CC BY
6
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
Научная статья УДК 621.039
http://dx.doi.org/10.17213/1560-3644-2023-4-41-48
Методика формирования многоканальной системы технической диагностики с оценкой целесообразности использования измерительных каналов
Е.А. Абидова
Волгодонский инженерно-технический институт - филиал Национального исследовательского ядерного университета «МИФИ», г. Волгодонск, Россия
Аннотация. Предложена методика, которая может быть принята в качестве универсального шаблона для разработки систем технической диагностики. В основу разработки закладывается требование обеспечения системой основных показателей качества диагностирования. На этапе разработки системы подвергаются тестированию, по результатам которого определяется их соответствие заданным требованиям. В качестве метода, обеспечивающего визуализацию и анализ многомерных систем в двумерном пространстве, используется метод главных компонент. Особенностью подхода является то, что проектируемые системы рассматриваются как комплексные устройства, позволяющие комбинировать итоговый вариант благодаря сочетанию различных измерительных каналов. Стратегия синтеза системы диагностики заключается в сохранении каналов, обеспечивающих соответствие показателям качества, и исключении каналов, минимально влияющих на качество диагностирования. Рассматривается возможность совершенствования проектируемых систем путем внедрения дополнительных методов обработки данных. В качестве метода, обеспечивающего повышение качества диагностирования, приведен анализ сингулярного спектра.
Ключевые слова: техническая диагностика, синтез систем, полнота диагностирования, визуализация многомерных данных, метод главных компонент, анализ сингулярного спектра
Для цитирования: Абидова Е.А. Методика формирования многоканальной системы технической диагностики с оценкой целесообразности использования измерительных каналов // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2023. № 4. С. 41-48. http://dx.doi.org/10.17213/1560-3644-2023-4-41-48.
Original article
The methodology of forming a multichannel system of technical diagnostics with an assessment of the feasibility
of using measuring channels E.A. Abidova
Volgodonsk Institute of Engineering and Technology - branch National Research Nuclear Universiti «MEPhI»,
Volgodonsk, Russia
Abstract. The methodology is proposed that can be adopted as a universal template for the development of technical diagnostics systems. The basis of the development is the requirement to provide the system with the main indicators of the quality of diagnosis. At the development stage, the systems are tested, the results of which determine their compliance with the specified requirements. The principal component method is used as a method for providing visualization and analysis of multidimensional data in two-dimensional space. The peculiarity of the approach is that the designed systems are considered as modular devices that allow combining the final version by combining different measuring channels. It is also proposed to take into account the influence of the distributed parameters of the diagnostic object on the measuring channels. The strategy of synthesis of the diagnostic system is to preserve channels that ensure compliance with quality indicators, and exclude channels that minimally affect the quality of diagnosis. The possibility of improving the designed systems through the introduction of additional data processing methods is being considered. The analysis of the singular spectrum is justified as a method for improving the quality of diagnosis.
© Абидова Е.А., 2023
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
Keywords: technical diagnostics, synthesis of systems, object with distributed parameters, visualization o f multidimensional data, principal component method, singular spectrum analysis
For citation: Abidova E.A. The methodology of forming a multichannel system of technical diagnostics with an assessment of the feasibility of using measuring channels. Izv. vuzov. Sev. -Kavk. region. Techn. nauki=Bulletin of Higher Educational Institutions. North Caucasus Region. Technical Sciences. 2023;(4):41-48. (In Russ.). http://dx.doi.org/10.! 7213/1560-3644-2023-4-41-48.
Введение
Разработка систем диагностики (СД) оборудования практически всегда характеризуется следующими особенностями:
- большое количество факторов, влияющих на результаты диагностирования;
- большое разнообразие методов и средств диагностирования при отсутствии строгих критериев их выбора;
- недостаточность исходных данных для разработки.
Эти и другие факторы позволяют отнести анализ и синтез СД к разряду слабоформализуе-мых проблем. Поэтому актуальна проблема выявления базовых положений, которые способствовали бы интеграции известных диагностических направлений в единую теорию [1].
