автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Технология испытаний и прогнозирования технического состояния электронных средств судовых систем управления

2282

На правах рукописи

Голоскоков Константин Петрович

ТЕХНОЛОГИЯ ИСПЫТАНИЙ И ПРОГНОЗИРОВАНИЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ЭЛЕКТРОННЫХ СРЕДСТВ СУДОВЫХ СИСТЕМ УПРАВЛЕНИЯ

Специальность:05.13.0б - «Автоматизация и управление технологическими процессами и производствами (технические системы)»

АВТОРЕФЕРАТ

диссертации на соискание ученой степени доктора технических наук

Санкт - Петербург 2009

Работа выполнена в Санкт-Петербургском государственном инженерно-экономическом университете

Научный консультант: доктор технических наук, профессор

Францев Роберт Эдуардович

Официальные оппоненты:

доктор технических наук, профессор Варжапетян Артемий Георгиевич доктор технических наук, профессор Арефьев Игорь Борисович доктор технических наук, профессор Мясников Юрий Николаевич

Ведущее предприятие: ОАО Холдинговая компания «Ленинец»

Защита состоится 24 сентября 2009г. в14 часов на заседании диссертационного совета Д223.009.03 при Санкт-Петербургском государственном университете водных коммуникаций по адресу: 198035, Санкт-Петербург, ул. Двинская, д.5/7.,ауд. 235.

С диссертацией можно ознакомиться в библиотеке Университета. Автореферат разослан 2009 г.

Ученый секретарь диссертационного совета

кандидат технических наук, доцент ^ Барщевский Е.Г.

РОССИЙСКАЯ ГОСУДАРСТВЕННАЯ БИБЛИОТЕКА 2 О О 9

1. ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ 1. Аюпуалыюсть проблемы. 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 проверки и испытаний 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 задачей в управлении качеством продукции.

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 долговечности 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;

- 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.

Цель работы и задачи исследования. Цель работы повышение достоверности принятая 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. Классификация способов и методов 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 про1раммирования для судовых средств радиоэлектроники.

Объектом исследования является типовой 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 исследовашш. 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:

о Разработаны методологические аспекты формирования системы испытаний и прогнозирования технического состояния электронных средств судовых АСУ. о Классифицированы способы и методы распознавания технического

состояния электронных средств судовых АСУ. о Разработан метод прогнозирования технического состояния электронных средств систем управления судовыми комплексами, с использованием искусственных нейронных сетей и теории математического программирования, о Разработай метод формирования информационного обеспечения испытаний и прогнозирования электронных средств автоматизации управления судовыми техническими комплексами. .

> Обоснован комплекс информативных параметров.

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

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

о Разработан комплекс математических моделей динамики изменения технического состояния электронных средств АСУ с применением методов динамического .программирования для судовых средств радиоэлектроники при оценке их возможного срока службы.

о Организован вычислительный эксперимент но 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 гшектроиных средств системах управления.

Реализация результатов работы. Результаты диссертационной работы нашли практическое применение: в создании приборов для измерения вертикального профиля ветра в НПП «Лазерные системы»; 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 в ОАО «Радиоавионика.

Материалы диссертационного исследования реализованы также при оценке технического состояния приборов учета в ОАО «Ленпромгаз».

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» 2005,2006 гг„ г.Сашсг-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» 2008г., г. Вологда.

Публикации. Основные положения диссертационной работы опубликованы в 40 научно - технических изданиях, в том числе, в 2-х монографиях, 12-ти статьях 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 иегюль-

зуемых источников из 249 наименований.

II. ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

В 1-й главе рассмотрены основные виды испытаний технического состояния средств судовой электронной техники.

Поставлены вопросы о необходимости определения места системы 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, проверка и испытания на отдельных этапах производства готовых изделий.

Исследования Гаскарова Д.В., Горлова М.А., СтрельниковаМ.П., Лид-ского Э.А., Алексаияна И.Т., А.Г. Варжапетяна и других авторов создают необходимые предпосылки для успешного решения этих проблем. '

Усиление контроля качества в значительной степени связано с ориентацией производства на конкретного потребителя.

ГОСТ 27.003-90 Надежность в технике. Состав и общие правила задания требований по надежности - является основным стандартом для изделий электронной техники.

Испытания - одна из наиболее трудоемких и дорогостоящих процедур программ обеспечения надежности РЭА. В комплекс государственных военных стандартов "Мороз-6" (введен в действие с 01.01.99 г.) включены пять категорий контрольных испытаний (предварительные и государственные -для опытных образцом; периодические, приемосдаточные и типовые - для серийной продукции) и несколько десятков видов испытаний, в том числе 23 - на устойчивость к воздействию климатических и 18 - механических факторов, а также испы тания на надежность - безотказность, долговечность и сохраняемость, испытания на устойчивость к биологическим и специальным средам, к воздействию ионизирующих и электромагнитных излучений и испытания на безопасность. При этом для обеспечения требуемого уровня надежности режимы достоверных испытаний должны быть, с одной стороны, адекватны эксплуатационным, а с другой - за сравнительно короткое время подтверждать возможность выполнения заданных требований в течение всего установленного срока эксплуатации.

Оценку современного состояния нормативно-методического обеспечения системы испытаний на надежность и устойчивость к воздействию внешних факторов можно провести на основе анализа перспективных требований к испытаниям и методов испытаний РЭА на воздействие климатических и механических факторов, регламентированных комплексом государственных военных стандартов (КС) "Мороз-6".

КС "Мороз-6" выдвинул новые требования к проведению контрольных испытаний, в частности на комплексное воздействие внешних факторов (температуры, влажности, вибрации), на воздействие широкополосной случайной вибрации, на прочность при воздействии акустического шума, а также повышенные требования к точности задания и поддержания режимов воздействия температуры, вибрации и др.

Важнейшими факторами, обеспечивающими снижение сроков и затрат на проектирование и отработку нового изделия на надежность, являются стандартизация и унификация продукции

Стандартизация в области надежности носит комплексный характер и взаимоувязана со стандартизацией в областях безопасности, живучести, технической диагностики, применения статистических методов и т.д. Одновременно она должна рассматриваться как составная часть общей проблематики стандартизации качества.

