Технология испытаний и прогнозирования технического состояния электронных средств судовых систем управления тема диссертации и автореферата по ВАК РФ 05.13.06, доктор технических наук Голоскоков, Константин Петрович

• Голоскоков, Константин Петрович
• доктор технических наук
• 2009

Оглавление диссертации доктор технических наук Голоскоков, Константин Петрович

ОГЛАВЛЕНИЕ.

ВВЕДЕНИЕ.

ГЛАВА 1. УПРАВЛЕНИЕ КАЧЕСТВОМ В ПРОЦЕССЕ ИСПЫТАНИЙ СРЕДСТВ СУДОВОЙ ЭЛЕКТРОННОЙ ТЕХНИКИ.

1.1. Формирование проектного качества продукции.

1:2. Экономико-математический статистический метод обеспечения качества FMEA - Анализ характера и последствий отказов.

1.3. Метод «6 Сигм» в реинжиниринге бизнес процессов».

1.4. Требования к испытаниям РЭА.

1.5. Ускоренные испытания - разновидность прогнозирующих испытаний.

1.6. Проблемы прогнозирования долговечности по результатам ускоренных испытаний, интенсивность отказов FIT.

1.7. Выводы.

ГЛАВА 2. АВТОМАТИЗАЦИЯ ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СРЕДСТВ ЭЛЕКТРОННОЙ ТЕХНИКИ СУДОВЫХ АСУ.

2.1. Основы автоматизации прогнозирования.

2.2 Устройства автоматического прогнозирования многопараметрических средств судовой электроники.

2.3. Специализированные автоматические устройства диагностики и программирования средств электронной техники судовых АСУ.

2.3.1. Устройства для оценки работоспособности технических средств судовой электроники.

2.3.2. Статистический классификатор.

2.3.3. Устройства для диагностики дискретных схем.

2.3.4. Устройство для оценка состояния судовых электронных средств, описываемых множеством параметров.

2.4. Выводы.

ГЛАВА 3. МЕТОДЫ ИСПЫТАНИЙ И ПРОГНОЗИРОВАНИЯ СРЕДСТВ СУДОВОЙ ЭЛЕКТРОННОЙ ТЕХНИКИ В АВТОМАТИЗИРОВАННЫХ СИСТЕМАХ УПРАВЛЕНИЯ.

3.1 .Современные требования к средствам судовой электронной техники.

3.2. Автоматизация испытаний и прогнозирования, как составная часть судовых автоматизированных систем управления.

3.3. Анализ методов прогнозирования изменения технического состояния средств судовой электронной техники.

3.4 Применение методов статистической классификации к вопросам ускорения испытаний судовой электронной техники.

3.5. Выводы.

ГЛАВА 4. ПРОГНОЗИРОВАНИЕ ТЕХНИЧЕСКОГО СОСТОЯНИЯ СРЕДСТВ ЭЛЕКТРОННОЙ ТЕХНИКИ СУДОВЫХ АСУ НЕЙРОННЫМИ СЕТЯМИ НА ОСНОВЕ МАШИНЫ ОПОРНЫХ ВЕКТОРОВ.

4.1. Оптимальная гиперплоскость для линейных разделимых образов.

4.1.1. Квадратичная оптимизация и поиск оптимальной гиперплоскости.

4.1.2. Статистические свойства оптимальной гиперповерхности 188 4.2 Оптимальная гиперплоскость для неразделимых образов.

4.2.1. Создание машины опорных векторов для задач распознавания образов технического состояния средств судовой электронной техники.

4.2.2. Ядро скалярного произведения.

4.2.3. Оптимизация архитектуры машины опорных векторов.

4.2.4. Применение машин опорных векторов при прогнозировании технического состояния средств судовой электронной техники.

4.3. Методика построения машины опорных векторов.

4.3.1. Компьютерная реализация машины опорных векторов.

4.3.2 Робастная система оценивания полученных моделей.

4.3.4. Машины опорных векторов для задач нелинейнойрегрессии.

4.4. выводы.

ГЛАВА 5. КОМПОЗИЦИОННЫЙ МЕТОД ОЦЕНКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ И ПРОГНОЗИРОВАНИЯ СРЕДСТВ СУДОВОЙ ЭЛЕКТРОННОЙ ТЕХНИКИ В АСУ.

5.1. Применение аппарата линейного программирования к оценке работоспособности судовой электронной техники при прогнозировании в АСУ.

5.1.1. Теоретические аспекты определения работоспособности методами линейного программирования.

5.2 Построение разделяющей гиперповерхности методом частично-целочисленного программирования с булевыми переменными в случае полностью неразделимых классов.

5.3. Оценка технического состояния судовых ИЭТ при слабо смешанных классах технического состояния.

5.4. Технология формирования информационной базы. Выбор наиболее информативных параметров.

5.5. построение модели прогнозирования с учетом «дрейфа» классов работоспособности для решения задач судовых АСУ.

5.5.1. Алгоритм самообучения моделей классификациина основе применения метода многомерной экстраполяции.>.

5.5.2. Построение динамической модели прогнозирования с учетом «дрейфа» классов работоспособности в пространстве — временных координатах.

5.6. Выводы.

ГЛАВА 6. ИССЛЕДОВАНИЕ МЕТОДОЛОГИЧЕСКОГО ОБЕСПЕЧЕНИЯ ПРОГНОЗИРОВАНИЯ СУДОВОЙ ЭЛЕКТРОННОЙ ТЕХНИКИ В АСУ.

6.1. Исследование интегральных схем (транзисторов типа КТ315Р и КТ361Г1) при воздействии электростатических разрядов.

6.2. Прогнозирование долговечности стабилитронов.

6.3. Оценка состояний работоспособности судовых радиотехнических систем.

6.4.Вывод ы.283'

Введение диссертации (часть автореферата) на тему «Технология испытаний и прогнозирования технического состояния электронных средств судовых систем управления»

В последнее время судовые электронные системы и средства управления ими достигли значительной сложности. Высокие требования к качеству и эффективности электроники, определяемые стандартами: ГОСТ 27.003-90 - Надежность в технике. Состав и общие правила задания требований по надежности; ГОСТ 27.005-97- Надежность в технике. Модели отказов; ГОСТ 27.002-89 - Надежность в технике. Основные понятия. Термины и определения, повлекли за собой разработку методов и, средств проверки технического состояния, а также восстановления исправности, работоспособности и. правильности^ функционирования как систем в целом, так и отдельных их компонент.

Определение технического состояния судовой электронной техники и характера его изменения с течением времени является основной задачей1 в управлении качествомпродукции.

Повышение требования к изделиям электроники по стойкости к воздействиям внешних факторов, безотказности, долговечности и другим параметрам качества привело к увеличению трудоемкости испытаний и прогнозированию. Только на долю приемосдаточных испытаний на долговечность приходится около 10% трудоемкости изготовления изделий электроники. Опыт показывает, что объем испытаний за пять лет возрастает в среднем в два - три раза. Таким образом, назрела необходимость в автоматизации испытаний и прогнозирования технического состояния.

Автоматизация испытаний дает возможность совместно с прогнозированием:

- повысить техническую эффективность разработок объектов испытаний и уменьшить затраты на их разработку; 6

- сократить сроки испытаний образцов новой техники;

- повысить оперативность в получении, обработке и использовании информации о качестве изделий электронной техники.

Являясь составной частью автоматизированной системы управления качеством продукции АСУК, автоматизация прогнозирования также как и; автоматизация испытаний может рассматриваться как система, выполняющая информационную функцию - обеспечение объективной и достоверной информацией о техническом состоянии судовых электронных изделий, т.е. о качестве изделий электронной техники.

Известно, что изделия, комплектующие электронную аппаратуру на различных этапах их освоения, характеризуются различными показателями надежности. Основные изменения интенсивности отказов происходят в период освоения изделий в опытном производстве. Поэтому возникает проблема раннего выявления и использования резервов качества электронной аппаратуры.

В связи с этим очевидно, что в рамках автоматизированной системы прогнозирования необходимо разработать метод прогнозирования позволяющий ускорить испытания электронной техники. При этом возникает необходимость в разработке теоретических аспектов методов прогнозирования технического состояния изделий судовой электронной техники, а также адаптация их к системе испытаний и прогнозирования.

Повышение качества судовой электронной техники является одной из узловых проблем дальнейшего совершенствования продукции. Надежность электронной техники, с уровнем которой связаны безотказность, долговечность, сохраняемость, ремонтопригодность, выступает как одна из основных характеристик качества.