Одним из эффективных подходов, реализуемых специалистами по системному анализу, является оценка показателей эффективности, демонстрируемых анализируемой СД [2]. Анализ предполагает исследование различных вариантов СД с использованием натурного и численного моделирования и последующей оценкой соответствия изначально заданным критериям [3]. В некоторых работах, посвященных синтезу систем контроля, управления, диагностики [2 - 4], данная задача рассматривается как итерационный процесс, на каждом этапе которого формируется альтернативный вариант системы до тех пор, пока не будет достигнуто соответствие требуемым характеристикам.
Формализация проблемы анализа и синтеза СД требует задания показателей качества диагностирования, желательно количественного. К общепринятым показателям (ГОСТ 20911-89) относят следующие характеристики:
1) полнота технического диагностирования;
2) условная вероятность необнаруженной неисправности;
3) условная вероятность ложной неисправности при диагностировании;
4) продолжительность диагностирования.
Практика диагностирования часто требует оценки и других показателей, например, вероятность ложного обнаружения неисправности при наличии другой неисправности [5].
В настоящей работе проектируемая СД рассматривается как комплексное устройство, позволяющее комбинировать итоговый вариант за счет сочетания различных измерительных каналов. Для обобщения опыта создания СД для многих объектов необходимо разработать применимую для большинства случаев методику оценки показателей качества диагностирования. При необходимости доведения показателей СД до заданных требований целесообразно располагать широко применяемым инструментом повышения качества диагностирования.
Оценка показателей систем диагностирования
Оценка полноты. Проектирование СД, очевидно, должно предваряться анализом конструкции объекта диагностирования (ОД), изучением опыта эксплуатации ОД и его аналогов. В результате анализа должен быть сформирован перечень критичных неисправностей ОД. На предпроектном этапе необходимо произвести выбор параметров (вибрация, температура и т.д.), которые меняются под воздействием неисправностей. Информации о доступных методах контроля параметров и вероятных дефектах достаточно для оценки возможности их выявления. Например, если из десяти дефектов в контролируемых параметрах проявляется семь, то полнота составляет 70 %.
Оценка условных вероятностей необнаруженной неисправности и ложной неисправности. Дальнейшее развитие проекта СД требует предварительного синтеза измерительных каналов, т.е. выбора средств регистрации параметров и, если ОД обладает распределенными характеристиками, планирования мест регистрации [6]. На данном этапе избыточность измерительных каналов не является недостатком.
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
Выбор средств может ограничиваться требованиями неинвазивности или бесконтактности регистрации, продолжительности регистрации не более времени функционирования ОД. Диапазон измерений должен покрывать возможный диапазон изменения параметров, а рабочие температуры приборов должны соответствовать условиям функционирования. При доступности различных средств, отвечающих основным требованиям, выбор может обосновываться такими преимуществами как автоматизация получения результатов, метрологическая аттестация каналов, трудозатраты, стоимость и т.д.
Вероятность ошибок диагностирования при реализации предварительно выбранных измерительных каналов может быть оценена по эмпирическим данным [7]. Лишь в редких случаях эмпирические данные о проявлении дефектов доступны из опыта эксплуатации. Натурная имитация дефектов трудноосуществима. Поэтому доступным путем получения информации о реакции выбранных измерительных каналов на проявление дефектов является численное моделирование [6]. В результате моделирования по каждому каналу должны быть получены выборки диагностических параметров. Для оценки ошибок диагностирования параметры, соответствующие исправному состоянию и состояниям при наличии дефектов, следует представить в виде функций плотности распределения вероятности (ФПРВ). ФПРВ, как показано на рис. 1, позволяют оценить ошибки, если заданы пороговые значения параметра, при котором состояние классифицируется как исправное. В примере на рис. 1, если пороговое значение 9, то вероятность необнаружения 14 %, а вероятность ложной неисправности 13,2 %.
25
20
^ 1
Й15
О
я
§10 а
о
m
5
0
I
8,
U 8,6 3 3,
. .1 0,2 0,3 0,8 ■ 0, ■ 1..
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17
Значения параметра
' Исправное состояние ■ Дефект
Рис. 1. Гистограмма распределения параметров исправного и неисправного состояний Fig. 1. Histogram of distribution of parameters of serviceable and faulty states
Получив в результате натурных или численных экспериментов ФПРВ параметров для различных дефектов, можно аналогично оценить вероятности ложного обнаружения неисправности при наличии другой неисправности. Окончательный выбор каналов требует анализа с точки зрения соотношения достигаемого качества и затрат на реализацию.