Концепция всеобщего менеджмента качества требует нового подхода к разработке продукции, основанного на непрерывном улучшении качества, что, прежде всего, определяется отсутствием дефектов изделия при его эксплуатации. Если в первой половине XX в. проверка изделия на надежность производилась, как правило, на этапе изготовлеиия опытного образца, то во второй половине века большое внимание стали уделять проверке на надежность на стадии разработки конструкторской и технологической документации — проектировании.

Наибольшее распространение в практике ведущих зарубежных и отечественных предприятий получили следующие современные методы обеспечения качества на стадии проектирования:

функционально-стоимостный анализ (ФСА); функционально-физический анализ (ФФА); анализ видов, последствий и критичности отказов (РМЕА); структурирование функции качества (С>1;0); метод «Шесть сигм».

Начальным уровням качества Сигма соответствуют сотни и десятой дефектов на тысячу, более высоким, пятому и шестому - десятки и единицы на миллион. Цель «6 Сигма» - увеличить качество и уменьшить количество дефектов. Таким образом, достигается снижение расходов (меньше гарантий-

ных претензий по качеству), экономится время и упрочняется позиция компании на рынке.

Задачи, решаемые в данной диссертационной работе относятся к одной из последовательностей «6-ти Сигм», применяющейся для улучшения существующего процесса (рис.1.), DMAIC: Define, Measure, Analyze, Improve, Control. Процесс применения последовательности DMAIC состоит в выполнении комплекса мер, назначенного для каждого из 5-ти этапов, по начальным буквам названия.

Фазы

1 Define

2

Mcas-

1.1.1 Реакции (VOB.VOC)

1.1.2 Определение CTQ 1.1 3 Выбор просктоп

Шаги

1.2.1 Определение объектов измерения

1.2.2 Анализ ироектои-онределенис выходного образа

- 1.3.1 Формирование команды 1.3.2 Формулирование цели для выбранного проекта

Шаг2.4 Уегяноиленме плапооых сроков

2.4 1 Выбор факторов 2.4.2 Выбор плана контроля 2 4.3 Анализ средств измерения

Шаг 2.5 Измерение иачндьдих уровней

2.5.1 Сбор данных

2.5.2 Оценки достигнутого урсшиИ

2.5.3 Объекты улучшения

шзш'м mm;m>ms ы^ШШктттш^тштяях^

¿liprir tHkfJkK« ¿aiqupoiTj" -

3.6.1 Выбор определяющих факторов

.UU)'4,H ПыАор'иаину^йго дом '

4.8.1 1 luliup решений

4.8.2 Ны(юр наилучшего плана

3.7.1 Examination of causes

4.0. \ Практическая реализация плана 4.9 2 Контроль и анализ

Шаг 5.10 Стандартизация

МОЛ Сшндарптция

Шаг 5.11 Мониторинг

Шаг5Л2 Распространение

ь. 11.1 Создание плана менеджмента

5.12.1 Отчет

5.12.2 Раснрис-граненне

Рис. 1. Обзор процессов 6-сигма.

Использование БКР-сисгемы также направлено на оптимизацию организации производства и управления предприятием, то есть на улучшение бизнес-процессов предприятия BPI (Business Process Imrovement). Концепция в

у

ВР1 констатирует, что достичь совершенства невозможно, но к нему нужно все время приближаться. ВР1 определяет уровни совершенства, или иначе уровни непрерывного улучшения бизнес- процессов предприятия (рис. 2).

Динамик-Хаос - дисбаланс коммерческих, производственных и финансовых целей. Хаос характеризуется отсутствием системного взгляда, предприятие рассматривается как совокупность отдельных элементов;

Контроль - балансировка коммерческих, производственных и финансовых целей предприятия. Данный уровень подразумевает «налаженный» учет и контроль основных мероприятий на предприятии;

Оптимизация - оптимизация (упрощение) основных бизнес-процессов на предприятии, что ведет к снижению издержек;

Адаптация - адаптивность бизнес-процессов к условиям внешней среды;

Мировой класс - возможность предприятия формировать рынок.

Каждый ВР1 уровень можно охарактеризовать с точки зрения качества Готовой Продукции (ГП) и критериев управляемости процессов (то есть оценки бизнес - процессов на полноту и точность).

Рис. 2. Уровни непрерывного улучшения бизнес- процессов предприятия.

FMBA - Failure Mode and Effects Analysis - систематический метод профилактики дефектов применяют на ранних стадиях планирования и создания,

Ю

как продукции, так и производственных процессов. Это один из наиболее эффективных методов аналитической оценки результатов конструкторской деятельности, процессов (в том числе и испытаний) на таких важнейших стадиях жизненного цикла продукции, как ее создание и подготовка к производству.

Прогнозирование дефектов и предупреждение их появления на этапе создания новой техники на основе теории проб и ошибок является важной задачей этого метода. Этот метод нацелен на внедрение качества в продукцию, поэтому он должен применяться как можно раньше, по крайней мер, до начала производства. Этот метод сначала применяется в основном при конструировании и создании процессов во всех технических сферах. Этот метод определяет технический уровень продукции с точки зрения предотвращения ошибок, то есть выявления потенциальных ошибок и оценки тяжести последствий для заказчика (внешней стороны), а также устранения ошибок или уменьшение степени их влияния на качество. Анализ основан на теоретических знаниях и информации о прошлом опыте.

В процессе разработки, производства и эксплуатации проводятся разнообразные испытания для оценки и обеспечения надежности. Контролирующими испытаниями на надежность по литературным источникам называют следующие два вида испытаний:

1. Испытания и проверки, служащие средством контроля над факторами, влияющими на надежность изделий. В результате таких испытаний устанавливается, например, что нагрузка на элементы изделия не превышает допустимую или, что при работе изделия не возникает резонансных колебаний, помехозащищенность достаточно эффективна, качество присоединения навесных элементов не ниже требуемых норм и т. д.

