Автореферат Кошекова К.Т.


УДК 681.14                                                        На правах рукописи

 

 

 

Кошеков Кайрат Темирбаевич

 

ТЕОРЕТИЧЕСКИЕ ОСНОВЫ, МЕТОДЫ, МОДЕЛИ И СРЕДСТВА автоматизации ИДЕНтИФИКАЦИОННЫХ ИЗМЕРЕНИЙ СИГНАЛОВ технологических процессов

 

 

 

05.13.06 – Автоматизация и управление технологическими процессами и производствами (по отраслям)

 

 

 

 

Автореферат

диссертации на соискание ученой степени
доктора технических наук

                                                  

 

 

 

 

 

 

 

 

 

 

 

 

 

Алматы, 2009

Работа выполнена в Северо-Казахстанском государственном университете им. М.Козыбаева.

 

 

Научные консультанты:

доктор технических наук, профессор Кликушин Ю.Н.

доктор технических наук, профессор Мутанов Г.М.

 

Официальные оппоненты:

доктор технических наук, профессор Биттеев Ш.Б.

доктор технических наук, профессор Букреев В.Г.

доктор технических наук, профессор Умбетов У.У.

 

Ведущая организация:

 Томский государственный университет систем управления и радиоэлектроники

 

 

Защита состоится «30» июня 2009 года в 15 часов на заседании диссертационного совета ОД 14.13.03 в Казахском национальном техническом университете им.Сатпаева, адрес: 050013, г.Алматы, ул.Сатпаева, 22, нефтяной корпус, 1-й этаж, конференц-зал.

 

 

 

С диссертацией можно ознакомиться в научной библиотеке Казахского национального технического университета им. К.Сатпаева.

 

 

Автореферат разослан    «22» мая    2009 г.

 

 

 

 

 

 

 

Ученый секретарь

диссертационного совета ОД 14.13.03

доктор технических наук, профессор 

                                                               

 

Айтчанов Б.Х.                                                                 

 

 

 

 

ВВЕДЕНИЕ

 

Актуальность темы.  В настоящее время наблюдается постепенный переход от узкоспециализированных технических средств к адаптивным системам, способным автоматически приспосабливаться к изменению как влияющих, так и управляющих воздействий. Адаптационные возможности напрямую зависят от способности классифицировать и распознавать объекты и процессы. Однако желание наделить техническую систему подобными интеллектуальными функциями наталкивается на ряд принципиальных проблем, которые в настоящее время разрешаются по трем основным направлениям.

Первое направление связано с формализацией и описанием исследуемых объектов и процессов инструментами, методами и законами классической математики, в том числе теории вероятности и математической статистики. Притягательность такого подхода заключается в возможности получения аналитических уравнений функционирования объектов. Значительный вклад в данном направлении своими работами внесли Райбман Н.С., Эйкхоффа П., Савараги Е., Савельев А.М., Ашимов А.А. и др.

Второе направление связано с развитием компьютерной техники и программного обеспечения и использует различные нетрадиционные методы и технологии, в частности инструменты теории экспертных систем и Wavelet-анализа. Исследования в данном направлении ведутся во всем мире научными коллективами под руководством ученых Заде Л.А., Кофмана А., Мандельброта Б.Б., Поспелова Д.А., Орловского А.И., Федера Е. и др., опубликовавших результаты работ в фундаментальных трудах. 

Третье направление основано на использовании технической модели нервной ткани (нейрона) человека, с помощью которой осуществляется преобразование зрительных образов в функцию возбуждения клеток головного мозга, и сводится к тому, что нейронная сеть (нейрокомпьютер) «учится на примерах», подстраивая свои параметры при помощи так называемых алгоритмов обучения через механизм обратной связи. Достижения по использованию нейронных сетей представлены в работах Саймона Х., Оныкий Б.Н., Самарина А.И., Галушкина А.И., Дуба Р. и др.  

Несмотря на значительные достижения, каждое из указанных направлений является специализированным и в целом все они не позволяют охватить широкий круг задач классификации и распознавания образов сигналов, возникающих из растущих потребностей практики человека. Вместе с тем  уровень развития информационных и компьютерных технологий позволяет разрешить указанную проблему. В связи с этим становится актуальной разработка эффективной и универсальной методологии решения задач классификации, распознавания и идентификации сигналов, которая бы естественным образом интегрировала в себе наработанные в смежных областях методы, средства и достижения современных технологий.

Связь работы с другими научно-исследовательскими работами.

Работа выполнена при грантовой поддержке в виде государственной научной стипендии для талантливых молодых ученых на 2006-2008 гг. (Приказ № 627 МОН РК от 6.12.2006 г.), в рамках выполнения АО «ЗИКСТО» (гетропавловск) научно-исследовательской и опытно-конструкторской работы по заданию Ичанского института измерительной техники (КНР) «Разработка и создание высокоточной системы управления подъемно-поворотным устройством исследовательской приемно-излучающей гидроакустической аппаратуры».   Также в рамках выполнения научно-исследовательской работы по гранту фонда науки МОН РК по теме «Разработка и внедрение автоматизированной системы управления гальваническим производством» (рег. №742 от 20.06.2005г.).

Цель работы. Целью работы является создание научно-теоретических основ автоматизации идентификационных измерений для решения задач классификации и распознавания сигналов на основе технологий порядковых идентификационных шкал.

Для достижения цели необходимо решение следующих задач:

1.   Разработка методологии автоматизации идентификационных измерений сигналов.

2.   Разработка математических моделей, структур и характеристик средств автоматизации идентификационных измерений сигналов.

3.    Разработка, исследование и анализ методик и алгоритмов автоматизации идентификационных измерений, преобразований и классификации сигналов и их характеристик.

4.   Разработка технологии, позволяющей измерять форму распределений мгновенных значений и распределений временных интервалов периодических и случайных сигналов, способов измерения и уменьшения их нелинейных искажений. 

5.   Исследование и анализ эволюционных характеристик случайных сигналов и разработка метода их математического моделирования с помощью моделей фильтров.

6.   Разработка, апробация и внедрение на базе полученных научно-теоретических результатов:

а) метода и закона автоматизированного управления подъемно-поворотным устройством в условиях влияния гидродинамической среды;

б) метода и алгоритма точного автоматизированного определения концентрации веществ в гальваническом производстве;

в) метода и алгоритма диагностики червячных редукторов средней мощности аппаратуры по ремонту скважин;

г) программного автоматизированного комплекса «Анализатор сигналов», предоставляющего пользователю целый набор инженерных технологий классификации и распознавания сигналов. 

Объектами исследования являются информационные измерительные и управляющие сигналы и их характеристики автоматизированных систем, описываемые детерминированными и случайными функциями времени.

Методы исследования. Для достижения поставленной цели по созданию теоретических основ идентификационных измерений, исследования измерительных и классификационных методов использовался аппарат теории измерений, теории вероятности, теории нечетких множеств, теории фракталов, математической статистики и статистического моделирования. Разработка моделей средств автоматизации и виртуальных приборов, их моделирование и экспериментальные исследования проводились с использованием аппарата графического программирования фирмы National Instruments – мирового лидера в области разработки интегрированных программно-аппаратных технологий. 

Практическая значимость определяется эффектом повышения качества управления в автоматизированных системах путем точной предварительной обработки информации на основе идентификационных измерений сигналов и их характеристик в системе порядковых идентификационных шкал, что позволяет:

·     измерять и контролировать формы периодических сигналов в широком частотном диапазоне (вплоть до граничной частоты по Котельникову);

·     измерять и контролировать уровни нелинейных искажений сигналов и нелинейности характеристик устройств, приборов, систем;

·     измерять и контролировать формы распределений любых случайных стационарных сигналов;

·     формировать количественные оценки качественного состояния объектов в статике и динамике;

·     в автоматизированном режиме классифицировать, идентифицировать, сравнивать и распознавать сигналы при решении задач управления, измерения, контроля и диагностики.

Научная новизна, выносимая на защиту:

1)     предложены теоретические основы и система понятий, относящихся к области автоматизации идентификационных измерений сигналов, математического моделирования, классификации автоматизированных методов и средств;

2)     впервые разработана концепция и методика классификации и распознавания управляющих и измерительных сигналов в автоматизированных системах на основе векторных идентификационных измерений и анализа комплексных (временной, корреляционной, вероятностной и спектральной) характеристик сигнала; 

3)     разработаны автоматизированные классификационные методы идентификационных измерений на основе установления аналогии между периодической системой химических элементов и идентификационной шкалой распределения случайных сигналов;

4)     впервые, исходя из принципов эквивалентности, установлены и комплексно исследованы эволюционные идентификационные характеристики бинарных смесей сигналов, что позволило заменять при обработке первичной информации в автоматизированных системах управления действия случайных сигналов действиями периодических и наоборот; 

5)     разработана методика измерений случайных и детерминированных процессов и сигналов как измерений степени неупорядоченности внутренних глобальных эталонов.

Научные положения, выносимые на защиту:

1)    разработана особая структура идентификационной шкалы, объединившей технологии измерения и технологии баз данных, для обработки первичной информации в автоматизированных системах управления; 

2)     предложены и исследованы математические и компьютерные модели и инструменты автоматизации G- и K- и векторного NF-NF и NF-K идентификационных измерений, трансляторования, генерирования сигналов и их характеристик;

3)     разработаны алгоритмы автоматизированного управления гидродинамическим подъемно-поворотным устройством, вибродиагностики редукторов средней мощности и точного определения концентрации веществ гальванического производства;

4)     разработана обобщенная структурная схема для решения задач  классификации и распознавания сигналов как конструктивной совокупности средств идентификационных измерений и реляционной базы данных;

5)     разработаны алгоритмы построения средств автоматизации идентификационных измерений сигналов и методики исследования их характеристик;

6)     предложены технологии решения задач классификации и распознавания образов в структуре базы данных периодических, случайных сигналов и их смесей;

7)     разработан метод и алгоритм позиционного и лингвистического кодирования измерительных и управляющих сигналов в автоматизированных системах;

8)     предложена методика и алгоритмы фильтрации, сортировки, обработки и форматирования комплексных (числовых и лингвистических) переменных в структуре базы банных.

Идея работы заключается в создании методологии идентификации и распознавания на основе измерения формы и вариабельности сигналов и их характеристик в автоматизированных системах управления. Предложен комплекс методов, моделей и интеллектуальных инструментов, позволяющих охватить широкий спектр возможностей в области машиностроения, медицины, автоматизации управления технологическими процессами.  

Достоверность полученных результатов подтверждается: корректным использованием строгого математического аппарата при выводе основополагающих формул и анализе полученных выражений; применением апробированной методологии системного анализа и имитационного моделирования; теоретическими расчетами, согласованными с результатами других авторов и проверенными с помощью статистического моделирования, и характеризуется следующими показателями:

¨   для совокупности использованных идентификационных параметров распределений – с погрешностью в интервале от 10 до 20% при уровне доверительной вероятности 0.95;

¨   для совокупности идентифицируемых объектов формы (случайные стационарные и периодические сигналы) – вероятностью принятия правильного решения на уровне диапазона (0.8-1.0) в условиях градуировки.

