Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта

Для обеспечения надёжного функционирования технического объекта необходимо прогнозирование его состояния на предстоящий интервал времени. Пусть техническое состояние объекта характеризуется в определённый момент времени набором параметров, установленных технической документацией на объект. Предполагается, что при определённых значениях этих параметров объект может находиться в исправном или неисправном состоянии. Требуется по значениям этих параметров оценить, в каком состоянии будет находиться объект в предстоящий интервал времени. Для решения этой задачи могут быть применены методы машинного обучения с учителем. Однако для получения хороших результатов прогнозирования состояния объекта необходимо правильно выбрать модель обучения. Одним из недостатков моделей машинного обучения является высокое смещение и слишком большой разброс. В данной работе для уменьшения разброса модели предлагается применение ансамблевых методов машинного обучения, а именно процедуры бэггинга. Основная идея ансамбля методов состоит в том, что при правильном сочетании слабых моделей можно получить более точные и устойчивые модели. Целью бэггинга является создание ансамблевой модели, которая является более надёжной, чем отдельные модели, её составляющие. Одним из больших преимуществ бэггинга является его параллелизм, поскольку различные модели ансамбля обучаются независимо друг от друга. Эффективность предлагаемого подхода показана на примере прогнозирования технического состояния объекта по восьми параметрам его функционирования. Для оценки эффективности применения ансамблевых методов машинного обучения для прогнозирования технического состояния объекта используются критерии качества бинарной классификации: точность, полнота и F-мера. Показано, что применение ансамблевых методов машинного обучения позволяет повысить точность прогнозирования состояния технического объекта на 4%-9% по сравнению с базовыми методами машинного обучения. Данный подход может быть использован специалистами для прогнозирования технического состояния объектов во многих технических приложениях, в частности, в авиации.