Байесовские модели принятия решений при управлении техническим обслуживанием по фактическому состоянию тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Шалашов, Иван Владимирович

• Шалашов, Иван Владимирович
• кандидат технических наук
• 2011

Оглавление диссертации кандидат технических наук Шалашов, Иван Владимирович

ВВЕДЕНИЕ.

1 МЕТОДЫ ОБЕСПЕЧЕНИЯ НАДЁЖНОСТИ ТЕХНИЧЕСКИХ СИСТЕМ.

1.1 Задачи контроля и поддержки технического состояния.

1.2 Техническое состояние и показатели качества функционирования.

1.3 Методы обеспечения эксплуатационной безотказности.

1.4 Диагностирование неисправностей технических систем.

1.5 Организация технического обслуживания и ремонта.

1.6 Виды технического обслуживания и ремонта систем.

1.6.1 Обслуживание оборудования после выхода его из строя.

1.6.2 Обслуживание оборудования по регламенту.

1.6.3 Обслуживание по фактическому техническому состоянию.

1.7 Проблема перехода к обслуживанию по фактическому состоянию.

2 ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ОБСЛУЖИВАНИЯ ПО ФАКТИЧЕСКОМУ СОСТОЯНИЮ.

2.1 Определение коэффициента готовности систем различной конфигурации

2.2 Обобщенная математическая модель эксплуатации.

2.3 Способ повышения эффективности обслуживания по фактическому состоянию на основе прогнозирования.

2.4 Схема системы технического обслуживания с прогнозированием.

2.5 Разработка критерия эффективности прогнозирования отказов.

2.5.1 Показатели.

2.5.2 Критерий эффективности прогнозирования отказов.

2.6 Принятие решений при прогнозировании отказов.

2.6.1 Правила принятия решений при прогнозировании отказов.

2.6.2 Анализ эффективности прогнозирования для случая гауссовских распределений.

3 ПРОЦЕДУРЫ ПРОГНОЗИРОВАНИЯ.

3.1 Прогнозирование состояния технических систем.

3.1.1 Задачи и цели прогнозирования.

3.1.2 Способы построения прогнозных моделей.

3.1.3 Задача синтеза прогностической модели.

3.1.4 Методы вероятностного прогнозирования.

3.2 Байесовский подход к прогнозированию.

3.2.1 Представление распределения вероятностей и вероятностный вывод в байесовских сетях.

3.2.2 Оценка параметров байесовских сетей.

3.2.3 Определение структуры байесовской сети.

3.3 Прогнозирование состояния дискретных стахостических систем на основе скрытых марковских моделей.

3.3.1 Процедуры прогнозирования и фильтрации.

3.3.2 Структурно-параметрическое обучение.

3.3.3 Моделирование процедур структурно-параметрического обучения

3.3.4 Моделирование процедур прогнозирования состояния системы.

4 ПРИНЯТИЕ РЕШЕНИЙ ПРИ ОПРЕДЕЛЕНИИ ПОРЯДКА ПРОВЕДЕНИЯ ТЕСТОВЫХ ПРОЦЕДУР.

4.1 Стоимость и ценность информации.

4.2 Стратегии, основанные на теории полезности.

4.3 Выбор порядка проведения тестовых процедур на основе сетей поддержки принятия решений.

5 ПРИМЕНЕНИЕ ПРОЦЕДУР ПРИНЯТИЯ РЕШЕНИЙ.

5.1 В системе мониторинга состояния газопровода.

5.2 В прогнозировании отказов вычислительных узлов.

5.3 В управлении рисками программных проектов.

5.3.1 В системе поддержки коллективного решения группы независимых экспертов «ВгзШпе2».

5.3.2 В управлении процессом рефакторинга кода.

Введение диссертации (часть автореферата) на тему «Байесовские модели принятия решений при управлении техническим обслуживанием по фактическому состоянию»

В настоящее время, наряду с традиционным методом обслуживания технических систем по регламенту, начинает применяться техническое обслуживание (ТО) по фактическому состоянию. Это позволяет сократить количество обслуживаний, число отказов и, как следствие, затраты на обслуживание.

Традиционно основой ТО по фактическому состоянию является техническое диагностирование. Также в настоящее время большое значение для повышения эффективности ТО по фактическому состоянию приобретает прогнозирование отказов объекта.