Цель работы и задачи исследования. Цель работы повышение достоверности принятия решений при испытаниях и прогнозировании технического состояния средств электронной техники в судовых автоматизированных системах управления.

Для достижения поставленной цели в работе решены следующие основные задачи:

1. Разработка методологических аспектов формирования системы испытаний и прогнозирования технического состояния электронных средств судовых АСУ.

2. Классифицировать способы и методы распознавания технического состояния электронных средств судовых АСУ.

3. Разработка метода прогнозирования технического состояния, электронных средств систем управления судовыми комплексами, с использованием искусственных нейронных сетей и теории математического программирования.

4. Разработка метода формирования информационного обеспечения испытаний и прогнозирования электронных средств автоматизации управления судовыми техническими комплексами.

5. Разработка комплекса математических моделей динамики изменения технического состояния электронных средств АСУ на базе методов динамического программирования для судовых средств радиоэлектроники.

Объектом исследования является унифицированный комплекс электронных средств, реализующих функционирование судовых автоматизированных систем управления.

Предметом исследования являются алгоритмы, методы и программное обеспечение технологических процессов управления судовыми комплексами при описании и прогнозировании их технического состояния.

Методы исследования. Методологической и общетеоретической основой исследования являлись методы системного анализа, математического моделирования и программирования, теория интеллектуальных информационных систем, методы планирования эксперимента, теория надежности, математическая статистика, теория распознавания образов, и другие.

Научная новизна результатов, полученных в работе и выносимых на защиту:

1. Разработаны методологические аспекты формирования системы испытаний и прогнозирования технического состояния электронных средств судовых АСУ.

2. Классифицированы способы и методы распознавания технического состояния электронных средств судовых АСУ.

3. Разработан метод, прогнозирования технического состояния, электронных средств систем управления судовыми комплексами, с использованием искусственных нейронных сетей и теории математического программирования.

4. Разработан метод формирования информационного обеспечения испытаний и прогнозирования электронных средств автоматизации управления судовыми техническими комплексами.

4.1. Обоснован комплекс информативных параметров.

4.2. Разработаны методики распознавания образов неисправностей (отличие параметров электронных средств управления от требуемых значений).

4.3. Сформированы способы принятия решений по восстановлению работоспособности, долговечности, и сохраняемости электронных изделий.

5. Разработан комплекс математических моделей динамики изменения технического состояния электронных средств АСУ на базе методов динамического программирования для судовых средств радиоэлектроники при оценки их возможного срока службы 6. Организован вычислительный эксперимент по оценке эффективности и работоспособности предлагаемой технологии испытаний и прогнозирования технического состояния судовых электронных средств в автоматизированной системе управления судном. Практическая ценность работы заключается в создании: совокупности методов, алгоритмов и методик, обеспечивающих решение задач автоматизации испытаний и прогнозирования технического состояния электронных средств для судовых системах управления; концепции совершенствования образовательного процесса.

Реализация результатов работы. Результаты диссертационной работы нашли практическое применение при проектировании и запуске в производство современных средств железнодорожной автоматики и телемеханики - систем микропроцессорной централизации стрелок и сигналов; а также совмещенных питающих установок для устройств ЖАТ, что позволило сократить время и повысить качество выпускаемой продукции.

Материалы диссертационного^ исследования реализованы также при оценке технического состояния приборов учета в ОАО «Ленпромгаз», что позволило сократить сроки и повысить качество проведения профилактических работ.

Кроме того, результаты диссертационной работы использованы в СПГИЭУ при формировании рабочих программ, курса лекций, сборника заданий для практических работ, методических указаний к курсовым работам, учебных пособий по дисциплинам «Надежность информационных систем» и «Информационные технологии» для подготовки инженеров по специальности 230201 «Информационные системы и-технологии».

Апробация работы. Основные положения работы по мере её выполнения представлялись на Всесоюзных и Международных конференциях, симпозиумах, в том числе: на всесоюзном научно-техническом' симпозиуме «Надежность и качество в приборостроении и радиоэлектронике», г.Ереван, 1986г.;

II всесоюзной научно-технической конференции «Моделирование отказов и имитация на ЭВМ статистических испытаний изделий электронной техники» г. Суздаль 1985г.;

I и II научно - практических конференциях «Современные методы прикладной информатики» 2005,2006гг., г.Санкт-Петербург;

5-й международной конференции «Авиация и космонавтика-2006» 2006г., г. Москва;

6-й международной конференции «Авиация и космонавтика-2007», 2007г., г. Москва;

Международной научно-практической конференции

Инновационные процессы в экономике региона».

Публикации. Основные положения диссертационной работы опубликованы в 44-х научно - технических изданиях, в том числе, в 2-х монографиях, 12-ти статьях1 в журналах, рекомендованных ВАК для докторантов, в 15-и статьях (кроме «ваковских»), в 1 учебном пособии и 10-ти докладах (труды Всесоюзных, Международных и отраслевых научно - технических и научно- методических конференций).

Структура и объём работы. Диссертация представлена в форме рукописи, состоящей из введения, шести глав и заключения. Общий объём работы составляет 314 страниц, в т.ч. рисунки, таблицы и список используемых источников из 249 наименований.

В первой главе рассмотрены основные виды испытаний технического состояния изделий электронной техники, сформулированы объект и предмет данной работы; даны классические определения подсистемы испытаний и прогнозирования, объекта управления и видов воздействий в системах управления качеством; поставлены вопросы о необходимости определения места подсистемы испытаний и прогнозирования и необходимости выявления специфических особенностей и проблем, возникающих при их создании; показано, что необходимость большого объема испытаний в процессе производства, в том числе испытаний на надежность, вызвана тем, что производственно-технологические операции все еще не поддаются строгому управлению. Физико-химические свойства материалов, качество поверхностного слоя, свойства внутренних областей, точность геометрических размеров, прочность соединений и другие характеристики, определяющие надежность изделия, получаются различными при одних и тех же условиях, предписанных технологической документацией. Поэтому необходим контроль, проверки и испытания и на отдельных этапах производства готовых изделий; выявлено, что одной из важнейших задач совершенствования производственного процесса является внедрение таких систем автоматизированного и автоматического управления технологическими процессами, которые устраняли бы их случайный характер. Тогда роль и значение испытаний готовых изделий будет снижаться. Известно, например, что внедрение автоматизации проектирования вычислительных машин существенно снижает объем контрольных операций. Однако на данном этапе производства эта задача далеко еще не решена; таким образом, доказано, что производственные испытания играют чрезвычайно важную роль в решении проблемы обеспечения качества изделий. Одним из важнейших направлений совершенствования производственных испытаний является повышение их информативности с помощью методов прогнозирования; сделано общее, заключение по рассмотренным методам испытаний, содержащим элементы прогнозирования, которое можно сформулировать следующим образом:

- основная идея прогнозирования в процессе испытаний заключается в увеличении информативности испытаний, в использовании кроме числа зафиксированных отказов, закономерностей изменения прямых и косвенных параметров, обусловливающих возникновение отказов. Прогнозирование в процессе испытаний позволяет проводить испытания малого числа объектов и даже одиночных объектов, а также существенно сократить либо число испытуемых объектов, либо время испытаний в условиях массового производства.

Во второй главе рассмотрены основные технические средства автоматизации испытаний и прогнозирования технического состояния средств судовой электронной техники.

Рассмотрены общие принципы построения автоматизированных устройств, предназначенных для диагностики технического состояния изделий электронной техники

Даны рекомендации по применению различных технических устройств в подсистемах испытания и прогнозирования технического состояния изделий электронной техники.

В третьей главе определены основные требования, предъявляемые к средствам судовой электронной техники в зависимости от условий применения и эксплуатации.

Показано, что автоматизированную систему испытаний электронной техники можно рассматривать как специфический процесс управления качеством, цель которого прогнозирование состояния с помощью целенаправленных управляющих воздействий. Автоматизированные системы испытаний, как система АСУ включает в себя процессы: организации и получения информации о признаках технического состояния объектов; о состоянии и передачи информации; анализа и обработки полученных данных; принятие решения о состоянии объекта и прогнозирование.

При испытаниях на надежность, как правило, необходимо принимать решение - какова степень работоспособности или долговечность контролируемых объектов. Ответ на этот вопрос во многих случаях дает решение этих задач с помощью математических методов. Как показал анализ методов прогнозирования, надежность изделий электронной техники в последние годы наибольшее развитие получили два принципа прогнозирования: экстраполяция изменения значений контролируемых параметров изделий во времени и статистическая классификация технического состояния по классам долговечности или работоспособности на основе контроля совокупности параметров. Оба эти подхода имеют как достоинства, так и недостатки. Композиционное сочетание этих подходов с использованием их индивидуальных преимуществ позволяет достичь существенного эффекта при прогнозировании. Большие потенциальные возможности открываются при решении задачи прогнозирования технического состояния с помощью аппарата дискриминантного анализа.