Анализ информационо-измерительных каналов СД
Очевидно, большое количество измерительных каналов способствует большей полноте диагностирования, но при этом увеличиваются затраты (материальных ресурсов, времени, труда и т.д.). Окончательный выбор каналов измерений требует комплексного анализа многомерных данных с точки зрения проявления всех значимых дефектов в ОД [8]. Ранее предполагалось, что указанные данные получены в результате экспериментов и представляют собой выборки диагностических параметров.
Наборы значений сформированы на основе модельных данных аналогично [9, 10]. За основу взята модель СД дизельного двигателя, реализующая измерение четырех взаимосвязанных параметров: вибрация корпуса (канал 1), ультразвуковые колебания (канал 2), давление выхлопных газов (канал 3), температура выхлопных газов (канал 4). Помимо нормального состояния модель предусматривает имитацию семи значимых дефектов: 1) дефект форсунки; 2) дефект топливного насоса; 3) дефект системы охлаждения; 4) дефект системы смазки; 5) дефект коренного подшипника; 6) дефект мотылевого подшипника; 7) дефект цилиндропоршневой группы. Каждый из четырех методов чувствителен к одним дефектам и малочувствителен к другим. Реакция системы на изменение состояния определяется отклонением её параметров от нормальных значений. Каждый параметр отклоняется от значений, характерных для нормального состояния в зависимости от способности реагировать на дефект, а также под влиянием случайных факторов.
Ради упрощения иллюстрации подхода к анализу многомерных диагностических данных в настоящем разделе предлагается учитывать только математические ожидания экспериментальных выборок (и не учитывать разброс параметров). Учитывая, что в каждом канале измеряются физически разные данные, абсолютные значения величин математических ожиданий
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
могут отличаться на порядки, поэтому в каждом канале целесообразно провести нормировку. Нормировка (путем вычитания значения исправного состояния и деления на него) показывает, насколько измеряемые параметры отклоняются под влиянием неисправности [3]. Пример нормированных параметров четырехмерной системы представлена в табл. 1. Для того чтобы оценить возможность идентификации г-го состояния в и-мерном пространстве, целесообразно воспользоваться пространственной мерой, характеризующей положение точки. В настоящей работе воспользуемся евклидовой мерой:
Dl хл2, (1)
где хгк - нормированная величина математического ожидания г-го состояния; к меняется от 1 до и. Расстояние в многомерном пространстве можно оценить различными способами [11], которые в данном исследовании не анализируются.
Важной характеристикой системы также является возможность обнаружения неисправности при наличии другой неисправности [8]. Очевидно, чем удаленнее координаты состояния от своих «соседей», тем лучше идентифицируется данное состояние. Расстояния между величинами математических ожиданий выборок г-го и у'-го состояний в многомерном пространстве можно оценить евклидовой мерой:
^ (ХЛ - ^. (2)
Результаты расчета евклидовых расстояний между состояниями, которые характеризуются координатами в табл. 1, представлены в табл. 2.
Поскольку модель описывает влияние дефектов как отклонение параметров от значений, характерных для исправного состояния, то после нормировки состоянию без дефектов соответствуют координаты (0, 0, 0, 0). Относительно исправного состояния вычисляются евклидовы расстояния по формуле (1). Как видно из данных табл. 1, все четыре канала системы отчетливо реагируют на дефект 4, а на дефект 7 СД почти не реагирует. Судя по расстояниям в табл. 2, вычисленным по формуле (2), система по-разному реагирует на дефекты 1 и 4, а на дефекты 1 и 2 реакция почти не отличается.
