Использование нечеткой логики для диагностики технического состояния объекта
Автор: Кувайскова Юлия Евгеньевна
Журнал: Известия Самарского научного центра Российской академии наук @izvestiya-ssc
Рубрика: Информатика, вычислительная техника и управление
Статья в выпуске: 4-3 т.20, 2018 года.
Бесплатный доступ
Основной задачей диагностики является определение технического состояния объекта с целью обеспечения его надежного и безопасного функционирования. Предполагается, что имеется объект, техническое состояние которого характеризуется набором диагностических параметров. По значениям этих параметров необходимо оценить в каком состоянии находится объект: исправном или неисправном. Данная задача может быть решена, например, методами машинного обучения. Однако проблема состоит в том, что нельзя заранее определить, какой из методов машинного обучения обеспечит корректное решение задачи. В данной работе для диагностики технического состояния объекта предлагается использование методов нечеткой логики. Правила нечеткой логики позволяют моделировать систему в случае невозможности применения традиционных методов, а также вместо точных математических вычислений более эффективно использовать качественные оценки технического состояния объекта. Однако методы нечеткой логики не заменяют традиционные подходы, а наоборот, дополняют их. Для преобразования четких входных значений диагностических параметров объекта в нечеткие выходные, характеризующие техническое состояние объекта, используется алгоритм нечеткого логического вывода Мамдани. Для оценки эффективности использования нечеткой логики для диагностики технического состояния объектов при двух значениях выходной переменной используются критерии качества бинарной классификации: F-мера и критерий AUC. Эффективность предлагаемого подхода показана на примере диагностики технического состояния объекта по восьми заданным параметрам его функционирования с использованием нечеткой логики, а также базовыми методами машинного обучения (логистическая регрессия, дискриминантный анализ и наивный байесовский классификатор). Показано, что применение нечеткой логики позволяет повысить точность технической диагностики на 5%-8% по сравнению с базовыми методами машинного обучения.
Нечеткая логика, диагностика, технический объект
Короткий адрес: https://sciup.org/148314034
IDR: 148314034
Текст научной статьи Использование нечеткой логики для диагностики технического состояния объекта
Диагностика технического состояния объекта проводится с целью обеспечения его надежного и безопасного функционирования [1–3]. Чем точнее проведена диагностика, то есть точнее определено техническое состояние объекта, тем своевременнее можно принять меры к устранению неисправности (если она есть).
1, если объект исправен, и 0 при неисправном состоянии объекта.
Задача сводится к оценке технического состояния объекта (исправное или неисправное) по заданным значениям диагностических параметров.
Данная задача может быть решена, например, методами машинного обучения [4–6]. Однако при их использовании нельзя заранее определить, какой из методов обеспечит корректное решение задачи. Поэтому при решении конкретных задач проводят апробацию множества методов машинного обучения, что иногда бывает трудоемко.
Также для оценки и прогнозирования состояния объекта по множеству параметров его функционирования применяются методы регрессионного моделирования и анализа временных рядов [7–10]. Результатом данных методов является массив прогнозируемых численных значений контролируемых параметров объекта, который необходимо дополнительно исследовать для получения оценок состояния объекта.
В данной работе для диагностики технического состояния объекта предлагается использование методов нечеткой логики [11–14]. Пра- вила нечеткой логики позволяют моделировать систему в случае невозможности применения традиционных методов, а также вместо точных математических вычислений более эффективно использовать качественные оценки технического состояния объекта. Однако методы нечеткой логики не заменяют традиционные подходы, а наоборот, дополняют их.
Целью работы является исследование эффективности применения методов нечеткой логики для технической диагностики объектов.
НЕЧЕТКАЯ МОДЕЛЬ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ОБЪЕКТА
Для описания параметров функционирования объекта (входных переменных) вводится лингвистическая переменная, принимающая два нечетких значения «отлично» и «плохо». Переменной присваивается нечеткий терм «отлично», если регистрируемое значение параметра объекта находится в отрезке допустимых значений. Если значение параметра выходит за критические границы, то лингвистическая переменная принимает значение «плохо». Критические границы диагностических параметров определяются экспертом.
Для описания термов лингвистической переменной диагностических параметров объекта вводятся функции принадлежности [11–14].
Для терма «отлично» применяется z-подобная функция принадлежности:
1, x < a
, . 2
, „ ( x - a । a + b
1 - 2 |------I , a < x <------
I b - a J 2
M z = 1
„ ( b - x I a + b
2 | I , < x < b
I b - a J 2
,
0, b < x для терма «плохо» – s-подобная функция:
0, x < a x-a a+b
2 |------I , a < x <------
I b - a J 2
M s = 1
b - x a + b
1 - 2 |-----I ,------< x < b
( b - a J 2
-
1, b < x
.
Переменная выхода, описывающая техническое состояние объекта, задается двумя нечеткими термами: «исправное состояние» и «неисправное состояние».
На следующем этапе формируется база знаний (правил) с использованием нечетких высказываний вида « р есть а » и связок «И», «Если^, то^».
Логика составления базы знаний следующая. Предполагается, что если значение хотя бы одного из параметров выходит за критические границы, то диагностируется неисправное состояние объекта, если значения всех параметров находятся в области допустимых значений, то диагностируется исправное состояние объекта.
В этом случае нечеткая база знаний имеет следующий вид:
Правило 1: если параметр x 1 есть «отлично» и параметр x 2 есть «отлично» и параметр x 3 есть «отлично» и ... и параметр xp есть «отлично», то Y есть «исправное состояние»;
Правило 2: если параметр x 1 есть «плохо» и параметр x 2 есть «отлично» и параметр x 3 есть «отлично» и ... и параметр xp есть «отлично», то Y есть «неисправное состояние»;
Правило 3: если параметр x 1 есть «отлично» и параметр x 2 есть «плохо» и параметр x 3 есть «отлично» и ... и параметр xp есть «отлично», то Y есть «неисправное состояние»;
...
