ПОИСК Статьи Рисунки Таблицы МЕТОДЫ РАСПОЗНАВАНИЯ ОБРАЗОВ В ОБНАРУЖЕНИИ И ДИАГНОСТИКЕ НЕПОЛАДОК из "Обнаружение и диагностика неполадок в химических и нефтехимических процессах" В этой главе мы рассматриваем обнаружение и диагностику неполадок как проблему распознавания образов. Сначала объясняется, что такое образ, затем описываются три общих метода для классификации и анализа образов 1) словари неполадок 2) кластерный анализ и 3) анализ шумов и вибраций. Каждый из указанных методов играет свою определенную роль при диагностировании неполадок, существенно отличаясь от тех методов, которые обсуждались в предыдущих главах. [c.221] Методы распознавания образов широко применяются для решения таких задач, как распознавание буквенно-цифровой информации, прогнозирование погоды, установление медицинских диагнозов, анализ звуковых записей и т. д. Важным свойством методов распознавания образов является то, что полное знание распределения вероятностей данных не требуется. Если в распоряжении имеется лишь небольшое количество измерений и поэтому нельзя определить значимые статистические распределения, то могут быть использованы непараметрические методы. [c.221] Что такое образ В повседневной речи мы используем это слово во многих значениях, например, характеризуя конструкцию или внешний вид изделия. Более полезным для наших целей является понимание его как расположения информации по определенной форме совместно с фактором копия или образец . Распознавание образов есть процесс установления вида или класса образа на основе определенных признаков образа. Два различных и хорошо отличимых метода распознавания образов 1) наложение на шаблон и 2) выделение признаков и классификация первый из них более прост, но редко используется для химико-технологических производств. [c.221] При тщательном изучении вопроса оказывается, что искусство человека распознавать образы включает в себя довольно сложную логику. Одна из причин сложности, создания компьютерных программ для распознавания образов состоит в трудности объяснения самим человеком этих мысленных операций. Человек, который описывает образ, часто не осознает основу применяемой им классификации. Если попросить человека назвать выявленный им образ, то он может указать примеры похожих образов, вместо того, чтобы перечислить его характерные признаки. Так, вынуждаемый ответить человек скажет, что он разглядел особый круг, потому что фигура напоминает круг. Другими словами, распознавание образов человеком — это последовательность опытов или обучение, и на вопрос о внутреннем содержании этого процесса он отвечает, что он накладывает новый образ на тот, который находится у него в сознании. Такая процедура, названная наложением на шаблон, состоит в сравнении выборки с рядом хранящихся прототипов. Машинные программы могут сравнить новый образец с хранящимся вариантом каждого альтернативного образа, и наиболее близкое совпадение (в соответствии с заранее выбранным критерием) выявляет класс данного образца. [c.222] Для примера рассмотрим рис. 6.1, на котором представлены И измерений температуры, давления и концентрации девяти компонентов. Концентрические окружности изображают величины нормализованных (по их стандартным отклонениям) измерений. На каждом рисунке показаны две фигуры (1) область, обведенная тонкой линией, представляет нормальную работу, в то время как толстыми линиями обозначены границы выборки, которая подлежит проверке (2). Очевидно, что существуют трудности при таком], наложении, однако могут быть подготовлены словари неполадок для распознавания образов с помощью электронно-вычислительной машины (см. раздел 6.2). [c.222] На втором этапе по результатам измерений вычисляются или из них выделяются характерные признаки, объединяемые в вектор признаков, называемый пространством признаков. Эти признаки могут быть определены либо непосредственно из измерений путем удаления лишних компонентов из X, либо путем проведения математических преобразований вектора или матрицы измеренных величин. Вектор в пространстве признаков У, соответствующий вектору измерений X, может быть определен как [ 1 У . .. с N . М. Признаки матрицы измерений находятся путем проведения преобразований над ней и выбора системы преобразованных компонентов матрицы, которые наилучшим образом характеризуют систему. Выбранные признаки всегда представляются в векторной форме. [c.223] Признаки в пространстве признаков должны лучше группироваться, чем измерения в пространстве измерений, и, возможно, образовать более простые решающие поверхности. По существу, процесс выделения признаков — это удерживание класса дискриминирующей информации и отсеивание класса бесполезной информации из системы измерений различных классов. Благодаря процессу выделения признаков, вышеупомянутая информация может быть определена из фигур, образуемых векторами признаков. [c.223] Энаков на один или более классов, после чего может быть проведен анализ неполадок. Простым примером может служить вектор признаков с двумя возможными образами 1) соответствующими нормальной работе 2) соответствующими ненормальной работе. Более полезным будет распознавание образов для обнаружения и диагностики неполадок на основе выборки, классифицируемой следующим образом нормальная работа, при наличии неполадок комбинация признаков 1, при наличии неполадок комбинация признаков 2 и т. д. Решающие правила могут быть выбраны априори или уста-новлены в ходе процесса обучения , как описано в разделах 6.3.3 и 6.4.3. Задача распознавания образов, следовательно, может рассматриваться как задача конструирования функций системы конечных векторов признаков различных классов, так чтобы функции разбивали пространство классификации на области, каждая из которых содержит признаки одного класса. При конструировании функций, называемых дискриминирующими функциями, система образов, для которых известна принадлежность к классам, используется для тренировки классификатора. Как только классификатор обучен, он становиться частью системы распознавания образов, которая тогда становится способной обрабатывать вводимые измерения неизвестного образа и классифицировать этот образ, относя его к одному или нескольким известным классам. [c.224] Что касается вида способа классификации образов, то может быть принят детерминистский или стохастический подход. В последнем случае основным предположением является то, что существует многопеременная функция плотности вероятности, которая характеризует каждый класс. Такие теоретические предпосылки ведут к диапазону стратегий классификации от случая полного знания распределений до полного их незнания, исключая те распределения, которые могут быть выведены из выборок (непараметрический случай). [c.225] Наиболее частые приложения распознавания образов для обнаружения и диагностики неполадок основаны на непараметрическом (со свободными распределениями) подходе к установлению стратегии классификации. В числе таких методов включают следующие. [c.225] Вернуться к основной статье