автореферат диссертации по приборостроению, метрологии и информационно-измерительным приборам и системам, 05.11.13, диссертация на тему:Идентификация и диагностика состояний природных и технических объектов по акустическим шумам

На правах рукописи

Кутузов Александр Александрович

ИДЕНТИФИКАЦИЯ И ДИАГНОСТИКА СОСТОЯНИЙ ПРИРОДНЫХ И ТЕХНИЧЕСКИХ ОБЪЕКТОВ ПО АКУСТИЧЕСКИМ ШУМАМ

Специальность 05.11.13 - Приборы и методы контроля природной среды, веществ, материалов и изделий

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

Курск - 2006

Работа выполнена в Курском государственном техническом университете

Научный руководитель: доктор технических наук, профессор Дрейзин Валерий Элезарович

Официальные оппоненты: доктор технических наук, профессор Коробко Виктор Иванович

доктор технических наук, главный научный сотрудник ФГУП «Курский НИИ» МО РФ Бурмака Александр Александрович

Ведущая организация: ФГОУ ВПО Российский государственный аграрный заочный университет, г. Балашиха

Защита диссертации состоится » 2006 г. в «

часов на заседании диссертационного совета Д212.182.01 Орловского государственного технического университета по адресу: 302020, г. Орел, Наугорское шоссе, 29.

С диссертацией можно ознакомиться в библиотеке Орловского государственного технического университета.

Автореферат разослан «

/7

Ученый секретарь диссертационного совета, доктор технических наук, профессор

/4. 2006 г.

/

Суздальцев А.И.

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. В настоящее время широко применяются методы технической диагностики машин и механизмов по генерируемому ими акустическому шуму и вибрациям их отдельных элементов. Данными проблемами занимались многие отечественные и зарубежные ученые и инженеры: Ю.В. Ланге, С.И. Воропаев, В.Н. Костюков, Б.В. Павлов, Д. Митчел, Д. Линн и др. Однако, чем сложнее объект, тем сложнее получается и анализируемый акустический сигнал, и тем труднее идентифицировать по нему состояние объекта. Причина здесь в том, что в большинстве случаев суммарный акустический сигнал складывается из очень многих составляющих, которые генерируются отдельными деталями и элементами работающей машины или вибрирующего после удара изделия. В результате наложения и вынужденных, и собственных колебаний множества этих элементов с меняющейся во времени амплитудой и различными периодами, а также происходящей между ними интерференции, сам суммарный сигнал и его спектр получаются нестационарными. Из них очень сложно выделить устойчивые информативные признаки, по которым можно было бы проводить идентификацию состояний объекта. Разработке методов анализа таких акустических сигналов, связанных с выделением близких к стационарным коротких отрезков исходных сигналов и получения из них «типичных» для данного состояния квазистационарных реализаций сигналов, которые в дальнейшем подвергаются спектральному анализу, с выделением из полученных спектров устойчивых информативных признаков, отбором их оптимальной совокупности для идентификации заданного множества состояний объекта и построением решающих правил для проведения идентификации посвящена настоящая диссертационная работа. Указанные методы анализа могут использоваться не только в диагностике технических объектов, но и при мониторинге природных и биологических объектов, характеризуемых сложными циклическими процессами.

Для проверки эффективности предлагаемых методов желательно выбрать объект, который характеризуется наиболее сложными акустическими сигналами, со всеми специфическими особенностями, которые отмечались выше. Кроме того, решение указанных задач для выбранного класса объектов должно уже са " гародно-

хозяйственное значение. Указанным требованиям удовлетворяет такой природный объект как пчелиная семья, диагностика которой по акустическому шуму, представляющему собой сложный случайный нестационарный процесс, направлена на выявление её биологических состояний. Большой теоретический материал по диагностированию состояний пчелиных семей представлен в работах отечественных ученых Е.К. Еськова и А.Ф. Рыбочкина. Если разработанные в диссертации методы анализа окажутся эффективными для данной задачи, то есть все основания полагать, что в аналогичных задачах технической диагностики и неразру-шающего контроля они будут ещё эффективней, поскольку акустические сигналы технических объектов заведомо являются более регулярными и близкими к стационарным, чем сигналы пчелиных семей.

Цель и задачи работы. Цель работы состоит в исследовании и разработке методов и алгоритмов обработки и анализа акустических сигналов, генерируемых сложными техническими и природными объектами, для идентификации их состояний и диагностики, а также разработке структуры реализующих их аппаратных и программных средств на примере системы диагностирования состояний пчелиных семей по акустическому шуму.

Для достижения поставленной цели необходимо решить следующие задачи:

- исследовать и разработать методы и алгоригмы предварительной обработки нестационарных акустических сигналов для выделения их квазистационарных участков и формирование из них «типичных» для каждого распознаваемого состояния квазистационарных реализаций, пригодных для дальнейшей обработки;

- исследовать и разработать методы и алгоритмы параметризации (выделения информативных признаков) полученных «типичных» реализаций сигналов путём построения по ним энергетических спектров и их усреднения по узким частотным полосам;

- разработать критерии информативности информативных признаков, не требующих предварительного построения решающих правил классификации, и с их помощью произвести отбор оптимальной совокупности информативных признаков, необходимой для идентификации заданного множества состояний исследуемого объекта;

- исследовать и разработать методы построения решающих правил для идентификации состояний по выделенной совокупности информативных признаков;

- разработать структуры аппаратных и программных средств автоматизированной исследовательской системы, на базе которой реализуются методы и алгоритмы идентификации состояний;

- классифицировать и архивировать акустические сигналы пчелиных семей по определяемым экспертным путём (пчеловодами) состояниям, в которых они находятся, для накопления обучающей выборки и построения по ней системы диагностирования состояний пчелиных семей с использованием разработанных методов и алгоритмов.

Методы исследования. Для решения поставленных в работе задач применялись методы теории случайных процессов и математической статистики, спектрального анализа, теории распознавания образов, математического моделирования и экспериментальные методы.

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

- обоснована необходимость и разработаны метод и алгоритм предварительной обработки нестационарных акустических сигналов с целью выделения из них коротких квазистационарных участков, из которых формируются «типичные» для конкретных состояний квазистационарные реализации сигналов;

- разработан метод параметризации (выделения измеримых информативных признаков) «типичных» реализаций акустических сигналов, базирующийся на измерении спектральной плотности, усреднённой по сопряжённым узким полосам частот их энергетического спектра;

- разработаны критерии информативности выделенных признаков, не требующие предварительного построения решающих правил, и базирующийся на них алгоритм определения оптимального набора информативных признаков из их первоначальной избыточной совокупности, обеспечивающего компактность решающих правил при сохранении достоверности распознавания;

- разработан метод и алгоритм построения решающих правил на основе линейных разделяющих функций, задающих границы областей в многомерном пространстве информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критериев разделимости классов.

Практическая значимость и результаты внедрения.

Разработанные методы, алгоритмы и реализующие их программы составляют основное функциональное ядро программного обеспечения систем идентификации, диагностики и неразрушающего контроля сложных технических и природных объектов по акустическим шумам и вибрациям. В частности на их основе разработана обучаемая автоматизированная система диагностирования состояния пчелиных семей по акустическому шуму, которая позволяет существенно облегчить труд пчеловодов и повысить продуктивность пасек. Результаты диссертационной работы внедрены в учебный процесс Курского государственного технического университета в учебных дисциплинах «Основы теории распознавания образов», «Физические основы передачи сигналов», «Учебная исследовательская работа студентов», а создаваемый на основе полученных в диссертации результатов исследовательский комплекс будет внедряться в ведущей организации ФГОУ ВПО Российском государственном аграрном заочном университете, г. Балашиха и в Курск-ГТУ.

Основные положения, выносимые на защиту:

Метод и алгоритм двухэтапной предварительной обработки сложных нестационарных акустических сигналов, предназначенные для выделения квазистационарных участков сигнала и синтеза из них «типичных» реализаций сигналов, содержащих информацию о текущем состоянии объекта.

Метод оптимальной параметризации акустических сигналов, базирующийся на разделении энергетического спектра сигнала на узкие частотные полосы и определении усредненной по каждой такой полосе спектральной мощности.

Метод и критерии, позволяющие построить алгоритм отбора оптимальной совокупности информативных признаков из первоначального избыточного набора, обеспечивающий компактность решающих правил при сохранении достоверности распознавания.

Метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов.

Структура и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной исследовательской системы диагностирования состояний пчелиных семей по акустическому шуму.