Как показали исследования разделяющую классы состояний гиперповерхность можно построить с помощью методов линейного программирования, которые не применялся для решаемого класса задач.

В задачах прогнозирования технического состояния изделий электронной техники встречаются случаи, когда различные классы пересекаются между собой. Область пересечения классов образует зону неопределенности, являющуюся источником ошибочных решений при оценке технического состояния. Эта зона тем больше, чем меньше расстояние между классами. Формирование классов состояний изделий электронной техники должно производиться на основе требований к надежности и ускорению испытаний с учетом особенностей конкретных изделий.

Все это приводит к необходимости разработки композиционного метода прогнозирования работоспособности (долговечности) изделий электронной техники.

В четвертой главе обоснован и адаптирован метод машины опорных векторов, являющийся элегантным и устоявшимся методом обучения при создании сетей прямого распространения с единственным скрытым слоем нелинейных элементов. Этот метод соответствует принципу минимизации структурного риска, берущему свое начало в теории УС - размерности. Как следует из названия, основная идея создания этой машины состоит в выборе подмножества обучающих данных в качестве опорных векторов. Это подмножество представляет устойчивые свойства всей обучающей выборки. Частными случаями машины опорных векторов являются полиномиальная обучаемая машина, сеть на основе радиальных базисных функций и двухслойный персептрон. Таким образом, не смотря на то, что эти методы реализуют совершенно различные представления встроенных статических закономерностей, содержащихся в данных обучения, все они происходят от общих корней машины опорных векторов.

В отличие от популярного алгоритма обратного распространения, алгоритм обучения с помощью опорных векторов работает только в пакетном режиме. Существует еще одно важное различие между этими двумя алгоритмами. Алгоритм обратного распространения минимизирует квадратичную функцию потерь независимо оттого, какова задача обучения. В отличие от него алгоритм нахождения опорных векторов, применяемый для решения задачи распознавания, совершенно отличается оттого, который используется в задаче нелинейной регрессии. о В задачи распознавания алгоритм обучения на основе опорных векторов минимизирует количество обучающих примеров, которые попадают на границу разделения между положительными; и отрицательными примерами. о Он считается более предпочтительным, чем критерий минимизации среднеквадратической ошибки, на котором основан алгоритм обратного распространения. о При выполнении задачи нелинейной регрессии алгоритм обучения на .основе опорных векторов минимизирует £ - нечувствительных функцию потерь, которые являются расширением критерия средней абсолютной ошибки из минимаксной теории. В связи с этим алгоритм является более робастным.

Обычно обучение машины опорных векторов сводится к задаче квадратичного программирования, что привлекательно по двум причинам.

1. Процесс обучения гарантировано сходится к глобальному минимуму на поверхности ошибки (ошибкой является разность между желаемым откликом и фактическим выходом машины опорных векторов).

2. Вычисления могут быть реализованы достаточно эффективно.

Более того, при использовании подходящего ядра скалярного произведения машина опорных векторов автоматически вычисляет необходимые параметры сети, относящиеся к выбору ядра. Например, в случае сети на основе радиальных базисных функций ядро представляет собой гауссову функцию. Для такого метода реализации количество радиальных базисных функций, их центры, а также линейные веса и значения порогов вычисляются автоматически. В качестве центров радиальных базисных центров выступают опорные векторы, отбираемые согласно стратегии квадратичной оптимизации. Опорные векторы поддержки обычно составляют некоторые подмножества обучающей выборки. Таким образом, прогнозирование на основе машины опорных векторов можно рассматривать как частный случай стратегии строгой интерполяции.

Для решения задачи квадратичного программирования можно использовать некоторые коммерческие библиотеки, предназначенные для решения задач оптимизации. Однако эти библиотеки имеют ограниченное использование. Память, необходимая для решения задачи квадратичного программирования, растет пропорционально квадрату числа примеров обучения. Следовательно, в реальных задачах, включающих обработку нескольких тысяч точек данных, задачу квадратичного программирования нельзя решить с помощью простого использования коммерческой библиотеки. Алгоритм декомпозиции учитывает преимущество коэффициентов опорных векторов, которые активны по обе стороны границы классификации, определяемые при = 0 и щ — С. Данные алгоритма декомпозиции показал удовлетворительные результаты в приложения, содержащие до ста тысяч точек данных.

Рассмотрены модификации машин опорных векторов призванные обойти все недостатки. В заключении, заметим, что производительность обучаемой машины может быть существенно увеличена включением знаний в архитектуру машины. В литературе рассматриваются два способа использования априорных знаний.

1. В качестве дополнительного слагаемого в функции стоимости. Тогда обучаемая машина будет строить функцию с учетом априорных знаний. Именно это происходит при использовании регуляризации.

2. В качестве виртуальных примеров генерируемых на основе обучающего множества. Тогда обучаемая машина сможет легко избегать априорные знания из искусственно расширенного множества примеров.

При втором подходе процесс обучения может сильно замедлиться в связи с корреляцией искусственных данных и увеличением размера обучающего множества. Однако преимущества второго подхода состоит в том, что его легче реализовать для всех типов априорных знаний и обучаемых машин.

Этот метод позволяет повысить точность классификаций за счет увеличения времени обучения, поскольку он требует двух циклов обучения. Однако в этом случае правила классификации строятся на основе большего количества опорных векторов.

В пятой главе обоснован подход, позволяющий в рамках системы испытаний и прогнозирования в судовых АСУ для задач дискриминантного анализа применять аппарат линейного программирования к оценке технического состояния электронной техники в сочетании с нейронными сетями.

Разработан метод построения разделяющей классы состояния гиперповерхности методом частично-целочисленного программирования для прогнозирования технического состояния электронных изделий

Указанный метод приспособлен для решения задач прогнозирования при пересекающихся собственных областях классов работоспособности, что является типичным для большинства электронных приборов.

Разработан метод выбора наиболее информативных параметров, т.е. минимизация пространства описания состояния изделий с целью формирования информационной базы системы испытаний средств электронной техники в судовых АСУ.

Разработан композиционный метод прогнозирования для системы испытаний и прогнозирования технического состояния изделий электронной техники.

В шестой главе экспериментально исследован метод прогнозирования работоспособности судовой электронной техники на конкретных изделиях электронной техники, показана эффективность применения линейного программирования к задачам прогнозирования технического состояния.

В результате применения указанного метода удалось сократить затраты, связанные с проведением испытаний, время испытаний, а также повысить достоверность принятия решения о состоянии изделий.

Реализован для оценки технического состояния изделий судовой электронной техники композиционный метод прогнозирования, сочетающий элементы линеГшого программирования и нейронные сети.

При :>том удалось не только сократить время производственных испытаний и затраты, связанные с ними, но и определить «точечную» оценку наработки изделий на отказ. Композиционный метод прогнозирования проверен на моделях прогнозирования сохраняемости стабилитронов. В результате прогнозирования сохраняемости на 12 лет процент правильного распознавания составил 86%, что является хорошим результатом для такого класса объектов, как высоконадежные изделия электронной техники.

Экспериментально подтверждена возможность применения линейного программирования к оценке технического состояния изделий электронной техники для случая более двух классов состояний. На примере оценки работоспособности элементов радиотехнических систем удалось построить модель, которая позволяет принимать решение о состоянии работоспособности в различных условиях эксплуатации.

Все вычисления адаптированы к программному обеспечению, широко используемому в задачах оптимизации АСУ, а также разработано программное обеспечение для реализации композиционного метода прогнозирования.

На основании рассмотрения материалов и обсуждения результатов, вошедших в диссертационную работу, на научно-технических конференциях, симпозиумах, семинарах и совещаниях, можно сделать вывод, что большинство из указанных положений приняты научной общественностью.

Заключение диссертации по теме «Автоматизация и управление технологическими процессами и производствами (по отраслям)», Голоскоков, Константин Петрович

6.4.Выводы

1. Экспериментально исследован алгоритм прогнозирования работоспособности судовой электронной техники, на конкретных изделиях электронной техники показана эффективность применения линейного программирования к задачам прогнозирования технического состояния. В результате применения указанного алгоритма удалось сократить затраты, связанные с проведением испытаний, время испытаний, а также повысить достоверность принятия решения о состоянии изделий.