Если можно было бы контролировать все действующие на надежность факторы и не только каждый из них в отдельности, но и совместное влияние их, то отпала бы необходимость во всех других испытаниях на надежность. Однако, к сожалению, это сделать практически невозможно. Поэтому, наряду с указанным видом контролирующих испытаний необходим и другой вид испытаний.

2. Испытания, в результате которых с определенной доверительной вероятностью устанавливается, что изделия по уровню своей надежности относятся к определенной группе изделий или, что надежность их не ниже некоторого уровня.

В дальнейшем под контролирующими испытаниями на надежность будем понимать именно этот вид испытаний, так как первый хотя и имеет непосредственное отношение к контролю надежности, по сливается (совпадает) с конструкторскими и техническими проверками, выделяемыми обычно в особую группу.

Контролирующие испытания в общей системе испытаний занимают важное место. Они играют роль своеобразного фильтра на пути движения изделий от изготовителя к потребителю. Не отвечая непосредственно на вопрос о том, какова надежность испытуемых изделий, они обеспечивают выполнение условия: если надежность изделия ниже некоторого уровня, то оно будет забраковано с определенной вероятностью.

Все виды контролирующих испытаний по существу своему являются прогнозирующими. При проведении их используют аппарат теории прогнозирования, а именно:

— предварительно изучают закономерности отказов контролируемого объекта и определяют наиболее подходящий вид функции распределения отказов. Затем устанавливают такие контрольные значения параметров, которые позволяют предполагать (прогнозировать), что изделия, прошедшие контроль, относятся к той или другой группе с определенной, заранее установленной вероятностью.

Выявлены проблемы прогнозирования долговечности по результатам ускоренных испытаний, интенсивность отказов FIT.

Зависимость интенсивности отказов от времени работы ИС имеет вид кривой), которая характеризуется тремя периодами: периодом приработки, в котором интенсивность отказов вначале велика, а затем быстро падает; периодом нормальной работы, то есть основной, в котором значение интенсивности отказов постоянно, и периодом старения (примерно через 25-30 лет нормальной работы), в котором интенсивность отказов начинает вначале медленно, а затем более быстро возрастать.

Ранние отказы возникают, как правило, вследствие конструктивных и технологических недостатков. В нормальных условиях работы этот период длится до I ООО ч. На окончание этого этапа указывает выравнивание кривой интенсивности отказов. Интенсивность отказов в период приработки имеет тенденцию к уменьшению по мере усовершенствования конструкции и технологии.

Для периода нормальной работы в отечественной практике установлено, что интенсивность отказов для ИС высокой надёжности характеризуется величиной от 10'' до ю'1/ч. и сверхвысокой надёжностью от 10 51/ч. и ниже.

В зарубежной практике за основной показатель надёжности применяется среднее время наработай на отказ: MTTF = 10'/FIT, 1 FIT = 1 отказ / (ю' приборо-часов), то есть 1 отказ на 10' ИС.

Выявлено, что одной из важнейших задач совершенствования производственного процесса является внедрение таких систем автоматичирован-

hoto и автомагического 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, 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 указывается на необходимость рассмотрения основных технические средства автоматизации испытаний и прогнозирования технического состояния изделий электронной техники.

Требуется больший объем работ, обеспечивающих прогнозирование, а именно: необходимо собирать информацию непрерывно на некотором отрезке времени по ряду параметров, необходимо не только фиксировать отказовые состояния, но измерять значения параметров, и не только основных, но и косвенных, необходим переход от датчиков, работающих по признаку «да — нет» к датчикам - измерителям. Информацию необходимо практически мгновенно обработать, с тем, чтобы можно было выявить закономерности изменения процессов без искажений, вызываемых запаздыванием ввода входных данных.

Рассмотрим устройство, в основу которого положен математический аппарат метода обобщенного параметра. В этом случае все входные величины (контролируемые параметры) íi Ci' <?2 С0= • • •, С') иортжируются и получается

нормированный ряд ■*>(О.&С).---,£»(')_ Степень работоспособности СТД и ее изменение можно оценить с помощью следующего обобщенного выражения:

й(о=5>,|,(о/1Х

1 / 1

представляющего собой линейное среднее, где — веса

контролируемых параметров. Естественно, при прогнозировании интересует момент, когда обобщенный параметр 2г. (О достигнет допустимого значения ¡2 £Л . Прогнозирование изменения & (0 позволяет определить наиболее вероятное время <*, в течение которого контролируемая система будет сохранять свою работоспособность. Однако какой-то из к параметров ^ ^

достигнет раньше остальных допустимого значения а так как выход любого параметра за допустимые пределы ведет к отказу системы, то прогнозируемое первое достижение допуска будет определять минимальное время работоспособного состояния системы. Таким образом,

Т т

целесообразно прогнозировать величины как ср, так и . Для этого необходимо прогнозировать изменения как обобщенного, так и отдельного параметра с максимальной скоростью изменения.

Работа устройства автоматического прогнозирования (УАП) (рис.3). С помощью датчиков, находящихся на диагностируемом объекте или подключаемых к нему, в УАП подаются значения протезирующих

параметров В момент времени оператор дает команду: «Пуск», в

результате чего напряжение с датчиков поступает в каналы определения

конечных разностей = и канале предварительно параметр

нормируется, затем преобразуется в двоичный код и запоминается. При

большом интервале контроля, УАП выключается, поэтому, значение необходимо запомнить в долговременном ЗУ, или занести в карточку учета. Во втором случае требуется вмешательство оператора, но в тоже время отпадает необходимость в ЗУ и оператор имеет представление о величинах параметров.

В момент времени ^ оператор опять нажимает кнопку «Пуск» и тем самым вводит напряжение с датчиков в те же каналы, где получаются

безразмерные значения параметров Затем вычисляется первая конечная

разность Д(=< -£,('?) ~ (А ^ которая поступает на блоки сравнения,

имеющиеся в каждом канале. В блоках сравнения выделяется А<=г'1и указывается номер канала (параметра) где скорость изменения

максимальна. В канал ¿>' тут же подается напряжение и

определяется , Это равенство справедливо с большой точностью,

так как ?2-'1 ^э-'з.

