Search academic texts

Information × Registration Number 2118U005316, Article popup.category Опубліковано, Стаття Title OPTIMIZATION OF PARAMETERS OF MACHINE LEARNING OF THE SYSTEM OF FUNCTIONAL DIAGNOSTICS OF THE ELECTRIC DRIVE OF A SHAFT LIFTING MACHINE popup.author Довбиш А. С.Великодний Д. В.Проценко О. Б.Зимовець В. І.Dovbysh A. S.Velykodnyi D. V.Protsenko O. B.Zimovets V. I. popup.publication 04-10-2018 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/142626 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розв’язана актуальна задача підвищення функціональної ефективності машинного навчання системи функціонального діагностування електроприводу шахтної підйомної машини. Мета роботи – розробка методу інформаційного синтезу здатної навчатися системи функціонального діагностування електроприводу шахтної підйомної машини, який дозволяє за побудованими в процесі машинного навчання вирішальними правилами підвищити достовірність та оперативність діагностичних рішень. Метод. Запропоновано метод інформаційно екстремального машинного навчання системи функціонального діагностування електроприводу шахтної підйомної машини, що ґрунтується на максимізації інформаційної спроможності системи в процесі її навчання. За отриманими в результаті машинного навчання оптимальними в інформаційному розумінні параметрами гіперсферичних контейнерів класів розпізнавання побудовано в рамках геометричного підходу вирішальні правила, практично інваріантні до багатовимірності простору діагностичних ознак. Крім того, підвищення оперативності машинного навчання системи досягається шляхом паралельно-послідовної оптимізації контрольних допусків на діагностичні ознаки. При цьому отримані в процесі паралельної оптимізації квазі-оптимальні контрольні допуски на діагностичні ознаки використовуються як стартові при їх послідовній оптимізації. Як критерій оптимізації параметрів машинного навчання використовується модифікована інформаційна міра Кульбака, яка є функціоналом від точнісних характеристик діагностичних рішень. Результати. Розроблено алгоритмічне та програмне забезпечення машинного навчання системи функціонального діагностування електроприводу шахтної підйомної машини, яке дозволяє побудувати вирішальні правила для прийняття високо достовірних діагностичних рішень при функціонуванні системи в робочому режимі Висновки. За результатами фізичного моделювання підтверджено працездатність запропонованого методу машинного навчання і розробленого програмного забезпечення системи функціонального діагностування електроприводу шахтної підйомної машини, що дозволяє їх рекомендувати для розв’язання практичних задач діагностування і автоматичного керування тяговими машинами. popup.nrat_date 2026-02-09 Close