Реализация работы осуществлена в виде программных продуктов, представляющих собой интеллектуальные анализаторы сигналов (со встроенными функциями распознавания и автоматической классификации), а также комплекса из  30 библиотечных элементов «Средства идентификационных измерений сигналов» среды LabVIEW. Результаты работы внедрены в технологический процесс по производству подъемного агрегата для ремонта скважин АПРС-40 на ОАО «ПЗТМ» (гетропавловск); в научно-исследовательской и опытно-конструкторской работе, выполненной по заданию Ичанского института измерительной техники (КНР), «Разработка и создание высокоточной системы управления подъемно-поворотным устройством исследовательской приемно-излучающей гидроакустической аппаратуры» АО «ЗИКСТО». Результаты работы использованы при выполнении НИР по гранту фонда науки МОН РК по теме «Разработка и внедрение автоматизированной системы управления гальваническим производством» (рег. №742 от 20.06.2005г.), внедренная на ОАО «ПЗТМ. Теоретические положения диссертационной работы внедрены в учебный процесс на кафедрах «Технология машиностроения» и «Радиоэлектроника и телекоммуникации» Северо-Казахстанского государственного университета им. М. Козыбаева при проведении дисциплин «Математические методы анализа и синтеза приборов и систем», «Приборы и методы исследований», «Теория идентификации в автоматизированных системах».

Апробация работы. Основное содержание работы и ее отдельные положения докладывались и были одобрены на V Международной научно-практической конференции «Динамика систем, механизмов и машин» (гмск, 2004г.); 3-м Международном форуме «Информатизация образования Казахстана и стран СНГ» (г.Алматы, 2004г.); Международной научно-практической конференции «Современные исследования в астрофизике и физико-математических науках» (г.Петропавловск, 2004г.); Международной научно-практической конференции «Научное наследие Е.Букетова» (г.Петропавловск, 2005г.); Республиканской научно-практической конференции «Проблемы развития энергетики и телекоммуникаций в свете стратегии индустриально-инновационного развития Казахстана» (глматы, 2005г.); научно-техническом семинаре «Технология виртуальных приборов в оборудовании, научных исследованиях, физических экспериментах и автоматизации промышленных предприятий» с участием компании National Instruments (СКГУ им.М.Козыбаева, г.Петропавловск, 2005г.); Международной научно-практической конференции «Aктуальнi проблеми сучасних наук: теорiя та практика» (г.Днепропетровск, 2005г.); Международной научно-практической конференции «The science: theory and practice» (Prague, Czechia, 2005г.); Международной научно-практической конференции «Инновационные технологии в образовании и науке» (гетропавловск, 2005г.);  Международной научно-практической конференции «Инновационные технологии в совершенствовании подготовки инженерных и научных кадров» (г.Тараз, 2006г.); XIII Международной научно-технической конференции «Машиностроение и техносфера XXI века» (г.Донецк, 2006г.);  объединенном научно-техническом совете «Управление гидродинамическим объектом» (АО «ЗИКСТО», гетропавловск, 2006г.), научно-техническом совете «Диагностика нефтегазового оборудования (ОАО «ПЗТМ», г. Петропавловск, 2007г.); III Международной конференции «Strategy of Quality in Industry and Education» (Varna, Bulgaria, 2007); Международной конференции «Теория функций и вычислительные методы» (г.Астана, 2007г.); Международной научно-практической  конференции «Роль университетов в создании инновационной экономики» (гсть-Каменогорск, 2008г.), IV-й Международной научно-практической  Internet-конференции «Наука в информационном пространстве» (г.Днепропетровск, 2008г.); Международной научно-практической  Internet-конференции «Образование и наука 21 века» (София, 2008г.); научно-техническом семинаре «Теоретические основы, модели и средства автоматизации идентификационных измерений технологических процессов» (г.Усть-Каменогорск, 2008г.).

Публикации. По материалам диссертации опубликовано в общей сложности 58 работ, отражающих все основные результаты исследований. В их числе 9 статей в зарубежных научных изданиях, рекомендованных высшим аттестационным комитетом России и Украины, и  16 статей в научных журналах, рекомендованных Комитетом по контролю в сфере образования и науки МОН РК. В сборниках трудов и материалах международных научно-технических и научно-практических конференций опубликованы 21 статья, и тезисы двух докладов на республиканских научно-практических конференциях. Из них 13 индивидуальных статей. Изданы монография и учебное пособие. Имеется 5 свидетельств на программные продукты с номерами государственной регистрации в РФ и 2 инновационных патента РК.   

Структура и объем работы. Диссертация состоит из введения, 6 глав, заключения, списка литературы (277 наименований) и 2 приложений. Объем работы составляет 284 страницы.

 

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

 

Введение. Обосновывается актуальность проводимых исследований, сформулированы цель и задачи, которые были поставлены и решены для ее достижения. Сформулирована основная идея распознавания и классификации сигналов на основе идентификационных измерений, научные положения и результаты, составляющие научную новизну. Обоснована достоверность сформулированных в работе научных положений, выводов и результатов исследований. Определены результаты, имеющие практическое значение. Приведены сведения об апробации результатов работы и публикациях по проблематике диссертационной работы.

В первой главе рассматривается современное состояние решения задач шкалирования, идентификации и распознавания сигналов в задачах автоматизации, управления, контроля и диагностики.

В настоящее время для увеличения производительности и повышения качества выпускаемой продукции широко внедряются замкнутые интеллектуальные автоматизированные системы (рис. 1) управления технологическими процессами на основе компьютерных технологий, обеспечивающие высокие по возможностям свойства и качества самоорганизации, приспосабливаемости, робастности, обучаемости и оптимальности.

Объект управления технологическим процессом находится под влиянием окружающей среды в виде возмущающего воздействия M(t), а выходная переменная измеряется с помехой измерения H(t)  

y~=y+H(t),                                                                                (1)

где y~ - измеренное значение выходной переменной y.

Целью функционирования системы управления является обеспечение с заданной точностью свойства

                                                                        (2)

В существующих системах решения уменьшения влияния помехи не обеспечивают  эффективного и качественного управления объектом. Вместе с тем, компьютерные технологии и программные продукты систем управления позволяют более эффективно распознавать и идентифицировать измерительные сигналы, точно измерять и оценивать их количественные характеристики, связывать с качественным состоянием объекта управления, определять природу возникновения возмущающих воздействий и помех, использовать для большей информативности максимальное количество характеристик сигналов, в том числе и степень хаотичности.

 

Рис.1.Интеллектуальная система автоматизированного управления

 

В соответствии с теорией шкал описаны с указанием особенностей и возможностей номинальная, порядковая, интервальная, масштабная и натуральная шкалы. Показано, что для измерения такой важнейшей величины как форма сигнала применяется исключительно номинальная шкала.

Измерения в номинальных ИШ подчиняются условию эквивалентности состояний, характеризующихся суждениями типа "равно-не равно". В этих шкалах отсутствует возможность проводить интерполяцию положения объектов исследования между эталонами, поскольку эталоны не упорядочены. Повышение качества измерений формы сигналов возможно только при использовании более высоких по статусу шкал, например порядковых.

В данной работе развивается методология измерения формы сигналов в системе порядковых идентификационных шкал.

Традиционные методы и технологии идентификации и распознавания сигналов

В настоящее время для создания ИШ используются различные технологии распознавания образов, основанные на вероятностных, информационных и некоторых детерминистских моделях входной информации. Предпочтение отдается тем компьютерным технологиям статистического анализа, которые предоставляют пользователю широкий выбор методов визуализации и компактного отображения исследуемых данных. Применительно к форме распределений вероятности наиболее известными и часто используемыми на практике являются методы: проверки гипотез, гистограмм, корреляционный, моментов распределения, многомерного шкалирования и экспертные.

В настоящее время для распределений созданы два вида порядковых ИШ, предложенные профессором ОмГТУ Кликушиным Ю.Н. В их основе лежат S-, P-, NF- методы преобразований характеристик сигнала в идентификационное число. Им предложены следующие шкалы: принадлежностная, построенная на основе упорядочения  структуры терммножеств лингвистической переменной ФОРМА, и  идентификационная, основанная на 3-х фрактальных аналитических моделях.

Инновационные методы и технологии анализа и синтеза сигналов

В работе представлена краткая обобщающая характеристика, анализ возможности нетрадиционных методов для построения порядковых измерительных шкал для категории ФОРМА на основе wavelet-анализа, нечетких моделей, фрактальных моделей, нейронных сетей.  

 Проведенный обзор и анализ современных методов представления и обработки сигналов и данных позволяет заключить: существующие методы и средства распознавания, идентификации и классификации образов и сигналов несовершенны. Однако для более эффективного решения задач необходимо объединение некоторых их преимуществ с созданием методологии, включающей теоретические основы, формализованные математические модели, средства и модели идентификационных измерений.

Вторая глава посвящена формулировке основных научных положений и теоретических основ нового направления в теории и практике автоматизации измерений и обработки информации – автоматизации идентификационных измерений (ИИ) сигналов.

Система понятий автоматизации идентификационных измерений сигналов

Идентификационные измерения (ИИ) - это процесс измерения формы и вариабельности сигнала и его характеристик с обработкой идентификационных параметров в структуре особых («глобальных») эталонов. Идентификационными эти измерения названы потому, что эталоном сравнения для измеряемых величин служит идентификационная шкала (ИШ). По форме ИШ похожи на шкалы обычных аналоговых приборов, оцифрованные отметки которых дополнены качественными показателями, например, в виде собственных имен. Предполагается, что ИИ и измерения физических величин методологически едины.

Постулируемые в виде положений основные идеи и модели, позволили сформулировать условия,   составляющие основу  идентификационных измерений сигналов: наличие инструментов измерения распределения мгновенных значений и распределения временных интервалов (РМЗ и РВИ), наличие инструментов установления логических связей их оценок с качественным состоянием сигнала. Оба условия объединяются в особой структуре (рис. 2), называемой порядковой идентификационной шкалой.. ИШ состоит из тестеров идентификационных параметров (IdP-тестеры), двумерной таблицы «объекты (имена сигналов) – свойства (имена идентификационных параметров)» и логического анализатора (ЛА).

В простейшем случае порядковая ИШ в режиме анализа исследуемого сигнала X(t) может быть представлена в виде таблицы 1. Исследуемая выборка сигнала X(t) измеряется идентификационным тестером, на выходе которого формируется число (например, IdPx=60). Измеренное число сравнивается  с упорядоченным набором подобных идентификационных чисел, принадлежащих эталонам, в качестве которых используются, например, имена случайных сигналов с двумодальным (2mod, 2МОД), арксинусным (asin, АРКС), равномерным (even, РАВН), треугольным (simp, СИМП), нормальным (gaus, НОРМ), двусторонним экспоненциальным (lapl, ЛАПЛ) и Коши (kosh, КОШИ) распределениями. Для указанных эталонов значения идентификационных чисел (IdPi) известны заранее и хранятся внутри программы (базы данных) как некие константы. Диапазон идентификационных чисел эталонов (в данном примере от 0 до 100) охватывает полный диапазон существования любых других сигналов, как случайных, так и периодических, а также их смесей.

