Статья

Название статьи СХЕМЫ МНОГОПАРАМЕТРИЧЕСКОЙ ИДЕНТИФИКАЦИИ СОСТОЯНИЙ ТЕХНИЧЕСКОГО ОБЪЕКТА НА ОСНОВЕ СИСТЕМЫ МЕДИАННЫХ ЛИНИЙ, ФОРМИРУЮЩИХ ЛОКАЛЬНЫЕ ЗОНЫ СОСТОЯНИЙ
Автор С.И. Клевцов, А.Б. Клевцова
Рубрика РАЗДЕЛ IV. ИНФОРМАЦИОННЫЕ ТЕХНОЛОГИИ, ПРИКЛАДНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ И СЕТИ
Месяц, год 11, 2014
Индекс УДК 681.3.062
DOI
Аннотация Задача классификации состояний объектов на основе анализа нескольких параметров имеет множество применений в области контроля различных опасных ситуаций. При решении задачи классификации в реальном времени необходимо отнести имеющиеся фиксированные в конкретный момент или промежуток времени совокупности параметров объекта к определенным классам. Данные могут быть представлены различным образом. Однако, наиболее используемым является способ, когда совокупность параметров представляется в виде вектора. Сигналы, поступающие с датчиков, обрабатываются микроконтроллером информационной системы. В связи с тем, что оценка выполняется в реальном времени, а вычислительные возможности микроконтроллера могут быть достаточно скромными, или выделяемая часть вычислительной мощности микроконтроллера не очень значительна, то к модели оценки состояния на основе классификации предъявляются требования по сложности алгоритма, а именно, требования низкой сложности алгоритма. Сформулирован подход и представлены обобщенные схемы многопараметрической идентификации состояний технического объекта на основе введения системы медианных линий, формирующих локальные зоны состояний. Подход формирует платформу для разработки моделей, в частности, моделей нейронных сетей, ориентированных на идентификацию технических объектов на основе данных датчиков физических величин. Показано, что для идентификации состояния необходима разработка модели и алгоритма, определяющих интегральную близость текущих значений параметров к их медианным значениям в рамках различных конфигураций состояний и ранжирующих конфигурации по степени интегральной близости.

Скачать в PDF

Ключевые слова Идентификация; состояние; оценка; технический объект; параметр; микроконтроллер; классификация.
Библиографический список 1. Клевцова А.Б. Параметрическая зонная оценка состояния технического объекта с использованием режимной карты // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 107-111.
2. Клевцова А.Б., Клевцов Г.С. Модели параметрической экспресс-оценки состояния технического объекта // Известия ЮФУ. Технические науки. – 2008. – № 11 (88). – С. 15-19.
3. Клевцов С.И. Моделирование алгоритма краткосрочного прогнозирования изменения быстроменяющейся физической величины в реальном времени // Инженерный вестник Дона. – 2012. – № 3 (21). – С. 199-205.
4. Matuszewski J. Application of clustering methods for recognition of technical objects // Modern Problems of Radio Engineering, Telecommunications and Computer Science (TCSET), 2010 International Conference. – 2010. – P. 39-40.
5. Клевцов С.И. Прогнозирование изменения состояния совокупности параметров технического объекта с помощью интеллектуального микропроцессорного модуля // Всероссийская научно-техническая конференция «Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС)»: Сб. трудов. – 2010. – № 1. – С. 619-623.
6. Клевцов С.И. Предварительная оценка состояния совокупности параметров технического объекта с использованием интеллектуального микропроцессорного модуля // Известия ЮФУ. Технические науки. – 2010. – № 5 (106). – С. 43-48.
7. Lihua Sun, Yingjun Guo, Haichao Ran. A New Method of Early Real-Time Fault Diagnosis for Technical Process // Electrical and Control Engineering (ICECE), 2010 International Conference, 2010. –Wuhan, China. – P. 4912-4915.
8. Клевцова А.Б. Интегральная оценка состояния объекта мониторинга // Известия ТРТУ. – 2004. – № 2 (37). – С. 58-65.
9. Клевцова А.Б. Алгоритм оценки и прогнозирования поведения переменной состояния объекта // Известия ТРТУ. – 2006. – № 5 (60). – С. 133-139.
10. Клевцов С.И. Прогнозирование изменений физической величины в реальном времени с использованием линейного адаптивного фильтра // Известия ЮФУ. Технические науки.
– 2013. – № 5 (142). – С. 180-185.
11. Клевцов С.И. Отслеживание изменения состояния динамического объекта в реальном времени с использованием микропроцессорного модуля // Всероссийская научно-
техническая конференция «Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС)»: Сб. трудов. – 2012. – № 1. – С. 684-687.
12. Lipman R. An introdaction to computing with neural nets // IEEE Acoustic, Speech and Signal Processing Magazine. – 1987. – No. 2. – P. 4-22.
13. Борисов Е.С. Классификатор на основе нейронной сети Хемминга.
http://mechanoid.kiev.ua/neural-net-hamming-classifier.html.
14. Raus, M., Ameling W. A layered information processing model for neural classification modules // Intelligent Systems Engineering, Second International Conference. 1994. – Hamburg-Harburg, IET. – P. 144-153.
15. Gartner, K.-P., Holzhausen, K.-P., Kruger, W., Pitrella, F.D., Wolf H. Identification of field objects in reduced quality TV pictures transmitted from telerobots to a remote control station // Intelligent Robots and Systems '93, IROS '93. Proceedings of the 1993 IEEE/RSJ International Conference. – 1993. – Vol. 3. – P. 1479-1486.

Comments are closed.