Апробация работы. Основные положения диссертационной работы докладывались на следующих научно-технических конференциях: IV международная научно-техническая конференция «Медико-экологические информационные технологии - 2001» (Курск, 2001), V международная конференция «Распознавание - 2001» (Курск, 2001), V международная научно-техническая конференция «Медико-экологические информационные технологии - 2002» (Курск, 2002), XI Российская научно-техническая конференция «Материалы и упрочняющие технологии -2004» (Курск, 2004), III международная научно-техническая конференция «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2005), ITT всероссийская и I международная научно-практическая конференция «Пчеловодство холодного и умеренного климата - 2005» (Псков, 2005).

Публикации. Основные результаты выполненных исследований и разработок представлены в 6 опубликованных и 3 публикуемых печатных работах, в том числе шести статьях, получен патент Российской Федерации. В работах, выполненных в соавторстве, автором был внесён следующий вклад: в [1, 2, 3] предложен цифровой подход и техническая реализация метода распознавания состояния пчелиных семей, в [4] проведено исследование предпосылок создания автоматизированного комплекса и поставлены основные его задачи, в [5] предложен метод и алгоритм отбора участков сигнала, по которым в дальнейшем производится распознавание состояния пчелиных семей, в [6] предложена математическая модель системы распознавания с обучением, а также разработаны алгоритмы отбора информативных признаков для распознавания состояния пчелиных семей и определения весовых коэффициентов решающих правил при максимизации критерия Фишера, в [7] разработана структура и алгоритмы функционирования аппаратного и программного обеспечения комплекса диагностирования пчелиных семей по акустическому шуму.

Структура и объем работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 103 наименования, 2 приложений, изложена на 159 страницах и поясняется 32 рисунками и 11 таблицами.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении к диссертации обосновывается актуальность темы, определяются цель и задачи исследования, показана научная новизна и практическая значимость полученных результатов, представлена апробация работы.

В первой главе рассматриваются известные методы и средства спектрального анализа, технические средства акустического контроля сложных технических объектов, базирующиеся на спектральном анализе. Показана целесообразность разработки методов акустической диагностики для объектов, характеризуемых наиболее вариабельными сигналами. Обосновывается выбор в качестве такого объекта пчелиной семьи, состояния которой характеризуются случайными нестационарными сигналами. Рассмотрены существующие методы и средства диагностирования пчелиных семей по их акустическому шуму. Определяются цель и задачи исследования.

Во второй главе исследуется метод и алгоритм предварительного анализа оцифрованных акустических сигналов для выделения квазистационарных участков с устойчивым спектром. Он проводится в два этапа. На первом этапе анализируемый сигнал, длительностью Т секунд сканируется окном, длительностью 1 секунд, со сдвигом х = Х/к секунд, где к - целое число (рис. 1). На каждом ¡-ом сдвиге вычисляется несмещенная оценка дисперсии по выборке, определяемой окном, объёмом п = ^д, где 1д - частота дискретизации сигнала, xJ - оцифрованные значения мгновенных значений сигнала, взятые с частотой дискретизации

Далее, путём сравнения дисперсий отбираются группы непересекающихся участков с близкими (в статистическом смысле) дисперсиями.

Т

'О Окно I ( ,, 21 ... 31 „ (ш-1)1 к.

I__ ' ._ . 11 ._I_Ш_I % I м |

: Окно I ■

Сдвиг т

Сдвиг т

Рис. 1. Графическое представление алгоритма выбора участков сигнала с близкими дисперсиями

Близость дисперсии оценивается по критерию Кохрана при доверительной вероятности Р=0,95. Группа, содержащая максимальное количество идентичных (по дисперсии) участков, образует «типичную» реализацию необходимой длины, которая используется для построения энергетического спектра сигнала.

На втором этапе алгоритма полученные «типичные» реализации проверяются на стационарность путём сравнения их энергетических спектров. Для этого сигнал разбивается на N непересекающихся равных по длительности участков и по каждому из них строится энергетический спектр. Гипотеза о том, что на всей анализируемой длине сигнал стационарен, принимается в том случае, если полученные спектры эквивалентны в статистическом смысле. Для проверки гипотезы эквивалентности спектров применяется критерий согласия Пирсона %2.

При проверке гипотезы эквивалентности спектров необходимо стремиться к уменьшению ошибки второго рода (гипотеза принимается, а на самом деле она не верна). Для этого выбирается достаточно жёсткий уровень значимости критерия а = 0,95. В результате проведённых расчётов и численных экспериментов с реальными сигналами пчелиных семей были определены временные параметры алгоритма: Т= 60 с, I = от 3 до 10 с, т = 1 с.

В главе 3 обоснована общая концепция оценки состояний сложного объекта по акустическому шуму, разработаны метод и алгоритмы отбора оптимальной совокупности информативных признаков, а также метод и алгоритм построения решающих правил для диагностирования сложных объектов по акустическим сигналам.

При решении задачи распознавания состояний сложного объекта необходимо учитывать, что априорно практически невозможно выделить все его возможные состояния. В этих условиях построение жёсткого классификатора, с заранее определённым набором информативных признаков, распознаваемых классов и решающих правил не полностью отвечает целям диагностики, поскольку при эксплуатации системы обязательно будут появляться такие состояния, которые не диагностируются данным классификатором. Таким образом, для обеспечения гибкости система диагностирования должна иметь возможность дообучения в процессе эксплуатации. Это означает, что алгоритмическое обеспечение этой системы должно включать не только средства предварительного анализа и обработки акустических сигналов с выделением информативных признаков и заранее построенный классификатор начального мно-

9

жества диагностируемых состояний, но и средства определения оптимальной совокупности информативных признаков и построения нового классификатора, если предъявляются сигналы, не диагностируемые начальным классификатором. В этом случае система получается универсальной. Она не только выполняет функции диагностической системы для конкретного класса объектов, позволяющей классифицировать заранее заданное множество состояний объекта, но и может использоваться в качестве исследовательского комплекса, позволяющего выявлять новые состояния исследуемого объекта и модифицировать классификатор для их диагностирования. Такую систему достаточно легко адаптировать и к новым классам объектов.

Так как по одному и тому же набору информативных признаков может быть построено множество различных классификаторов, то в условиях, когда начальное множество этих признаков явно избыточно и между отдельными признаками могут существовать достаточно тесные корреляционные связи, выявить оптимальное их подмножество, необходимое для распознавания заданного числа состояний объекта и построить для него оптимальный классификатор весьма затруднительно. Поэтому целесообразно оценку «разделительных свойств» того или иного признака производить вне связи с используемым классификатором. Поскольку исходное множество признаков может включать коррелирующие между собой признаки, то нельзя ограничиваться оценкой разделительных свойств каждого признака в отдельности. Необходимо использовать такие критерии, которые позволяют оценивать разделительные свойства и каждого признака в отдельности, и любой их совокупности.

Критерий, позволяющий оценивать разделительные свойства каждого признака в отдельности для произвольной пары классов ц и г представлен выражением (1).

'V (X.) (х.) (X.)

V ^ч» +Р<Аг> »А'

е(х'

где Р(а ), Р(а ) - вероятности классов а„ и a rf*^- дисперсии

ч q г А^ аг

(*¡) (x¡)

классов а и а по признаку х,; ц 1 и ц 1 - математические ожидания

q г q г

классов д^ и Af по признаку х,.

Суммируя его значение для всех пар классов, получаем обобщённую по всем парам классов характеристику разделительных способностей данного информативного признака:

(*.) (X.) 2

, , м , ч м &*А "Л 1tP(A ) + Р(Аг)1

е(х,)= м м q Аг -(2)

q,r = 1 q,r = I Р(А ) 0^'+Р(Аг) D^i'

q * г q # г q г

Критерий (2) позволяет ранжировать информативные признаки по их информативности для распознавания анализируемых состояний. Однако суммарные критерии (2) характеризуют усреднённую информативность данного информативного признака по всем парам состояний. При этом одни пары состояний могут разделяться очень хорошо (разница между интенсивностями спектральных составляющих в данной полосе частот большая), а другие - плохо (разница между интенсивностями спектральных составляющих при соответствующих состояниях мала и находится в пределах их вариаций для различных реализаций сигналов при тех же самых состояниях). Поэтому для таких, плохо различаемых пар состояний, надо искать другие информативные признаки, которые хорошо различают именно эти пары состояний.

Однако данные критерии не учитывают возможной взаимной корреляции информативных признаков. Поэтому предлагаются критерии, позволяющие учесть взаимную корреляцию информативных признаков и базирующаяся на них процедура оптимального отбора признаков. Критерий, характеризующий разделительную способность отобранной произвольной совокупности признаков в многомерном пространстве, имеет вид:

в0* = ч Аг q г q (3)

V P(Aq)trCq+P(Ar)trCr

íx) (i)

где / - количество отобранных признаков; ц . и (А ' - многомерные век-

q г

торы математических ожиданий классов Aq и Af по совокупности признаков х; trCqH trCr - следы ковариационных матриц классов А^ и Af по совокупности признаков х.