Результаты диагностирования и прогнозирования составляют основу для принятия решений о необходимости ТО, времени его проведения и объеме. Поэтому эффективность применения ТО по фактическому состоянию зависит от выбора стратегии диагностирования и прогнозирования. При прогнозировании технического состояния сложных систем находят применение вероятностные модели. Более того, учёт статистических неопределённостей, обусловленных ограниченностью объёма наблюдений, должен всегда сопровождать принятие решений относительно выработки корректирующих мероприятий по повышению надёжности.

Вопросы повышения эффективности технического обслуживания и ремонта (ТОИР) на основе прогнозирующих информационных систем рассмотрены в работах JI.H. Александровской, И.З. Аронова, В.И Круглова, И.А Буралёва, Б.И. Доценко, Н.Д. Богатова, а также в работах иностранных ученых F. Salfner, М. Malek, G. Bratnik, А. Kusz, А. Marciniak и др.

Работы отечественных ученых А.И. Галушкина, Д.В Гаскарова, С.Н. Васильева, С.И. Николенко, A.JI. Тулупьева, В.М. Гупала, М.А. Круп-ского, В.П. Савчука, А.Л. Тугучева и других отражают различные аспекты вероятностного моделирования систем, в том числе с помощью байесовских сетей.

Методы прогнозирования технического состояния на основе байесовской методологии рассмотрены в работах В.В. Глущенко, A.B. Назарова, Ю.С. Середы, а также в работах иностранных ученых L.R. Murphy, R. Rabiner, R. Katz, I. Csiszär и др.

Разработкой технологий принятия решений в различных прикладных аспектах занимались Д.П. Броварный, A.B. Сиротин, В.Н. Антонов, В.А. Терехов, И.Ю. Тюкин и др.

Однако направления разработки правил принятия оптимальных статистических решений об обнаружении прогнозируемых отказов и необходимости и порядке проведения диагностических процедур при управлении техническим обслуживанием по фактическому состоянию требуют дальнейшей разработки.

Таким образом, научная проблема диссертационного исследования — разработка модели принятия решений при управлении техническим обслуживанием по фактическому состоянию - актуальна.

Цель и задачи диссертационной работы

Цель работы заключается в разработке процедур поддержки принятия решений для повышения эффективности обслуживания технического объекта по его фактическому состоянию на основе прогнозирования отказов.

Указанная цель достигается решением следующих задач:

1. Провести анализ принципов обслуживания технических систем и моделей вероятностного описания состояния объекта.

2. Разработать критерий эффективности прогнозирования отказов при управлении техническим обслуживанием по фактическому состоянию.

3. Разработать оптимальное правило принятия решения относительно прогнозируемого отказа.

4. Разработать процедуры принятия рациональных решений о проведении тестов.

Методы исследования

В диссертационной работе использованы методы исследования, базирующиеся на теории вероятностей и математической статистики, теории принятия решений, включая байесовскую методологию, теории полезности, теории информации, теории надёжности, а также методах оптимизации и математического моделирования.

Научная новизна

1. Предложен новый критерий эффективности прогнозирования отказов технического объекта, представляющий выигрыш от реализуемых действий по предотвращению отказа.

2. В развитие байесовской методологии на основе предложенного критерия разработано оптимальное правило принятия решений относительно прогнозируемого отказа.

3. Разработаны новые процедуры принятия решений о проведении тестов с учётом ценности информации и стоимости диагностических процедур, основанные на вероятностной модели технического объекта, формализованной посредством байесовской сети.

Практическая значимость работы

Предложенные в диссертационной работе методы и процедуры поддержки принятия решений для управления обслуживанием технических объектов позволяют сократить время и стоимость ремонта, что способствует повышению эффективности функционирования технических систем.

Результаты диссертационной работы нашли применение в НИР, выполнявшихся в рамках ФЦНТП «Исследования и разработки по приоритетным направлениям развития науки и техники»:

• «Приобретение знаний и логический вывод в распределенных гибридных интеллектуальных системах» (государственный контракт № 02.442.11.7378, отчет о НИР инв. № 02200607048);

• «Разработка теории интеллектуальной обработки информации и автоматизированного управления сложными аппаратно-программными комплексами на основе нейросетевых технологий» (государственный контракт № 02.442.11.7378, отчет о НИР, инв. № 02200901018).

Разработан программный модуль, реализующий процедуры прогнозирования отказов и поддержки принятия решений. Получено свидетельство о государственной регистрации программы "Программный комплекс моделирования процедур нейросетевой классификации" №2008612308.

Разработанные в диссертационной работе теоретические решения и программное обеспечение представлены к внедрению в ОАО «Газпром» в рамках разработки общесистемных решений по обработке данных в интеллектуальной информационной системе комплексного мониторинга состояния магистрального газопровода (ИИС КМСГ).