Таблица 1 Table 1
Нормированные матожидания и евклидовы расстояния Normalized expectations and Euclidean distances
Дефект Канал 1 Канал 2 Канал 3 Канал 4 Di
1 0,10 -0,01 0,11 0,01 0,15
2 0,11 -0,04 -0,09 0,03 0,15
3 0,00 0,00 0,21 0,05 0,21
4 0,36 -0,01 0,10 0,05 0,38
5 0,25 -0,04 0,20 -0,07 0,34
6 0,24 0,00 0,00 0,00 0,24
7 0,00 0,01 0,00 0,00 0,01
Таблица 2 Table 2
Расстояния между матожиданиями семи состояний в четырехмерном пространстве Distances between the expectations of seven states in four-dimensional space
Дефект 1 2 3 4 5 6
2 0,20 0,00
3 0,14 0,32 0,00
4 0,27 0,32 0,38 0,00
5 0,20 0,34 0,28 0,20 0,00
6 0,18 0,17 0,32 0,16 0,22 0,00
7 0,15 0,15 0,21 0,22 0,34 0,24
Проблемой анализа систем, размерность которых больше трех, является сложность визуализации их характеристик. Одним из распространенных методов понижения размерности является проецирование на главные компоненты [12]. Метод применяется к данным, представленным в виде матрицы в форме табл. 1: в каждой строке представлены значения различных параметров одного состояния, а в каждом столбце значения одного параметра различных состояний. Суть метода заключается в выделении в исходных многомерных данных одного-двух направлений с наибольшей дисперсией и проецировании данных на эти направления с минимальной потерей информации. Направления с наибольшей дисперсией называют главными компонентами (ГК). Спроецировав исходные параметры на ГК, можно получить проекции в пространстве, размерность которого меньше исходного. Представление проекций параметров (строк) принято называть графиками нагрузок, а представление проекций состояний (столбцов) - графиками счетов [12].
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
В контексте поставленных задач - оценки и повышения показателей качества СД - целесообразно рассмотреть взаимосвязь измеряемых величин как фактор, позволяющий учесть воздействие дефекта и снизить влияние случайных отклонений. С целью демонстрации чувствительности системы именно к изменению состояния выделяются главные компоненты в исходных данных.
Графики нагрузок в нашей работе предлагается использовать для оценки информативности каналов и их взаимосвязи. В литературе [12] графики нагрузки интерпретируют следующим образом: чем больше координата параметра в графике нагрузок, тем больше он различается для разных состояний; близкие координаты параметров указывают на высокую корреляцию параметров; нахождение во взаимнодиагональ-ных плоскостях приблизительно на одной линии, проходящей через центр координат, указывает на сильную обратную корреляцию. Таким образом, параметр, нагрузка которого стремится к нулю, не является информативным и соответствующий канал может быть исключен. Почти тождественное информационное содержание прямо или обратно коррелированных параметров позволяет исключить те, которые имеют меньшую нагрузку, и оставить один с наибольшей нагрузкой. График счетов в свою очередь показывает, как связаны и как различаются состояния [13]: близкие к нулю координаты говорят о том, что параметры не чувствительны к данному состоянию, а близкие между собой координаты указывают на то, что соответствующие состояния почти неотличимы.
С целью анализа четырехмерной системы в двумерном пространстве представим ее график нагрузок (рис. 2) и график счетов (рис. 3). Как видно из рис. 2, наиболее информативным является канал 1, а наименее - канал 4. Разработчикам следует учесть данную информацию: либо усовершенствовать канал 4 (а также каналы 2 и 3), либо исключить малоинформативные каналы.
Информацию из табл. 1 и 2 наглядно иллюстрирует рис. 3: дефект 7 проектируемая система практически не идентифицирует, а состояния 1 и 2 практически неотличимы. Таким образом, проектируемая система должна быть усовершенствована.
Рис. 2. График нагрузок диагностических параметров Fig. 2. Graph of loads of diagnostic parameters
Рис. 3. График счетов Fig. 3. Graph of scores
Повышение качества диагностирования в системах диагностики
Ошибки диагностирования возникают в результате того, что выборки диагностических параметров, соответствующих различным состояниям, имеют близкие величины математических ожиданий и широкую дисперсию. В практике обработки сигналов для усиления регулярной составляющей сигнала и ослабления выбросов, присутствующих в сигнале, успешно применяется метод на основе анализа сингулярного спектра (АСС) [13]. Поэтому на основе АСС предлагается алгоритм обработки параметров исправного и неисправного состояния:
1) выборки преобразуются в ганкелевы матрицы;
2) матрицы преобразуются в матрицы ко-вариации;
3) ковариационные матрицы подвергаются сигнулярному разложению;
4) сингулярные вектора, полученные в результате обработки параметров исправного состояния, умножаются на ганкелевы матрицы (проецирование);
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
5) результаты произведения умножаются на диагональные матрицы собственных значений, полученные в результате обработки параметров соответствующих состояний.