В прикладном анализе данных таблица на рис. 2 называется таблицей «объект – свойство» и интерпретируется как математическая матрица. Для извлечения скрытой (латентной) в ней информации обычно применяются классические методы факторного, дисперсионного, регрессионного и корреляционного анализа.

Рис. 2. Структурная схема идентификационной шкалы

 

Представленная на рис. 2 таблица представляет собой реляционную  базу данных (БД), в которой объекты или имена сигналов образуют записи, а полями служат имена идентификационных параметров. Управление БД состоит, в простейшем случае, в пересортировке первоначального списка имен сигналов и их фильтрации. При упорядочивании идентификационных чисел (IdP) автоматически ранжируются имена (Names) и, соответственно, те свойства объекта или процесса, которые эти имена и числа представляют. Выходная информация формируется в таблице отклонений идентификационных параметров в виде интегрального списка имен эталонов, полученного путем объединения или пересечения частных списков, ранжированных по отдельным полям (свойствам) БД.

 

Таблица 1. Идентификационная шкала в режиме измерения внешнего сигнала

Имя отметки

Коши (kosh)

Лапл (lapl)

Гамма (gamma)

Норм (gaus)

Симп (simp)

Равн (even)

Аркс (asin)

2Мод (2mod)

Порядковые №

1

2

3

4

5

6

7

8

Отметки шкалы

0

10

20

30

51

75

92

100

Положение указателя

 

 

 

 

60

 

 

 

Таким образом, в ИШ происходит объединение технологии измерения и технологии БД для решения задач распознавания образов сигналов, что позволило ввести новые  определение и свойства. Идентификационными будем называть такие шкалы, которые с помощью числовых показателей упорядочивают лингвистические характеристики, например имен, объектов или процессов. ИШ осуществляют компрессию информации и реализуют количественное оценивание качественного состояния объекта исследования. Упорядоченность числовых отметок и связанных с ними имен, во-первых, обуславливает возможность интерполяции положения неизвестных объектов в рамках шкалы, во-вторых, выявляет структуру связей этого объекта с эталонными объектами, представленными именами отметок, и, в-третьих, производит разложение имени исследуемого объекта в спектр имен эталонных отметок.

Математическое моделирование инструментов РМЗ и РВИ

Любой сигнал после равномерной (с постоянным шагом) дискретизации по времени частично характеризуется распределением мгновенных значений (РМЗ) – форма, а после равномерного квантования по уровню - совокупностью распределений временных интервалов (РВИ) - вариабельность.

Полученные дискретные отсчеты  сигнала объединяются в соответствующие массивы РМЗ  и РВИ , значения элементов в которых могут изменяться случайным образом. Следовательно, для их дальнейшего объективного описания можно применять вероятностную характеристику  случайной величины , например, в виде   - плотности вероятности случайной величины  на интервале .

В качестве «эталонных отметок» ИШ автором предложено использовать сигналы с типовыми законами распределения, относящимися к симметричным плотностям распределения. В работе показано, что эти распределения полностью перекрывают диапазоны значений идентификационных параметров.  

Математическое и компьютерное моделирование характеристик сигнала

Для математического моделирования всех процессов идентификационных измерений и преобразований сигналов автором принята следующая форма 

                                                                     (3)

где - временная характеристика выходного сигнала; - временная характеристика входного сигнала; ,, - операторы, преобразующие входной сигнал или вектор характеристик по определенному правилу (алгоритму);

 - вектор, состоящий из характеристик сигнала: в частности, - приращения временной характеристики, - вероятностная характеристика в виде гистограмм, - корреляционная характеристика, - спектральная характеристика, - вейвлетная характеристика;

 - идентификационный вектор, включающий идентификационные параметры, в виде чисел, всех характеристик сигнала.

В настоящее время все перечисленные характеристики сигналов моделируются с применением распространенных программных продуктов, например MATLAB, LabVIEW, MATCAD. В работе также представлены математическое описание и характеристики случайных эталонных сигналов, смоделированные в среде LabVIEW 7.1.

Математическое моделирование процессов идентификационных измерений сигналов 

Идентификационное измерение можно представить процессом преобразования дискретизированного или квантованного сигнала и его характеристик в идентификационные числа (параметры), в частности

,                                                                       (4)

где IdР[.] - условное обозначение операции идентификации,

 - массив дискретизированных или квантованных значений сигнала.

Чтобы идентификационные числа выполняли свои классификационные функции, автором установлено, что они должны обладать определенными свойствами, которые подчиняются следующим принципам.

1.   Масштабная инвариантность:

,                                                                                         (5)

где А, В, С - постоянные коэффициенты.

В соответствии с (5) идентификационное число не зависит от линейных преобразований исходного множества .

2. Эквивалентность, в соответствии с которой

«Если G1 = Id[F1(t)], G2 = Id[F2(t)], то при G1 = G2, имеем F1(t) º F2(t,         (6)

где знак «º» означает, что эти сигналы эквивалентны в идентификационном, но не в строгом математическом смысле.

3.Согласованная упорядоченность, при которой

«Если G1 >G2> ...>Gn, тo S1 >S2> ...>Sn или S1 < S2 < ...<Sn».                  (7)

Данный принцип означает, что упорядоченности G1 > G2 >…>Gn идентификационных чисел должна соответствовать упорядоченность S1 > S2 > ...>Sn (или S1 < S2 < ...<Sn ) интенсивности проявления свойства S объекта или процесса.

Для определения РМЗ применяются Р-, NF-, S-измерения, основанные на алгоритмах преобразования массива дискретизированных значений входного сигнала (массива) в идентификационное число. Для определения РВИ используются G-, К-измерения на основе применения алгоритмов преобразования массива квантованных значений входного сигнала (массива) в идентификационное число, причем К-измерение - на модели роста популяции (модели Ферхюльста), широко используемой во фрактальном анализе.

Особое внимание уделено построению векторных идентификационных шкал (ВИШ), позволяющих уменьшить погрешности распознавания сигналов из-за неоднозначности отображения множества в число, за счет увеличения размерности идентификационных измерений. В частности, ВИШ позволяют разделять сигналы на периодические и случайные.

Математическая модель векторного преобразования на основе измерений РМЗ имеет вид:

,      (8)

где , – идентификационные параметры РМЗ сигнала и его приращений.

Математическая модель  на основе измерений РМЗ и РВИ имеет вид:

,                                                                                 (9)

где и  – идентификационные параметры РМЗ и РВИ сигнала.

Математические методы и модели преобразований сигналов при автоматизации идентификационных измерений 

Для выполнения операции процедур анализа и синтеза сигналов и их смесей возможны следующие процедуры идентификационных преобразований:

1. Идентификационное конвертирование - преобразование числа в сигнал (массив)

.                                                                                 (10)

2. Идентификационное трансдьюсирование - преобразование входного сигнала (массива) в выходной сигнал (массив), т.е. последовательные идентификационное измерение и конвертирование. Аналитически процесс трансдьюсирования описывается системой

                                                                     (11)

3. Идентификационное генерирование - формирование сигналов соответствующей частоты и формы, определяемой классификационным именем сигнала в соответствии с системой уравнений

,                                                      (12)

где  – лингвистическая желаемая (задаваемая пользователем) форма выходного сигнала  генератора,  – лингвистическая реально генерируемая форма выходного сигнала генератора,   – операция обратного логического вывода.  

4. Идентификационное транслирование - автоматическая классификация сигналов, заключающаяся в присвоении анализируемому сигналу некоторой лингвистической характеристики, например имени сигнала из списка имен эталонов внутренней базы данных

.                           (13)

Эталоны представляют собой двойку атрибутов типа {Значение_IdPИмя_сигнала} и формируются экспертом на начальном этапе.

5. Идентификационное сравнение – преобразование в  идентификационное число разности (отношения) двух сигналов в соответствии с выражениями

и .   (14)

6. Идентификационное сканирование - выделение из числового массива  РМЗ  частей сигнала, измерение их идентификационных параметров с присвоением имен эталонов внутренней базы данных

.                           (15)

7. Идентификационная сегментация - выделение из числового массива  РМЗ  частей сигнала, эквивалентных между собой в идентификационном смысле, измерение объема различных частей сигнала с одинаковыми идентификационными числами, т.е. из исходного массива формируются два:

.                                                (16)

В первом массиве все элементы имеют одинаковые значения, а во втором элементы - объемы выборки с одинаковыми идентификационными числами.

Классификация методов идентификационных измерений

В зависимости от степени неопределенности априорной информации о модели входного сигнала и ее параметрах, а также от целей измерения методы ИИ можно разделить на измерительные и классификационные.

С помощью измерительных методов решаются такие задачи, в которых модель исследуемого сигнала задана или известна в достаточной степени. С помощью классификационных методов решаются такие задачи, в которых модель исследуемого сигнала неизвестна. На практике приходится комбинировать указанные методы на разных стадиях исследований. С позиций теории идентификации систем управления, измерительные методы призваны решать задачи параметрической, а классификационные - структурной идентификации.

Основу технологий ИИ составляют абсолютные измерения, понимаемые как измерения идентификационных параметров сигналов и их характеристик. Эти измерения могут быть точечными, либо интервальными. При точечных ИИ оценка идентификационного параметра представляется в виде одного числа или одного имени, при интервальных ИИ - в виде некоторого диапазона возможных (вероятных) значений. Целью абсолютных ИИ является создание банков идентификационных параметров тестируемых и эталонных сигналов и их характеристик. Тестируемыми будем называть сигналы, предназначенные для распознавания, а эталонными - сигналы, относительно которых будут распознаваться тестируемые сигналы. В концентрированном виде на основе классификации сигналов идентификационные измерения можно представить методологией со структурой, представленной на рис. 3.

Основная идея этой методологии выражена следующими положениями. Во-первых, анализироваться должен исходный сигнал и его приращения (скорость). Во-вторых, так как свойства сигнала сконцентрированы в распределении мгновенных значений (РМЗ, категория «форма») и в распределении временных интервалов (РВИ, категория «вариабельность»), то для устранения возможной неоднозначности надо измерять оба эти распределения. В-третьих, поскольку заранее неизвестно, в каком из возможных представлений может наиболее значимо проявиться некоторая особенность сигнала, желательно измерять все стандартные функции: временную, вероятностную (например гистограмму), корреляционную и спектральную. В-четвертых, поскольку аккумулятором результатов идентификационных измерений служит БД, то, изучая ее идентификационную структуру на основе применения аппарата реляционной алгебры, можно установить логические соответствия количественных и качественных свойств эталонных и тестируемых сигналов.

 

Рис. 3. Структура решения задач идентификационных измерений

 

На основе указанной методологии могут быть сформированы различные методики решения классификационных задач. Особенности каждой методики определяются, главным образом, спецификой предметной области и конкретной постановкой задач исследований.