С использованием критерия (3) процедура отбора оптимальной совокупности информативных признаков осуществляется следующим образом. Первый информативный признак отбирается по максимуму критерия (2). Затем к нему по очереди добавляется каждый из оставшихся и для каждой полученной пары признаков вычисляются значения критерия (3), усреднённые для всех пар классов. Отбирается пара с максимальным значением критерия (3) и по критерию Стьюдента оценивается значимость приращения критерия (3) при добавлении очередного признака. Вместо усреднённого для всех пар классов значения критерия (3) может использоваться его значение для пары классов с наихудшей разделимостью.

Далее к выбранной паре информативных признаков по очереди добавляется каждый из оставшихся и вся процедура повторяется. Добавление информативных признаков продолжается до тех пор, пока добавление очередного информативного признака перестанет давать значимое улучшение критерия (3) для всех пар классов или для пары классов с наихудшей разделимостью.

Решающие правила (классификатор) определяются в виде линейных решающих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию (с учётом возможных вариаций отдельных реализаций одних и тех же состояний). Строятся М решающих функций (4), при которых каждый класс будет отделяться от других одной разделяющей поверхностью. Значениями информативных признаков при построении решающих правил являются усреднённые по всем реализациям обучающей выборки интенсивности спектральных составляющих . Весовые коэффициенты определяются при условии

максимизации критерия Фишера, который определяет, насколько далеко друг от друга отстоят распределения значений линейной функции в разделяемых классах.

(т + 1)М

где а^ - весовые коэффициенты, соответствующие ¡-му признаку и .¡-му классу, ш - общее количество признаков.

Так как принята гипотеза о нормальности распределений признаков, значение порога а„,+1 принимается, как ограничение каждого состояния двусторонними границами. Учитывая, что при нормальном законе распределения значений информативных признаков в интервал шириной ±2а = ± 2л/о попадает примерно 95% всех реализаций, решающие правила могут быть приведены к виду (5).

где: Бу - дисперсии значения ¡-го признака для ]-го класса, определяемая по N д реализациям сигнала в выборке для класса Аг

При диагностировании состояний алгоритм программного обеспечения вычисляет значения результативного признака у0, Уь уг—, Уы и сопоставляет их с заранее вычисленными границами по каждому из распознаваемых состояний. Если лишь для одного из уравнений системы (5) вычисленное значение у, попадает в разрешённый интервал между верхним и нижним граничными значениями, то данная реализация сигнала соответствует именно данному >му состоянию. Если ни для одного из уравнений значение у} не попадает между границами данного состояния, то это будет свидетельствовать о том, что данная реализация сигнала соответствует состоянию, не включённому в заданное множество М. Такая ситуация вполне вероятна, поскольку реальные состояния объекта зависят от множества факторов, которые могут накладываться друг на друга, что может приводить к практически неограниченному множеству возможных состояний.

С использованием предложенных критериев и алгоритмов проведена обработка накопленного банка записей акустических сигналов пчелиных семей, классифицированных пчеловодами на два состояния «нормальное» и «роевое». Построенные классификаторы по оптимальной совокупности признаков (оказалось включено 6 признаков из 18) по

откорректированному обучающему множеству (с исключением «арте-фактных» реализаций) показали 1,5 % ошибку классификации «нормального» состояние и безошибочное распознавание «роевого» состояния, а по полному не исправленному обучающему множеству показали соответственно 20 % ошибку распознавания «нормального» состояния и безошибочную классификацию «роевого» состояния. Довольно высокая ошибка выделения «нормального» состояния, помимо ошибки распознавания при используемых решающих правилах, может быть объяснена ошибочностью исходной, полученной при помощи эксперта (пчеловода), классификации состояний, поскольку любое состояние кроме роевого пчеловоды считали нормальным. По откорректированной выборке реализаций сигналов, получаемой путём отбрасывания реализаций, не попадающих в пределы ±2а по каждому классу, при идентификации нормального состояния допускается только одна ошибка, а роевое состояние, как и в первом случае, определяется безошибочно. Для оптимизации решающих правил необходимо в дальнейшем накапливать обучающее множество значений признаков при условии высокого доверия к получаемым априорным данным.

В главе 4 разработаны структурные схемы и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной системы диагностирования состояния пчелиных семей по акустическому шуму. Основными задачами автоматизированной исследовательской системы диагностирования состояния пчелиных семей являются: сбор и регистрация акустических данных; преобразование полученных данных; передача данных в ПЭВМ; приём данных ПЭВМ; хранение полученных данных; обработка и анализ данных; отображение результатов.

На рисунке 2 представлена структурная схема автоматизированной исследовательской системы диагностирования состояния пчелиных семей, при реализации которой решаются перечисленные задачи.

Канал передачи данных от контроллера улья (4,5,..ш) до ПЭВМ (1) делится на два участка: канал передачи данных от оконечного устройства (4,5,...ш) до контроллера пасеки (2) (канал 1) и канал передачи данных от контроллера пасеки в ПЭВМ (канал 2). В качестве физической среды передачи данных для канала 1 используется электрический провод. Подключение контроллера пасеки к ПЭВМ (канал 2) осуществляется при помощи стандартного проводного интерфейса компьютера USB.

Рис. 2. Структурная схема автоматизированной исследовательской системы диагностирования состояния пчелиных семей

Контроллеры улья обеспечивают сбор, преобразование в цифровой вид и кодирование акустической информации по командам управления. Контроллер пасеки обеспечивает приём данных от контроллера пасеки по каналу 1, их преобразование и передачу в ПЭВМ; приём команд управления от ПЭВМ и их передачу в контроллеры улья. Питание контроллеров улья и контроллера пасеки осуществляется от автономного источника питания (3) - автомобильного аккумулятора.

Специальное программное обеспечение (СПО) работает в трёх основных режимах: режим работы с сетью контроллеров улья (режим 1), режим обработки информации, занесённой в ПЭВМ при помощи звуковой карты или коммуникационных портов (режим 2) и режим диагностирования состояний пчелиных семей (режим 3). Основными задачами СПО для режима 1 являются: программное сопряжение и управление контроллером пасеки, подготовка команд, полученных от пользователя, для передачи в контроллер пасеки, форматирование данных, полученных от контроллера пасеки, и их сохранение в wave файлы. При внесении данных в ПЭВМ с помощью звуковой карты или коммуникационных портов характеристики полученных файлов (СПО работает только с wave файлами), могут отличаться от требуемых в алгоритмах СПО (частота дискретизации выше используемой в СПО). Таким образом, в СПО для режима 2 предусматривается возможность предварительной обработки файлов, к которой относятся фильтрация и передискретизация сигнала. Основными функциями режима 3 являются: предварительная обработка сигнала, выбранного пользователем из таблицы базы

данных, реализация алгоритма диагностики состояния по имеющемуся классификатору, реализация алгоритма построения классификатора по обучающему множеству уже классифицированных (по состоянию семьи) сигналов с обучением. Функции этапа 3 реализуются на основании математического аппарата, разработанного в главах 2 и 3.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Основными проблемами при разработке методов и алгоритмов идентификации и диагностирования состояний сложных объектов по акустическим сигналам являются стохастичность и нестационарность анализируемых сигналов, что определяет существенную вариабельность их спектров. А это осложняет и достоверную идентификацию соответствующих состояний объекта. Решение указанных проблем возможно путйм проведения предварительной обработки сигналов.

2. Для анализа слабостационарных и нестационарных сигналов целесообразно использовать не амплитудный, а энергетический спектр, который при большом числе обрабатываемых отсчётов характеризуется состоятельностью и несмещённостью. Разработана общая методика определения информативного частотного диапазона анализируемых сигналов и частотного разрешения при построении энергетических спектров, обеспечивающая компромисс между требованиями хорошей различаемое™ спектров, соответствующих различным состояниям объекта и сглаживания индивидуальных различий спектров различных отрезков одной и той же реализации сигнала при минимизации объёмов вычислительной работы.

3. Разработаны метод и алгоритм предварительной обработки акустических сигналов пчелиных семей, предназначенные на первом этапе для предварительного удаления не эквивалентных по величине дисперсий участков сигнала, а на втором этапе - для отбора из оставшихся участков сигнала по полученным критериям подобия спектральных характеристик стационарных участков. Энергетический спектр отобранного участка сигнала параметризуется путём вычисления усреднённых по узким полосам частот спектральных плотностей мощности сигнала. Даны рекомендации по выбору базы усреднения (ширины узких полос частот).