От классического алгоритма АСС предлагаемый подход отличается умножением на собственные значения. Последняя операция обеспечивает увеличение расстояния между проекциями исправного и неисправных состояний: за счет умножения на собственные значения учитываются различия дисперсий выборок.
В изначально предложенной четырехка-нальной системе реализация четвертого канала признана нецелесообразной. Реализация канала 2 целесообразна, поскольку только он реагирует на дефект 7 (см. табл. 1). Однако требуется усовершенствовать обработку данных, получаемых по каналу 2.
В данном примере модель воспроизводит реакцию ультразвукового канала на наличие дефектов. Так, при дефектах топливной аппаратуры 1 и 2 наблюдается снижение значений (дефект 2 также проявляется увеличением разброса). Дефект 7 другого типа, он вызывает рост значений.
40
35
0х- 30
- т и 25
О S 20
т
W 0 15
ft 57 10
m
5
0
к
|Л
I 'I
11 1
Г с 1 1 1
1 1 1 1 tl—
■ Исправно
■ Дефект 1
■ Дефект 2
■ Дефект 7
85 90 95 100 105 Значения параметров в канале 2
о я
H W
о ft
о
m
100 80 60 40 20 0
1 1
1 1 1
1 ! »
■ Исправно ■Дефект 1
■ Дефект 2
--Дефект 7
100 1000 10000 Проекции параметов в канале 2 б
Рис. 4. ФПРВ параметров исправного и трех неисправных состояний: а - исходные данные; б - после обработки
Fig. 4. Histogram of distribution of parameters of serviceable and three faulty states: a - initial data; б - after processing
Исходные параметры, представленные ФПРВ на рис. 4, а, характеризуются высокими ошибками диагностирования: вероятность необ-наружениия дефекта 7 - 37 %, ложного обнаружения дефекта 7 - 30 %, вероятность ложного обнаружения дефекта 1 при наличии дефекта 7 - 32 %. Воспользуемся изложенным выше подходом к обработке диагностической информации. Результаты обработки в виде ФПРВ проекций параметров представлены. Как видно по рис. 4, б, дисперсии выборок уменьшились, а расстояние между состояниями увеличилось.
Нормированные величины математических ожиданий параметров в канале 2 при наличии дефектов 1, 2 и 7 в результате обработки достигли: Х12 = 12,5; Х22 = 0,9; Х72 = 1,2. То есть ^7 составляет 1,2 (повысилась в 120 раз), а 017 = 12,4 (повысилась в 82 раза). При этом следует помнить, что дополнительная обработка данных требует ресурсов времени и памяти. Таким образом, целесообразна реализация проекта СД, реализующей три измерительных канала, причем, параметы во втором канале подвергаются дополнительной обработке.
Заключение
В настоящей работе продемонстрированы основные положения методики разработки систем диагностики на основе оценки их реакции на неисправное состояние ОД. Реакция проверялась с точки зрения возможности обеспечения системой основных показателей качества диагностирования: полнота, вероятность ложного обнаружения неисправности, вероятность пропуска дефекта, вероятность ложного обнаружения дефекта при наличии другого дефекта. Реализация данного подхода продемонстрирована по результатам численного моделирования. В целях упрощения изложения материала «объект», «дефект» и «параметр» сведены до условных понятий, однако следует учитывать, что СД способна обеспечить высокое качество диагностирования при условии её создания с учетом конструкции и функционирования ОД, проявления его дефектов, аспектов регистрации диагностической информации и т.д.
Инженерное воплощение предлагаемого подхода в конкретных производственных условиях требует решения следующих задач:
1. Формирование требований к качеству, обеспечиваемому проектируемой системой, задание желательных численных значений пока-
а
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
зателей качества (помимо четырех показателей, которые подробно рассмотрены в рамках работы, могут быть включены дополнительные).
2. Составление перечня критичных неисправностей ОД.