Идентификационные характеристики и их аналитическое описание

В общем случае идентификационными будем называть любые зависимости Y(X) идентификационного параметра Y от информативной влияющей величины X.

В работе предложены следующие:

Рекогнитивная (распознавательная) - такая ИХ, которая связывает значение идентификационного параметра с формой сигнала

или .                                                           (17)

Частотная ИХ - такая ИХ, в которой значение идентификационного параметра зависит от частоты входного сигнала при постоянстве его формы

.                                                                    (18)

Эволюционная ИХ - такая ИХ, в которой значение идентификационного параметра зависит от соотношения интенсивностей компонент, например спектральных составляющих, сигнала

.                                                   (19)

 Репрезентационная (представительная) ИХ - такая ИХ, в которой значение идентификационного параметра зависит от объема выборки (времени наблюдения) исследуемой реализации сигнала

.                                                 (20)

Метрологическая ИХ - такая ИХ, которая определяет характеристики погрешности оценок идентификационного параметра

.                                                 (21)

Возможно и создание вторичных ИХ: при сканировании – ИХ служит зависимость идентификационного параметра от номера сканируемого участка сигнала при постоянном количестве выборки (N=const), а при сегментации - ИХ представляет собой распределение размеров участков по длине сигнала.

Установлено, что идентификационные характеристики являются детерминированными моделями информации, переносимой выборочными реализациями сигналов.

В третьей главе рассмотрен комплекс вопросов классификации, построения и использования средств автоматизации идентификационных измерений и преобразований (САИИП). Предложена система, описывающая работу САИИП и состоящая из  распознавательной, частотной, эволюционной, представительной и метрологической характеристик. Рассмотрены структурные схемы САИИП различного назначения, их классификация представлена в таблице 2. Все САИИП реализованы автором в виде виртуальных приборов в среде LabVIEW-7.1. В работе на основе использования некоторых САИИП (IdP-тестеров) предложена обобщенная структурная схема системы решения задач распознавания сигналов, включающая порядковые идентификационные шкалы сигналов - параметров и задач, базы данных, банка алгоритмов, устройство управления, коммутаторы сигналов и задач.

Система работает в двух режимах: обучения распознаванию и распознавания.

В четвертой главе рассматриваются измерительные методы автоматизированных систем и результаты аналитических исследований эволюционных идентификационных характеристик (ЭИХ) сигналов, ставятся и решаются задачи их анализа (измерения) и синтеза (генерирование). При использовании измерительных методов (ИМ) математические модели входных сигналов (классы сигналов) задаются априорно и в процессе анализа не изменяются. Конечная цель применения ИМ заключается в измерении и оценке некоторых количественных показателей известных моделей, что эквивалентно задаче параметрической идентификации.

Измерительные методы и их применение

1.  Измерения нелинейных искажений состоит из двух этапов.

На первом этапе - калибровки устанавливается зависимость между уровнями нелинейных искажений, измеренными традиционным методом, например  с помощью измерителя нелинейных искажений (ИНИ), и идентификационным методом

,                                                        (22)

где  - коэффициент гармоник.                         

Зависимость (22) сохраняется либо в виде градуированной шкалы, либо в электронном цифровом виде.

На втором этапе – измерения ИНИ отсутствует, а уровень нелинейных искажений анализируемого сигнала измеряется идентификационным методом . Результат измерения переводится в значение отсчета  в общепринятых единицах.

Описанный метод измерения нелинейных искажений реализован в виде виртуального прибора, в котором градуировочные характеристики представлены в аналитической форме. Для настройки на измерение периодических сигналов любой другой формы необходимо изменить эталонный уровень идентификационного параметра и перезаписать градуировочные характеристики.

 

Таблица 2. Классификация средств автоматизации идентификационных измерений

Виды СИИ

Функция САИИП

Тип САИИП

Размерность

1

Тестеры РМЗ

Измерение распределения мгновенных значений (измерение формы)

Р-тестер, NF-тестер,

S-тестер

Массив-

число

2

Тестеры РВИ

Измерение распределения временных интервалов (измерение вариабельности)

К-тестер, G-тестер

Массив-

число

3

Вектор-тестеры РМЗ-РМЗ

Измерение распределения мгновенных значений сигнала (S1) и его приращений (S2)

V1=S1+jS2

Массив-

вектор

4

Вектор-тестеры РМЗ-РВИ

Измерение РМЗ и РВИ

V2=Sexp(jKt)

Массив-

вектор

5

Конвертеры

Преобразование постоянной величины в переменную во времени величину

X(t) =Id-1 [S]-   обратное преобразование идентификационного числа

Число-

массив

6

Трансляторы

Классификация сигналов

SK-транслятор

Массив-

имя

7

Трансдьюсеры

Преобразование периодических сигналов в случайные и наоборот

K1 = Id[X(t)]

К2 = Id[Y(t,m = var)]

X(t) = Y(t,m = mx ), K2 = K1

Массив-

массив

8

Генераторы

Формирование сигнала соответствующей формы и частоты по заданному классификационному имени

S = Name[X(t)],

S2 = Name[Y(t,m = var)]

X(t) = Y(t,m = mx), S2 = S1

Имя-

массив

9

Сканеры

Разбиение исходного сигнала на части и измерение их IdP

 

Массив-

множество

массивов

10

Сегментаторы

Разбиение исходного сигнала на части в соответствии с заданным значением IdP

 

Массив-

множество

массивов

 

2.Способ уменьшения нелинейных искажений сигналов позволяет улучшить качество воспроизведения выходного сигнала встроенного генератора, основанного на измерении его формы и поддержания этой формы на постоянном уровне. Корректирующая цепь в разработанном виртуальном приборе содержит NF-тестер, измеряющий форму выходного синусоидального сигнала задающего генератора, устройство сравнения измеренного идентификационного параметра с эталонным значением этого параметра для синусоиды и логическую схему управления, состоящую из двух переключателей, логической цепи и сумматора. Корректирующая цепь образует обратную связь генератора по внешнему параметру (Frequency), задающему частоту выходного сигнала. Принцип действия виртуального генератора основан на поддержании текущего измеренного идентификационного параметра (NF) на уровне, соответствующем эталонному синусоидальному сигналу. Коррекция идентификационного параметра производится путем добавления единицы в заданное значение входной частоты. Возможна корректировка путем изменения на единицу объема выборки сигнала генератора.

3. Измерение формы распределения мгновенных значений случайных сигналов  состоит из двух этапов.

На первом этапе измеряется идентификационный параметр, например NFx, исследуемого сигнала.

Второй этап включает процедуру работы с БД, при которой осуществляется поиск имени РМЗ того эталона, чей идентификационный параметр, например  NF0i, наиболее близок к NFx:

.                                                    (23)

        4. Измерение формы периодических сигналов аналогично измерению формы распределения случайных сигналов, но с некоторыми дополнениями:

а) в БД имен эталонов вносятся имена и идентификационные параметры форм периодических сигналов; б) в ВП включается К-тестер для измерения форм РВИ; в) ВП измеряет не только форму РМЗ сигнала, но и форму РМЗ его приращений.

Таким образом, благодаря совмещению функций измерения как случайных, так и периодических сигналов с помощью данных инструментов можно решать и более сложные, например классификационные задачи. В этом случае поток входных сигналов будет разделяться по результатам анализа на два потока: поток регулярных и поток хаотических сигналов. Внутри каждого из потоков разделение сигналов будет осуществляться по форме РМЗ (именам распределений).

Эволюционные характеристики сигналов

Понятие эволюционной характеристики сигналов (ЭИХ) возникло в связи с необходимостью плавно или с небольшим шагом дискретизации изменять форму распределения периодических и форму распределения случайных сигналов в достаточно больших пределах. В качестве исходной математической модели используется смесь вида:

                                                                                            (24)

где сигнал   является периодическим синусоидальным колебанием, а сигнал   – «белый» шум с нормальным распределением. Область существования сигнала (29) смеси может быть описана условиями:

if SNR=0 then U(t)= Un(t), DN[U(t)]=DN[Un(t)]=НОРМ,

        if SNR=¥ then U(t)= Us(t), DN[U(t)]=DN[Us(t)]=АРКС.                             (25)

где  – отношение мощностей синусоидальной и нормальной компонент, соответственно (SignalNoiseRelation), DN[..] – имя распределения (DistributionName).

На основании исследований, связанных с моделированием различных ЭИХ, была установлена возможность классифицировать сигналы по измерению их идентификационных параметров. 

Математическое моделирование ЭИХ случайных сигналов

Знание ЭИХ позволяет решать задачи анализа: а) получение смесей сигналов с заданным распределением; б) получение смесей сигналов с определенным значением отношения мощностей компонент. При синтезе: а) определять распределение при известных мощностях компонент; б) суммирование сигналов для получения заданного распределения. И главное, имея в виду регулярный характер аналитически описываемых ЭИХ, стало возможным теоретически рассчитывать эффекты взаимодействия случайных сигналов и, следовательно, количественно оценивать качественное состояние объектов, как в статике, так и в динамике.

Для построения аналитических моделей всей совокупности ЭИХ предложена структура по измерению зависимости идентификационного параметра от отношения мощностей сигнал-шум NF(PSR) и математическая модель электрических цепей активных фильтров для воспроизведения амплитудно-частотных характеристик (рис. 4).

Выводы, которые можно сделать по результатам проведенных в данном разделе исследований и моделирования, заключаются в следующем.

1. Идентификационные характеристики случайных сигналов эквивалентны идентификационным характеристикам соответствующих периодических сигналов.

2. Идентификационные характеристики любой бинарной смеси лучше всего моделировать векторным суммированием периодических сигналов, отношение мощностей которых варьируется от 0 до неопределенно большой величины. При этом информативной величиной выступает амплитудно-частотная (спектральная) характеристика, для которой аналогом значений частоты (независимой переменной) является отношение мощностей суммируемых компонент.

3. Идентификационные характеристики являются результатом интерференции двух компонент, находящихся между собой в отношении вариационного дополнения.

 

а)

Схема эксперимента по измерению NF(PSR)

б)

Математическая модель аддитивной смеси случайных сигналов

Рис.4. Схема эксперимента и его математическая модель

Пятая глава рассматривает классификационные методы (КМ) идентификационных измерений и преобразований автоматизированных систем, решающие задачи разбиения или объединения исследуемых сигналов в некоторые классы. Сформированы классификационные алгоритмы, выделяющие такие модели сигналов, которые имеют общие качественные признаки, что позволило выдвинуть утверждение, что КМ ориентированы на решение задач структурной идентификации.

В работе методом аналогий доказано утверждение, обеспечивающее применимость классификации в теории идентификационных измерений: «Классификационные возможности шкал распределений сигналов при идентификационных измерениях аналогичны классификационным возможностям периодической системы химических элементов, в которой идентификационные числа , получаемые отображением некоторых множеств характеристик сигналов, например временного ряда наблюдений сигнала , упорядочивают сигналы подобно тому, как порядковый номер или заряды ядер  упорядочивают  химические элементы».