4. Предложена концепция построения гибкой обучаемой универсальной диагностической системы для идентификации состояний сложных природных и технических объектов по акустическим шумам, позволяющая дополнять исходное число распознаваемых состояний по мере накопления новых записей акустических сигналов.

5. Разработаны критерии определения информативности каждого информативного признака в отдельности и любой их совокупности, не требующие предварительного построения классификатора и позволяющие отбирать оптимальную совокупность информативных признаков для идентификации заданного множества состояний объекта. На базе этих критериев разработаны алгоритмы построения оптимального набора информативных признаков из первоначальной избыточной совокупности признаков.

6. Предложены метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов.

7. На основе разработанных методов, критериев и алгоритмов разработаны программы для ПЭВМ, реализующие задачи предварительной обработки акустических сигналов, построения их энергетических спектров, выделения из них информативных признаков, отбора оптимального подмножества информативных признаков, обеспечивающего максимум критерия разделимости классов, и построения решающих правил.

8. С использованием разработанного программного обеспечения проведены экспериментальные исследования по накопленному массиву магнитофонных записей акустических сигналов пчелиных семей, идентифицированных по состояниям экспертами традиционными методами. Поскольку с наибольшей достоверностью пчеловодами выделялось два состояния: «нормальное» и «роевое», то из всего накопленного массива записей были отобраны только записи, относящиеся к указанным состояниям, и для них произведена оценка разделительных свойств и каждого признака в отдельности, и их различных совокупностей. Построенные по ним решающие правила и анализ проведённой по ним классификации подтвердили правильность всех теоретических положений, разработанных в диссертации, и достаточную эффективность разработанных методов предварительной обработки сигналов, их параметризации,

критериев информативности признаков, алгоритмов отбора оптимальной совокупности информативных признаков и построения по ним классификатора. Поскольку, разработанные в диссертации методы, алгоритмы и критерии оказались эффективными при решении задачи диагностирования состояний пчелиных семей, акустические сигналы которых являются случайными и нестационарными, то их использование будет эффективным и в аналогичных задачах диагностики технических объектов, характеризуемых более регулярными и близкими к стационарным сигналами.

9. Разработана структура и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной исследовательской системы, реализующей разработанные в диссертации методы предварительной обработки акустических сигналов, их параметризации, оценки их разделительных свойств и построения по ним решающих правил для диагностирования состояний пчелиных семей по акустическому шуму. Система может применяться не только в исследовательских целях, но и в качестве подсистемы диагностирования состояний пчелиных семей по акустическому шуму в автоматизированном комплексе контроля и управления пасеки.

СПИСОК НАУЧНЫХ РАБОТ, ОПУБЛИКОВАННЫХ ПО ТЕМЕ ДИССЕРТАЦИИ

1. Кутузов, A.A. Измерительный комплекс для распознавания состояний пчелиных семей по акустическому шуму [Текст]/ В.Э. Дрейзин, А.Ф. Рыбочкин, И.С. Захаров, A.A. Кутузов // Сборник материалов четвертой международной научно - технической конференции Медико-экологические информационные технологии - 2001. Курск, 2001. С. 193-196.

2. Кутузов, A.A. Оптимизация выбора информативных признаков при распознавании состояний пчелиных семей [Текст]/ В.Э. Дрейзин, А.Ф. Рыбочкин , A.A. Кутузов // Сборник материалов 5-й международной конференции «Распо-знавание-2001». Курск, 2001. Т.2. С. 190-192.

3. Кутузов, A.A. Построение решающих правил при распознавании состояний пчелиных семей [Текст]/ В.Э. Дрейзин, А.Ф. Рыбочкин, A.A. Кутузов // Сборник материалов 5-й международной научно-технической конференции «Медико-экологические информационные технологии -2002». Курск, 2002. с. 152-155.

4. Кутузов, A.A. Предпосылки создания комплекса диагностирования состояния пчелиных семей по акустическому шуму [Текст]/ В.Э. Дрейзин, A.A. Кутузов // Сборник материалов XI Российской научно-технической конференции «Материалы и упрочняющие технологии - 2004». Курск, 2004. с. 174-182.

5. Кутузов, А.А Определение участков спектра для получения признаков, достоверно характеризующих сигнал, при распознавании состояния пчелиных семей по акустическому шуму. [Текст]/ A.A. Кутузов, В.Э. Дрейзин, А.Ф. Ры-бочкин // Сборник материалов III всероссийской и I международной научно -практической конференции «Пчеловодство холодного и умеренного климата -2005». Псков, 2005. В печати (7 е.).

6. Кутузов, A.A. Математическая модель диагностирования состояния пчелиных семей и построение классификатора [Текст]/ A.A. Кутузов, В.Э. Дрейзин, А.Ф. Рыбочкин // Сборник материалов III всероссийской и I международной научно - практической конференции «Пчеловодство холодного и умеренного климата -2005». Псков, 2005. В печати (8 е.).

7. Кутузов, A.A. Структура и программное обеспечение автоматизированного комплекса диагностирования состояний пчелиных семей [Текст]/ A.A. Кутузов, В.Э. Дрейзин, А.Ф. Рыбочкин // Сборник материалов III всероссийской и I международной научно - практической конференции «Пчеловодство холодного и умеренного климата-2005». Псков, 2005. В печати (5 е.).

8. Кутузов, А.А Предварительная обработка оцифрованного акустического сигнала при распознавании состояния пчелиных семей [Текст]/ A.A. Кутузов // Сборник материалов III международной научно-технической конференции «Современные инструментальные системы, информационные технологии и инновации». Курск, 2005. с. 132-141.

9. Кутузов, A.A. Структура и подход к построению цифрового канала передачи данных комплекса диагностирования состояния пчелиных семей по акустическому шуму [Текст]/ A.A. Кутузов // Сборник материалов XI Российской научно-технической конференции «Материалы и упрочняющие технологии -2004». Курск, 2004. с. 163-173.

10. Патент 2259041, Россия, МКИ А 01 К 47/00 Способ и устройство диагностики состояний пчелиных семей по их акустическому шуму/А.Ф. Рыбочкин. В.Э. Дрейзин, И.С. Захаров, Б.Б Дрёмов, A.A. Кутузов. Опубликован в бюл. 27.08.2005, №24.

Формат 60x84 1/16 Бумага для множительных аппаратов. Печать на копировальном аппарате КГСХА. Уел пен л. 1,0 Уч -издл 1,0 Тираж 100экз.

X 00£ft

б-саз

И-619У

Введение.

1. Методы и устройства анализа и идентификации акустических сигналов.

1.1. Аналоговые методы и устройства спектрального анализа.

1.2. Цифровые методы спектрального анализа.

1.3. Технические средства акустического контроля сложных объектов, базирующиеся на спектральном анализе.

1.4. Методы и специальные приборы. акустического контроля состояния пчелиных семей.

1.5. Формулировка цели и задач диссертации.

2. Методы предварительной обработки и анализа акустических сигналов.

2.1. Исследование стационарности исходных сигналов и формирование квазистационарных «типичных» реализаций сигналов с близкими дисперсиями.

2.2. Математический аппарат построения энергетических спектров.

2.3. Выбор информативного частотного диапазона сигнала и частотного разрешения при построении энергетических спектров.

2.4. Цель и общая программа и методики проведения экспериментальных исследований.

2.5. Проведение предварительной обработки акустических сигналов пчелиных семей.

3. Отбор оптимальной совокупности информативных признаков и построение классификатора.

3.1. Общая концепция диагностирования состояний сложного объекта по акустическому шуму.

3.2. Критерии предварительного отбора информативных признаков.

3.3. Алгоритм предварительного отбора информативных признаков.

3.4. Критерии разделимости классов по совокупности информативных признаков.

3.5. Алгоритм отбора оптимальной совокупности информативных признаков.

3.6. Критерии значимости улучшения критериев разделимости классов при добавлении информативных признаков.

3.7. Построение решающих правил.

3.8. Получение обучающей выборки значений признаков и построение классификатора состояний пчелиных семей.

4. Структура и алгоритмы функционирования автоматизированной исследовательской системы диагностирования состояния пчелиных семей.

4.1. Структурная схема автоматизированной исследовательской системы диагностирования состояний пчелиных семей.

4.2. Проводной канал передачи данных, структурные схемы контроллеров улья и контроллера пасеки.

4.3. Программное обеспечение автоматизированной исследовательской системы диагностирования состояний пчелиных семей.

