priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2025-68-2-168-175pribor-346Research ArticleМЕТОДЫ И ПРИБОРЫ ДЛЯ АНАЛИЗА И КОНТРОЛЯ МАТЕРИАЛОВ, ИЗДЕЛИЙ, ВЕЩЕСТВ И ПРИРОДНОЙ СРЕДЫMETHODS AND DEVICES FOR MONITORING AND DIAGNOSTICS OF MATERIALS, PRODUCTS, SUBSTANCES AND THE NATURAL ENVIRONMENTИнтеллектуальное диагностирование системы вентиляции и кондиционирования воздуха чистого помещенияIntelligent diagnostics of cleanroom ventilation and air conditioning systemsТупицинЮ. Е.TupitsinYu. E.

Юрий Евгеньевич Тупицин - канд. техн. наук, доцент; кафедра систем жизнеобеспечения объектов наземной космической инфраструктуры; доцент

Санкт-Петербург

Yuri E. Tupitsin - PhD, Associate Professor; Department o Life Support Systems for Ground-Based Space Infrastructure Facilities

St. Petersburg

vka@mil.ruМатюнинА. С.MatyuninA. S.

Александр Сергеевич Матюнин — канд. техн. наук; кафедра систем жизнеобеспечения объектов наземной космической инфраструктуры; преподаватель

Санкт-Петербург

Alexander S. Matyunin - PhD; Department of Life Support Systems for Ground-Based Space Infrastructure Facilities; Lecturer

St. Petersburg

vka@mil.ruЕгоричевМ. В.EgorichevM. V.

Максим Вячеславович Егоричев - кафедра систем жизнеобеспечения объектов наземной космической инфраструктуры; адъюнкт

Санкт-Петербург

Maxim V. Egorichev - Adjunct; Department of Life Suppor Systems for Ground-Based Space Infrastructure Facilities; Lecturer

St. Petersburg

vka@mil.ruГолубА. А.GolubA. A.

Андрей Алексеевич Голуб — кафедра систем жизнеобеспечения объектов наземной космической инфраструктуры; курсант

Санкт-Петербург

Andrey A. Golub - Cadet; Department of Life Support Systems for Ground-Based Space Infrastructure Facilities

St. Petersburg

vka@mil.ruВоенно-космическая академия им. А. Ф. МожайскогоA. F. Mozhaisky Military Space Academy202510032025682168175Copyright © Национальный исследовательский университет ИТМО, 20252025Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/346

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.

An approach to training diagnostic models of complex technical systems with multiple uncertainty of a priori information is proposed. Since it is impossible to determine the law of distribution of values  of parameters of working processes, it is proposed to use methods of nonparametric statistics. The training procedure is based on the use of topology and properties of finite-dimensional Euclidean spaces. An example of a training procedure using a computational scheme according to the Robbins-Monroe algorithm is given. A graphical interpretation of the construction of a standard of parametric failure of an element when constructing diagnostic models of equipment of the ventilation and air conditioning system of a clean room of a special facility is presented.

контролируемые параметры рабочих процессовметоды обучениядиагностическая модельтехническое состояниеалгоритм Роббинса–Монроcontrolled workflow parameterstraining methodsdiagnostic modeltechnical conditionRobbins–Monroe algorithmReferencesФомин Я. А. Распознавание образов. Теория и применения. М.: Фазис, 2010. 368 с.Fomin Ya. A. Raspoznavaniye obrazov. Teoriya i primeneniya (Pattern Recognition. Theory and Applications), Moscow, 2010, 368 р. (in Russ.)Лобан А. В. Информационная технология распределенного диагностирования космических аппаратов. М.–Берлин: Директ-Медиа, 2015. 146 с.Loban A.V. Informatsionnaya tekhnologiya raspredelennogo diagnostirovaniya kosmicheskikh apparatov (Information Technology of Distributed Diagnostics of Spacecraft), Moscow, Berlin, 2015, 146 р. (in Russ.)Сеньченков В. И. Модели, методы и алгоритмы анализа технического состояния. Saarbrücken: LAP LAMBERT Academic Publishing, 2013. 377 с.Senchenkov V.I. Modeli, metody i algoritmy analiza tekhnicheskogo sostoyaniya (Models, Methods and Algorithms for Technical Condition Analysis), Saarbrücken, 2013, 377 р. (in Russ.)Chunhui Z., Furong G. Online fault prognosis with relative deviation analysis and vector autoregressive modeling // Chemical Engineering Science. 2015. Vol. 138. P. 531–543.Chunhui Z., Furong G. Chemical Engineering Science, 2015, vol. 138, рр. 531–543.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.Lu G., Zhou Y., Lu C., Li X. Mechanical Systems and Signal Processing, 2017, vol. 83, рр. 533–548.Будко П. А., Винограденко А. М., Литвинов А. И. Экспериментальные исследования кинетического метода контроля и диагностики технических средств // Мехатроника, автоматизация, управление. 2014. № 9. С. 53–58.Budko P.A., Vinogradenko A.M., Litvinov A.I. Mechatronics, automation, control, 2014, no. 9, pp. 53–58. (in Russ.)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.Liu W.Y., Gao Q.W., Ye G. et al. Measurement, 2015, vol. 74, рр. 70–77.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.Skliros C., Esperon M.M., Fakhre A., Jennions I.K. Diagnostyka, 2019, vol. 20(1), рр. 3–21.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.Shi P., Liang K., Han D., Zhang Yi. Journal of Vibroengineering, 2017, vol. 19(8), рр. 5932–5946.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.Senchenkov V.I., Matyunin A.S. Pribory i sistemy. Upravleniye, kontrol’, diagnostika, 2020, no. 8, pp. 18–26. (in Russ.)

The authors declare that there are no conflicts of interest present.