2. Реализован для оценки технического состояния изделий электронной техники композиционный метод прогнозирования, сочетающий элементы линейного программирования и экстраполяцию. При этом удалось не только сократить время производственных испытаний и затраты, связанные с ними, но и определить «точечную» оценку наработки изделий на отказ. Композиционный метод прогнозирования проверен на моделях прогнозирования сохраняемости стабилитронов. В результате прогнозирования сохраняемости на 12 лет процент правильного распознавания составил 86%, что является хорошим результатом для такого класса объектов, как высоконадежные изделия электронной техники.

3. Экспериментально подтверждена возможность применения линейного программирования к оценке технического состояния изделий электронной техники для случая более двух классов состояний, на примере оценки работоспособности элементов радиотехнических систем удалось построить модель, которая позволяет принимать решение о состоянии работоспособности в различных условиях эксплуатации.

4. Все результаты проверены и внедрены в научно-исследовательском институте специальной техники при проектировании и испытаний радиостанций.

5. Все вычисления адаптированы к программному обеспечению широко используемому в задачах оптимизации АСУ, а также разработано программное обеспечение для реализации композиционного метода прогнозирования.

6. Заключение.

В настоящей работе на основании выполненных исследований осуществлено теоретическое обобщение и решение крупной научной проблемы разработка и внедрение технологии испытаний и прогнозирования технического состояния судовой электронной техники для АСУ.

1.Дана классификация систем испытания и прогнозирования технического состояния судовой электронной техники и определено их место в АСУ сложными объектами.

2.Показано, что необходимость большого объема испытаний в процессе производства, в том числе испытаний на надежность, вызвана тем, что производственно-технологические операции все еще не поддаются строгому управлению. Физико-химические свойства материалов, качество поверхностного слоя, свойства внутренних областей, точность геометрических размеров, прочность соединений и другие характеристики, определяющие надежность изделия, получаются различными при одних и тех же условиях, предписанных технологической документацией. Поэтому необходим контроль, проверки и испытания и на отдельных этапах производства готовых изделий.

3.Выявлено, что одной из важнейших задач совершенствования производственного процесса является внедрение таких систем автоматизированного и автоматического управления технологическими процессами, которые устраняли бы их случайный характер. Тогда роль и значение испытаний готовых изделий будет снижаться. Известно, например, что внедрение автоматизации проектирования вычислительных машин существенно снижает объем контрольных операций. Однако на данном этапе производства эта задача далеко еще не решена.

4.Доказано, что производственные испытания играют чрезвычайно« важную, роль в решении проблемы обеспечения качества изделий. Одним, из важнейших направлений совершенствования производственных испытаний является повышение их информативности с помощью методов прогнозирования.

5.Сделано общее, заключение по рассмотренным.'методам испытаний, содержащим элементы прогнозирования, которое можно сформулировать следующим образом:

- основная .идея прогнозирования в процессе испытаний ^заключается в увеличении информативности^испытаний, в ¡использовании кроме числа зафиксированных отказов^ закономерностей! изменения прямых и косвенных параметров, обусловливающих возникновение-отказов. Прогнозирование в процессе испытаний позволяет проводить испытания малого числа объектов и даже одиночных объектов, а также существенно сократить либо число, испытуемых объектов; либо время испытаний в условиях массового производства.

6.Показано, что* автоматизированную' систему испытаний и прогнозирования-технического состояния-электронной техники-можно рассматривать как специфический процесс управления качеством, цель которого прогнозирование состояния, с помощью> целенаправленных управляющих воздействий. Автоматизированные системы испытаний, как система АСУ включает в себя процессы: организации и получения информации-о признаках технического состояния объектов; о состоянии* и передачи информации; анализа и> обработки полученных данных; принятие решения' о состоянии объекта и прогнозирование.

7.Разработан алгоритм ускоренного самообучения моделей' классификации изделий электронной техники для системы испытаний в АСУ на основе использования метода многомерной, экстраполяции.

Этот метод позволяет сократить продолжительность производственных испытаний более чем в два раза, тем самым позволяет сократить как затраты на измерение параметров, так и время самих испытаний.

8.Разработан метод построения динамической модели прогнозирования с учетом «дрейфа» классов технического состояния изделий в пространственно-временных координатах, основанный на введении фактора времени в само решающее правило.

Это позволяет не только производить прогнозирования по замерам параметров в начальный момент времени, но и значительно сократить объём самих испытаний. Кроме того, построенная модель прогнозирования позволяет определить «точечную» границу срока службы каждого изделия судовой электронной техники.

9.Разработан композиционный метод для подсистемы испытаний и прогнозирования работоспособности изделий электронной техники, основанный на сочетании методов математического программирования и искусственных нейронных сетей - машины опорных векторов.

Ю.Обоснован подход, позволяющий в рамках подсистемы испытаний для задач дискриминантного анализа применять аппарат линейного программирования к оценке технического состояния электронной техники.

11 .Разработан алгоритм построения разделяющей классы составляющей классы состояния гиперповерхности методом частично-целочисленного программирования для прогнозирования технического состояния электронных изделий

Указанный алгоритм приспособлен для решения задач прогнозирования при пересекающихся собственных областях классов работоспособности, что является типичным для большинства электронных приборов.

12.Разработана методика выбора наиболее информативных параметров, т.е. минимизация пространства описания состояния изделий с целью формирования информационной базы для системы прогнозирования в АСУ судовой электронной техники.

Список литературы диссертационного исследования доктор технических наук Голоскоков, Константин Петрович, 2009 год

1. Абовский Н.П. и др. Разработка практического метода нейросетевого прогнозирования. //Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. С. 1089 -1097.

2. Айрапетян АБ., Бучко A.A. Об одном методе оценки технического состояния радиотехнических систем. В кн. «Вопросы автоматизации и применение ЭВМ в решении-задач водного транспорта.» Сб.тр. ЛИВТ, 1988, с. 150-154

3. Акушский И .Я. Машинная арифметика в остаточных классах. М: Советское радио, 1968. - 440 с.

4. Алексеев В.И., Максимов A.B. Использование нейронных сетей с двухмерными слоями для распознавания образов//Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение »: Сб. докл., 2002. С. 69-72.

5. Амербаев В.М. Теоретические основы машинной арифметики. -Алма-Ата: Наука КазССР, 1976. 324 с.

6. Андерсон Т. Статистический анализ временных рядов. М.: Наука, 1976.-343 с.

7. Аркин В. И, Евстигнеев И.В. Вероятностные модели управления экономической динамики. М.: Наука, 1979. - 176с.

8. Ашманов С.А. Математические модели и методы в экономике. М.: Изд. МГУ, 1981.-158 с.

9. Барзилович Е.Ю. Вопросы математической теории надежности / Е.Ю. Барзилович, Ю.К. Беляев, В.А.Каштанов и др.; Под ред. Б.В. Гнеденко. М.: Радио и связь, 1983. - 376 с.

10. Ю.Барлоу Р., Прошан Ф. Математическая теория надежности. М.: Советское радио, 1969. - 488 с.

11. Бароне П.П. Надежность и качество механических систем / П.П. Бароне, A.B. Звиедрис, Н.К. Салениекс. -Рига: Авотс, 1982. 85 с.

12. Барский А.Б. Обучение нейросети методом трассировки. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002. С. 862 - 898.

13. Батищев Д.И. Генетические алгоритмы решения экстремальных задач. Воронеж: ВГУ, 1994. - 135 с.

14. Белим C.B. Математическое моделирование квантового нейрона. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб.докл., 2002. С. 899 - 900.

15. Беляев Ю.К. Надежность технических систем: Справочник-Н17. / Ю.К. Беляев, В.А. Богатырев, В.В.Болотин и др.; Под ред. И.А. Ушакова. М.: Радио и связь, 1985. - 608 с.

16. Берже П., Помо И., Видаль К. Порядок в хаосе. О детерминированном подходе к турбулентности: Пер. с франц. М.: Мир, 1991.-368 с.

17. П.Бернштейн С.Н. Теория вероятностей. М.: Гостехиздат, 1946. -320 с.

18. Бирман Э.Г. Сравнительный анализ методов прогнозирования. НТИ. Сер.2 1986. - №1. - С. 11-16.

19. Бодянский Е.В., Кучеренко Е.И. Диагностика и прогнозирование временных рядов многослойной радиально-базисной нейронной сет. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение»: Сб. докл., 2002. С. 69-72.

20. Бокс Дж., Дженкинс Г. (1974) Анализ временных рядов. Прогноз и управление. М.: Мир, 1974. - Вып. 1, 2.

21. Болн Б., Хуань К. Дж. Многомерные статистические методы для экономики. М.: Наука, 1979. 348 с.