Доказательство формальной основой аналогии сигнальной и химической идентификационных шкал позволило сделать следующие выводы:

·      классификационные возможности сигнальной ИШ подобны классификационным возможностям  химической ИШ;

·      сигнальная ИШ как сортировщик упорядочивает свойства сигнальных элементов по форме распределения РМЗ и РВИ;

·      методы и алгоритмы классификации сигналов, основанные на применении сигнальных ИШ, являются правомочными для распознавания и идентификации сигналов.

Интегральная методика классификации сигналов

В наиболее общем виде методика решения классификационных задач может быть записана  следующим образом. Для заданной предметной области с помощью экспертов из множества сигналов формируется вектор реализации  эталонных сигналов, приращений и их характеристик. Файлы эталонных сигналов и характеристик считываются с диска, а с помощью разработанных виртуальных приборов-тестеров измеряются идентификационные параметры эталонных сигналов, которые объединяются в базу данных идентификационных параметров 

.                                       (26)

По той же схеме проводят измерение идентификационных параметров, например , исследуемого (неизвестного) сигнала. Полученные численные и классификационные оценки идентификационных параметров исследуемого сигнала последовательно сравниваются со всеми эталонами по принципу «один – со всеми». При этом для числовых параметров вычисляются отклонения , например, в форме модулей относительной разности или по принципу дихотомии «равен – не равен». Таким образом, формируется массивы  в виде баз данных результатов сравнения  или  – БД-2, которые служат предметом дальнейшего анализа. 

Анализ БД-2 проводится с целью выработки правильного диагностического решения о принадлежности теста одному из эталонов. Это задача распознавания. Сложность этой процедуры состоит в изначальной неопределенности выбора критериев, например, интегральная оценка:

,                                        (27)

где - идентификационный параметр - коэффициент вариабельности; - количество оценок идентификационных параметров всех функций и приращений.

Алгоритмическая классификация периодических и случайных сигналов

Данный метод позволяет сортировать реализации внешних периодических и случайных сигналов по трем направлениям: периодические произвольной формы,  случайные сигналы с ограниченными распределениями и случайные сигналы с неограниченными распределениями.

Для решения задачи классификации необходимо сформировать соответствующую реляционную базу данных в виде комплексной (лингвистической и числовой) матрицы.

,                     (28)

где  - столбец матрицы – поле названий файлов эталонных сигналов: периодических, случайных и смесей; - столбец – поле типов сигналов (- случайный, - смесь двух случайных,  - смесь периодического и случайного, - периодический); ,   - столбец – поля идентификационных параметров РМЗ и РВИ.

Эталонные сигналы типа смесей создаются выбором различных сочетаний видов периодических и случайных сигналов. Для каждого такого сочетания генерируется целый ряд реализаций, отличающихся интенсивностью или мощностью выбранных компонент. Определяются идентификационные параметры  и  сформировавшейся базы данных идентификационных параметров сигналов. В соответствии с алгоритмом, основанным на логических операциях сравнения идентификационных параметров тестируемого сигнала с эталонами, решается задача фильтрации периодических и случайных сигналов.

Табличная классификация сигналов

Данный метод классификации является дальнейшим развитием идеи векторных идентификационных измерений.  Его применение позволяет визуализировать скрытые закономерности связи между сигналами. Для решения задачи классификации необходимо сформировать соответствующую реляционную БД эталонов в виде комплексной (лингвистической и числовой) матрицы:

,               (29)

где  - строки – записи диапазонов идентификационного параметра, характеризующего РВИ;  - границы диапазона строки - записи;  - столбцы – поля в виде диапазонов идентификационного параметра, характеризующего РВЗ;  - границы диапазона столбца - поля;  - результаты измерения смеси сигналов.

Для аналитического расчета взаимодействия компонент сигнала формируется идентификационная математическая модель в виде

 .                                                                          (30)

Определяются идентификационные параметры РВИ  и РМЗ  тестируемого (измерительного) сигнала и принадлежность ячейке эталонов:

Если  и , то .                   (31)

Если имя исследуемого сигнала попадает в пустую ячейку, то это говорит о том, что модель входного сигнала отличается от других моделей, представленных в таблице. В этом случае можно оценить модель входного сигнала  путем интерполяции. Результат интерполяции зависит от того, как далеко (близко) ячейка с именем входного сигнала находится от ячеек с именами эталонов.

Метод классификационных деревьев сигналов

 Алгоритм составления позиционного и лингвистического кодов

Формируется массив , в котором упорядочиваются в отсутствии тестируемого сигнала, например по убыванию, идентификационные параметры системы N объектов-эталонов, с запоминанием индивидуального порядкового номера расположения в списке – первоначальный позиционный код (ПК) эталонов; соответствующие им имена формируют лингвистический код ЛК)

, ,                   (32)

                 .

Определяется идентификационное значение исследуемого сигнала , под действием которого формируется массив  с  разупорядоченной системой объектов-эталонов

, .         (33)

Запускается процедура поточечного вычисления разностей  идентификационных параметров сигнала и объектов-эталонов, его среднего отклонения  и формируется матрица , включающая полученные разности. Полученные разности сортируются для получения позиционного кода по критерию в виде оптимизационной процедуры

                                                 (34)

или

                         Если , то - старший разряд;

                        Если , то - младший разряд.

Формируются позиционный и лингвистические коды по правилу: новый порядок следования объектов-эталонов отображает классификационную структуру анализируемого сигнала: номера позиций образуют позиционный код, а соответствующие им имена объектов-эталонов – лингвистический код входного сигнала. Если два и более сигналов имеют одинаковые позиционные или лингвистические коды, то они находятся в одном классе, то, согласно гипотезе компактности, принятой в теории распознавания образов, можно утверждать (с определенной долей вероятности), что они в чем-то похожи.

Исходя из предположения, что разряды ПК являются потенциальными узлами ветвления, то для графического представления и наглядной интерпретации распознавания автор в работе предлагает построение классификационных деревьев сигналов.

 Идентификационные измерения структуры классификационных деревьев

Наиболее важным свойством идентификационных деревьев, рассматриваемых в предлагаемой методологии, является их измеримость, т.е. количественная оценка структуры.  Автором предложено измерение дерева в виде компонент некоторого структурного (классификационного)  вектора прямого и обратного деревьев

,                                     (35)

где  - расстояние по горизонтали - удаленность (близость) прямого дерева;  - расстояние по горизонтали - удаленность (близость) обратного дерева;  - расстояние по вертикали - общность (вложенность) прямого дерева;  - расстояние по вертикали - общность (вложенность) обратного дерева.

Алгоритм построения дерева сигналов

Для более эффективного распознавания сигналов автором предложен алгоритм построения совместного дерева сигналов всех измеренных характеристик сигнала: входом дерева является имя сигнала, а выходами – имена характеристик сигнала. Его суть сводится к определению с помощью средств идентификационных измерений ПК и ЛК основных характеристик сигнала и их приращений., которые сводятся в таблицу. Далее по ЛК строятся прямое и обратное деревья, для которых определяются коэффициент общности (35) как параметр связи между характеристиками сигнала.

Метод сортировки по назначенным классам

База эталонов разбивается на определенное количество классов в виде реляционной базы данных - лингвистической и числовой матрицы эталонов

,     (36)

где - количество идентификационных параметров; - количество классов.

По каждому классу идентификационного параметра определяются диапазоны принадлежности

.                                             (37)

Определяются идентификационные значения сигнала и формируется массив идентификационных значений  

.                                                 (38)

Определяется значение принадлежности по факту его попадания в диапазон класса по идентификационному параметру , и формируется таблица принадлежности идентификационных параметров исследуемого сигнала назначенным классам в виде лингвистической и числовой матрицы. Распознавание формируется на основе анализа выходного кода (), получаемого путем логического перемножения значений принадлежности для каждого класса по всем выбранным идентификационным параметрам.

Шестая глава. Аппаратно-программная реализация методологии идентификационных измерений сигналов.

В данном разделе описаны принцип действия, технические характеристики и особенности эксплуатации программного комплекса «Анализатор сигналов», написанный на языке Delphi и представляющий собой интегрированную среду по классификации и распознаванию выборочных реализаций сигналов на основе предложенной автором методологии идентификационных измерений сигналов. Структура среды в основном соответствует структуре идентификационной шкалы (рис.2).

Далее рассматриваются примеры, иллюстрирующие возможности применения методологии идентификационных измерений сигналов  для решения научно-технических задач по автоматизации и управлению технологическими объектами и процессами.

В автоматизированной системе управления подъемно-поворотным устройством ППУ-6, выполненной для АО «ЗИКСТО» (гетропавловск) в рамках НИОКР «Разработка и создание высокоточной системы управления подъемно-поворотным устройством исследовательской приемно – излучающей гидроакустической аппаратуры» по заданию Ичанского института измерительной техники (КНР), предложено использование в контуре управления трех идентичных корректирующих устройств. Для обеспечения высокоточного позиционирования алгоритм работы каждого характеризуется внесением коррекций и изменений некоторых параметров закона управления по результатам обработки сигналов, отражающих реакцию объекта на управляющие воздействия,  согласно методологии идентификационных измерений сигналов.

В автоматизированной системе управления гальваническим производством, созданной в рамках выполнения НИР по гранту фонда науки МОН РК «Разработка и внедрение автоматизированной системы управления гальваническим производством» (рег. № 742 от 20.06.2005г.), для обеспечения качественного управления автором предложено введение в основной технологический процесс  компьютерной измерительной системы с алгоритмом обработки измерительных сигналов. Разработанная система внедрена на ОАО ПЗТМ и обеспечивает высокоточное определение концентрации веществ в электролитах в условиях сильного влияния помех. Встроенный в систему алгоритм базируется на методологии идентификационных измерений сигналов, в соответствии с которым случайный измерительный процесс оценивается средним параметром, зависящим от измеренной формы распределения случайного сигнала.

В автоматизированной системе вибродиагностики редукторов средней мощности типа РЧ-120 коробки перемены передачи подъемного агрегата для ремонта нефтяных и газовых скважин АПРС-40, наряду с аппаратными блоками (датчик, измерительный и аналого-цифровой преобразователи, персональный компьютер), основным элементом является также виртуальный прибор. Его основные процедуры обработки информации по классификации и распознаванию сигналов с целью диагностики в среде LabVIEW7.1  и с применением программного анализатора позволяют определить ряд дефектов (механическое ослабление, эксцентриситет шестерни и расцентровка с приводом редукторов).

   

ЗАКЛЮЧЕНИЕ

Краткие выводы по результатам диссертационных исследований. Подводя итог выполненной работы, можно сформулировать следующие основные результаты и выводы.

1. Поставленные в работе цели достигнуты. В диссертации обобщены и представлены материалы научных исследований, связанных со становлением нового направления в теории и технологиях измерений. Содержанием этого направления является решение проблемы измеримости формы сигналов и их характеристик в интеллектуальных автоматизированных системах управления технологическими процессами. Указанную проблему можно рассматривать с различных точек зрения: концептуальной (идеологической), теоретической, технологической и прикладной.