3. Предварительный выбор измерительных каналов чувствительных к изменению технического состояния ОД.
4. Планирование и проведение натурных или численных экспериментов с получением диагностических данных во всех выбранных каналах при всех состояниях.
5. Выбор и реализация методов обработки диагностической информации, полученной в результате испытаний.
6. Анализ качества диагностирования достигаемого с использованием выбранных средств и методов диагностирования.
7. Совершенствование методов обработки данных; при возможности исключение измерительных каналов, а при необходимости введение дополнительных каналов.
Задачи 1-3 и отчасти 5 могут быть решены исходя из опыта эксплуатации ОД или его аналогов. Задачи 4 и 6 являются многоплановыми теоретическими и практической проблемами, решение которых, требующее применения подходов из области теории принятия решений, осталось за рамками настоящего исследования. В статье рассмотрен только один из способов снижения показателей ошибок диагностирования - АСС. Естественно, задача выбора между гипотезами может обеспечиваться различными способами (метод выделения главной части, метод Вилкоксона и др.). Решение задачи дополнения и исключения измерительных каналов (см. рис. 2) «графическим» примером, может быть реализовано при углубленном изучении проблем анализа СД.
Таким образом, предлагаемый подход может быть принят в качестве универсального шаблона для разработки систем технической диагностики. Перспективы его практического внедрения требуют изучения специфических областей, связанных конкретными условиями диагностирования, а также применения методов имитационного моделирования, планирования экспериментов, теории принятия решений и др.
Список источников
1. Воронин В.В. Внешнее представление объекта диагностирования в концептуальной модели // Информатика и системы управления. 2020. № 1. С.74-83
2. Saaty T.L. Relative Measurement and its Generalization in Decision Making: Why Pairwise Comparisons are Central in Mathematics for the Measurement of Intangible Factors - The Analytic Hierarchy/Network Process // RACSAM (Review of the Royal Spanish Academy of Sciences, Series A, Mathematics) 2008. Vol. 102 (2). P. 251-318.
3. Varun Chaudhary, Rajeev Mishra, Operating System Selection using AHP on the basis of Security, Cost and Boot Time. Vol. 4, Issue 5, May 2014.
4. Morozov А., Ding K., Steurer M.& Janschek K. Open-ErrorPro: A New Tool for Stochastic Model-Based Reliability and Resilience Analysis. In: 30th IEEE International Symposium on Software Reliability Engineering, ISSRE 2019, Berlin, Germany, October 28-31, 2019, pp. 303-312, doi:10.1109/ISSRE.2019.00038
5. Фетисов В.Г., Охрименко О.И. Избранные вопросы теории систем и системного анализа с приложениями: монография / Шахты: ИСОиП (филиал) ДГТУ в г. Шахты, 2014
6. Trave-Massuyes L., Escobe T., and Milne R. 'Modelbased diagnosability and sensor placement application to a frame 6 gasturbine subsystem', in Proc. of 12th Int. Workshop on Princi-ples of Diagnosis. Р. 205-212, Sansicario, Via Lattea, Italy, (2001).
7. Болховская О.В. Основы теории обнаружения при обработке сигналов : Электронное учебно-методическое пособие Н. Новгород: Нижегородский госуниверситет, 2015. 47 с.
8. Абидова Е.А., Дембицкий А.Е., Чернов А.В. Разработка системы диагностики дизель-генераторной установки // Системы управления и информационные технологии / Воронежский гос. техн. ун-т. Воронеж. 2021. № 1. C. 49-53.
9. Абидова Е.А., Данилов А.Д., Дембицкий А.Е., Чернов А.В. Метод комплексного анализа данных при диагностике сложного энергетического оборудования // Вестн. Воронежского гос. техн. ун-та. 2021. Т. 17, № 4. С. 27-35.
10. AbidovaE.A., DembitskyA.E., LapkisA.A., ChernovA.V. Synthesis of Control Systems for Complex Technical Objects // IOP Conference Series: Materials Science and Engineering. 2020.
11. Глазкова А.В. Проверка информативности классификационных признаков в задаче автоматической классификации текстов на естественном языке // Открытые семантические технологии проектирования интеллектуальных систем (OSTIS-2015): материалы конф. 2015. С. 541-544.