Актуальность работы. Одним из важных направлений неразрушающего контроля и технической диагностики являются методы, основанные на анализе акустических колебаний, шумов и вибраций либо генерируемых объектом контроля в процессе функционирования, либо возбуждаемых в объекте внешним генератором (или периодическими ударами). Данными проблемами занимались многие отечественные и зарубежные ученые и инженеры: Ю.В. Ланге, С.И. Воропаев, В.Н. Костюков, Б.В. Павлов, Д. Митчел, Д. Линн и др. В частности, уже давно и успешно применяются методы технической диагностики машин и механизмов (в том числе газовых и паровых турбин, автомобильных двигателей и т.п.) по генерируемому ими акустическому шуму и вибрациям их отдельных элементов. С давних пор используется метод дефектоскопии изделий и конструкций путём их «простукивания» с анализом генерируемых звуков «на слух», который в настоящее время получил приборное развитие под названием метода «свободных колебаний», когда упругие колебания, возбуждаемые периодическими ударами по объекту, преобразуются в электрический сигнал и подвергаются спектральному анализу, а по изменениям спектра судят о наличии, характере и расположении дефектов в контролируемом объекте. Особенно эффективным этот метод оказался для обнаружения дефектов соединения между слоями в многослойных изделиях и конструкциях. Однако, и в том, и в другом случаях (т.е. и при генерировании акустических сигналов самим объектом, и при его возбуждении с помощью наносимых по объекту ударов) чем сложнее объект, тем сложнее получается и анализируемый акустический сигнал, и тем труднее идентифицировать по нему состояние объекта. Причина здесь в том, что, хотя в обоих случаях процессы, генерирующие анализируемый сигнал, можно отнести к циклическим, но и в сложных работающих машинах, и в сложных изделиях, в которых упругие колебания возбуждаются за счёт внешних циклических воздействий, суммарный акустический сигнал складывается из очень многих составляющих, которые генерируются отдельными деталями и элементами работающей машины или вибрирующего после удара изделия. При этом каждый из этих элементов обладает своими резонансными частотами, которые не только не совпадают друг с другом, но и не кратны. В результате наложения и вынужденных, и собственных колебаний множества этих элементов с меняющейся во времени амплитудой и различными (и также могущими изменяться во времени) периодами, а также происходящей между ними интерференции, сам суммарный сигнал (во временной области) и его спектр получаются нестационарными. Из них очень сложно выделить устойчивые информативные признаки, по которым можно было бы проводить идентификацию состояний объекта. В итоге сложилась противоречивая ситуация, когда быстрое совершенствование технологий сбора и обработки данных на базе современной компьютерной техники как в реальном времени, так и при использовании ретроспективного анализа, наталкивается на отсутствие эффективных методов анализа нестационарных и квазистационарных процессов, выделения из таких сигналов устойчивых информативных признаков и синтеза решающих правил, позволяющих проводить надёжную идентификацию состояний указанных объектов. Именно разработке таких методов анализа, связанных с выделением близких к стационарным коротких отрезков исходных сигналов и получения из них «типичных» для данного состояния квазистационарных реализаций сигналов, которые в дальнейшем подвергаются спектральному анализу, с выделением из полученных спектров устойчивых информативных признаков, отбором их оптимальной совокупности для идентификации заданного множества состояний объекта и построением решающих правил для проведения идентификации посвящена настоящая диссертационная работа.

Указанные методы анализа могут использоваться не только в технической диагностике и неразрушающем контроле технических объектов акустическими методами, но и при мониторинге природных и биологических объектов, характеризуемых сложными циклическими процессами.

Очевидно, что для проверки эффективности предлагаемых методов желательно выбрать объект, который, с одной стороны, характеризуется наиболее сложными акустическими сигналами, со всеми специфическими особенностями, которые отмечались выше, а с другой стороны, позволял бы получать неограниченное множество реализаций сигналов, соответствующих его различным состояниям, достаточно надёжно идентифицируемым какими-либо прямыми методами. Кроме того, решение указанных задач для выбранного класса объектов должно уже само по себе иметь важное народно-хозяйственное значение. Указанным требованиям удовлетворяет такой природный объект как пчелиная семья. В самом деле, акустический шум пчелиной семьи складывается из звуков, генерируемых тысячами пчёл, входящих в неё. При этом различные группы пчёл занимаются одновременно разнообразной деятельностью, а следовательно, издают шумы различного характера. Даже сигнал единичной летящей пчелы не является строго стационарным (зависит от совершаемых ей манёвров и скорости полёта). Тем более нестационарным будет суммарный сигнал всей пчелиной семьи. Тем не менее, опытные пчеловоды могут «на слух» различать некоторые характерные состояния пчелиной семьи по издаваемому ей акустическому шуму. Уже много лет во всём мире ведутся исследования по выявлению влияния состояний пчелиной семьи на характер издаваемого ей акустического шума, которые доказали, что такие связи объективно существуют. Наиболее полно результаты таких исследований представлены в работах Е.К. Есь-кова, А.Ф. Рыбочкина. Но все попытки идентифицировать состояния пчелиных семей с помощью достаточно простых методов спектрального анализа акустических сигналов не привели к успеху именно из-за их сложности и нестационарности.

Поэтому, если разработанные в диссертации методы анализа окажутся эффективными для данной задачи, то есть все основания полагать, что в аналогичных задачах технической диагностики и неразрушающего контроля они будут ещё эффективней, поскольку акустические сигналы технических объектов заведомо являются более регулярными и близкими к стационарным, чем сигналы пчелиных семей.

Цель работы состоит в исследовании и разработке методов и алгоритмов обработки и анализа акустических сигналов, генерируемых сложными техническими и природными объектами, для идентификации их состояний и диагностики, а также разработке структуры реализующих их аппаратных и программных средств на примере системы диагностирования состояний пчелиных семей по акустическому шуму.

Основные задачи, решаемые в работе:

- исследование и разработка методов и алгоритмов предварительной обработки нестационарных акустических сигналов для выделения их квазистационарных участков и формирование из них «типичных» для каждого распознаваемого состояния квазистационарных реализаций, пригодных для дальнейшей обработки;

- исследование и разработка методов и алгоритмов параметризации (выделения информативных признаков) полученных «типичных» реализаций сигналов путём построения по ним энергетических спектров и их усреднения по узким частотным полосам;

- разработка критериев информативности информативных признаков, не требующих предварительного построения решающих правил классификации, и отбор с их помощью оптимальной совокупности информативных признаков, необходимой для идентификации заданного множества состояний исследуемого объекта;

- исследование и разработка методов построения решающих правил для идентификации состояний по выделенной совокупности информативных признаков;

- разработка структуры аппаратных и программных средств автоматизированной исследовательской системы, на базе которой реализуются методы и алгоритмы идентификации состояний;

- классификация и архивирование акустических сигналов пчелиных семей по определяемым экспертным путём (пчеловодами) состояниям, в которых они находятся, для накопления обучающей выборки и построения по ней системы диагностирования состояний пчелиных семей с использованием разработанных методов и алгоритмов.

Методы исследования. Для решения поставленных в работе задач применялись методы теории случайных процессов и математической статистики, спектрального анализа, теории распознавания образов, математического моделирования и экспериментальные методы.

Научная новизна работы:

- обоснована необходимость и разработаны метод и алгоритм предварительной обработки нестационарных акустических сигналов с целью выделения из них коротких квазистационарных участков, из которых формируются «типичные» для конкретных состояний квазистационарные реализации сигналов;

- разработан метод параметризации (выделения измеримых информативных признаков) «типичных» реализаций акустических сигналов, базирующийся на измерении спектральной плотности, усреднённой по сопряжённым узким полосам частот их энергетического спектра;

- разработаны критерии информативности выделенных признаков, не требующие предварительного построения решающих правил, и базирующийся на них алгоритм определения оптимального набора информативных признаков из их первоначальной избыточной совокупности, обеспечивающего компактность решающих правил при сохранении достоверности распознавания;

- разработан метод и алгоритм построения решающих правил на основе линейных разделяющих функций, задающих границы областей в многомерном пространстве информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критериев разделимости классов.

Практическая ценность работы:

Разработанные методы, алгоритмы и реализующие их программы составляют основное функциональное ядро программного обеспечения систем идентификации, диагностики и неразрушающего контроля сложных технических и природных объектов по акустическим шумам и вибрациям. В частности на их основе разработана обучаемая автоматизированная система диагностирования состояния пчелиных семей по акустическому шуму, которая позволяет существенно облегчить труд пчеловодов и повысить продуктивность пасек. Результаты диссертационной работы внедрены в учебный процесс Курского государственного технического университета в учебных дисциплинах «Основы теории распознавания образов», «Физические основы передачи сигналов», «Учебная исследовательская работа студентов», а создаваемый на основе полученных в диссертации результатов исследовательский комплекс будет внедряться в ведущей организации ФГОУ ВПО Российском государственном аграрном заочном университете, г. Балашиха и в КурскГТУ.