22. Болотин и др.; Под ред. И.А. Ушакова. М.: Радио и связь, 1985. -608 с.

23. Болынев JI.H., Смирнов Н.В. Таблицы математической статистики. -М.: Наука, 1965.-35 с.

24. Боярский А .Я., и др. Математическая статистика для экономистов. М.: Статистика, 1979. - 253 с.

25. Бухштаб A.A. Теория чисел. М.: Государственное учебнометодическое издательство мин. Просвящения РСФСР, 1960.-375 с.

26. Бытачевский Е.А., Козуб В.В. Использование нейронных сетей для распознавания визуальных образов. //Материалы IV РНТ конференции «Вузовская наука Северо-Кавказскому региону» Ставрополь, 2000. - С. 52-54.

27. Варжапетян А.Г. Имитационное моделирование на GPSS/H, Вузовская книга, 2007.

28. Варжапетян А.Г., Балашов В.М., Варжапетян A.A., Семенова Е.Г Менеджмент качества: Принятие решений о качестве, управляемом заказчиком: Монография 2-е изд. Вузовская книга, М,2007 ;

29. Варжапетян А.Г., Глущенко В.В. Системы управления. Исследование и компьютерное проектирование., Вузовская книга, М,2006.

30. Васильев В.И. Распознающие системы. Киев: Навукова думка, -1969.-354 с.

31. Виноградов И.М. Основы теории чисел. М.: Издательство «Наука», Гл. ред. физ.-мат.лит., 1965.- 173 с.

32. Владимирова Л.П. Прогнозирование и планирование в услови- ях рынка: Учебное пособие. М.: Издательский дом «Дашков и К», 2000. -308 с.

33. Вороновский Г.К., и др. Генетические алгоритмы, нейронные сети и проблемы виртуальной реальности. X.: ОСНОВА, 1997. - 112 с.

34. Гаскаров Д.В. О композиционном подходе к прогнозированию долговечности изделий ЭТ. Электронная техника. Серия 8, вып. 3, 988,с. 6-9.

35. Гаскаров Д.В. О модели сокращения испытаний высоконадежных изделий. Тез. докл. II в.н.т. конференции "Моделирование отказов и имитация на ЭВМ статистических испытаний изделий электронной техники". 1985.

36. Гвишиани Д.М., Лисичкин В.А. Прогностика. М.: «Знание», 1968. -421 с.

37. Гельфан И.М., Фомин C.B. Вариационное исчисление. М.: Мир, 1961.-321 с.

38. Гладыщевский А.И. Методы и модели отраслевого экономического прогнозирования. М.: «Экономика», 1997. - 143 с.

39. Гласс JL, Мэки М. От часов к хаосу: ритмы жизни. М.: Мир, 1991. - 153с.

40. Глущенко В.В. Прогнозирование. 3-е издание. М.: Вузовская книга, 2000. - 208 с.

41. Голоскоков К.П. Алгоритмическое обеспечение ускоренных испытаний судовой электронной техники в АСУ качеством. Автореферат диссертации на соискание ученой степени кандидата технических наук. Ленинград, 1990.

42. Голоскоков К.П. Выбор наиболее информативных параметров судовых систем методами математического программирования. В кн. «Электрооборудование и автоматизация объектов водного транспорта.» Сб. тр. ЛИВТ, 1986, с. 137-139.

43. Голоскоков К.П., Гольдберг П.Д., Кайданова Л.А, Шкабардня A.B. Об оценке эволюции качества выпускаемых двигателей. В кн. «Вопросы автоматизация и применение ЭВМ в решении задач водного транспорта.» Сб. тр. ЛИВТ, 1988, с. 87-92.

44. Голоскоков К.П., Зозанян С. И. Об одном методе прогнозирования сохраняем ости приборов. Надежность и контроль качества, N 12, 1987, с.23-26.

45. Горлов М.И., Королев С.Ю., Кулаков A.B., Строгонов A.B. Расчет надежности интегральных схем по конструктивно-технологическим данным. Воронеж: Издательство Воронежского университета. 1996. 80 с.

46. ГОСТ 27.005-97. Надежность в технике. Модели отказов. Основные положения. Введ. 01.01.1999. - К.:Изд-во стандартов. - 43 с.

47. ГОСТ РВ 20.39.30498 КСОТТ. Аппаратура, приборы, устройства и оборудование военного назначения. Требования по стойкости к внешним воздействующим факторам. Госстандарт России, 1998.

48. Гренандер У. Случайные процессы и статистические выводы, (пер. с нем.) ИЛ. 1961.- 167с.

49. Гренджер К., Хатанака М. Спектральный анализ временных рядов в экономике. Пер.с англ. М.: Статистика., 1972. - 312 с.

50. Грень Е. Статистические игры и их применение. М.: Наука, 1975.- 243 с.

51. Гусак А.Н. и др. Подход к послойному обучению нейронной сети прямого распространения. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. С. 931 - 933.

52. Гусев А., Лидский Э., Мироненко О. Малые выборки при оценке работоспособности и надежностиэлектронных компонентов // Chip News.- 2002. № l.-C. 52-55.

53. Давидович Б .Я. и др. Методы прогнозирования спроса. М., 1972. -193с.

54. Дженкинс Г., Вате Д. (1971, 1972) Спектральный анализ и его применения. М.: Мир, 1971, 1972. - Вып. 1,2.

55. Джонстон Дж. (1980) Эконометрические методы. М.: Статистика, 1980.-431 с.

56. Добров Г.М., Ершов Ю.В. и др. Экспертные оценки в научно-техническом прогнозировании Киев: Наукова Думка, 1974. - 159 с.

57. Дружинин Г.В. Надежность автоматизированных производственных систем. М.: Энергоатомиздат, 1986. -480 с.

58. ДСТУ 2504-94. Средства вычислительной техники. Отказоустойчивость и живучесть. Методы испытаний. -Введ. 01.07.95. -45 с.

59. ДСТУ 2862-94. Надежность техники. Методы расчета показателей надежности. Общие требования.-Введ.01.01.1996. 39 с.

60. ДСТУ 2992-95. Изделия электронной техники. Методы расчета надежности. Введ. 01.01.96. - 76 с.

61. ДСТУ 3004-95. Надежность техники. Методы оценки показателей надежности по экспериментальным данным. Введ.01.01.96. - 122 с.

62. ДСТУ 3942-99. Надежность техники. Планы испытаний для контроля средней наработки до отказа (на отказ). Ч. 2: Диффузионное распределение. -Введ.01.07.00. - 34 с.

63. Еремин Д.М. Система управления с применением нейронных сетей. Приборы и системы. Управление, контроль, диагностика. 2001. -№9-С. 8-11.

64. Ибираимова Т.Б. Прогнозирование тенденций финансовых рынков с помощью нейронных сетей. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002 г. С. 745 - 755.

65. Иванов М.Н. Анализ роста курса акций с применением нейронных сетей. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002 г. С. 756 - 772.

66. Ивахненко А.Г., Степаненко B.C. Особенности применения метода группового учета аргументов в задачах прогнозирования случайных процессов. Автоматика. -1986. №5. - С. 3-14.

67. Ивахненко А.Г., Юрачков Ю.П. Моделирование сложных систем по экспертным данным. М.: Радио и связь, 1987. - 119 с.

68. Калан, Роберт. Основные концепции нейронных сетей.: Пер. с англ.- М.: Издательский дом «Вильяме», 2001.- 288 с.

69. Капица С. П., Курдюмов С. П., Малинецкий Г. Г. Синергетика и прогнозы будущего. М.: Наука, 1997. 236с.

70. Капур К., Ламберсон Л. Надежность и проектирование систем. -М.: Мир, 1980. 605 с.

71. Касти Дж. Связность, сложность и катастрофы: Пер. с англ. М.: Мир, 1982,-216 с.

72. Каштанов В.А., Медведев А.И. Теория надежности сложных систем (теория и практика). М.:«Европейский центр по качеству», 2002.- 470 с.

73. Каштанов и др.; Под ред. Б.В. Гнеденко. М.: Радио и связь, 1983.- 376 с.

74. Кемени Дж., Снелл Дж. Конечные цепи Маркова. М.: Наука, 1970. -136 с.

75. Кендэл М. Временные ряды. Пер. с англ. Ю.П. Лукашина. -М.:«Финансы и статистика», 1979. 198 с.

76. Кильдинов Г.С., Френкель A.A. Анализ временных рядов и прогнозирование. М. Статистика. 1973. 432 с.