В блоке распознавания на основе и ^^д'-^ЛЬ) определяется время

выхода параметра системы за допустимые пределы. Его основой (рис.4) является диодный дешифратор, который управляет схемой индикации, где и фиксируется время выхода параметра за допустимый предел.

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

Рассмотренные устройства позволяют оценить степень и запас работоспособности диагностируемого объекта, что является исходной информацией для прогнозирования. Таким образом, подобные устройства можно рассматривать как составные части автоматических устройств прогнозирования. Решение задачи создания средств контроля АСУ требует системного подхода.

Рис.3. Функциональная схема устройства автоматического прогнозирования.

Рассмотренные устройства позволяют оценить степень и запас работоспособности диагностируемого объекта, ч то является исходной информацией для прогнозирования. Таким образом, подобные устройства можно рассмат-

ривать как составные части автоматических устройств прогнозирования.

Запись

К.

от УУ

а

я »

§

а 'О

8

£

Рис.4. Блок распознавания УАП.

Современные АСУ характеризуются сложной, разветвленной иерархической структурой, большим количеством отдельных подсистем, которые часто отстоят друг от друга на большие расстояния, и для их объединения требуются специальные каналы связи. Они работают, как правило, в реальном или близком к реальному масштабу времени. Решение задачи создания средств контроля АСУ требует системного подхода. В отличие от ранее применяемых средств и методов контроля, когда основными контролируемыми параметрами являлись различные технические параметры аппаратуры, при контроле в АСУ главных контролируемых параметров выбираются алгоритмы функционирования, контролируется способность комплекса средств автоматизации нормально функционировать в соответствии с возложенными на них алгоритмами.

В главе 3 анализируются методы прогнозирования технического состояния изделий электронной техники, применительно к подсистеме испытаний и прогнозирования в АСУ качеством.

Все рассмотренные методы в той или иной степени могут быть применены для решения задачи прогнозирования изменения состояния изделий электронной техники, а, следовательно, и для сокращения производственных испытаний.

Анализ показал, что метод Колмогорова -Винера трудно применим по следующим причинам: во-первых, исследуемые процессы не удовлетворяют условиям стационарности как в узком так и в широком смысле; во-вторых, невозможно, как правило, вычислить автокорреляционную функцию с приемлемой точностью из-за не стационарности процесса и ограниченной информации.

Метод Заде-Рагаззини уже учитывает необратимую составляющую в контролируемом процессе и вводит детерминированную часть в виде полинома, что позволяет применять его к не стационарным процессам. Однако стохастическая составляющая экстраполируется с помощью весовой функции фильтра, которая определяется через автокорреляционную функцию процесса. Для прогнозирования исследуемых процессов использование метода затруднено по следующим причинам: во-первых, достаточно точные вычисления автокорреляционных функций, возможно, как правило, по более сотни точкам случайного процесса, но такой объем информации практически довольно трудно получить в рассматриваемом классе задач; во-вторых, автокорреляционная функция процессов изменения состояния изделия электронной техники имеет период корреляции на уровне 0,1 равным 150 - 200 часов, что явно недостаточно для прогнозирования на продолжительный период времени вперед.

Метод Салодовникова-Матвеева также решает задачу Заде-Рагаззини и отличие заключается в способе выбора ограничений, налагаемых на весовую функцию фильтра. В связи с тем, что автокорреляционная функция по прежнему вычисляется, то ограничения на применение этого метода к рассматриваемому классу задач остаются.

Необходимость решения корреляционного уравнения также не позволяет применить метод Калмана для сокращения производственных испытаний. Необходимость определения координатных функций в методе Пугачева связано с определением корреляционных моментов, что требует множество наблюдений на длительном интервале времени. Это условие существенно затрудняет применение этого метода.

Два недостатка метода экспоненциального сглаживания ограничивают его возможности в решении рассматриваемой задачи: во-первых, сглаживание с весами предшествующих данных в случае нестационарных процессов приводит к потери информации о тенденции изменения состояния изделия; во-вторых, двухступенчатая система вычислений не только усложняет процедуру вычислений, но и вносит ошибку в прогноз за счет «искажения» тенденций изменения процессов.

Основными ограничениями метода Бокса-Дженкепса являются: необходимость достаточно длительной реализации (несколько десятков то-

чек),

• обладающей свойством авторегрессии; ® полученные модели неприменимы к многомерным процессам.

Кроме того, предъявляется ряд требований к поступающей информации. Таким образом, можно констатировать, что этот метод имеет серьезные ограничения по применению.

Те или иные ограничения не позволяют использовать метод МГУА метод прогнозирования предложенный Я.Б.Шором и метод прогнозирования Марковских процессов.

Достаточно серьезных успехов в решении задачи прогнозирования технического состояния можно достичь при применении методов статической классификации (теории распознавания образов).

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.

Наиболее четкой постановкой задачи представляется постановка с позиции теории статистических решений.

Пусть в/ 'Q?.....Qk - образы или классы, которые должны быть распознаны. Предположим, что ~f(x/,Qi) . плотность вероятности описания * при условии, что описания принадлежат к классу . Далее пусть -

априорные вероятности классов б/> где = > 0_ обозначим Я - , Пространство решений D состоит из решений ^ +1 воз-

можных решений do>di'-~>dk 11ри этом есть решение, что распознаваемый класс есть ~ 1,2,3,...кd0 _ решение) обозначающее отказ от распознавания.

Задача состоит в выборе некоторого решающего правила ,которое может быть представлено, как распределение вероятностей на пространстве решений D. При наблюдаемом описании х (рандомизированный вид ирави-

ла)

}; приусловиичто

j:s(d¡/x)=J ¡=о Ух

) 5

¿(¿,/х)>0 у/ V*

Для оценки относительного качества решающих правил вводится весовая функция (функция потерь) W^^'dj)~w¡jl позволяющая определить потери, понесенные в результате того, что сделанное решение в то время

когда истинно б/.

Решающее правило выбирается так, чтобы минимизировать математическое ожидание функции потерь Я, так называемый ожидаемый риск.

= I í \sidj

>

где ^ - все пространство наблюдений.