Процедуры принятия решений с учётом ценности и стоимости информации и процедуры прогнозирования внедрены в процесс управления разработкой и тестирования программного обеспечения в ООО «Телека» (г. Нижний Новгород).

Часть материалов диссертационной работы использована в учебном процессе на кафедре «Электроника и сети ЭВМ» Нижегородского государственного технического университета им. P.E. Алексеева при проведении занятий для студентов и магистрантов, обучающихся по направлению 230200 «Информационные системы».

Апробация работы

Основные положения и результаты диссертационной работы докладывались на следующих научно-технических семинарах и конференциях:

1. Научно-технические семинары кафедры ЭСВМ 2006 — 2010 гг.;

2. 16-я Международная научно-практическая конференция по графическим информационным технологиям и системам - КОГРАФ (г. Нижний Новгород, 2006 г.);

3. Международные научно-технические конференции «Информационные системы и технологии» — ИСТ (г. Нижний Новгород, 2005 — 2009 гг.);

4. 10-я, 12 — 14-я Нижегородские сессии молодых ученых. Технические науки (г. Нижний Новгород, 2005, 2007 - 2009 гг.);

5. 6-я Международная конференция «Цифровая обработка сигналов и ее применение DSPA» (г. Москва, 2007 г.);

6. 13-я Всероссийская научно-техническая конференция «Информационные технологии в науке, проектировании и производстве» (г. Нижний Новгород, 2007 г.);

7. Всероссийская научно-техническая конференция «Нелинейная динамика в когнитивных исследованиях» (г. Нижний Новгород, 2009 г.).

Разработан проект системы управления и диагностики технологических процессов, который удостоен диплома в номинации «Создаём интеллектуальный капитал конкурса» на первом областном конкурсе молодёжных инновационных команд «Россия. Ответственность. Стратегия. Технологии».

Основные положения диссертационной работы, выносимые на защиту

1. Предложенный критерий показывает, во сколько раз изменяется готовность объекта при техническом обслуживании по фактическому состоянию на основе прогнозирования отказов.

2. Разработанное решающее правило позволяет повысить готовность технического объекта при обслуживании по фактическому состоянию на основе прогнозирования отказов.

3. Процедура принятия решений о проведении тестов позволяет проводить рациональный выбор диагностических процедур.

Публикации

Основное содержание диссертации опубликовано в двух отчетах по НИР и в 26 печатных работах. Из них восемь статей в научно-технических журналах, 17 публикаций в сборниках трудов и материалов научно-технических конференций, в том числе Всероссийских и Международных, свидетельство Роспатент об официальной регистрации программы для ЭВМ.

Три статьи опубликованы в журналах «Автоматизация в промышленности» и «Информационно-измерительные и управляющие системы», которые входят в перечень изданий, рекомендованных ВАК для публикации результатов диссертационных работ. I

Структура и объем работы

Диссертационная работа состоит из введения, пяти глав, заключения, библиографического списка и пяти приложений. Общий объём работы составляет 147 е., включая 127 с. основного текста, 48 рисунков. Библиографический список содержит 97 наименований.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шалашов, Иван Владимирович

Выводы

Разработана и внедрена система поддержки коллективного решения группы независимых экспертов «Иг8Шпе2».

После введения в процесс анализа ошибок процедуры предварительного обсуждения потенциальных проблем в системе «Йгз1:1те2», отсев не относящихся к области кода проблем, а также поиск аналогичных проблем до написания реальной СЯ привели к тому, что почти 95% поступающих на рассмотрение СЯ доводится до стадии изменения кода.

За счёт сокращения количества операций дублирования, удаления и отправки проблем в другие команды реальная производительность инженера увеличилась с 0,75-1 до 1,5-2 СЯ в неделю.

5.2.2. В управлении процессом рефакторинга кода

Современные программные комплексы характеризуются высокой сложностью. В условиях, когда бюджет проекта не позволяет провести полное тестирование разрабатываемых программ, менеджеры проекта могут использовать прогнозирующие устройства, чтобы сфокусировать тестирование на тех файлах, которые наиболее вероятно подверженных отказу [2,4,6]. Потенциально опасные файлы могут быть тщательно проинспектированы, дополнительно протестированы или подвержены рефакторингу.