На защиту выносятся:

- метод и алгоритм двухэтапной предварительной обработки сложных нестационарных акустических сигналов, предназначенные для выделения квазистационарных участков сигнала и синтеза из них «типичных» реализаций сигналов, содержащих информацию о текущем состоянии объекта;

- метод оптимальной параметризации акустических сигналов, базирующийся на разделении энергетического спектра сигнала на узкие частотные полосы и определении усреднённой по каждой такой полосе спектральной мощности;

- метод и критерии, позволяющие построить алгоритм отбора оптимальной совокупности информативных признаков из первоначального избыточного набора, обеспечивающий компактность решающих правил при сохранении достоверности распознавания;

- метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов;

- структура и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной исследовательской системы диагностирования состояний пчелиных семей по акустическому шуму.

Апробация работы. Основные положения диссертационной работы докладывались на следующих научно-технических конференциях: четвёртая международная научно-техническая конференция «Медико-экологические информационные технологии - 2001» (Курск, 2001), пятая международная конференция «Распознавание - 2001» (Курск, 2001), пятая международная научно-техническая конференция «Медико-экологические информационные технологии - 2002» (Курск, 2002), XI Российская научно-техническая конференция «Материалы и упрочняющие технологии - 2004» (Курск, 2004), третья международная научно-техническая конференция «Современные инструментальные системы, информационные технологии и инновации» (Курск, 2005), III всероссийская и I международная научно-практическая конференция «Пчеловодство холодного и умеренного климата - 2005» (Псков, 2005).

Публикации. Основные результаты выполненных исследований и разработок опубликованы в 9 печатных работах, в том числе шести статьях, получен патент Российской Федерации. В работах, опубликованных в соавторстве, автором был внесен следующий вклад: в [103, 53, 64] предложен цифровой подход и техническая реализация метода распознавания состояния пчелиных семей, в [34] проведено исследование предпосылок создания автоматизированной системы и поставлены основные её задачи, в [47] предложен метод и алгоритм отбора участков сигнала, по которым в дальнейшем производится распознавание состояния пчелиных семей, в [65] предложена математическая модель системы распознавания с обучением, а также разработаны алгоритмы отбора информативных признаков для распознавания состояния пчелиных семей и определения весовых коэффициентов решающих правил при максимизации критерия Фишера, в [94] разработана структура и алгоритмы функционирования аппаратного и программного обеспечения системы диагностирования пчелиных семей по акустическому шуму.

Структура и объём работы. Диссертационная работа состоит из введения, четырех глав, заключения, списка литературы, включающего 103 наимено

Выводы:

1. Определены основные задачи автоматизированной исследовательской системы диагностирования состояния пчелиных семей по акустическому шуму. С их учётом разработана структурная схема автоматизированной исследовательской системы, реализация которой позволяет решить поставленные задачи.

2. Предложено в автоматизированной исследовательской системе использовать цифровую передачу данных, поскольку цифровые каналы отличаются рядом преимуществ по сравнению с аналоговыми. В связи с этим в работе рассмотрены каналы передачи данных, применяемые в системе. Разработаны структурные схемы блоков автоматизированной системы диагностирования состояния пчелиных семей (контроллеров улья и пасеки), ориентированные на применение микро-ЭВМ и обобщенные алгоритмы их работы.

3. Определены основные функции специального программного обеспечения, работающего на ПЭВМ, на основании которых разработана структура СПО автоматизированного исследовательского комплекса диагностирования состояния пчелиных семей по акустическому шуму. Основная часть СПО, реализующая методы и алгоритмы предварительной обработки акустических сигналов, их параметризации, отбора оптимальной совокупности информативных признаков, построения решающих правил (классификатора) и диагностирования вновь предъявляемых реализаций сигналов с помощью построенного классификатора реализована на языке высокого уровня С++ в интегрированной среде разработки Borland С++ Builder 4.0.

4. Описанные в работе аппаратные и программные средства анализа акустических сигналов, для повышения функциональной эффективности обслуживания, могут быть включены в состав автоматизированного комплекса контроля и управления пасеки в качестве подсистемы акустической диагностики состояний пчелиных семей.

ЗАКЛЮЧЕНИЕ

1. Основными проблемами при разработке методов и алгоритмов идентификации и диагностирования состояний сложных объектов по акустическим сигналам являются стохастичность и нестационарность анализируемых сигналов, что определяет существенную вариабельность их спектров. А это осложняет и достоверную идентификацию соответствующих состояний объекта. Решение указанных проблем возможно путём проведения предварительной обработки сигналов, заключающейся в разделении полученных реализаций сигнала на короткие отрезки, определения степени их идентичности по статистическим характеристика, отбраковки отрезков с существенно отличающимися статистическими характеристиками и формировании из оставшихся «типичных» для данного состояния объекта квазистационарных реализаций сигналов, которые подвергаются дальнейшему анализу.

2. Из теории случайных сигналов и в результате проведения экспериментальных исследований реальных сигналов пчелиных семей сделан вывод, что для анализа слабостационарных и нестационарных сигналов целесообразно использовать не амплитудный, а энергетический спектр, который более устойчив, чем амплитудный и при большом числе обрабатываемых отсчётов характеризуется состоятельностью и несмещённостью. Разработана общая методика определения информативного частотного диапазона анализируемых сигналов и частотного разрешения при построении энергетических спектров, обеспечивающая компромисс между требованиями хорошей различаемое™ спектров, соответствующих различным состояниям объекта и сглаживания индивидуальных различий спектров различных отрезков одной и той же реализации сигнала при минимизации объёмов вычислительной работы. Она подкреплена на конкретном примере построения энергетических спектров акустических сигналов пчелиных семей.

3. На основании известных методов спектрального анализа разработаны алгоритмы и программы построения энергетических спектров «типичных» квазистационарных реализаций сигналов, базирующиеся на быстром преобразовании Фурье. На этом этапе производится вторая проверка исследуемых сигналов на стационарность, для чего полученные «типичные» реализации разбиваются на несколько отрезков равной длины, по которым вычисляются энергетические спектры и по критерию Пирсона проводится их сравнение на статистическую эквивалентность. Удовлетворяющие этому критерию энергетические спектры параметризуются путём вычисления усреднённых по узким полосам частот спектральных плотностей мощности сигнала. Даны рекомендации по выбору базы усреднения (ширины узких полос частот).

4. Предложена концепция построения гибкой обучаемой универсальной диагностической системы для идентификации состояний сложных природных и технических объектов по акустическим шумам, в соответствии с которым базовое программное обеспечение системы должно включать не только программы предварительного анализа и обработки акустических сигналов (или их записей) с выделением информативных признаков и заранее построенный классификатор на какое-то начальное множество диагностируемых состояний, но и программы определения оптимальной совокупности информативных признаков и построения нового классификатора, если предъявляются сигналы, не диагностируемые начальным классификатором. Такая система не только выполняет функции диагностической системы для конкретного класса объектов, позволяющей классифицировать заранее заданное множество состояний объекта, но и может использоваться в качестве исследовательского комплекса, перенастраивать эту систему для любых других объектов, состояния которых характеризуются акустическими сигналами. В этом случае необходимо лишь накопить представительную выборку записей сигналов, характеризующих те или иные состояния этого объекта, которые требуется диагностировать, и в диалоговом режиме определить количественные характеристики параметризации исходных сигналов, которые для каждого типа объектов будут специфичны.

5. Разработаны критерии определения информативности каждого информативного признака в отдельности и любой их совокупности, не требующих предварительного построения классификатора и позволяющие отбирать оптимальную совокупность информативных признаков для идентификации заданного множества состояний объекта. На базе этих критериев разработаны алгоритмы построения оптимального набора информативных признаков из первоначальной избыточной совокупности признаков.

6. Предложен метод и алгоритм построения решающих правил на основании линейных разделяющих функций, задающих границы областей в многомерном пространстве отобранных информативных признаков, соответствующих каждому распознаваемому состоянию, при максимизации критерия разделимости классов.

7. На основе разработанных методов, критериев и алгоритмов разработаны программы для ПЭВМ, реализующие задачи предварительной обработки акустических сигналов, построения их энергетических спектров, выделения из них информативных признаков, отбора оптимального подмножества информативных признаков, обеспечивающего максимум критерия разделимости классов, и построения решающих правил.