2. Сформулированы теоретические основы и система понятий, относящихся к области идентификационных измерений сигналов.

3. Разработана особая структура идентификационной шкалы, объединившая технологии измерения и технологии баз данных. 

4. Предложено математическое и компьютерное моделирование инструментов ─ средств автоматизации идентификационных измерений и преобразований распределения мгновенных значений и распределения временных интервалов случайных и периодических сигналов.

5. Впервые разработаны концепция и методика классификации и распознавания сигналов на основе векторных идентификационных измерений и анализа комплексных (временной, корреляционной, вероятностной и спектральной) характеристик сигнала.

6. На основании комплексного исследования эволюционных идентификационных характеристик бинарных смесей сигналов предложена методика, позволившая заменять действия случайных сигналов действиями периодических и наоборот.

7. Формализованы и исследованы эффективные методики и алгоритмы идентификационных измерений и классификации сигналов и их характеристик (алгоритмическая, табличная, на основе составления классификационных деревьев, сортировки по назначенным классам).

8. Разработаны технологии, позволяющие измерять форму распределений мгновенных значений и распределений временных интервалов периодических и случайных сигналов, способы измерения и уменьшения их нелинейных искажений.

9. Предложена обобщенная структура для решения задач классификации и распознавания сигналов как конструктивной совокупности средств идентификационных измерений и реляционной базы данных.

10. Предложены технологии решения задач классификации и распознавания образов в структуре базы данных периодических, случайных сигналов и их смесей.

11. Разработана методика измерений случайных процессов и сигналов как измерений степени неупорядоченности внутренних глобальных эталонов.

12. Разработаны метод и алгоритм позиционного и лингвистического кодирования измерительных и управляющих сигналов в автоматизированных системах управления.

13. Предложены методика и алгоритмы фильтрации, сортировки, обработки и форматирования комплексных (числовых и лингвистических) переменных в структуре базы банных.

14. На базе полученных научно-теоретических результатов разработаны, апробированы и внедрены:

а) метод и закон управления подъемно-поворотным устройством в условиях влияния гидродинамической среды;

б) метод и алгоритм точного определения концентрации веществ в гальваническом производстве;

в) метод и алгоритм диагностики червячных редукторов средней мощности аппаратуры по ремонту скважин;

г) программный комплекс «Анализатор сигналов», предоставляющий пользователю целый набор инженерных технологий классификации и распознавания сигналов. 

Оценка полноты решений поставленных задач. Поставленные в диссертационной работе задачи решены в полном объеме. Созданы научно-теоретические основы идентификационных измерений. Теоретический уровень решения проблемы измеримости формы сигналов рассмотрен в работе в достаточно общем виде – как условие постоянства формы сигнала, а следовательно, и ее отображения (числа) при изменении масштабов по оси времени и амплитуд. Данный уровень отображается с помощью принципов инвариантности, эквивалентности и согласованной упорядоченности.

Пример и аналогию подобного отображения автор нашел в теории фракталов, а именно в понятии фрактальной размерности. Фрактальная размерность является числовым интегральным показателем степени сложности структуры как природных, так и искусственных объектов. Для фрактальных структур выполняется условие масштабной инвариантности и самоподобия, что и требуется в случае измерения формы сигналов. Создание математической теории идентификационных измерений является целью дальнейших теоретических исследований.

Однако непосредственный перенос фрактальных моделей на классы периодических, случайных стационарных сигналов и их смесей по ряду причин оказался неэффективным.  Поэтому  основной объем исследований пришелся на технологический уровень, на котором были разработаны средства идентификационных измерений (тестеры, конвертеры, трансдьюсеры, генераторы и др.) сигналов и определены их характеристики. Был предложен ряд методов измерения и классификации сигналов, которые могут использоваться при решении прикладных задач. Существенное внимание уделено развитию таких идентификационных технологий, которые связаны с построением классификационных деревьев, отличающихся полной структурной упорядоченностью.  В связи с этим предложена новая модель трактовки понятия измерения – как процедуры, ведущей к разупорядочению внутренней системы эталонов.

Прикладной аспект измеримости формы сигналов в диссертации нашел достаточное отражение. Особенностью структуры идентификационных измерений является участие специалиста в некоторой предметной области как эксперта, управляющего базой данных эталонных сигналов. Только эксперт может сформировать «правильный» алгоритм управления БД в режиме распознавания реальных сигналов и оценить достоверность принимаемых решений. Работа с экспертами будет составлять содержание дальнейших исследований прикладного применения. В диссертации имеется достаточно примеров решения некоторых типовых задач распознавания в автоматизированных системах управления.

Оценка рекомендаций по перспективному использованию. Использование научных и практических результатов диссертационной работы связано с созданием и использованием интеллектуальных систем управления, измерения, контроля и диагностики.

Распространение методологии измерения на решение задач распознавания образов, основанное на измеримости формы сигналов, позволяет, кроме всего прочего, формировать различные технологии поверки и аттестации виртуальных средств идентификационных измерений. Таким образом, создаются условия для промышленной стандартизации интеллектуальных систем распознавания образов.

Автор надеется, что обобщение и систематизация материалов исследований в области методов и средств автоматизации идентификационных измерений, проведенные в диссертации, будут способствовать становлению и развитию новых интеллектуальных технологий обработки информации, распознавания, автоматизации и управления технологическими процессами.

список опубликованных работ по теме диссертации

1.       Авдеев В.Н., Кошеков К.Т. Комплексная система мониторинга высокоточного подъёмно-поворотного устройства ППУ – 6.//Материалы Международной научно-практической конференции «Десятилетие суверенного Казахстана: история  и перспективы развития». – Петропавловск: СКГУ, 2002, Т.III. – С.228 – 233.

2.       Ивель В.П., Кошеков К.Т., Тукачев А.А. Параметрическая идентификация низкочастотных объектов в среде Matlab.//Вестник Национальной инженерной академии Республики Казахстан. - 2004. - №3 (13). – С. 54 – 61.

3.       Авдеев В.Н., Кошеков К.Т. Система высокоточного позиционирования гидродинамического многомерного объекта при вертикальном перемещении.//Материалы Международной научно-практической конференции «Актуальные проблемы высшей школы в третьем тысячелетии». – Петропавловск, 2002. - Т.III. – С.66 – 70.

4.       Авдеев В.Н., Кошеков К.Т. Применение закона управления по ускорению для процесса высокоточного позиционирования гидродинамического объекта.//Поиск – Ізденіс. Серия естественных и технических наук. – 2004. - №1.  – С. 232 – 239.

5.       Кликушин Ю.Н., Кошеков К.Т. Законы эволюции аддитивной смеси сигнал-шум.//Материалы Vй Международной научно-практической конференции «Динамика систем, механизмов и машин». – Омск, 2004 – С.380 – 383.

6.       Ахметжанов М.С., Кликушин Ю.Н., Кошеков К.Т. Новая технология распознавания сигналов.//Материалы Международной научно-практической конференции «Современные исследования в астрофизике и физико-математических науках». - Петропавловск, 2004. – С. 219 - 224.

7.       Кошеков К.Т. Уточнение положения точек отметок идентификационной шкалы.//Материалы Международной научно-практической конференции «Современные исследования в астрофизике и физико-математических науках». - Петропавловск, 2004. – С. 224 - 229.

8.       Ивель В.П., Герасимова Ю.В., Кошеков К.Т. Применение системы Matlab для моделирования морфологических элементов ЭКГ.//Межвузовский вестник. – Петропавловск, 2004.  – С. 314 – 318. 

9.       Кликушин Ю.Н., Кошеков К.Т. Идентификация и моделирование сигналов по измерениям их распределений вероятности.//Материалы Международной научно-практической конференции «Научное наследие Е.Букетова». - Петропавловск, 2005. – С. 41 – 45.

10.    Кликушин Ю.Н., Крашевская Т.И., Кошеков К.Т. Особенности поведения бинарных смесей случайных сигналов.//Вестник Национальной инженерной академии Республики Казахстан. – 2005. - №1 (15). – С. 21 –  27.

11.    Кликушин Ю.Н., Кошеков К.Т. Исследование эволюции бинарных смесей сигналов.//Вестник казахского национального университета имль–Фараби. Серия «Математика, механика, информатика». –  2005 - №1 (44). – С. 88 – 93. 

12.    Кликушин Ю.Н., Кошеков К.Т. Модели эволюции аддитивной смеси сигнал-шум.//Вестник казахского национального университета имль–Фараби. Серия «Математика, механика, информатика». –  2005 - №1 (44). – С. 94  – 100. 

13.    Кликушин Ю.Н., Кошеков К.Т., Рожкова Н.О. Метод и средства моделирования идентификационных шкал.//Труды Карагандинского государственного технического университета. – 2005. – № 1 (18) – С. 67 - 72.

14.    Кошеков К.Т. Технологии LabVIEW в проведении научных исследований.//Материалы международной научно-практической конференции «Инновационные технологии в образовании и науке». - Петропавловск, 2005.- Том 2. – С. 35 - 38. 

15.    Кликушин Ю.Н., Кошеков К.Т. Метод и прибор для измерения отношения сигнал/шум.//Вестник Национальной инженерной академии Республики Казахстан. – 2005. - №2 (16). – С. 56 –  59.

16.    Кошеков К.Т. Метод идентификации случайных сигналов в автоматических системах регулирования энергоблоков.//Вестник Павлодарского государственного университета им. С.Торайгырова. Серия энергетическая. –  2005. – № 1. – С. 87 - 95.

17.    Кликушин Ю.Н., Кошеков К.Т. Идентификация и моделирование случайных сигналов.//Поиск – Ізденіс. Серия естественных и технических наук. – 2005. - №3.  – С. 312 – 315.

18.    Кликушин Ю.Н., Кошеков К.Т. Измерение и моделирование идентификационных характеристик сигналов и систем.//Сборник тезисов докладов научной практической конференции «Проблемы развития энергетики и телекоммуникаций в свете стратегии индустриально-инновационного развития Казахстана». – Алматы, 2005. – С. 79.  

19.    Кошеков К.Т. Векторная модель описания поведения бинарных смесей сигналов.//Сборник тезисов докладов научной практической конференции «Проблемы развития энергетики и телекоммуникаций в свете стратегии индустриально-инновационного развития Казахстана». – Алматы, 2005. – С. 80.

20.    Кошеков К.Т., Мухамадеева Р.М. Комплексное решение автоматизации промышленных предприятий.//Вестник Северо-Казахстанского государственного университета им. М.Козыбаева. –  2004. - №14. – С. 213 - 216.

21.    Кликушин Ю.Н., Кошеков К.Т. Метод и прибор для исследования особенностей эволюции объектов.//Матepiaли Мiжнародноi науково - практичноi конференцii «Aктуальнi проблеми сучасних наук: теорiя та практика». – Днiпропетровськ, 2005.  Т.IX.. - С. 3 - 8.

22.    Кликушин Ю.Н., Кошеков К.Т. Технологии идентификационных шкал в системах технической диагностики.//Матepiaли Мiжнародноi науково - практичноi конференцii «Aктуальнi проблеми сучасних наук: теорiя та практика». – Днiпропетровськ, 2005.  Т.IX.. - С. 9 - 18.