Рефакторинг - процесс изменения внутренней структуры программы, при котором функционирование самой программы не меняется, т.е. работа программы остается прежней. Рефакторинг служит не столько исправлению ошибок, сколько их предотвращению путём упрощения и улучшения логики взаимодействия ее внутренней структуры, действие и функциональность программы при этом не меняются.

Для апостериорного анализа главным образом используются показатели, характеризующие сложность файлов и функций содержащихся в них. Основная цель такого анализа - выявить наиболее критичные программные конструкции, которые являются потенциальными источниками ошибок и повышенных рисков на всех стадиях жизненного цикла программного проекта.

Рассмотрим программу в составе комплексного решения для определения функций, которые потенциально содержат ошибки и являются источниками дефектов программного обеспечения. В результате список функций, которые наиболее вероятно содержат ошибки, предоставляются менеджерам проекта для принятия решения о необходимости рефакторинга.

Исходные данные

На вход программы подаётся выборка, содержащая 38 атрибутов и один целевой атрибут, показывающий, содержит ли функция, описанная в файле, ошибку. Среди них метрики Холстеда, МакКейба, количество строк кода и другие (табл. 5.4).

ЗАКЛЮЧЕНИЕ

На основе общих тенденций развития метода обслуживания технических объектов по фактическому состоянию с использованием байесовских процедур поддержки принятия решений были предложены способы повышения эффективности функционирования объекта и сокращения затрат на его ремонт и обслуживание, базирующиеся на следующих основных результатах.

1. Проведён анализ принципов обслуживания и способов вероятностного описания состояния технических объектов.

2. Разработаны процедуры повышения эффективности технического обслуживания по фактическому состоянию на основе прогнозирования отказов.

3. Разработан критерий эффективности прогнозирования отказов технического объекта, на основе которого получено оптимальное решающее правило для обнаружения наступающего отказа.

4. Предложен способ принятия рациональных решений о проведении процедур технической диагностики и подготовки к ремонту.

5. Предложенные процедуры и алгоритмы планируются к внедрению в с4 г

ОАО Гипрогазцентр в рамках разработки общесистемных решений по обработке данных в интеллектуальной информационной системе комплексного мониторинга состояния магистрального газопровода (ИИС КМСГ).

В результате развития байесовской методологии синтезированы процедуры определения наиболее вероятной причины отказа при учете большого числа факторов, с привлечением эмпирических данных и экспертных оценок. При этом учитывается ценность и стоимость диагностической информации, что обеспечивает рациональный выбор проводимых тестовых процедур. Предложено применение прогнозирования в составе системы управления техническим состоянием для повышения готовности за счет действий по предотвращению отказов и подготовки к ремонту. Сформирован оригинальный способ определения эффективности прогнозирующего контроля для поддержки принятия решений по ТОиР. Получено выражение для показателя эффективности применения процедур прогнозирования технического состояния.

Сформировано решающее правило для обнаружения наступающего отказа при использовании которого не наблюдается снижения эффективности по отношению к системе ТОИР без прогнозирования технического состояния.

Приведены выражения для определения оптимального значения порога принятия решения для общего случая и случая нормального распределения наблюдаемой величины. Анализ эффективности прогнозирующего контроля позволяет определить область применимости выбранного метода упреждающего технического обслуживания, а также позволяет установить обоснованные требования к значениям параметров подсистем.

Применение системы управления на базе измеримых характеристик объекта [11,15] в полной мере справедливо и по отношению к программным проектам. Однако процесс создания ПО настолько многогранен и одновременно сложен для восприятия, что даже незначительные недостатки системы измерения неизбежно отразятся на качестве управления. Основу любой системы измерения составляют отдельные показатели, именуемые также метриками [11, 15]. Вычисление метрики в ходе реализации проекта (а при детальном проектировании оно возможно еще на этом этапе, не дожидаясь стадии кодирования) позволяет своевременно определить наиболее сложные, сопровождающиеся высокими рисками, структурные единицы и принять меры по устранению рисков за счет внесения коррективов.

Можно утверждать, что в настоящий момент существует весьма обширное число показателей, с помощью которых можно измерять множество различных аспектов создания программного обеспечения. Зачастую речь идет не о том, что одна метрика лучше другой. Все они позволяют посмотреть на один и тот же процесс под разными углами зрения, поэтому используются в комплексе, и только так могут служить отправной точкой для принятия объективных решений. Поскольку многие метрики достаточно сложны и трудоемки в вычислении, то для их расчета и последующего принятия решений разработано специальное ПО.