77. Кондратьев А.И. Теоретико-игровые распознающие алгоритмы.-М.: Наука, 1990.-272 с.

78. Кульбак С. Теория информации и статистика. М.:, Наука, 1967. -408с.

79. Кучин Б.Л., Якушева Е.В. Управление развитием экономических систем: технический прогресс, устойчивость. М.: Экономика, 1990. -156с.

80. Лащев А.Я., Глушич Д.В. Синтез алгоритмов обучения нейронных сетей. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002 г. С. 997 - 999.

81. Левин В.Л. Выпуклый анализ в пространстве измеримых функций и его применение в математике и экономике. М.: Наука, 1985. 352с.

82. Легостаева И.Л., Ширяев А.Н. Минимальные веса в задаче выделения тренда случайного процесса. «Теория вероятностей и ее применение», 1971, - Т. XVI, - №2.

83. Литовченко Ц.Г. Нейрокомпьютер для обнаружения и распознавания сложных динамических образов. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение ». Сб.докл., 2002 г. С. 69-72.

84. Ллойд Э., Ледерман У. (1990) (ред.) Справочник по прикладной статистике. М.: Финансы и статистика, 1990. - Том 2.

85. Малинецкий Г.Г., Потапов А.Б. Современные проблемы нелинейной динамики М.: Эдиториал УРСС, 2000 - 336с.

86. Математическая энциклопедия: Гл.ред. И.М. Виноградов, т.З Коо-Од М.: Советская энциклопедия, 1982. - 1184 с.

87. Махортых С.А., Сычев В.В. Алгоритм вычисления размерности стохастического аттрактора и его применение к анализу электрофизиологических данных Пущино, 1998. - 34с.

88. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6 /Под общ.ред. к.т.н. В.Г. Потемкина. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

89. Минский М., Пайперт С. Персептроны. М.: Мир, 1971. - 365с.

90. Михайлов Ю.Б. Алгоритм выбора прогнозирующей зависимости, обеспечивающей наилучшую точность прогноза. //Приборы и системы. Управление, контроль, диагностика., 2000. №12. - С. 11-19.

91. Моделирование функционирования развивающихся систем с изменяющейся структурой. Сб. науч. тр./АН УССР. Ин-т кибернетики им. В.М. Глушакова. Киев: 1989. - 140 с.

92. Надежность в машиностроении: Справочник-Н17. / Под общ. ред. В.В. Шашкина, Г.П. Карзова. СПб.: Политехника, 1992. - 719 с.

93. Надежность и эффективность в технике: Справочник: В Шт. / Под ред. B.C. Авдуевского и др. М.Машиностроение, 1989. - Т. 6. - 376 с.

94. Научнотехнический отчет о НИР "Разработка единого каталога отечественного и зарубежного контрольноизмерительного и испытательного оборудования для испытаний радиоэлектронной аппаратуры" (Шифр "Каталог ТСИ"): 22 ЦНИИИ МО РФ, 2000.

95. Нейроинформатика и ее приложения Материалы 3 Всероссийского семинара, 6-8 октября 1995г. Ч. 1 Под редакцией А.Н.Горбаня. Красноярск: изд. КГТУ, 1995. - 229 с.

96. Нейронные сети. STSTISTICA Neural Networks: Пер. с англ. М.: Горячая линия - Телеком. 2001. - 182 с.

97. Никайдо X. Выпуклые структуры и математическая экономиками Мир. 1972. 127с.

98. Новиков A.B., и др. Метод поиска экстремума функционала оптимизации для нейронной сети с полными последовательными связями. Труды Vin Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл., 2002г. С. 1000 -1006.

99. Основные вопросы теории и практики надежности. Мн.: Наука и техника, 1982. - 270 с.

100. Острейковский В.А. Физико-статистические модели надежности элементов ЯЭУ. М.: Энергоатомиздат, 1986. - 200 с.

101. Осуга М. Обработка знаний. М.: Мир, 1989. - 239 с.

102. Оуэн Г. Теория игр. М.: Наука, 1971. - 359 с.

103. Перроте А.И., Сторчак М.А. Вопросы надежности РЭА. М.: Советское радио, 1976. - 185 с.

104. Песин Я.Б. Характеристические показатели Ляпунова и гладкая эргодическая теория. УМН, 1977- Т.32. С.55-112.

105. Петере Э. Хаос и порядок на рынке капитала. М.: Мир, 2000.-333с.

106. Писарев В.Н., Постнов В.Н., Степанов Ю.И. Аттестация лабораторноиспытательных баз важнейший фактор обеспечения качества продукции. - Вестник Военного Регистра, 2001, № 8.

107. Погребинский С.Б., Стрельников В.П. Проектирование и надежность многопроцессорных ЭВМ. М.: Радио и связь, 1988. - 168 с.

108. Половко A.M., Гуров C.B. Основы теории надежности. 2-е изд., перераб. и доп. - СПб.: БХВ Петербург,2006. - 704 с.

109. Половников В.А., и др. Оценивание точности и адекватности моделей экономического прогнозирования. Математическое моделирование экономических процессов: Сб. науч. тр. МЭСИ М., 1986. - С. 37-47.

110. Проников A.C. Надежность машин. М.: Машиностроение, 1978.-592 с.

111. Пятецкий В.Е., Бурдо А.И. Имитационное моделирование процесса создания обучающихся систем. В сб.: Имитационное моделирование производственных процессов. Под. ред. Мироносецкого Н.Б., - Новосибирск. 1979. - 68 с.

112. Развитие российского финансового рынка и новые инструменты привлечения инвестиций. М., 1998. - 233 с.

113. Рожков Л.Н., Френкель A.A. Выбор оптимального параметра сглаживания в методе экспоненциального сглаживания. Основные проблемы и задачи научного прогнозирования. - М.: Наука, 1972.- 154 с.

114. Розенблат Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга. Пер. с англ. М.: Мир, 1965. - 175 с.

115. Розин Б.Б. Распознавание образов в экономических исследованиях. -М.: Статистика, 1973. 198 с.

116. Романов В. Количественная оценка надежности интегральных микросхем по результатам форсированных испытаний // ЭКиС. 2003. — № 10. - С. 3 - 6.

117. Сергеев A.B. Прогнозирование временных рядов с помощью нейронных сетей с радиальными базисными функциями. Труды У1П Всероссийской конференции «Нейрокомпьютеры и их применение» Сб.докл, 2002 г. С. 1187 - 1191.

118. Серебрянников М.Г., Первозванский A.A. Выявление скрытых периодичностей. М.: Наука, 1965. 244с.

119. Соловьев А.Д. Основы математической теории надежности. -М.: Знание, 1975. 103 с.

120. Сотсков Б.С. Физика отказов и определение интенсивности отказов // О надежности сложных технических систем. М.: Советское радио, 1966. - С. 289-306.

121. Сотсков Б.С. Физика отказов и определение интенсивности отказов // О надежности сложных технических систем. М.: Советское радио, 1966. - С. 289-306.

122. Статевич В.П., Шумков Е.А. Новый принцип построения самообучаемых нейросетей. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. С. 1037 - 1040.

123. СтратоновичP.JI. Теория информации. -М.: Сов. Радио. 1975-424с.

124. Стрельников В.П. К оценке коэффициента вариации распределения отказов // Математичш машини i системи. 2003. - № 1. -С. 142-146.

125. Стрельников В.П. Методы расчета надежности деталей машин при статических и циклических загрузках //Тяжелое машиностроение. -2003. № 4. - С. 16-20.ISSN 1028-9763. Математичш машини i системи, 2007, № 3,4 238

126. Стрельников В.П. Определение ожидаемой остаточной наработки при DM-распределении // Математичш машини i системи. -2000.-№1.-С. 94-100.

127. Стрельников В.П. Оценка ресурса изделий электронной техники // Математичш машини i системи. 2004. -№ 2. - С. 186-195.

128. Стрельников В.П. Приложение теории марковских процессов к исследованию надежности скользящихэлектрических контактов // Приборостроение. 1982. - Т. XXVI, №4. - С. 48-52.

129. Стрельников В.П., Федухин A.B. Оценка и прогнозирование надежности электронных элементов и систем. К.: Логос, 2002. - 486 с.

130. Теория прогнозирования и принятия решений. Учеб. пособие. Под. ред. С.А. Саркисяна М.: Высш. Школа, 1977. - 351 с.

131. Томпсон Дж.М.Т. Неустойчивости и катастрофы в науке и технике: Пер. с англ. М.: Мир, 1985. - 254 с.

132. Трисеев Ю.П. Долгосрочное прогнозирование экономических процессов (системные методы). Киев: Наукова Думка, 1987. -132с.

133. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Наука, 1978. - 139 с.

134. Уоссермен Ф. Нейрокомпьютерная техника: теория и практиками.: ЮНИТИ, 1992. 240 с.

135. Федер Е. Фракталы. М.: Мир, 1991. - 143с.

136. Френкель A.A. Математические методы анализа динамики и прогнозирования производительности труда. М.: Наука, 1972.

137. Хевиленд Р. Инженерная надежность и расчет на долговечность / Пер. с англ. М.: Энергия, 1966. - 231 с.

138. Хенан Э.Дж. Многомерные временные ряды. М.: Мир, 1986. -346с.

139. Ховард P.A. Динамическое прогнозирование и марковские процессы. М.: сов. Радио, 1964. - 365с.

140. Червяков Н.И., Сахнюк П.А. Применение нейроматематики для реализации вычислений в конечных кольцах. Нейрокомпьютеры: разработка, применение, 1999. № 1- С.75-84

141. Червяков Н.И., Тихонов Э.Е. Совершенствование методов прогнозирования на базе нейронных сетей с использованием непозиционной системы остаточных классов. Нейрокомпьютеры: разработка, применение. М.: Радиотехника, - 2003. - № 10. - С. 13-18.

142. Чуев Ю.В., Михайлов Ю.Б., Кузьмин В.И. Прогнозирование количественных характеристик процессов. М., «Сов. радио», 1975.- 400 с.

143. Шибхузов З.М. Конструктивный TOWER алгоритм для обучения нейронных сетей из Sn нейронов. Труды VIII Всероссийской конференции «Нейрокомпьютеры и их применение » Сб.докл., 2002. - С. 1066 -1072.

144. Шор Я.Б. Статистические методы анализа и контроля качества и надежности. М.: Советское радио, 1962 - 252 с.

145. Шукайло В.Ф. Некоторые вопросы теории восстановления и усталостной надежности механических элементов // О надежности сложных технических систем. М.: Советское радио, 1966. - С. 125-149.

146. Шустер Г. Детерминированный хаос: Введение:-М.: Мир, 1988. -•240 с.

147. Ямпольский С.М., Хилюк Ф.М., Лисичкин В.А. Проблемы научно-технического прогнозирования. М.: Экономика, 1969. -189 с.

148. Ястребенецкий М.А. Безопасность томных станций: Информационные и-управляющие системы / М.А.Ястребенецкий, В:Н. Васильченко, С.В. Виноградская и др.; Под ред. М.А. Ястребенецкого. -К.: Техшка, 2004.- 472 с.

149. Aarts Е. and J. Korst. Simulated Annealing and Boltzmann Machines: A Stochastic Aproach to Combinatorial Optimization and Neural Computing, New York: Wiley, 1989.

150. Abarbanel H.D.I'. Analysis of Observed Chaotic Data, New York: Springer-Verlag, 1996.

151. Abraham R.H. and CD. Shaw. Dynamics of the Geometry of Behavior, Reading, MA: Addison-Wesley, 1992.

152. Abu-Mostafa Y.S. "Hints", Neural computation, 1995, vol. 7, p. 639671.

153. Abu-Mostafa Y.S. "Learning from hints in Neural Networks", Journal of Complexity, 1990, vol. 6, p. 192-198.

154. Abu-Mostafa Y.S. "The Vapnik-Chervonenkis Dimension: Information Versus Complexity in Learning", Neural Computation, 1989, vol. 1, p. 312-317.

155. Ackerman RL. "Intelligence", In S.C. Shapiro, ed. Encyclopedia of Artificial Intelligence, New York: Wiley (Interscience) 1990, p. 431M0.

156. Ackley D.H., G.E. Hinton and T.J. Sejnowski. "A Learning Algorithm for Boltzmann Machines", Cognitive Science, 1985, vol. 9, p. 147169.

157. Aiyer S.V.B., N. Niranjan and F. Fallside. "A theoretical investigation into the performance of the Hopfield model", IEEE Transactions on Neural Networks, 1990, vol. 15, p. 204-215.

158. Aizerman M.A., E.M. Braverman and L.I. Rozonoer. "The probability problem of pattern recognition learning and the method of potential functions", Automation and Remote Control, 1964E, vol. 25, p. 1175-1193.

159. Albus J.S. "Outline for a theory of intelligence", IEEE Transactions on Systems, Man and Cybernetics, 1991, vol. 21, p. 473-509.

160. Aleksander I. and H. Morton. An Introduction to Neural Computing, London: Chapman and Hall, 1990.

161. Allport A. "Visual attention", In Foundations of Cognitive Science, M.I. Posner, ed., 1989, p. 631-682, Cambridge, MA: MIT Press.

162. Barto A.G., S.J. Bradtke and S. Singh. "Learning to act using realtime dynamic programming", Artificial Intelligence, 1995, vol. 72, p. 81-138.

163. Basar E., ed. Chaos in Brain Function, New York: Springer-Verlag, 1990.

164. Bashkirov O.A., E.M. Braverman and LB. Muchnik. "Potential function algorithms for pattern recognition learning machines", Automation and Remote Control, 1964, vol. 25, p. 629-631.

165. Battiti R. "First- and second-order methods for learning: Between steepest descent and Newton's method", Neural Computation, 1992, vol. 4, p. 141-166.

166. Bauer H.-U., R. Der and M. Hermman. "Controlling the magnification factor of self-organizing feature maps", Neural Computation, 1996, vol. 8, p. 757-771.

167. Baum E.B. "Neural net algorithms that learn in polynomial time from examples and queries", IEEE Transactions on Neural Networks, 1991, vol. 2, p. 5-19.

168. Baum E.B. and^ D. Haussler. "What size net gives valid generalization", Neural Computation, 1989, vol. 1, p. 151-160.

169. Beaufays F. and E.A. Wan. "Relating real-time backpropagation and backpropagation-through-time: An aplication of flow graph interreciprocity". Neural Computation, 1994, vol. 6, p. 296-306.

170. Becker S. "Learning to categorize objects using temporal coherence", Advances in Neural Information Processing Systems, 1993, vol. 5, p. 361-368, San Mateo. CA: Morgan Kaufmann.

171. Becker S. "Mutual information maximization: models of cortical self-organization", Network: Computation in Neural Systems, 1996, vol. 7, p. 7-31.

172. Birnbaum Z.W., Saunders S.C. A new family of life distribution // J. Appl. Prob. 1969. - N 6. - P. 319-347.

173. Cohen L. Time-Frequency Analysis, Englewood Cliffs, NJ: Prentice-Hall, 1995.

174. Cohen M.A. "The construction of arbitrary stable dynamics in nonlinear neural networks", Neural Networks, 1992B, vol. 5, p. 83-103.'

175. Cohen M.A. and S. Grossberg. "Absolute stability of global pattern formation and parallel memory storage by competitive neural networks", IEEE Transactions on Systems, Man and Cybernetics, 1983, vol. SMC-13, p. 815826.

176. Cohn D. and G. Tesauro. "How tight are the Vapnik-Chervonenkis bounds", Neural Computation, 1992, vol. 4, p. 249-269.

177. Comon P. "Independent component analysis", Proceedings of International Signal Processing Workshop on Higher-order Statistics, 1991, p. 111-120, Cham-rousse, France.

178. Comon P. "Supervised classification, a probabilistic approach", European Symposium on Artificial Neural Networks, 1995, p. 111-128, Brussels, Belgium.

179. Constantine-Paton M., H.T. Cline and E. Debski. "Patterned activity, synaptic convergence and the NMDA receptor in developing visual pathways", Annual Review of Neuroscience, 1990, vol. 13, p. 129-154.

180. Cook A.S. "The complexity of' theorem-proving procedures", Proceedings of the 3rd Annual ACM Symposium on Theory of Computing, 1971, p. 151-158, New York.

181. Cook P.A. Nonlinear Dynamical Systems, London: Prentice-Hall International. 1986.

182. Cooper L.N. "A possible organization of animal memory and learning", Proceedings of the Nobel Symposium on Collective Properties of Physical Systems. B. Lundquist and S. Lundquist, eds., 1973, p. 252-264, New York: Academic Press.

183. Cormen T.H., C.E. Leiserson and R.R. Rivest. Introduction to Algorithms. Cambridge, MA: MIT Press, 1990.

184. Cortes C and V. Vapnik. "Suport vector networks", Machine Learning, 1995. vol. 20, p. 273-297.

185. Cottrell M. and J.C. Fort. "A stochastic model»of retinotopy: A\self organizing process", Biological Cybernetics, 1986, vol. 53, p. 405-411.