Правило 2 p : если параметр x 1 есть «плохо» и параметр x 2 есть «плохо» и параметр x 3 есть «плохо» и ... и параметр xp есть «плохо», то Y есть «неисправное состояние».
Для преобразования четких входных значений в нечеткие выходные используется алгоритм нечеткого логического вывода Мамдани [11–13], который имеет следующие шаги.
-
1. Фаззификация численных значений параметров объекта. Пусть входные переменные приняли некоторые конкретные (четкие) значения x 1, …, xp . Для каждого из предпосылок базы правил с помощью функций принадлежности (1) и (2) вычисляются степени истинности:
-
2. Логический вывод . Для каждого правила системы нечеткого вывода, включающего предпосылки, связанные между собой при помощи логической операции «И», определяются степени истинности заключений как минимальное значение истинностей всех его предпосылок:
-
3. Композиция . Нечеткие значения выходной переменной каждого заключения базы правил объединяются в итоговое нечеткое подмножество с использованием операции логического максимума степеней истинности.
-
4. Определение результата . Из полученного нечеткого множества значений переменной выхода методом левого (правого) максимума определяется конечное диагностируемое техническое состояние объекта в виде нечеткого терма: «исправное состояние» или «неисправное состояние».
μ j = μ( xj ), j = 1, ... , p .
а = min M , k = 1,..., 2 p .
1 < j < p j
Для оценки эффективности использования нечеткой логики для диагностики техническо- го состояния объектов при двух значениях выходной переменной могут быть использованы критерии, что и для оценки качества бинарной классификации [15].
В случае, когда в выборке число исправных состояний объекта значительно превышает число неисправных, применяются такие характеристики, как точность P и полнота R :
TP TP
---------, R =--------- ,
TP + FP TP + FN
где TP – количество правильно диагностированных исправных состояний; FP – количество
неправильно диагностированных исправных состояний; FN – количество неправильно диагностированных неисправных состояний объекта.
На основе этих показателей вычисляется
F -мера:
F =
2 PR
P + R
При близости величины F к единице счита-
ется, что качество диагностики выше.
Критерий AUC характеризует площадь, ограниченную ROC -кривой и осью доли непра-
вильно диагностированных исправных состояний [15].
В случае двух классов состояний объекта (ис-
правное и неисправное) критерий AUC вычис-
ляется по формуле:
AUC =
1 + TPR - FPR
где FPR – доля неправильно диагностированных исправных состояний, TPR – доля правильно диагностированных исправных состояний.
Чем выше показатель AUC , тем качественнее результаты диагностики.
AUC . Результаты исследования представлены в таблице 1.
Из результатов проведенного исследования следует, что по F -мере лучший результат диагностики технического состояния объекта показал метод нечеткого логического вывода. По критерию AUC результат, полученный методами нечеткой логики, оказался эквивалентным результату, полученному методом логистической регрессии, и лучше, чем для остальных методов.
Итак, применение нечеткой логики позволяет повысить точность диагностики на 5%–8% по сравнению с базовыми методами машинного обучения.
ЗАКЛЮЧЕНИЕ
Для диагностики технического состояния объекта предложено использование методов нечеткой логики, достоинствами которых является возможность их использования даже в случае трудоемкости или невозможности проведения точных вычислительных расчетов. Однако методы нечеткой логики не заменяют традиционные подходы, а наоборот, дополняют их.
Эффективность предлагаемого подхода продемонстрирована на примере диагностики технического состояния объекта по восьми заданным параметрам его функционирования. Оказалось, что применение нечеткой логики позволяет повысить точность диагностики на 5%–8% по сравнению с базовыми методами машинного обучения.
Описанный подход может быть использован специалистами для технической диагностики объектов во многих технических приложений, в частности, в авиации.
Таблица 1. Критерии качества
Методы диагностики |
F -мера |
AUC |
Логистическая регрессия |
0,845 |
0,796 |
Дискриминантный анализ |
0,815 |
0,708 |
Наивный байесовский классификатор |
0,817 |
0,736 |
Нечеткая логика |
0,885 |
0,795 |
ЧИСЛЕННЫЙ ЭКСПЕРИМЕНТ
Для оценки эффективности предлагаемого подхода была проведена диагностика технического состояния объекта по восьми заданным параметрам его функционирования с использованием нечеткой логики, а также базовыми методами машинного обучения (логистическая регрессия, дискриминантный анализ и наивный байесовский классификатор).
Для решения задачи использовались пакеты прикладных программ Mathcad и Matlab. Критериями качества служили F -мера и критерий
Список литературы Использование нечеткой логики для диагностики технического состояния объекта
- Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. 240 с.
- Кувайскова Ю.Е., Алешина А.А. Техническая диагностика объектов с использованием методов нечеткой логики // Радиотехника. 2017. № 6. С. 32-34.
- Крашенинников В.Р., Бубырь Д.С., Клячкин В.Н. Повышение надежности системы управления водоочисткой при использовании программного блока раннего предупреждения о нарушении показателей качества воды // Автоматизация. Современные технологии. 2017. Т. 71. № 2. С. 61-66.
- Теория и практика машинного обучения: учебное пособие / В.В. Воронина, А.В. Михеев, Н.Г. Ярушкина, К.В. Святов. Ульяновск: УлГТУ, 2017. 290 с.
- Witten I.H., Frank E. Data mining: practical machine learning tools and techniques. 2nd ed. San Francisco: Morgan Kaufmann Publishers, 2005. 525 р.