Список литературы диссертационного исследования кандидат технических наук Шалашов, Иван Владимирович, 2011 год

1. Assessing predictors of software defects / T. Menzies et al. // Proceedings workshop predictive software models. — 2004. Available from http://menzies.us/pdf/04psm.pdf

2. Cagatay C. Software fault prediction: a literature review and current trends / C. Cagatay // Expert Systems with Applications. 2011. — №4. - V.38. -P. 4626-4636.

3. Csiszar, I. The consistency of the BIC Markov order estimator /1. Csiszar, C. Shields // The annals of statistics. 2000. - № 6. - V.28 - P. 1601-1619.

4. Fenton, N.E. A critique of software defect prediction models / N.E. Fenton, M. Neil // IEEE Trans, on Software Eng. 1999. - №5 - V.25.— P.675 -689. Available from http://citeseer.nj.nec.com/fenton99critique.html

5. Friedman, N. The Bayesian structural EM algorithm / N. Friedman // Proceedings of the fourteenth conference on uncertainty in artificial intelligence San Francisco: Morgan Kaufmann, 1998. - P. 129- 138.

6. Ghahramani, Z. Propagation algorithms for variational Bayesian learning / Z. Ghahramani, M.J. Beal // Neural information processing systems. 2001. -№13.-P. 507-513.

7. Jiang, Y. Fault prediction using early lifecycle data / Y. Jiang, B. Cukic, T. Menzies // Proceedings of the 18th IEEE International symposium on software reliability (ISSRE '07). — Los Alamitos: IEEE Computer Society Press, 2007.-P. 237-246.

8. Kaszycki, G. Using process metrics to enhance software fault prediction models / G. Kaszycki // Proceedings of the 10th symposium on software reliability engineering (ISSRE 1999). Los Alamitos: IEEE Computer Society Press, 2007. - P. 164-173.

9. Katz, R. On some criteria for estimating the order of a Markov chain / R. W. Katz // Technometrics. 1981. - № 3. - V.23.- P.243 - 249.

10. Lahdesmaki, H. Learning the structure of dynamic Bayesian networks from time series and steady state measurements / H. Lahdesmaki, I. Shmulevich // Machine learning. 2008. - №2-3 - V.71. - P. 185-217.

11. McCabe, T. A Complexity measure / T. McCabe // IEEE transactions, software engineering. — 1976. — №4. V.2. — P. 308-320.

12. Available from http://www.literateprogramming.com/mccabe.pdf

13. Menzies, T. Data mining static code attributes to learn defect predictors / T. Menzies, J. Greenwald, A. Frank. // IEEE transactions on Software Engineering 2007. Available from http://menzies.us/pdf/061earnPredict.pdf

14. Rabiner, L. A tutorial on Hidden Markov Models and selected applications in speech recognition / L. R. Rabiner // Proceedings of the IEEE. — San Diego.TEEE, 1989. № 2. - V. 77 .- P. 257 - 285.

15. Salfner, F. Predicting failures of computer systems: a case study for a telecommunication system / F. Salfner, M. Schieschke, M. Malek // Proceedings of IEEE International parallel and distributed processing symposium (IPDPS 2006). 2006.

16. Available from www.cecs.uci.edu/~papers/ipdps06/pdfs/l 9-DPDNS-paper-l.pdf

17. Salfner, F. Predicting Failures with Hidden Markov Models / Proceedings of 5th European Dependable Computing Conference (EDCC-5). -Berlin:Springer, 2005. P. 41-46.

18. Salfner, F. Proactive fault handling for system availability enhancement / F. Salfner, M. Malek // Proceedings of the 19th IEEE International Parallel and Distributed Processing Symposium (IPDPS'05). — Berlin:Springer, 2005. -№ 16.-V. 17.-P. 281.

19. Weka software package. Available http://www.cs.waikato.ac.nz/ml/weka/

20. Witten I.H. Data Mining / I.H. Witten, E. Frank. — San Francisco: Morgan Kaufmann, 2005. — 525 p.

21. Александровская, JI.H. Теоретические основы испытаний и экспериментальная обработка сложных технических систем /

22. Л.Н. Александровская, В.И. Круглов. М.: Логос, 2003. - 542 с.

23. Алтунин, А.Е. Модели и алгоритмы принятия решений в нечетких условиях: монография. / А.Е. Алтунин, М.В. Семухин. Тюмень: Изд-во Тюмен. гос. ун-та, 2000. — 352 с.

24. Антонов, В.Н. Адаптивное управление в технических системах / В.Н. Антонов, В.А. Терехов, И.Ю. Тюкин СПб.:СПбУ, 2001.-244 с.