Получаемое решающее правило известно как правило Бейеса. Минимум

среднего риска ^>¿0 достигается при решении 8 *, определяемом следующим образом

5*{а1/х)=1 8*{с1]/х)=0

Всякий раз когда к

!>,■//(■*/&)?,■ тт

ы

Как видно, Бейесово правило получается не рандомизированным. Отметим, что введение в качестве возможного решения отказ от распознавания

^о позволяет в некоторых случаях уменьшить риск.

Для применения теории статистических решений к задачам распознавания появляется необходимость в оценке условных плотностей распределения

(¿¡) _ предложении, конечно, их существования) и априорных вероятностей 11. В этом заключается смысл этого обучения. Собственно распознавание состоит в сопоставлении уже полученных условных плотностей распределений вероятности каждого класса для той точки векторного пространства, которое соответствует данному введенному для классификации входному описанию.

Как показали исследования разделяющую классы состояний гиперповерхность можно построить с помощью методов линейного программировав

ния, которые ранее не применялись для решаемого класса задач.

В главе 4 рассматривается прогнозирование технического состояния на основе построения нейронной сети методом машины опорных векторов. Архитектура интеллектуальной информационной системы управления представлена следующим образом (рис. 5).

Рассмотрим множество обучающих примеров где Х( - вход-

ной образ для примера 1; с!; - соответствующий ему желаемый отклик (целевой выход). Для начала предположим, чгго класс, представленный подмножеством ~и класс, представленный подмножеством линейно-разделимы. Уравнение поверхности решений в форме гиперплоскости, выполняющей это разделение, записывается следующим образом:

■мтх + Ь-0

)

где х - входной вектор; \у - настраиваемый вектор весов; Ь - порог. Таким образом, можно записать:

у/х, + Ь<0 дат 4 = -/

Пусть и - оптимальные значения вектора весов и порога соответственно. Исходя из этого, оптимальную гиперплоскость, представляющую многомерную линейную поверхность решений в пространстве входных сигналов, можно описать уравнением. -

м>1х + Ь0 ~ О

При этом дискриминантная функция

ё(х)=м%х + Ь0

Определяет алгебраическую меру расстояния от х до гиперплоскости. Это легко увидеть, если выразить х следующим образом:

х~~хр+тн\,

х

где р - нормальная проекция точки х на оптимальную гиперплоскость; г - желаемое алгебраическое расстояние. Величина г является положительной, если х находится с положительной стороны оптимальной гиперплоскости, и отрицательным в противном случае. Так как по определе-

<т(х ) = О нию Ру , следовательно,

Конечный пользователь

Рис.5. Функциональная архитектура интеллектуальной системы управления

или

_ ё(х)

В частности, расстояние от начала координат (т.е х-0) до оптималь-

V

ной гиперплоскости равно /Ы. Если Ьо>0, то начало координат находится

с положительной стороны гиперплоскости, если же ^ < ^ - то с отрицательной.

Требуется найти параметры и Ь(> оптимальной гиперповерхности на

основе данного множества примеров 1 ~ Пара (™о-ьо) должна удов-

летворять следующим ограничениям: у/х,+Ъ1>1 пля ^=+1

Конкретные точки для которых первое и второе ограничение

выполняются со знаком равенства, называются опорными векторами. Отсюда

и получили свое название машины опорных векторов. Эти векторы^ ) =1 играют решающую роль в работе обучаемых машин. А именно, опорные век-

торы являются теми точками данных, которые лежат ближе всего к поверхности решений, и, таким образом, являются самыми сложными для классификации.

Граница разделения классов считается мягкой, если некоторая точка (^¡.й-,) наруШаех следующее условие:

' 4Л,.+б)>7дая/ = 7,2.....N

Такое нарушение может иметь две формы.

1 Точка попадает в область разделения с нужной стороны поверхности решений

2 Точка попадает в область разделения с другой стороны поверхности решений

Заметим, что в первом случае классификация будет правильной, а во втором - ошибочной.

Для того, чтобы подготовить почву для формального рассмотрения неразделимых образов, введем в определение разделяющей гиперплоскости (поверхности решений) новое множество неотрицательных скалярных пере-

{г-Г

менных

тя1 = 1,2.....N

Величина & называется фиктивной переменой, определяющей отклонение точек от идеального состояния линейной разделимости. Если

® ~ ^ ~ ^, то точка попадает в область границы разделения, но с нужной стороны поверхности решений. Если же & > ^, то точка попадает в область с неверной стороны разделяющей гиперплоскости. Опорные векторы являются

теми точками, которые точно удовлетворяют неравенству при > ®. Заметим, что если образ с > " выбросить из обучающего множества, то поверхность решения изменится. Таким образом, опорные векторы определяются одинаково как в случае разделимых, так и в случае неразделимых образов.

Задача сводится к поиску разделяющей гиперплоскости, минимизирующей ошибку классификации на множестве обучающих примеров. Это можно обеспечить, минимизируя функционал

по вектору весовых коэффициентов V/ и ограничениях И Н . Здесь

№

- функция индикатора, определяемая следующим образом:

кд) [1,4 >0.

Чтобы обеспечить математическую трактовку такой задачи минимизации, аппроксимируем функционал

следующим образом:

Ы1

Более того, упростим вычисления, записав минимизируемый функционал относительно вектора весов

2 ,=/

Как и ранее, минимизация первого слагаемого связана с минимизацией размерности машины опорных векторов. Что же касается второго слагаемого, то оно представляет верхнюю границу количества ошибок тестирования. Таким образом, представление функции стоимости полностью согласуется с принципом минимизации структурного риска.

Какой бы ни была задача обучения, машины опорных векторов реализуют метод управления сложностью модели, независящий от ее размерности. В частности, в пространстве высокой размерности задача сложности модели решается за счет использования «штрафной» гиперплоскости, определенной в пространстве признаков и применяемой в качестве поверхности решения.

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. Для решения задачи квадратичного программирования можно использовать некоторые коммерческие библиотеки, предназначенные для решения задач оптимизации.

В главе 5 рассматривается разработка композиционного метода прогнозирования технического состояния, основанного на методах математического про1раммирования, а также выбор информационной базы для подсистемы испытаний и прогнозирования.