8. С использованием разработанного программного обеспечения проведены экспериментальные исследования по накопленному массиву магнитофонных записей акустических сигналов пчелиных семей, идентифицированных по состояниям экспертами (пчеловодами) традиционными методами. Поскольку с наибольшей достоверностью пчеловодами выделялось два состояния: «нормальное» и «роевое», то из всего накопленного массива записей были отобраны только записи, относящиеся к указанным состояниям и для них произведена оценка разделительных свойств и каждого признака в отдельности и их различных совокупностей. Построенные по ним решающие правила и анализ проведённой по ним классификации подтвердил правильность всех теоретических положений, разработанных в диссертации, и достаточную эффективность разработанных методов предварительной обработки сигналов, их параметризации, критериев информативности признаков, алгоритмов отбора оптимальной совокупности информативных признаков и построения по ним классификатора. Поскольку, разработанные в диссертации методы, алгоритмы и критерии оказались эффективными при решении задачи диагностирования состояний пчелиных семей, акустические сигналы которых являются случайными и нестационарными, то их использование будет эффективным и в аналогичных задачах диагностики и неразрушающего контроля технических объектов. Потому что акустические сигналы технических объектов заведомо являются более регулярными и близкими к стационарным, чем сигналы пчелиных семей.

9. Разработана структура и алгоритмы функционирования аппаратного и программного обеспечения автоматизированной исследовательской системы, реализующей разработанные в диссертации методы предварительной обработки акустических сигналов, их параметризации, оценки их разделительных свойств и построения по ним решающих правил для диагностирования состояний пчелиных семей по акустическому шуму. Система может применяться не только в исследовательских целях, но и в качестве подсистемы диагностирования состояний пчелиных семей по акустическому шуму в автоматизированном комплексе контроля и управления пасеки.

10. Результаты диссертационной работы внедрены в учебный процесс Курского государственного технического университета в учебных дисциплинах «Основы теории распознавания образов», «Физические основы передачи сигналов», «Учебная исследовательская работа студентов», а создаваемый на основе полученных в диссертации результатов исследовательский комплекс будет внедряться в ведущей организации ФГОУ ВПО Российском государственном аграрном заочном университете, г. Балашиха и в КурскГТУ.

1. Кузнецов, В.А Измерения в электронике: Справочник Текст./ В.А. Кузнецов, В.А.Долгов, В.М. Коневских и др. М.: Энергоатомиздат, 1987. 512 с.

2. Рабинер, JI Теория и применение цифровой обработки сигналов Текст./ Л. Рабинер, Б. Гоулд. М.: Мир, 1978. 836 с.

3. Оппенгейм, А. Применение цифровой обработки сигналов: Пер. с англ. Текст./ А. Оппенгейм. М.: Мир , 1980.

4. Оппенгейм, А.В. Цифровая обработка сигналов Текст./А.В. Оппенгейм, Р.В Шафер: Пер. с англ. М.: Связь , 1979.416с.

5. Гольденберг, Л.М. Цифровая обработка сигналов Справочник Текст./ Л.М. Гольденберг, Б.Д. Матюшкин, М.Н. Поляк. М.:Радио и связь, 1985.312 с.

6. Блейхут, Р. Быстрые алгоритмы цифровой обработки сигналов Текст./ Р. Блейхут. М.: Мир, 1989.448 с.

7. Куприянов, М.С. Техническое обеспечение цифровой обработки сигналов Текст./М.С. Куприянов, Б.Д. Матющкин: СПб. «Форт», 2000. 752 с.

8. Ланге, Ю.В. Акустические низкочастотные методы неразрушающего контроля многослойных конструкций Текст./ Ю.В. Ланге. М.Машиностроение, 1991.272 с.

9. Клюев, В.В. Приборы для неразрушающего контроля материалов и изделий. Справочник. Т2 Текст./ В.В. Клюев, В.Г. Герасимов, А.К. Гурвич и др. М.Машиностроение, 1986. 352 с.

10. Ланге, Ю.В. Низкочастотный акустический дефектоскоп АД-60С Текст./ Ю.В. Ланге, Е.Г. Устинов // Дефектоскопия, 1982. №2, с. 12-15.

11. Мозговой, А.В. Фазочастотный акустический метод дефектоскопии слоистых изделий из полимерных материалов Текст./ А.В. Мозговой, A.M. Ахметшин , Д.А. Рапопорт //Дефектоскопия, 1988. №4, с.50-55.

12. Ланге, Ю.В. Применение спектрального анализа в низкочастотных акустических дефектоскопах Текст. /Ю.В. Ланге, С.И. Воропаев, В.Ф. Мужицкий, B.C. Лапшин и др. // Дефектоскопия, 1995. №10, с. 74-84

13. Низкочастотный акустический дефектоскоп АД-701. Руководство по эксплуатации РЭ 4276-006-52736667-05.

14. Русов, В.А. Спектральная вибродиагностика Текст. /В.А. Русов. Пермь, первый вып. 1996. 176 с.16. www.diamech.ru17. www.encotes.ru18. www.mosotd.ru19. www.chereda.net20. www.vibrotek.com

15. Еськов, Е.К. Акустическая сигнализация общественных насекомых Текст./Е.К. Еськов. М.: Наука, 1979. 209 с.

16. Еськов, Е.К. Отношение пчёл к звукам и вибрации Текст./ Е.К. Еськов//Природа, 1970. №8, с.70-72.

17. Еськов, Е.К. Структура звукового фона пчелиной семьи Текст./ Е.К. Еськов // Зоол. журн. 1972. № 51, с. 1018 1024.

18. Еськов, Е.К. Микроклимат улья и биологическое состояние пчелиной семьи Текст./Е.К. Еськов // Пчеловодство, 1974. №3, с.19-21.

19. Еськов, Е.К. Контроль за физиологическим состоянием пчелиных семей Текст./ Е.К. Еськов, A.M. Сапожников, А.И. Торопцев // Пчеловодство, 1976. №4, с. 10-11.

20. Shauff F. Die electronische Schwarmkontrolle //Allg. Dtsch. Imkerzei-tung, 1975. №4, S. 93-95.

21. Еськов, Е.К. Звуковая сигнализация медоносных пчёл Текст./ Е.К. Еськов //Вестн. НИИ пчеловодства, 1970. №19, с. 1-80.

22. Еськов, Е.К. Акустический контроль состояния пчелиных семей Текст./ Е.К. Еськов // Пчеловодство, 1972. №1, с 26 -27.

23. Патент 2055473, Россия, МКИ А 01 К 57/00 Устройство для определения физиологического состояния пчелиной семьи «РОЙ»/ В.Е. Носовский, С.А. Кожанов, И.В. Архипов. Опубликован в бюл. 10.03.96, №7.

24. Патент 2099942, Россия, МКИ А 01 К 57/00 Устройство для акустического контроля за состоянием пчелиной семьи/В.Э. Дрейзин, А.Ф. Рыбочкин, И.С. Захаров, Е.К. Еськов. Опубликован в бюл.27.12.97.,№36.

25. Патент 2259041, Россия, МКИ А 01 К 47/00 Способ и устройство диагностики состояний пчелиных семей по их акустическому шуму/А.Ф. Рыбочкин, В.Э. Дрейзин, И.С. Захаров, Б.Б Дремов, А.А. Кутузов. Опубликован в бюл. 27.08.2005, №24.

26. Патент 2101941, Россия, МКИ А 01 К 57/00 Автоматизированная система управления жизнедеятельностью пчелиных семей в ульях/Е. К. Еськов, А.Ф. Рыбочкин, В.Г. Кислов. Опубликован в бюл. 20.01.98 №2.

27. Патент 2118084, Россия, МКИ А 01 К 57/00 Автоматизированная система для контроля жизнедеятельности пчелиных семей/А.Ф. Рыбочкин, В. Э. Дрейзин. Опубликован в бюл. 27.08.98 №24.

28. Бендат, Дж. Прикладной анализ случайных данных Текст./Дж. Бен-дат, А.Пирсол. М.: Мир, 1989. 540 с.

29. Вентцель, Е.С. Теория вероятностей: Учеб. Для вузов Текст./ Е.С. Вентцель. М.:Высш.шк., 2002. 575 с.

30. Дженкинс, Г Спектральный анализ и его применения. Выпуск 1 Пер с англ. Текст./Г. Дженкинс, Д. Ватте .М.: Мир, 1971. 317 с.

31. Дженкинс, Г Спектральный анализ и его применения. Выпуск 2 Пер с англ. Текст./ Г. Дженкинс, Д. Ватте .М.: Мир, 1972. 286 с.