25. Баранов, В.Г. Анализ эффективности процедур технического обслуживания и ремонта на основе прогнозирования отказов /

26. B.Г. Баранов, В.Р. Милов, И.В. Шалашов // Системы обработки информации и управления: труды НГТУ / НГТУ. — Т. 76. Вып. 16.1. C. 72-76.

27. Баранов, В.Г. Процедуры вероятностной диагностики сложных систем /

28. B.Г. Баранов, В.Р. Милов, И.В. Шалашов // Информационные системы и технологии. ИСТ 2006: материалы Междунар. научно-технич. конф. -Н.Новгород: НГТУ, 2006. - С. 73 - 74.

29. Безопасность и надёжность технических систем / Л.Н. Александровская и др.. М.: Логос, 2008. - 376 с.

30. Броварный, Д.П. Определение порядка проведения дорожных работ на основе анализа развития дефектов дорожной инфраструктуры / Д.П. Броварный // Автоматизация в промышленности. 2009. - №3.1. C. 6-8.

31. Буралёв, А.И. Управление техническим состоянием динамических систем / А.И. Буралёв, А.И. Доценко, И.Е. Казаков М.: Машиностроение, 2005. - 240 с.

32. Васильев, С.Н. От классических задач регулирования к интеллектуальному управлению. I // Изв. АН РФ. Теория и системы управления. 2001. №1. - С. 5 - 22.136

33. Васильев, С.Н. От классических задач регулирования к интеллектуальному управлению. II // Изв. АН РФ. Теория и системы управления. 2001. №2. - С. 5 - 21.

34. Гаек, JI. Автоматическое образование гипотез / JI. Гаек, Т. Гавранек. -М.: Наука, 1983.-280 с.

35. Галушкин, А.И. Нейрокомпьютеры в авиации / А.И. Галушкин. -М.¡Радиотехника, 2004. 496 с.

36. Галушкин, А.И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае / А.И. Галушкин. М.:Горячая Линия - Телеком, 2004 г. - 464 с.

37. Гаскаров, Д.В. Интеллектуальные информационные системы / Д.В. Гаскаров. М.: Высш. шк., 2003. - 431 с.

38. Генкин, М.Д. Виброакустическая диагностика машин и механизмов / М.Д. Генкин, А.Г. Соколова. — М.: Машиностроение, 1987. — 282 с.

39. Глущенко, В.В. Прогнозирование / В.В. Глущенко. М.: Вузовская книга, 2000. - 208 с.

40. Гупал, В.М. Байесовская процедура распознавания как метод диагностики технических систем / В.М. Гупал, М.А. Крупский // Приборы и системы. Управление, Контроль, Диагностика. 2005. №3. -С. 56-61.

41. Джексон, П. Введение в экспертные системы / П. Джексон. М.: Вильяме, 2001. - 624 с.

42. Джонс, М.Т. Программирование искусственного интеллекта в приложениях / М.Т. Джонс. М.: ДМК Пресс, 2004. - 312 с.

43. Дианов В.Н. Диагностика и надёжность автоматических систем / В.Н. Дианов. М.: МГИУ, 2004. - 160 с.

44. Динамика неоднородных систем. Вып. 10 / Ю.С. Попков и др.. -М.: КомКнига, 2006. 264 с.

45. Доронин, В.А. Диагностика и прогноз технического состояния оборудования целлюлозно-бумажной промышленности в рыночных условиях / В.А. Доронин, Ю.А. Азовцев, Н.А.Баркова // Целлюлоза, бумага, картон. 1999. №5 - С. 39-43.

46. Евтушенко, Ю.Г. Методы решения экстремальных задач и их применения в системах оптимизации / Ю.Г. Евтушенко. — М.: Наука, 1982.-432 с.

47. Жданов, A.A. Автономный искусственный интеллект / A.A. Жданов. М.: Бином, 2008. - 359 с.

48. Иган, Дж. Теория обнаружения сигналов и анализ рабочих характеристик / Дж. Иган. М.: Наука, 1983. - 216 с.

49. Игнатьева, A.B. Исследование систем управления / A.B. Игнатьева, М.М. Максимцов. М.: ЮНИТИ-ДАНА, 2009. - 167 с.

50. Искусственный интеллект: в 3 кн. Кн. 2. Модели и методы: справочник; под ред. Д.А. Поспелова.- М.: Радио и связь, 1990. 304 с.