Методы математического программирования в задачах прогнозирования технического состояния ранее не использовались, их преимущество заключается в том, что для этих методов не требуется привязка к законам рас-

пределения контролируемых параметров. Как отмечалось ранее, обычная статистическая постановка задачи не всегда может быть применима, из-за сложностей в определении законов распределения.

Сформулируем критерий максимизации количества правильно распознаваемых точек обучающей выборки с помощью разделяющей классы состояний гиперповерхности.

Сопоставим каждой точке х, (/' = 1, г) и х1 (/' = г +1, Щ переменный (Х1 и Д соответственно, которые могут принимать значение 0 и 1.

Значения 1 будем приписывать правильно распознаваемым объектом, а значение 0 - неверно распознаваемым. Тогда в соответствии с указанным критерием задачу можно представить в следующем виде:

г N

<Р = 2>, + ЕА ->тах,

где а1 определяются по правилу к

га,.=1,если ^хуа1 ~Ь>0\ м к

Ч а, = 0,если£хпгг. -Ь < О _ . н

] = \,г,

а Д по правилу: к

"# = 1,если£хвау-6<0

Г-1 к

у Д. = 0,еслиХХуО,- - Ъ > О

__j=^

¡ = г + \,К

Эту задачу преобразуем к задаче частично-целочисленного программирования: .

г N

Е«, + ЕД тах

¡=1 /-Г+1

к

О < а]хи + Ь + Л а, <£ Л - А О £ £ 1

1 °-А£1

[ 1 = г + \,Ы

Соотношения формируют, поставленную задачу, в результате решения которой найдем неизвестные параметры а.и > Ь, разделяющей

гиперповерхности Р(А, х) = Ь.

Выбор признаков (измерений), свойств, на которых основывается решение задачи прогнозирования и диагностирования технического состояния изделий электронной техники, является одним из наиболее важных вопросов.

Точное решение задачи распознавания с помощью гиперповерхности представляет собой решение задачи частачно-целочисленпого программирования:

N

максимизировать (р —

i=i

i>fi +е+ Л а,. <А-Я, i = \,r

2>й -е+Ла, <Л-Л, i = r+\,N О < af < 1,

Здесь, как и прежде а, - булевы переменные;

Л, а - соответственно верхняя и нижняя границы для неравенств

а,,[ - принимает значение 1, если х, входит (попадает) в свой класс и 0 -в противном случае.

Сопоставим каждому k-му признаку булеву переменную рк. Положим //4=1, если хк входит в описание объекта и /¡,=0 - в противном случае.

Потребуем минимизировать количество признаков описания объектов, обеспечивающих значение показателя качества <р не ниже заданного значения ipx. Очевидно, для этого необходимо, чтобы выполнялось условие

Тогда задача выбора информативных параметров примет вид:

W = > min

м

при ограничениях

+е+Ла, <Л-А, ¿ = 1,г

м

т _

-е + Ла, <Л-Л, I = г +1,¿V

I ы Л "

1.1

0<а,<1,

Очевидно, что поставленная задача поиска информативных параметров для оценки технического состояния изделий электронной техники, так же является задачей частично-целочисленного линейного программирования с булевыми переменными, которая может быть решена с помощью тех же программных средств, что и задача отыскания разделяющей классы состояний гиперповерхности.

В заключение следует отметить, что приведенный выше алгоритм выбора информативных параметров для формирования информационной базы подсистем испытаний для оценки технического состояния является наиболее приемлемым. Так, как он непосредственно упрощает модель прогнозирования, не ухудшая качества.

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

При обычной постановке задачи прогнозирования работоспособности или долговечности изделий электронной техники, как задачи распознавания часть изделий, которая включается в обучающую выборку N ( проходит испытания на время, равное времени прогноза Т, Остальная часть объектов

N , предъявляется для распознавания, исиытывается (измеряются признаки

М) в течение значительно меньшего времени ( «Т,

Однако следует1 отметить, что осуществляя прогнозирование как классификацию, производится «грубый» прогноз, так, как выносится решение - относится данный объект к данному классу по степени технического состояния (работоспособности или долговечности) или нет.

Границы же классов, как правило, имеют следующий вид:

я, = 0+7; д2=т;ч-оо

' » Ь 9

т

где •• - граничное время, разделяющее между собой различные по техническому состоянию классы.

На практике же более ценным является «точечная» оценка срока

службы каждого индивидуального изделия, тогда Нравно определенному значению времени с некоторой точностью.

Решающее правило, с помощью которого производится распознавание (оценка технического состояния изделий) при форсированном разбиении на

классы и определяется векторным параметром А.

В ходе эксплуатации изделий, а также при хранении векторный

параметр Аг очевидно, изменяется, т.е. является векторной. функцией времени.

Пусть на момент времени 1 2 р имеются выборки изделии, но которым можно провести обучение «с учителем» в момент времени, т.е. не

проводя каких-либо испытаний в промежутке времени ^р,Г\ Для решения этой задачи предложен следующий алгоритм.

На каждый момент времени множество объектов обучающей

выборки разбиваются в пространстве измерений на два класса.

Принимается, что к 1-ому классу относятся объекты «надежные», а ко второму «не надежные» для данного момента времени.

К

Дня момента времени и разделяющая классы технического состояния

II <t

.гиперповерхность будет делить изделия на к р, кг> р и определяться из решения задачи:

X а-,(<„) + Е Р,ир)-> пюх

'-¿аДд^+Ь + Ла^Л-'Л

н

/ = й

0< а, < 1

2> .,('„)*„ - Ь \ К 0, < К - Л

; = )■ •(• 1,лГ о- р>* 1

Разделяющая классы состояний гиперповерхность в этом случае будет иметь вид:

Построенная таким образом, прогнозирующая модель позволяет не только осуществлять прогноз технического состояния изделий электронной техники, но и позволяет по начальным измерениям параметров определять граничный срок службы каждого индивидуального изделия.

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.

Построенная модель прогнозирования позволяет определить «точечную» границу срока службы каждого изделия судовой электронной техники.

