthogonal trigonometric basis, convergence of the training process

Authors

Name	Organization	E-mail
Senchenkov Valentin I.	A.F. Mozhaisky Military Space Academy	svi9@rambler.ru
Matyunin Alexander S.	A.F. Mozhaisky Military Space Academy	ac0243555@mail.ru

Всего: 2

References

Фомин Я.А. Распознавание образов. Теория и применения. М. : Фазис, 2010. 368 с.

Vapnik V. Statistical Learning Theory. New York : Wiley-Interscience, 1998. 768 p.

Лобан А.В. Информационная технология распределенного диагностирования космических аппаратов. Москва-Берлин : Директ-Медиа, 2015. 146 с.

Малкин В.С. Техническая диагностика. М. : Академия, 2013. 272 с.

Сеньченков В.И. Модели, методы и алгоритмы анализа технического состояния. Saarbrucken : LAP LAMBERT Academic Publishing, 2013. 377 с.

Chunhui Z., Furong G. Online fault prognosis with relative deviation analysis and vector autoregressive modeling // Chemical Engineering Science. 2015. V. 138. P. 531-543.

Lu G., Zhou Y., Lu C., Li X. A novel framework of change-point detection for machine monitoring // Mechanical Systems and Signal Processing. 2017. V. 83. P. 533-548.

Будко П.А., Винограденко А.М., Литвинов А.И. Экспериментальные исследования кинетического метода контроля и диа гностики технических средств // Мехатроника, автоматизация, управление. 2014. № 9. С. 53-58.

Liu W.Y., Gao Q.W., Ye G., Ma R., Han J.G. A novel wind turbine bearing fault diagnosis method based on Integral Extension LMD // Measurement. 2015. V. 74. P. 70-77.

Skliros C., Esperon M.M., Fakhre A., Jennions I.K. A review of model based and data driven methods targeting hardware systems diagnostics // Diagnostyka. 2019. V. 20 (1). P. 3-21.

Shi P., Liang K., Han D., Zhang Yi. A novel intelligent fault diagnosis method of rotating machinery based on deep learning and PSO-SVM // Journal of Vibroengineering. 2017. V. 19 (8). P. 5932-5946.

Сеньченков В.И., Шишкин Е.В. Совершенствование процессов обучения в диагностических моделях сложных технических систем // Приборы и системы. Управление, контроль, диагностика. 2017. № 4. С. 33-43.

Senchenkov V., Absalyamov D., Avsyukevich D. Diagnostics of life support systems with limited statistical data on failures // E3S Web of Conferences (EECE-2019). V. 140, No. 05002. 5 p.

Зорич В.А. Математический анализ. М. : МЦНМО, 2012. Ч. 2. 818 с.

Колмогоров А.Н., Фомин С.В. Элементы теории функций и функционального анализа. М. : Физматлит, 2009. 572 с.

Сеньченков В.И., Абсалямов Д.Р., Авсюкевич Д.А. Задание множества диагностических параметров системы на основе теории функциональных пространств // Труды СПИИРАН. 2019. Т. 18 (4). С. 949-975.

Muscat Jo. Functional Analysis: An Introduction to Metric Spaces, Hilbert Spaces, and Banach Algebras. Springer, 2014. 420 p.