23.    Кликушин Ю.Н., Кошеков К.Т., Рожкова Н.О. Технология синтеза испытательных сигналов с заданным распределением мгновенных значений.//Materials of international scientifical - practical conference «The science: theory and practice». - Volume 26 Engineering science. - Prague, 2005. – С. 23 - 26.

24.    Кошеков К.Т. Метод синтеза испытательных сигналов с заданным распределением мгновенных значений.//Вестник Казахского национального технического университета им. К.И. Сатпаева. – 2005. – № 5 (49). – С. 136 - 141.

25.   Кликушин Ю.Н., Кошеков К.Т. Идентификационная шкала, разделяющая случайные и периодические сигналы.//Вестник Восточно-Казахстанского государственного технического университета им. Д. Серикбаева. –  2005. – № 4 (30). – С. 34 - 39.

26.   Кликушин Ю.Н., Кошеков К.Т. Идентификационная шкала распределений как аналог таблицы химических элементов.//Омский научный вестник. Серия «Радиоэлектроника и связь». – 2005. - № 4 (33). – С. 160 – 163.

27.   Кликушин Ю.Н., Кошеков К.Т. Влияние механизма смешивания компонент на эволюцию смеси сигнал-шум.//Вестник Евразийского национального университета им. Л.Н. Гумилева.– 2005. – № 2 (42). –  С. 107 - 112.

28.   Кликушин Ю.Н., Кошеков К.Т., Яшкин Е.Н. Идентификационная шкала сигналов.//Вестник Северо-Казахстанского государственного университета им. М.Козыбаева. –  2006. - № 1 (16). – С. 267 - 273.

29.   Кошеков К.Т. Технология виртуальных приборов в задаче синтеза испытательных сигналов с заданным распределением мгновенных значений.//Материалы Международной научно - практической конференции «Инновационные технологии в совершенствовании подготовки инженерных и научных кадров». – Тараз, 2006. – С. 260 – 264. 

30.   Кошеков К.Т. Модель роста популяции в задачах классификации и идентификации диагностических сигналов.//Вестник Карагандинского государственного университета. Серия «Математика». – 2006. - № 1 (41). – С. 42 – 48.

31.   Кошеков К.Т. Аналогия идентификационной сигнальной шкалы распределений и таблицы химических элементов.//Вестник Карагандинского государственного университета. Серия «Математика». – 2006. - № 1 (41). – С. 48 – 53.

32.   Кошеков К.Т. Методы и средства измерения электрических величин. Учебное пособие.  – Петропавловск: Изд-во СКГУ им. М.Козыбаева, 2006. – 155 с.

33.   Кликушин Ю.Н., Кошеков К.Т. Алгоритм классификации сигналов автоматизированных систем.//Сборник трудов XIII-й Международной научно – технической конференции «Машиностроение и техносфера XXI века». – Донецк, 2006. – Т. 2. -  С. 163    167.

34.   Кликушин Ю.Н., Кошеков К.Т. Методы и средства идентификационных измерений сигналов. Монография.  – Петропавловск: Изд-во СКГУ им. М.Козыбаева, 2007. – 186 с.

35.   Кликушин Ю.Н., Кошеков К.Т. Виртуальный прибор для анализа смеси случайных сигналов.//Свидетельство ОФАП, госег.№50200401161, Мин-во образования и науки РФ.-  Москва: 2004. – 8 с.

36.    Кликушин Ю.Н., Кошеков К.Т. Виртуальный прибор для моделирования смесей случайных сигналов.//Свидетельство ОФАП, госег.№50200401160, Мин-во образования и науки РФ.- Москва: 2004. – 6 с.

37.   Кликушин Ю.Н., Кошеков К.Т. Виртуальный прибор для исследования эволюции смеси сигнал-шум.//Свидетельство ОФАП, госег.№50200401069 , Мин-во образования и науки РФ. – Москва: 2004. – 16 с.

38.   Кликушин Ю.Н., Кошеков К.Т. Идентификационный компаратор.//Свидетельство ОФАП, госег.№50200700375, Мин-во образования и науки РФ. – Москва: 2007. – 12 с.

39.   Кликушин Ю.Н., Кошеков К.Т. Классификатор сигналов. – Журнал Радиоэлектроники – М.: Изд-во ИРЭ РАН, № 10 (октябрь), 2007. -10 с.: http\\jre.cplire.ru

40.   Klikushin Y.N., Koshekov K.T. New technology for signals recognition.//Proceedings III International Conference Strategy of Quality in Industry and Education. – Varna, Bulgaria, 2007. – V.2. – C. 503 – 505.

41.    Кликушин Ю.Н., Кошеков К.Т., Кошекова Б.В. Компьютерное моделирование средств идентификационных измерений сигналов.//Материалы Международной конференции «Теория функций и вычислительные методы». – Астана, 2007. – С. 123 – 126.

42.    Кликушин Ю.Н., Кошеков К.Т. Принципы построения средств идентификационных измерений сигналов. – Омский Научный Вестник. Серия: Приборы, машины и технологии. – Изд-во ОмГТУ, № 1(52), 2007.- с.85-89.

43.   Кликушин Ю.Н., Кошеков К.Т. Классификатор сигналов.//Свидетельство ОФАП, госег.№50200702325 , Мин-во образования и науки РФ.- Москва: 2007. – 12 с.

44.   Кошеков К.Т. Методология идентификационных измерений сигналов.//Вестник КазАТК. – Алматы. 2008 - №1 (50). – С. 144 – 149.

45.   Кликушин Ю.Н., Кошеков К.Т., Набиев Н.К. Программно-аппаратный комплекс диагностики редукторов.//Материалы Международной научно-практической  конференции «Наука и инновации на железнодорожном транспорте». -  Алматы: КазАТК, 2007 – Т.5, С.5– 8.

46.   Кошеков К.Т. Использование методологии идентификационных измерений  для диагностики подъемного агрегата АПРС-40.//Международный сборник научных трудов «Прогрессивные технологии и системы машиностроения». Донецк: ДонГУ. 2008 – Вып. 35. – С. 93 – 103.

47.   Кошеков К.Т., Кликушин Ю.Н., Кобенко В.Ю. Способ генерирования периодических сигналов. //Инновационный патент на изобретение № 20346. Опубл. 17.11.2008г.

48.    Кошеков К.Т., Кликушин Ю.Н., Кобенко В.Ю. Способ коррекции уровня нелинейных искажений сигналов.//Инновационный патент на изобретение № 20342. Опубл. 17.11.2008г.

49.   Кошеков К.Т. Идентификационный компаратор для установления степени эквивалентности сравниваемых сигналов.//Доклады ТУСУРа. – Томск. 2008 - №1 (17). – С. 79 – 83.

50.   Кошеков К.Т. Методика и алгоритм автоматической классификации сигналов.//Вестник СарГТУ. – Саратов. 2008 - №3 (34). – С. 70 – 75.

51.   Кошеков К.Т. Технологии векторных идентификационных шкал в методологии распознавания и классификации сигналов.//Известия ТПУ. – Томск. 2008 - №5, Том 312. – С.26 – 31.  

52.   Кликушин Ю.Н., Кошеков К.Т, Кошекова Б.В. Транслятор как универсальный инструмент идентификационных измерений.//Информационно-измерительные и управляющие системы. – М.: Изд-во «Радиотехника». 2008 - №9, Т. 6. – С.24-30. 

53.   Мутанов Г.М., Кликушин Ю.Н., Кошеков К.Т. Методология идентификационных измерений для решения задач классификации и распознавания сигналов.//Материалы Международной научно-практической  конференции «Роль университетов в создании инновационной экономики». -  Усть-Каменогорск: ВКГТУ им.Серикбаева, 2008 – Т.2, С.226 – 230.

54.   Мутанов Г.М., Кликушин Ю.Н., Кошеков К.Т. Метод определения концентрации веществ в электролитах гальванического производства.//Материалы IV-й Международной научно-практической  Интернет - конференции «Наука в информационном пространстве». -  Днепропетровск: ПДАБА, 2008 – , Т.2. – С.71-74.

55.   Мутанов Г.М., Кликушин Ю.Н., Кошеков К.Т. Метод и алгоритм определения концентрации веществ в электролитах в гальваническом производстве.//Материалы Международной научно-практической  конференции «Образование и наука 21 века». -  София: Бял Град – БГ ООД, 2008 – Т.11, С.12-15.

56.   Мутанов Г.М., Кликушин Ю.Н., Кошеков К.Т. Моделирование эволюционных идентификационных характеристик случайных сигналов.//Международный научно-технический журнал «Информационные технологии моделирования и управления». – Воронеж: Научная книга. 2008 – №7 (50), С.772-780.

57.   Мутанов Г.М., Кликушин Ю.Н., Кошеков К.Т. Управление подъемно-поворотным устройством в условиях влияния гидродинамической среды и нестационарных помех.//Вестник Восточно-Казахстанского государственного технического университета им. Д. Серикбаева. –  2008 - №4– С.66-69.

58.    Кликушин Ю.Н., Кошекова К.Т., Кошекова Б.В. Система автоматического регулирования формы сигнала.//Вестник Южно-Уральского государственного университета. Серия: Компьютерные технологии, управление, радиоэлектроника.– Челябинск.–2009.–№ 3(136)- С.83-85. 

 

 

 

 

 

 

 

 

 

 

 

Көшеков Қайрат Темірбайұлының «Автоматтандырылған жүйелерде ақпараттық белгілерді өлшеудің біртектілігінің теориялық негіздері, әдістері және құралдары» атты техника ғылымдарының докторы дәрежесіне ұсынылған 05.13.06 - Технология үрдістері мен өндірістерді автоматтандыру және басқару мамандығы бойынша ұсынылған диссертациясына

Түйінi

 

Тақырыптың өзіктілігі адам баласының күннен - күнге өсіп келе жатқан қажеттілігін орындауға интелектуалды жүйелерде жалпы есептердің әдістері мен алгоритмдерін танумен қатар оларды біртектілеуді жетілдіру тиімділігін анықтау болып табылады.

Жұмыстың идеясы өлшеу негізінде ақпараттық өлшегіш және кездейсоқ және айқын белгілерді, олардың сипаттамасын анықтау және біртектілеу әдістемесін жасау.

Машинажасау, медицина, технологиялық үрдістерді автоматтандыру салаларында қолданылатын кешендік әдістер, модельдер және интеллектуалды құралдар ұсынылған.

Жұмыстың мақсаты біртектіленген реттік шкалалар технологиясы негізінде белгілерді топтау және анықтау есептерін шығаруға арналған ғылыми- теориялық негіз жасау.

Мақсатқа жету үшін келесі мәселелер қажет:

1.   Белгілерді біртектіленген автоматтандырылған құрылымының және сипаттарының әдістерін, математикалық модельдерін жасау.

2.   Біртектіленген өлшеулерді жасау, зерттеу және әдістері мен алгоритмдерін талдау.