Разработан композиционный алгоритм решения задачи прогнозирования работоспособности изделий электронной техники, основанный на сочетании методов математического программирования и многомерной экстраполяции, что позволяет осуществлять долгосрочное прогнозирование на 10-15 лет вперёд.

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

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

Разработан алгоритм выбора наиболее информативных параметров, т.е минимизация пространства описания состояния изделий с целью формирования информационной базы для подсистемы прогнозирования в АСУ качеством изделий электронной техники.

В главе б рассматривается исследование методического обеспечения применяемого для подсистемы испытаний и прогнозирования технического состояния изделий электронной техники.

Исследования прогнозирования долговечности работы стабилитронов показали, что наиболее информативными параметрами являются напряжение стабилизации при различных силах тока.

Рассматривалось построение модели протезирования работоспособности стабилитронов при контроле двух параметров Уст, и ист2 - напряжение стабилитронов в различных точках.

Точечная оценка времени безотказной работы равна 15500 часов, здесь выполнены вычисления для приборов со следующими параметрами (табл. 1)

"10 Л О

700 2100 4200 6300 8600

-680 -2280 -180 1920 4220

148,8 148,8 148,8 151,4 152,6

148,5 148,9 149,1 153,8 153,8

Получена модель разделяющей классы состояний поверхности: Р[АаО,х] = 0 01x1 + (4,712 + 51 + 1,5)х2 - (412 - 51 + 10) = 0 Т.е., получаем модель разделяющей классы состояний функции

Р[А(1),х] = ]ГаД1)Х;

Результаты вычислений имеют следующий вид:

11 = 0 ; Р[А(10,х] = 0.01x1 + 11х2 -18 = О

12 = 1000 ; Р[А(12),х] = 0.01x1 + 30х2 -24 = 0 = 2000 ; Р[А(13),х] = 0.01X1 + 60х2 - 41 = 0

Определяем области работоспособности системы в различных условиях работы, выделим шесть классов состояний: ки - нормальные условия работы; к2 - после вибрации; кэ - после ударов; к* - в тепле; к5 - в холоде;

кб- после воздействия влаги.

Построение гиперповерхностей осуществлялось по пяти параметрам: Х[ - средняя мощность передатчика;

х2 - средний коэффициент нелинейных искажений передатчика;

х3 - средняя чувствительность мод. входа передатчика;

Х4 - средний коэффициент нелинейных искажений приемника;

х5 - средняя чувствительность приемника.

Таким образом, получаем следующие границы классов:

и,2= 1,21х,+2.3х?.+ 1.4x3 + 2.4x4 + 2.1x5-2.7 = 0

и13= 0.78х, + 1.4х2 + 1.7х3 + 1-5х4 + 1.8х5- 3.5 = 0

и, 4--= 1.23Х, + 1.97х2 + 1.6хз + 1.7X4 + 1.7х5- 4.1 = 0

и,5= 1.41x1 +2.3x2 + 1.5хз+ 1.3X4 + 1.6х5-3.7 = 0

и,б= 0.93х, - 4.5x2 + 1.4хз + 1.4x4 + 1.3х5 - 6.2 = 0

и23 = 0.95Х] + 1 -Зх2 + 1 -Зхз + 1 -Эх, -1.1х5 - 2.4 = 0

и2< - 0.32х, + 1.4х;, + 2.9хз + 1 -5х4 - 0.9х5 + 1.0 = 0

и23= 2.41х,+ 1.27х2 + 3.7х3 И .75х4 - 0.2х5 + 0.9 = 0

и26= 0.76х, + 0.9X2 + 0.9хз - 0.9x4 + 3.4х5 - 3.7 = 0

П34 = 0-34x1 + 0.7х2 + 0.8х3 - 0.7х4 + 4.2х5 - 3.8 = 0

и35= -2.4х, + 0.4х2 + О.Зх3 I- 0.8х4 + 36.2х5 - 2.1 = 0

и36= -3.4x1 + 6.2х2+0.4х3 + 3.1х4 + 1.75х5 -2.2 = О и45 -1.7х, + 3.4х2 + 0.77хз + 2.1х4 + Зх5 + 2.3 = О и46=-1.6X1 +2.3х2+1.71хз+1.5Х4 + 2Х3-2.4 = 0 и56= -1-8х, + 3.1х2 + З.4х3 + 4.1X4 +х5 - 2.2 = 0

Зная границы областей была построена матрица переходных состояний, позволяющая принимать решение о состоянии системы. Эта матрица имеет вид:

'и,1 иа и» и» и*

и„ иг1 и* и24 ип и»

ип ия и* и36

иа и,«

и» иа и* и» и* и*

ибг иа им иа и,,

IV--

Экспериментально

где и8 = 1 при 1=а

прогнозирования

исследован алгоритм работоспособности судовой электронной техники на конкретных изделиях электронной техники показана эффективность применения линейного программирования к задачам прогнозирования технического состояния.

При этом удалось не только сократить время производственных испытаний и затраты, связанные е ними, но и определить «точечную» оценку • наработки изделий на отказ. Композиционный метод прогнозирования проверен на моделях протозирования 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 дня 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.

III. ЗАКЛЮЧЕНИЕ В настоящей работе па основании выполненных исследований осуществлено теоретическое обобщение и решение крупной научной проблемы построение подсистемы испытаний и прогнозирования технического состояния изделий электронной техники для АСУ качеством.

Поставлены вопросы о необходимости определения места подсистемы испытаний и прогнозирования в общей классификации АСУ 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, котррые устраняли бы их случайный характер. Тогда роль и значение испытаний готовых изделий будет снижаться.

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.

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.

Решение этой проблемы осуществлено на основе использования новых технологий и новых методов оптимизации основанных на сочетании методов математического программирования и интеллектуальных нейронных сетей -машины опорных векторов.

В ходе анализа предметной области, научных и прикладных исследований

получены следующие результаты:

1.Дана классификация систем испытания и прогнозирования технического состояния судовой электронной техники и определено их место в АСУ сложными объектами, к которым относится судовые автоматизированные системы управления.

2.Разработана методика ускоренного самообучения моделей классификации изделий электронной техники для судовых АСУ на основе использования метода многомерной экстраполяции.

