Ссылка для цитирования : Тупицин Ю. Е., Матюнин А. С., Егоричев М. В., Голуб А. А. Интеллектуальное диагностирование системы вентиляции и кондиционирования воздуха чистого помещения // Изв. вузов. Приборостроение. 2025. Т. 68, № 2. С. 168–175. DOI: 10.17586/0021-3454-2025-68-2-168-175.

Аннотация. Предложен подход к обучению диагностических моделей сложных технических систем при множественной неопределенности априорной информации. Поскольку невозможно определить закон распределения значений параметров рабочих процессов, предложено использовать методы непараметрической статистики. Процедура обучения базируется на использовании топологии и свойств конечномерных евклидовых пространств. Приведен пример процедуры обучения с применением вычислительной схемы по алгоритму Роббинса–Монро. Представлена графическая интерпретация построения эталона параметрического отказа элемента при построении диагностических моделей оборудования системы вентиляции и кондиционирования воздуха чистого помещения специального объекта.

Ключевые слова: контролируемые параметры рабочих процессов, методы обучения, диагностическая модель, техническое состояние, алгоритм Роббинса–Монро

Список литературы:

1. Фомин Я. А. Распознавание образов. Теория и применения. М.: Фазис, 2010. 368 с. 
2. Лобан А. В. Информационная технология распределенного диагностирования космических аппаратов. М.–Берлин: Директ-Медиа, 2015. 146 с. 
3. Сеньченков В. И. Модели, методы и алгоритмы анализа технического состояния. Saarbrücken: LAP LAMBERT Academic Publishing, 2013. 377 с. 
4. Chunhui Z., Furong G. Online fault prognosis with relative deviation analysis and vector autoregressive modeling // Chemical Engineering Science. 2015. Vol. 138. P. 531–543. 
5. Lu G., Zhou Y., Lu C., Li X. A novel framework of change-point detection for machine monitoring // Mechanical Systems and Signal Processing. 2017. Vol. 83. P. 533–548. 
6. Будко П. А., Винограденко А. М., Литвинов А. И. Экспериментальные исследования кинетического метода к онтроля и диагностики технических средств // Мехатроника, автоматизация, управление. 2014. № 9. С. 53–58. 
7. Liu W. Y., Gao Q. W., Ye G. et al. A novel wind turbine bearing fault diagnosis method based on Integral Extension LMD // Measurement. 2015. Vol. 74. P. 70–77. 
8. Skliros C., Esperon M. M., Fakhre A., Jennions I. K. A review of model based and data driven methods targeting hardware systems diagnostics // Diagnostyka. 2019. Vol. 20(1). P. 3–21. 
9. Shi P., Liang K., Han D., Zhang Yi. A novel intelligent fault diagnosis method of rotating machinery based on deep learning and PSO-SVM // Journal of Vibroengineering. 2017. Vol. 19(8). P. 5932–5946.
10. Сеньченков В. И., Матюнин А. С. Повышение сходимости обучающих процедур при разработке моделей диагностирования систем // Приборы и системы. Управление, контроль, диагностика. 2020. № 8. С. 18–26.