3.   Периодтық және кездейсоқ белгілерді өлшеудің технологиясын жасау, өлшеу әдістерін және сызықтық ауытқуларын азайту.

4.   Сүзгі модельдерінің көмегімен кездейсоқ белгілердің эволюциялық сипаттамаларын зерттеу және талдау, математикалық моделін жасау.

5.   Көтеру- бұрылу құрылымдарын басқару, гальваника өндірісінде заттық құрамын аңықтау, ұңғы жөндеуде орташа қуатты аппараттық червякті редукторын диагностау үшін алынған ғылыми - теориялық нәтижелерді пайдаланып, оны өндірісте сынау және енгізу.

Қорғауға ұсынылатын ғылыми жаңалық

1)   Сигналдарды өлшеу идентификациялық автоматтандыру саласына жататын теоретикалық негіздер мен түсінік жүйелері ұсынылған.

2)   Алғаш рет векторлы идентификациялық өлшеулер негізінде басқарушы және автоматтандырылған жүйедегі өлшеу сигналдарының концепциясы, және бөліну әдістемесі ұсынылған.

3)   Аналогияны қалыптастыру негізінде химиялық элементтер периодтық жүйелері және кездейсоқ сигналдарды бөлу идентификациялық шкалалары арасындағы автоматтандырылған идентификациялық өлшеулердің бөліну әдістері ұсынылған.

4)   Алғаш рет эквиваленттік тұжырымдар негізінде автоматтандырылған жүйеде алғашқы мәліметтерді қайта қарастыру барысында, кездейсоқ сигналдардың қимылын периодтық қимылмен және керісінше ауыстыруға мүмкіндік беретін сигналдардың сыңарлы мінездемесінің даму идентификациялары қолданылып зерттеледі.

5)   Ішкі глобалдық эталондарының ретті емес өлшеу жүйелері сияқты, кездейсоқ және өлшеулер мен сигналдар әдістемесі құрастырылды.

Қорғанысқа ұсынылатын ғылыми жайлар:

1)   Автоматтандырылған басқару жүелерінде алғашқы мәліметті қайта қарау үшін қажетті өлшеу технологиясы мен мәліметтер қорын технологиясын біріктірген единтификациялық шкаланың ерекше құрылымы құрыстырылған.

2)   G және K автоматизация құралдары, математикалық және компьютерлік модельдері және NF-NF және NF-K векторларының идентификациялық өлшемдері, мінездемелері ұсынылып зерттелді.

3)   Гидродинамикалық көтеру – бұрылу құрылғыларымен, орташа қуатты вибродиагностика редукторлары және гальваникалық өндіріс заттарының нақты концентрациясын анықтауды автоматтық басқарудың алгоритімі құрастырылған.

4)   Реляциондық мәлімет қоры мен идентификациалық өлшеу құрылғылары сияқты, бөліну және сигналдарды анықтау тапсырмаларын шешу үшін жалпыланған жүйелі сызба құрастырылған.

5)   Біртектіленген белгілерді өлшеудің автоматтандырылған құралдарының алгоритм құрастыруы жасалған және олардың сипатын зерттеу әдісі жасалған.

6)   Периодтық кездейсоқ белгілерді және олардың қоспаларының берілген құрылым базасында оларды танудың технологиясы ұсынылған.

7)   Автоматтандырылған жүейлерде өлшегіш және басқарғыш сигналдарды позициялық және лингвистикалық кодтаудың әдісі мен алгоритмі жасалған.

8)   Кешендік тұрақсыздарды базада (сандық және лингвистикалық) сүзудің, сараптаудың, өңдеудің әдісі ұсынылған.

     Практикалық мәні біртектіленген белгі өлшеулерінің сапасын жоғарылату тиімділігімен анықталады. Ол белгі түрін кең диапазонда өлшеуге, бақылауға мүмкіндік береді, сапаны ақпаратты алдын – ала тиімді өңдеу арқылы дәлдеп автоматттандырылған жүйелерде орындайды.

Алынған нәтижелердің анықтылығы негізделген формулаларды дәлелдегенде нақты математикалық аппаратты пайдаланумен бекітілген. Теориялық негізді жасағанда өлшеу теориясының аппараты, ықтималдылық теориясы, дәлемес жиындар теориясы,  математикалық санақ. жұмыстың орындалуы кешендік ақпараттық бұйым түрінде интеллектуалды талдауыш арқылы жасалды.

2006-2008 ж. талантты жас ғалымдарға арналған мемлекеттен бөлінген ғылыми стипендия түрінде гранттық қолдау арқылы жасалды. ПАМЗ ААҚ- да АПРС-40 ұңғы жөндеуге арналған көтергіш агрегатты өндіруде технологиялық үрдіске жұмыс нәтижелері енгізілді (Петропавл қ.), сонымен қатар (ҚХР) Ичан өлшеу техникасы институтының тапсырмасы бойынша «ЗИКСТО» АҚ-да ғылыми зерттеу және құрылымдық жұмыста қолданылды. ҚРБҒМ ғылыми қорының гранты бойынша ҒЗЖ-н жүргізуде жұмыс нәтижесі пайдаланылды және М.Қозыбаев атындағы СҚМУ оқу үрдісінде пайдаланылды.

Басылымы. Диссертация материалдары бойынша жалпы 58 жұмыс басылып шықты, олар зерттеудің негізгі нәтижелерін қамтиды. Олардың ішінде 9 мақала шетелдердің ғылыми баспаларында, 16 мақала  ҚР БжҒМ білім және ғылым саласын бақылайтын комитет ұсынған. Еңбек жинақтарында, тезистерде және халықаралық ғылыми-техникалық және ғылыми- практикалық  конференцияларда 23 мақала басылып шықты. РФ мемлекеттік тіркеу нөмірімен бекітілген 5 куәлік бар, және ҚР инновациялық 2 патенті бар.

 

 

 

 

 

 

 

 

THE SUMMARY

 

of dissertation of Koshekov Kairat Temirbaevich «Theoretical bases, methods and means of identification measurements signals of technological processes», represented to the competition of the scientific degree of Doctor of Technical Sciences on speciality 05.13.06- Automation and management of technological processes of manufacturings (by branches)

 

     The theme urgency is defined by necessity of constant perfection effective methods for the decision of a wide range of problems of methods and algorithms of recognition and identification in the intellectual systems arising from growing requirements of practice of the person.

     The idea of the work consists in creation of methodology of identification and recognition on the basis of form measurement and variability of the information measuring and operating casual and determined signals and their characteristics. The complex of methods, models and the intellectual tools are offered, allowing to use a wide spectrum of possibilities in the field of mechanical engineering, medicine, management automation of technological processes.

     The work purpose is creation of scientific-theoretical bases of identification measurements for solving problems of classification and signals recognition on the basis of technologies of serial identification scales.

For purpose achievement the solution of following problems is necessary:

1. Working out methodology, mathematical models of identification measurements of signals,

 structures and characteristics of automation means of identification measurements of signals.

2. Working out, research and the analysis of techniques and algorithms of identification measurements, transformations and signals recognition and their characteristics.

3. Working out of the technology, allowing to measure form and variability of periodic and casual signals, ways of measurements and reduction of their nonlinear distortions.

4. Research and the analysis of evolutionary characteristics of casual signals and working out of a method of their mathematical modeling by means of models of filters.

5. Working out, approbation and introduction on the basis of the received scientific-theoretical results of methods and algorithms of automated management by the podemno-rotary device, definitions of concentration of substances in galvanic manufacture, diagnostics of worm reductors of average capacity equipment on chinks repairing.

     The scientific novelty which is taken out on defence:

1) theoretical bases and system of concepts concerning to the area of automation identification measurements of signals, mathematical modeling, classification of the automated methods and means are offered;

2) the concept and a technique of classification and signal recognition on the basis of vector identification measurements and the analysis of  complex (time, correlation, probabilities and spectral) signal characteristics are developed for the first time;

3) automated classification methods of identification measurements on the basis of an analogy establishment between periodic system of chemical elements and an identification scale of distribution of casual signals are developed;

4) for the first time, proceeding from equivalence principles, evolutionary identification characteristics of binary mixes of signals which allowed to replace actions of casual signals by actions of periodic ones and back are established and in a complex investigated;

5) the measurement technique of casual and determination processes and signals as measurements of degree of disorder of internal global standards is developed.

     The scientific positions which are taken out on the defence:

1) the special structure of the identification scale which united measurement technologies and technology of databases for processing of primary information in automated management systems is developed;

2) mathematical and computer models and tools of automation G- and K- and vector NF-NF and NF-K of identification measurements and transmission, generation of signals and their characteristics are developed and investigated;

3) algorithms of automated management by the hydrodynamic podemno-rotary device, vibrodiagnostics of reducers of average capacity and exact definition of concentration of substances of galvanic manufacture are developed;

4) the generalised block diagramme is developed for the solution of classification and recognition of signals as constructive set of means of identification measurements and relational database;

5) algorithms of construction means of automation identification measurements of signals and a research technique of their characteristics are developed;

6) technologies of the solution of problems of classification and recognition of images in structure of a database of periodic, casual signals and their mixes are offered; 

7) the method and algorithm of item  and linguistic coding of measuring and operating signals in the automated systems is developed;

8) the technique and algorithms of a filtration, sorting, processing and formatting complex (numeral and linguistic) variables in database structure is offered.

     The practical importance is defined by effect of quality improvement of management in automated systems by way of accurate and effective primary processing of information on the basis of identification measurements of signals in the system of ordinal identification scale which allows  to measure and supervise forms of periodic signals in a wide range, levels of nonlinear distortions of signals and nonlinearity of characteristics, to form quantitative estimations of a qualitative condition of objects in a statics and dynamics.

     Work realization is carried out in the form of a complex of software products “Means of identification measurements of signals”, representing intellectual analyzers. Work is executed at a grant support in a kind of the state scientific grant for talented young scientists for 2006-2008. Results are introduced in technological process on manufacture of the elevating unit for repair of chinks APRS-40 on Open Society “PZTM” (Petropavlovsk), in the research and developmental work executed on the instructions of Ichan institute of the measuring technics (Peoples Republic of China) on joint-stock company “ZIKSTO”. Results of the work are used at performance SRW under the grant of fund of science MESS RK (per. №742 from 20.06.2005) and in educational process in SKSU of M.Kozybaeva.

     Publications. On dissertation materials it is published 58 works in total reflecting all basic results of researches. Among them 9 articles in foreign scientific editions, and 16 articles in the scientific magazines recommended by Committee under the control in an education sphere and science MESS RK. In collections of works, theses of reports and materials of the scientific international and technical and scientifically-practical conferences 23 articles are published. There are 5 certificates of software products with numbers of the registration in the Russian Federation and 2 innovative patents of RK     

 

 

Подписано в печать г.

Формат 60x84 1/16. Бумага типографская. Печать офсетная.

Объем 2.7 п.л. Тираж 100 экз. Заказ №.

ИТС СКГУ им. М.Козыбаева,

гетропавловск,  ул. Пушкина, 81