51. Карасёв, В.В. Идентификация логико-вероятностных моделей риска структурно-сложных систем с группами несовместимых событий /

52. B.В. Карасёв, Е.Д. Соложенцев // Автоматика и телемеханика. — 2002. — №3. С. 97-113.

53. Колесов, Ю.Б. Моделирование систем. Динамические и гибридные системы / Ю.Б. Колесов, Ю.Б. Сениченков СПб.: БХВ-Петербург, 2006.-224 с.

54. Лодон, Д. Управление информационными системами / Д. Лодон, К. Лодон. СПб.: Питер, 2005. - 928 с.

55. Лю, Б. Теория и практика неопределённого программирования / Б. Лю. — М.: Бином, 2005.-416 с.

56. Люггер, Д. Искусственный интеллект: стратегии и методы решения сложных проблем / Д. Люггер. М.: Вильяме, 2003. — 864 с.

57. Миллер, Б.М. Теория случайных процессов / Б.М. Миллер, А.Р. Панков М.: Физматлит, 2007. - 320 с.

58. Милов, В.Р. Процедуры прогнозирования и принятия решений в системе технического обслуживания и ремонта / В.Р. Милов, О.В. Крюков, И.В. Шалашов // Автоматизация в промышленности. 2010. №8.1. C. 47-49.

59. Москвин, Б.В. Теория принятия решений / Б.В. Москвин. — СПб.:ВКА им. А.Ф.Можайского, 2005. 383 с.

60. Муха, Ю.П. Нейросетевые измерительные системы. Диагностика состояния сложных объектов / Ю.П. Муха, М.Г.Скворцов — М.:

61. Радиотехника, 2007. — 336 с.

62. Надёжность технических систем и техногенный риск / В.А. Акимов и др.. — М.: Деловой экспресс, 2002. — 386 с.

63. Назаров, A.B. Нейросетевые алгоритмы прогнозирования и оптимизации и систем / A.B. Назаров, А.И. Лоскутов — М.: Наука и техника, 2004.-384 с.

64. Орлов, А.И. Теория принятия решений / А.И. Орлов. М.: Март, 2004. -656 с.

65. Пащенко, Ф.Ф. Методы и системы управления и идентификации на основе знаний / Ф.Ф. Пащенко, K.P. Чернышев // Автоматика и телемеханика. 2000. №2. С. 3 - 28.

66. Подиновский, В.В. Введение в теорию важности критериев в многокритериальных задачах принятия решений /В.В. Подиновский -М.: Физматлит, 2007. 164 с.

67. Применение байесовских сетей для поддержки принятия решений для управления техническим состоянием сложных систем / В.Г. Баранов и др. // Системы обработки информации и управления: труды НГТУ / НГТУ. 2007. - Т. 65. - Вып. 14. - С. 13.

68. Применение байесовской методологии для прогнозирования состояния дискретных стохастических систем в условиях неопределенности / В.Р. Милов и др. // Системы обработки информации и управления: труды НГТУ / НГТУ. 2009. - Т. 74. - Вып. 15. - С. 72-78.

69. Применение теории полезности для определения порядка диагностических процедур / В.Г. Баранов, и др. // Информационные системы и технологии. ИСТ 2007: материалы Междунар. научно-технич. конф. - Н.Новгород: НГТУ, 2007. - С. 108 - 109.

70. Прогнозирование состояния дискретных стохастических систем в условиях неопределенности на основе байесовской методологии / В.Г. Баранов и др. // Системы обработки информации и управления: труды НГТУ / НГТУ. 2010. - Т. 81. - Вып. 2. - С. 70-76.

71. Прогнозирование состояния технического объекта на основе скрытых марковских моделей / В.Р. Милов и др. // Информационные системы и технологии. ИСТ 2009: материалы Междунар. научно-технич. конф. -Н.Новгород: НГТУ, 2009. - С. 134.

72. Проект «Система управления и диагностики технологических процессов» / В.Р. Милов и др. // Информационные системы итехнологии. ИСТ 2008: материалы Междунар. научно-технич. конф. -Н.Новгород: НГТУ, 2008. - С.81-82.

73. Процедуры логико-вероятностного анализа в управлении качеством / В.Г. Баранов и др. // Информационные системы и технологии. ИСТ -2008: материалы Междунар. научно-технич. конф. Н.Новгород: НГТУ, 2008.- С.80-81.

74. Прочность и надёжность конструкций АЭС при экстремальных воздействиях / С.Е. Бугаенко и др. -М.: Энергоатомиздат, 2005

75. Рассел, С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг-М.: Вильяме, 2006. 1408 с.

