Измерение, контроль, диагноз и устранение колебаний ротационных машин
Таким образом, на практике, если имеет место монотонный случай, то момент из (2.7) является оптимальным моментом перехода на статистические методы диагностики.
Остается оценить, как часто практические задачи обучения системы диагностики являются монотонными. Если это случается всегда, то (2.7) даст полное решение всей задачи. Причем это решение легче реализовать в многомерном случае, чем обратную индукцию.
2.4 Обучение системы диагностики непараметрический общий случай
Обучение системы диагностики в общем случае должно строиться по схеме на рисунок 2.2, где
1
– блок выработки
очередной
гипотезы о виде
распределения
наблюдения
(измеряемой
контрольной
величины)
;
2 – блок оптимальной оценки параметров;
3
– блок проверки
гипотезы о виде
распределения
.

Рисунок 2.2 – Схема обучения системы диагностики в общем случае
Общая
идея работы
блока 3 заключается
в следующем.
Очевидно, если
первая гипотеза
блока 1 отвергнута
блоком 3, то при
оценке параметров
следующей
гипотезы в
блоке 2 может
использоваться
уже накопленная
история
,
Возможно, что
она сразу окажется
достаточной
и для оценки
параметров
для второй
гипотезы. Если
нет, то блок 2
будет ждать
накопления
до
.
Гипотезой
назовем непустое
подмножество
множества мер
,
а статистику
со
значением в
[0, 1], где
-
момент остановки
параметрического
обучения системы
диагностики,
назовем рандомизированной
стратегией
непараметрического
обучения системы
диагностики.
Считаем, что
моменты
,
,
на рис. 2.2 диктует
блок 2. Это позволяет
упростить
рассуждения,
не снижая их
общности. Возможен
также вариант,
когда
Поэтому ниже
опустим все
нюансы, связанные
с
,
поскольку они
не повлияют
на основные
принципы работы
блока 3.
Будем
разбирать
случай, когда
в блоке 3 проверяется
гипотеза
при альтернативе
при достаточной
выборке
.
Необходимо
дать основные
рекомендации
по выбору
.
Стратегия
приписывает
вероятность
гипотезе
Г и вероятность
(1 –
)
гипотезе Г. Таким
образом, налицо
рандомизация.
Поэтому в
непараметрической
статистике
оперируют в
основном с
математическим
ожиданием
![]()
называемым мощностью стратегии непараметрического обучения (оценки функции распределения). Естественно, что две стратегии непараметрической оценки функции распределения эквивалентны, если у них одинаковая функция мощности. Неправильное непараметрическое решение о функции распределения может быть принято только двумя способами:
можно выбрать
,
в то время как
;
этому событию
отвечает вероятность
;
принять
,
когда в действительности
;
этому событию
отвечает
вероятность
,
Уровнем
значимости
стратегии
называется![]()
Стратегия
называется
несмещенной,
если
![]()
Использование сопряженных распределений. Сначала уточним еще раз понятие статистической структуры измерений. Выяснено, что и задачу непараметрической оценки в большом числе случаев можно свести к параметрической оценке путем использования обобщенных распределений, то необходимо более четко описать именно параметризованную статистическую структуру наблюдений. Последней будем называть
.
(2.8)
Напомним,
что
-
измеримое
пространство
историй диагнозов
или просто
значений
контролируемых
величин, получаемых
в каждой
-й
диагностике,
.
Структура
(2.8) написана для
случая одной
диагностики.
Она отражает
тот факт, что
значение конкретной
вероятности
,
определенной
на
,
известно лишь
с точностью
до неизвестного
параметра
.
Если же речь
идет о
диагностиках,
где каждая
связана с одной
и той же структурой
(2.8), то будем ее
записывать
как
(2.9)
Это параметризованная структура повторной выборки.
Покажем
теперь связь
с этой структурой
апостериорной
вероятности
на
,
в терминах
которой сформулирована
вся задача
обучения системы
диагностики.
Теорема
(Неймана) о
факторизации
говорит, что
если имеет
место структура
наблюдений
(2.9), то статистика
достаточна
тогда и только
тогда, когда
;
почти всюду,
,
(2.10)
Выше
в
дополнительный
индекс
,
говорит о том,
что речь идет
о вероятности
на
.
Структурная
схема на рисунке
2.3 иллюстрирует
взаимосвязь
упомянутых
выше пространств.

Рисунок 2.3 – Структура для случая одной диагностики
Заметим еще, что Нейман предполагал также существование плотности по

некоторой
мере
.
В непрерывных
наблюдениях
это естественно,
а если наблюдения
дискретны (само
дискретно), то
на дискретных
координатах
![]()
можно брать
как считающую
меру. Используя
интеграл
Лебега-Стильтьеса,
можем для любой
статистики
написать
где
для дискретных
составляющих
интегрирование
сводится к
суммированию,
а для непрерывных
компонент
.
![]()
В
(2.10) показана лишь
априорная
вероятность
на
.
Покажем, как
понятие достаточности
статистики
выражается
в терминах
апостериорной
вероятности
.
Статистика
является
достаточной,
если
![]()
т.е.
если
на
зависит лишь
от
.
Это получается
непосредственно
из формулы
Байеса.
Действительно,
![]()
если
![]()
то
![]()
Сравнение с (2.10) показывает, что
![]()
![]()
Здесь
через
обозначалась
вероятность
на
![]()
Заключение
В данной работе, были рассмотрены существующие ротационные системы, был проведён их анализ. Освещены принципы возникновения паразитных колебаний приводящих к поломке или разрушению механизмов. Изучены методы их измерения и контроля.
Был проведён анализ принципов и методов разработки и реализации методов и средств обработки информации поступающей с дигнастируемой системы.
Были рассмотрены различные методы и алгоритмы обработки данных, в том числе метод статистического обучения системы диагностики.
Проведено исследование структурной схемы обучаемой системы диагностики, отображающей взаимодействие двух пространств.
Проведенные в данной работе исследования показали, что для повышения эффективности, надёжности и экономичности работы элементов системы автоматизированного управления решать поставленную задачу практичнее всего на основе различных методов и средств обработки информации. Используя при этом методы статистического обучения системы диагностики
Размещено на