186. Dubois D. and H. Prade. Fuzzy Sets and, Systems: Theory and' Aplications, New York: Academic Press, 1980.

187. Duda R.O. and'RE. Hart. Pattern Classification and Scene Analysis, New York: Wiley, 1973.

188. Dunford N. and J.T. Schwartz. Linear Operators, Part 1, New-York: Wiley, 1966.

189. Durbin R. and D. Willshaw. "An analogue'approach to the travelling salesman problem using an.elastic net method", Nature, 1987, vol. 326, p. 689691.

190. Durbin,R., C Miair and G. Mitchison, eds. The Computing Neuron, Reading. MA: Addison-Wesley, 1989.

191. Dyn N. "Interpolation of scattered data by radial functions", in'« Topics hr Multivariate Aproximation, C.K. Chui, L.L. Schumaker and F.I. Uteras, eds., 1987. p. 47-61, Orlando, FL: Academic Press.

192. Edelman G.M. Neural Darwinism, New York: Basil Books, 1987.203: Eeckman' F.H. "The sigmoid nonlinearity in prepyriform cortex!1,

193. Neural. Information Processing Systems, 1988, pi 242-248, New York: American Institute of Physics.

194. Eggermont J.J. The Correlative Brain: Theory and Experiment in Neural Interaction, New York: Springer-Verlag, 1990.

195. El Hihi S. and Y Bengio. "Hierarchical recurrent neural networks for long-tern-, dependencies", Advances in Neural Information Processing Systems, 1996, vol 8, p. 493-499, MIT Press.

196. Elman J.L. "Finding structure in time", Cognitive Science, 1990, vol. 14, p. 179-211.

197. Fix E. and J.L. Hodges. "Discriminatory analysis: Nonparametric discrimination: Consistency properties", USAF School of Aviation Medicine, 1951, Project 21-49-004, Report no. 4, p. 261-279, Randolph Field, Texas.

198. Fletcher R. Practical Methods of Optimization, 2nd edition, New York: Wiley, 1987.

199. Fodor J.A. and Z.W. Pylyshyn. "Connectionism and cognitive architecture: a critical analysis", Cognition, 1988, vol. 28, p. 3-72.

200. Foldiak P. "Adaptive network for optimal linear feature extractions", IEEE International Joint Conference on Neural Networks, 1989, vol. I, p. 401405, Washington, DC.

201. Forcada M.L. and R.C. Carrasco. "Learning the initial state of a second-order recurrent neural network during regular-language inference", Neural Computation, 1995, vol. 7, p. 923-930.

202. Forney G.D., Jr. "The Viterbi algorithm", Proceedings of the IEEE, 1973, vol. 61, p. 268-278.Forte J.C. and G. Pages. "On the a.s. convergence of the Kohonen algorithm with a general neighborhood function", Annals of Aplied Probability, 1995, vol.

203. Forte J.C. and G. Pages. "Convergence of stochastic algorithm: From the Kush-ner and Clark theorem to the Lyapunov functional", Advances in Aplied Probability, 1996, vol. 28, p. 1072-1094.

204. Frasconi P. and M. Gori. "Computational capabilities of local-feedback recurrent networks acting as finite-state machines", IEEE Transactions on Neural Networks, 1996, vol. 7, p. 1521-1524.

205. Fraser A.M. "Information and entropy in strange attractors", IEEE Transactions on Information Theory, 1989, vol. 35, p. 245-262.

206. Freeman W.J. "Tutorial on neurobiology: From single neurons to brain chaos". International Journal of Bifurcation and Chaos in Aplied Sciences and Engineering, 1992, vol. 2, p. 451-482.

207. Freeman W.J. Societies of Brains. Hillsdale, NJ: Lawrence Erlbaum, 1995.

208. Fukushima K., S. Miyake and T. Ito. "Neocognitron: A neural network model for a mechanism of visual pattern recognition", IEEE Transactions on Systems, Man and Cybernetics, 1983, vol. SMC-13, p. 826834.

209. Gabor D. "Communication theory and cybernetics", IRE Transactions on Circuit Theory, 1954, vol. CT-1, p. 19-31.

210. Galland C.C. "The limitations of deterministic Boltzmann machine learning", Network, 1993, vol. 4, p. 355-379.

211. Gallant S.I. Neural Network Learning and Expert Systems, Cambridge, MA: MIT Press, 1993.

212. Gallistel C.R. The Organization of Learning, Cambridge, MA: MIT Press, 1990.

213. Gardner E. "Maximum storage capacity in neural networks", Electrophysics Letters, 1987, vol. 4, p. 481-485.

214. Garey M.R. and D.S. Johnson. Computers and Intractability, New York: W.H. Freeman, 1979.

215. Gee A.H. "Problem solving with optimization networks", Ph.D. dissertation. University of Cambridge, 1993.

216. Gee A.H., S.V.B. Aiyer and R. Prager. "An analytical framework for optimizing neural networks", Neural Networks, 1993, vol. 6, p. 79-97.

217. Geisser S. "The predictive sample reuse method with aplications", Journal of the American Statistical Association, 1975, vol. 70, p. 320-328.

218. Gelfand A.E. and A.F.M. Smith. "Sampling-based aproaches to calculating marginal densities", Journal of the American Statistical Association, 1990, vol. 85, p. 398A09.

219. Geman S. and D. Geman. "Stochastic relaxation, Gibbs distributions and the Bayesian restoration of images", IEEE Transactions on Pattern Analysis and Machine Intelligence, 1984, vol. PAMI-6, p. 721-741.

220. Geman S., E. Bienenstock and R. Doursat. "Neural networks and the bias/variance dilemma", Neural Computation, 1992, vol. 4, p. 1-58.

221. Hastie T. and W. Stuetzle. "Principal curves", Journal of the American Statistical Association, 1989, vol. 84, p. 502-516.

222. Hastings W.K. "Monte Carlo sampling methods using Markov chains and their aplications", Biometrika, 1970, vol. 87, p. 97-109.

223. Haussler D. "Quantifying inductive bias: AI learning algorithms and Valiant's learning framework", Artificial Intelligence, 1988, vol. 36, p. 177221.

224. Hawkins R.D. and G.H. Bower, eds. Computational Models of Learning in Simple Neural Systems, San Diego, CA: Academic Press, 1989.

225. Hu C. The BerKeley reliability simulator BERT: an IC reliability simulator, Microelectr. J., 1992, vol.23, №2, pp. 97102.

226. Hush D.R. and B.G. Home. "Progress in supervised neural networks: What's new since Lipmann", IEEE Signal Processing Magazine, 1993, vol. 10, p. 8-39.

227. Hush D.R. and J.M. Salas. "Improving "the learning rate of back-propagation with the gradient reuse algorithm", IEEE International Conference on Neural Networks, 1988, vol. I, p. 441A-47, San Diego, CA.

228. Illingsworth V., E.L. Glaser and I.C. Pyle. Dictionary of Computing, New York: Oxford University Press, 1989.

229. Intrator N. "Feature extraction using an unsupervised neural network", Neural Computation, 1992, vol. 4, p. 98-107.

230. ISSN 1028-9763. matemaranm ManiHHH i chctcmh, 2007, № 3, 4 237

231. ISSN 1028-9763. MaTeMaTHHHi Manuum i chctcmh, 2007, №> 3, 4 238

232. Jaakkola T. and M.I. Jordan. "Computing upper and lower bounds on likelihoods in intractable networks", in E. Horwitz, ed., Workshop on Uncertainty in Artificial Intelligence, Portland, Or, 1996.

233. Jackson E.A. Perspectives of Nonlinear Dynamics, vol. 1, Cambridge: Cambridge University Press, 1989.

234. Ken Neubeck MIL HDBK -217 and the real // RAC Journal. -1994.-Vol. 2, N2.-P. 15-18.

235. Norman B. Fuqua "Physics of Failure" historic perspective // RAC Journal. - 1995. - Vol. 3, N 2. - P. 27-30.

236. Reliability and Quality Report. Fourth Quarter 1996. Motorola, Inc., 1996.-P. 64-69.

237. Schrodinger E. Zur theorie der fallund streigver suche an teilchen mit brownscher bewegung // Physikalische teitshrift. 1915. - N 16. - P. 289

238. Xilinx. Quality assurance and reliability, 1997, Nov. 21 (Version 2.0), pp.11-1,11.

239. Zelen M., Dannemiller M.C. The robustness of life testing procedures derived from the exponential distribution //Technometrics. 1961. - Vol. 3, N 1. - P. 29-49.295.