76. Саати, ТЛ. Принятие решений при зависимостях и обратных связях: Аналитические сети / T.JI. Саати. М.: ЛКИ, 2008. - 360 с.

77. Савчук В.П. Байесовские методы статистического оценивания: Надежность технических объектов / В.П. Савчук — М.: Наука, 1989. — 328 с.

78. Северцев, H.A. Системный анализ и моделирование безопасности / H.A. Северцев, В.К. Дедков. — М.: Высш. шк., 2006. —462 с.

79. Седуш, В.Я. Управление техническим состоянием машин по результатам диагностирования. / В.Я. Седуш, В.А. Сидоров, Е.В. Ошовская // Металлургическая и горнорудная промышленность. -2000. №5. - С.86-88.

80. Середа, Ю.С. Основы диагностики и прогнозирования / Ю.С. Середа -Н.Новгород: Букинист, 2005 188 с.

81. Сидорова, Е.В. Анализ дерева отказов, как метод повышения надёжности / Е.В. Сидорова, И.В. Шалашов // Информационные системы и технологии. ИСТ -2005: материалы Всерос. научно-технич. конф. -Н. Новгород: НГТУ, 2006. С. 143.

82. Сидорова, Е.В. Определение эффективности сложной многоканальной системы с учётом надёжности / Е.В. Сидорова, И.В. Шалашов // Системы обработки информации и управления: труды НГТУ / НГТУ. — 2005. -Т. 60.-Вып. 10.-С. 37-45.

83. Синопальников, В.А. Надёжность и диагностика технологических систем / В.А. Синопальников, С.Н. Григорьев. М.: Высш. шк., 2005. - 343 с.

84. Система управления и диагностики технологических процессов / И.В. Шалашов, и др. // XIII Нижегородская сессия молодых учёных.

85. Технические науки: материалы докладов Н.Новгород: ИП Гладкова О.В., 2008. - С. 25.

86. Способ управления техническим состоянием на основе прогнозирования / В.Р. Милов и др. // Информационно-измерительные и управляющие системы. 2010. - № 2. - Т.8. - С. 35 - 38.

87. Тугучев АЛ. Байесовские сети доверия. Логико-вероятностный вывод в ациклических направленных графах / А.Л. Тугучев, A.B. Сиротин, С.И. Николенко. СПб.: Изд-во С.-Петерб. ун-та, 2009. - 400 с.

88. Хетагуров, Я.А. Проектирование автоматизированных систем обработки информации и управления / Я.А Хетагуров. М.: Высш. шк., 2006.-223 с.

89. Черноруцкий, И.Г. Методы принятия решений / И.Г. Черноруцкий — СПБ. БХВ-Петербург, 2005. 416 с.

90. Шалашов, И.В. Повышение эффективности технической диагностики на основе байесовских процедур поддержки принятия решений / И.В. Шалашов // Информационно-измерительные и управляющие системы. 2011. № 2. - С. 24-28.

91. Шалашов, И.В. Вероятностные процедуры принятия решений в системах управления техническим состоянием / И.В. Шалашов // XII Нижегородская сессия молодых учёных. Технические науки: тез. докл. -Н.Новгород: ИП Гладкова О.В., 2007. С. 11.

92. Шалашов, И.В. Исследование систем массового обслуживания с ожиданием / И.В. Шалашов / X Нижегородская сессия молодых учёных. Технические науки: тез. докл. — Н.Новгород: ИП Гладкова О.В., 2005. — С. 142-143.

93. Шалашов, И.В. Повышение эффективности ТОИР на основе прогнозирующих информационных систем / И.В. Шалашов, В.Р. Милов // Информационные системы и технологии. ИСТ — 2009: материалы Междунар. научно-технич. конф. Н.Новгород: НГТУ, 2009. — С. 137.

94. Шалашов, И.В. Построение моделей процессов обслуживания в системах подвижной связи / И.В. Шалашов // Информационные системыи технологии. ИСТ -2005: материалы Всерос. научно-технич. конф. -Н. Новгород: НГТУ, 2006. С. 45 -46.

95. Шалашов, И.В. Управление техническим состоянием сложных систем на основе обработки сигналов в сетях принятия решений / И.В. Шалашов // Цифровая обработка сигналов: материалы Междунар. научно-технич. конф. М.: ИПУ РАН, 2007. - С. 68-72.

96. Ящура, А.И. Система технического обслуживания оборудования / А.И. Ящура М.: НЦ ЭНАС, 2006. - 356 с.