12. Померанцев А. Метод главных компонент (PCA) // Российское хемометрическое общество. [Электронный ресурс]. URL: http://rcs. chemometrics. ru/Tutorials/pca. htm (дата обращения 23.12. 2013).
13. Абидова Е.А., Хегай Л.С., Чернов А.В. Совершенствование методов обработки информации в системах диагностики оборудования АЭС: монография. - М.: НИЯУ МИФИ; Волгодонск: ВИТИ НИЯУ МИФИ, 2019. 118 с.
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2023. No 4
References
1. Voronin V.V. External representation of the diagnostic object in the conceptual model. Computer science and control systems. 2020;(1):74-83. (In Russ.).
2. Saaty T.L. Relative Measurement and its Generalization in Decision Making: Why Pairwise Comparisons are Central in Mathematics for the Measurement of Intangible Factors - The Analytic Hierarchy. Network Process. RACSAM (Review of the Royal Spanish Academy of Sciences, Series A, Mathematics). 2008;102 (2):251-318.
3. Varun Chaudhary, Rajeev Mishra. Operating System Selection using AHP on the basis of Security. Cost and Boot Time". 2014;4(5).
4. Morozov A., Ding K., Steurer M. & Janschek K. OpenErrorPro: A New Tool for Stochastic Model-Based Reliability and Resilience Analysis. In: 30th IEEE International Symposium on Software Reliability Engineering. ISSRE. 2019. Berlin, Germany. October 28-31. 2019. P. 303-312, D0I:10.1109/ISSRE.2019.00038.
5. Fetisov V.G., Ohrimenko O.I. Selected issues of systems theory and system analysis with applications: monograph. Shahty: ISOiP (branch) of DSTU in Shakhty. 2014. (In Russ.).
6. Trave-Massuyes L., Escobe T., Milne R. Model-based diagnosability and sensor placement application to a frame 6 gasturbine subsystem in Proc. of 12th Int. Workshop on Principles of Diagnosis. 2001. P. 205-212. Sansicario. Via Lattea. Italy.
7. Bolhovskaya O.V. Fundamentals of the theory of detection in signal processing: Electronic educational and methodological manual. Nizhnij Novgorod: Nizhny Novgorod State University. 2015. 47 p. (In Russ.)
8. Abidova E.A., Dembickij A.E., Chernov A.V. Development of a diagnostic system for a diesel generator set. Management systems and information technologies. Voronezh State Technical University. Voronezh. 2021;(1):49-53. (In Russ.)
9. Abidova E.A., Danilov A.D., Dembickij A.E., Chernov A.V. Method of complex data analysis in the diagnosis of complex power equipment. Bulletin of the Voronezh State Technical University. 2021;17(4):27-35. (In Russ.)
10. Abidova E.A., Dembitsky A.E., Lapkis A.A., Chernov A.V. Synthesis of Control Systems for Complex Technical Objects. IOP Conference Series: Materials Science and Engineering. 2020.
11. Glazkova A.V. Checking the informativeness of classification features in the problem of automatic classification of texts in natural language / A.V. Glazkova. Open Semantic technologies for designing Intelligent Systems (OSTDIS-2015): Conference proceedings. 2015. Pp. 541-544. (In Russ.)
12. Pomerantsev A. Principal Component Method (PCA) Russian Chemometric Society. Avaliable at: http://rcs.chemometrics.ru/Tutorials/pca.htm (accessed: 23.12.2013). (In Russ.)
13. Abidova E.A., Hegai L.S., Chernov A.V. Improvement of information processing methods in NPP equipment diagnostics systems. Moscow: SRNU MEPhI; Volgodonsk: VITI SRNU MEPhI. 2019. 118 p. (In Russ.)
Сведения об авторах
Абидова Елена Александровнав - канд. техн. наук, научный сотрудник НИИ атомного энергетического машиностроения, [email protected]
Information about the authors
Elena A. Abidova - Cand. Sci. (Eng.), Researcher at the Research Institute of Nuclear Power Engineering, [email protected]
Статья поступила в редакцию / the article was submitted 17.07.2023; одобрена после рецензирования / approved after reviewing 23.08.2023; принята к публикации / accepted for publication 04.09.2023.