32. Пустыльник, Е.И.Статистические методы анализа и обработка наблюдений. Текст./ Е.И. Пустыльник. М.: Наука, 1968. 288 с.

33. Вентцель, А.Д. Курс теории случайных процессов . Текст./ А.Д. Вентцель. М.:Наука. Физматлит, 1996.400 с.

34. Баскаков, С.И. Радиотехнические цепи и сигналы: Учебник. Текст./ С.И. Баскаков. М.: Высш. Школа, 1983. 536 с.

35. Кинтцель, Т. Руководство программиста по работе со звуком Текст./ Т. Кинтцель. М.: ДМК Пресс, 2000.432 с.

36. Патент 2161883, Россия, МКИ А 01 К 47/00 Способ диагностирования состояний пчелиной семьи/В.Э. Дрейзин, А.Ф. Рыбочкин, И.С. Захаров. Опубликован в бюл. 20.01.2001.,№2.

37. Янко, Я Математико-статистические таблицы . Текст./Я. Янко. М.:Госстатиздат, 1961. 387 с.

38. Болынев, JI.H. Таблицы математической статистики . Текст./ JI.H. Болынев, Н.В. Смирнов. М.:Наука, 1983. 416 с.

39. Фукунага, К. Введение в статистическую теорию распознавания образов. Текст./ К. Фукунага. М.: Наука, 1979. 367 с.

40. Дрейзин, В.Э Разработка и исследование многопараметровых методов и автоматизированной аппаратуры электромагнитного неразрушающего контроля. Текст./ В.Э. Дрейзин: дис.докт.техн.наук. Курский политехнический институт. Курск, 1992.

41. Иванов, В.И. Энтропийный подход к оценке информативности признаков для распознавания. Текст./ В.И. Иванов, В.Э. Дрейзин // Известие вузов: Приборостроение, 1982. T.XXV. №5. с. 43-48.

42. Дрейзин, В.Э. Критерии для предварительного отбора информативных признаков при распознавании образов Текст./ В.Э. Дрейзин, В.И. Иванов // Известия вузов: Приборостроение, 1982. Т. XXV. №11. с. 48 52.

43. Горелик, A.JI. Некоторые вопросы построения систем распознавания . Текст./ A.JI. Горелик, В.А. Скрипкин. М.: Советское радио, 1974. 223 с.

44. Кендалл, М.Дж. Статистические выводы и связи Текст./ М. Дж. Кендалл, А. Стюарт. М.:Наука, 1973, 899 с.

45. Гмурман, В.Е. Теория вероятностей и математическая статистика Текст./ В.Е. Гмурман. М.: Высш.шк., 2002. 479 с.

46. Ту, Дж. Принципы распознавания образов Текст./ Дж. Ту, Р. Гон-салес. М.: Мир, 1978. 412 с.

47. Фу, Т. Методы распознавания образов Текст./Т. Фу. М.: Наука, 1968.323 с.

48. Патрик, Э.А. Основы теории распознавания образов Текст./ Э.А. Патрик. М.: Советское радио, 1980. 408 с.

49. Вапник, В.Н. Теория распознавания образов. Статистические проблемы обучения Текст./ В.Н. Вапник, А .Я. Червоненкис. М.: Наука, 1974. 415 с.

50. Пересада, В.П. Автоматическое распознавание образов Текст./ В.П. Пересада. JL: Энергия, 1970. 90 с.

51. Дуда, Р., Распознавание образов и анализ сцен Текст./ Р. Дуда, П. Харт. М.: Мир, 1976. 511 с.

52. Гренадер, У. Лекции по теории образов Синтез образов Текст./ У. Гренадер. М.:Мир, 1979. 1т. 382 с.

53. Скляр, Б. Цифровая связь. Теоретические основы и практическое применение Текст./ Б.Скляр. М.: «Вильяме», 2003. 1104 с.

54. Universal Serial Bus Specification. Revision 1.1 Compaq Computer Corporation, Intel Corporation, Microsoft Corporation, NEC Corporation, 1998.

55. Universal Serial Bus Specification. Revision 2.0 Compaq Computer Corporation, Intel Corporation, Microsoft Corporation, NEC Corporation, 2000.

56. Сергиенко, А.Б. Цифровая обработка сигналов Текст./ А.Б. Серги-енко. СПб.: Питер, 2003. 604 с.

57. Финн, Л.М. Теория передачи дискретных сообщений Текст./ Л.М. Финк. М.: «Советское радио», 1970. 728 с.

58. Олифер, В.Г. Компьютерные сети. Принципы, технологии, протоколы Текст./ В.Г. Олифер, Н.А. Олифер. СПб.: Питер, 2000. 416 с

59. Столлингс, В. Компьютерные системы передачи данных Текст./ В. Столлингс. М.: «Вильяме», 2002. 928 с.

60. Ирвин, Дж. Передача данных в сетях: инженерный подход Текст./ Дж. Ирвин, Д. Харль. СПб.:БХВ-Петербург, 2003. 448 с.

61. Томпкинс, У. Сопряжение датчиков и устройств ввода данных с компьютерами IBM PC Текст./ У. Томпкинс, Дж.Уэбстер. М.:Мир 1992. 592 с.

62. Харкевич, А.А. Борьба с помехами Текст./ А.А. Харкевич. М.: «Наука», 1965. 276 с.

63. Власов, В.Ф. Курс радиотехники Текст./ В.Ф. Власов. М.-Л.:Госэнергоиздат, 1962. 928 с.

64. Datasheet 30292С. PIC16F87x Microchip Technology Inc., 2001.

65. Datasheet 39597A. PIC16F72 Microchip Technology Inc., 2002.

66. Datasheet 39564A. PIC 18Fxx2 Microchip Technology Inc., 2001.

67. Datasheet 8-bit AVR Microcontroller AT90S8535, AT90LS8535. Rev.l041H-l 1/01 Atmel Corporation, 2001.

68. Datasheet 8-bit AVR Microcontroller ATtiny 26, ATtiny 26L. Rev. 1477E-AVR-12/03 Atmel Corporation, 2003.

69. Datasheet 8-bit AVR Microcontroller ATmega 48/V, ATmega 88/V, ATmega 168/V. Rev.2545D-AVR-07/04 Atmel Corporation, 2004.

70. Datasheet 8-bit AVR Microcontroller ATmega 165V, ATmega 165. Rev.2573A-AVR-06/04 Atmel Corporation, 2004.

71. Агуров, П. В. Интерфейсы USB. Практика использования и программирования Текст./ П.В. Агуров. СПб.: БХВ-Петербург, 2004.576 с.

72. FT8U245AM Preliminary Information Rev 0.9 Future Technology Devices Intl. Ltd., 2000.

73. Datasheet 245B Version 1.0 Future Technology Devices Intl. Ltd.,2002.

74. FT8U232AM Preliminary Information Rev 0.8 Future Technology Devices Intl. Ltd., 2000.

75. Datasheet 232B Version 1.1 Future Technology Devices Intl. Ltd.,2002.

76. PDIUSBD11 Product Specification Philips Semiconductor, 1999.

77. PDIUSBD12 Product Data Rev. 08-20 Philips Semiconductor, 2001.

78. TD 242 LP Datasheet MU 4001, Rev. 1.1 TransDimension Inc., 2004.

79. TD 243 Product Brief, Rev. 1.8 TransDimension Inc., 2004.

80. Datasheet 41124C. PIC16C745/765 Microchip Technology Inc., 2000.

81. Datasheet C51 Microcontroller AT83C5122, AT83EC5122, AT85C5122. Rev. 4202B-SCR-07/03 Atmel Corporation, 2003.

82. Datasheet 8-bit Flash Microcontroller AT89C5131. Rev.4136A-USB-03/03 Atmel Corporation, 2003.

83. Солдатов, В.П. Программирование драйверов Windows Текст./ В.П. Солдатов. М.: ООО «Бином-Пресс», 2004. 432 с.

84. Сорокина, С.И. Программирование драйверов и систем безопасности Текст./ С.И. Сорокина, А.Ю. Тихонов, А.Ю. Щербаков. СПб.: БХВ-Петербург, 2003. 256 с.

85. Microsoft MSDN Visual Studio.net, 2002.

86. Антонью, А. Цифровые фильтры: анализ и проектирование Текст./ А. Антонью. М.: Радио и связь, 1983. 320с.

87. Архангельский, А.Я. Программирование в C++Builder 5 Текст./ А.Я. Архангельский. М.: ЗАО «Издательство БИНОМ», 2000. 1152с.

88. Пчеловодство холодного и умеренного климата -2005». Псков, 2005. В печати (5 е.).

89. Обучающее множество значений признаков, соответствующих классу №1 и классу №2