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

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

Что 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.

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

5.Обоснован подход, позволяющий в рамках испытаний для задач дискриминантного анализа применять аппарат линейного программирования и интеллектуальные информационные системы к оценке технического состояния судовой электронной техники.

6.Разработаи алгоритм построения разделяющей классы составляющей классы состояния гиперповерхности методом частично-целочисленного программирования для прогнозирования технического состояния судовых электронных изделий

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

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

8.0существлена реализация теоретических исследований и внедрение разработанных математических моделей при проведении научно-исследовательских работ в НПО «Лазерные системы»,ОАО «Радиоавиони-ка»,ОАО «Ленпромгаз», в учебном процессе СПГИЭУ при подготовке инженеров по специальности 230201 «Информационные системы и технологии»

IV. ОСНОВНЫЕ ПОЛОЖЕНИЯ ДИССЕРТАЦИИ ОТРАЖЕНЫ В СЛЕДУЮЩИХ НАУЧНЫХ ПУБЛИКАЦИЯХ

Статьи в журналах, рекомендованных ВАК для докторантов:

1. Голоскоков К.П.,Гаскаров Д.В.ДНкабардня А.В. Применение математического программирования в дискриминантом анализе для решения задачи прогнозирования. Автоматика и телемеханика, N7, 1988, с. 174181.

2. Голоскоков К.П., Гаскаров Д. В., Зозанян С. И. О композиционном подходе к прогнозированию долговечности изделий ЭТ. Электронная техника, серия 8 , вып. 3,1988,-С. 6-9.

3. Голоскоков К.П. Об одном методе прогнозирования сохраняемости приборов. Надежность и контроль качества, N 12,1987,- С.23-26.

4. Голоскоков К.П. Прогнозирование и оценка технического состояния сложных систем. Научно технические ведомости СПбГПУ, №1, 2008г.,-С. 164-168.

5. Голоскоков К.П. Анализ методов прогнозирования технического состояния изделий электронной техники., Экономика и Управление, № 3, 2008г.,-С. 210-215.

6. Голоскоков К.П., Малюк В.И. Оценка влияния уровня трудового потенциала на продуктивность промышленного производства, Вестник ИН-ЖЭКОНА, №2,2008г., -С.45-53.

7. Голоскоков К.П, Барщевский Е. Г. Выбор информативных параметров при прогнозировании технического состояния судовой электронной техники., Речной транспорт (XXI век), №3,2008г.-С. 74-76.

8. Голоскоков К. П.. Использование аппарата линейного программирования в прогнозировании технического конструирования электронной техники., Экономика управление, № 6 2008г.-С. 201-205.

9. Голоскоков К.П. Прогнозирование технического состояния изделий электронной техники нейронными сетями на основе машины опорных векторов, Прикладная информатика, №1,2009г., -С. 45-53.

10.Барщевский Е.Г., Голоскоков К,П. Влияние асинхронной нагрузки на качество напряжения в судовой электрической системе. "Речной транспорт (XXI век)", №5,2008г. -С.70-73.

И .Голоскоков К Л Автоматизированная система испытаний, как составная часть системы управления качеством. Научно технические ведомости СПбГТГУ, №6,2008г., -С. 113-118.

Голоскоков К.П. Формирование информационной базы для прогнозирования качества продукции. Инновации, №1,2009г.,-С.187-194.

Монографии:

12. Голоскоков К.П. Прогнозирование технического состояния изделий судовой электронной техники. Монография, -СПб: «ПаркКом», 2007.148 С.

13.Голоскоков К.П., Бугорский В.Н., Котляров И.Д. Экономика и технологии информационного сетевого пространства. Монография, Выборг: Выборгский филиал СПбГИЭУ, 2009. - 450 С.

Учебные пособия:

14. Голоскоков К.П. Надежность информационных систем. Уч.пособие, СПбГИЭУ, 2007.- 159С.

Статьи:

15.Голоскоков К.П., Ястребов М.Ю. О выборе параметров в модифицированном методе экспоненциального сглаживания. В кн. Организация и планирование водного транспорта. Сб.тр.ЛИВТ,1977, -С. 193-196.

16.Голоскоков К.П. Решение задачи прогнозирования надежности и долговечности приборов с помощью метода динамического программирования. В кн. Электроэнергетические установки водного транспорта и их автоматизация. Сб. тр. ЛИВТ, 1985, -С. 89-92.

17.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.

18.Голоскоков К.П., ГольдбергПД., Кайданов Л.А, ШкабардняА.В. 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.

19.Голоскоков К.П., Айрапетян АБ.,Вучко А.А. 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.

20.Голоскоков К.П., Голоскоков П.Г. Дисперсия числа выбросов случайного процесса на данном интервале. В кн. Повышение надежности и совершенствование эксплуатации высокопроизводительных портовых перегрузочных установок. Сб.тр. ЛИВТ, 1989, -С. 134-138.

21 .Голоскоков К.П., Голоскоков П.Г. О вариантах замены вероятностного процесса детерминированным. Сборник научных трудов "Совершенствование перегрузочных высокопроизводительных комплексов и повышение надежности и производительности портовых подъемнотранс-портных машин", ЛИВТ, 1991г., Ленинград.,- С. 160-165.

22.Голоекоков К.П., Достаточные условия для замены вероятностного процесса детерминированным. Сборник научных трудов "Совершенствование перегрузочных высокопроизводительных комплексов и повышение надежности и производительности портовых подъемнотранс-портных машин ЛИВТ, 1991г., Ленинград., -С. 68-74.

23 .Голоскоков К.П., Голоскоков П.Г. Оптимальный запас груза перерабатывающего пункта. Сборник научных трудов "Совершенствование проектирования реконструкции и содержания воднотранспортных гидротехнических сооружений, организации и производства путевых работ", СПбГУВК,1994г.,- С. 56-62.

24.Голоскоков К.П., Голоскоков П. Г. О расчетных формулах Гауссовско-го стационарного процесса. Сборник научных трудов "Гидромеханические и прочностные качества судов речного флота",СПбГУВК, 1996г.,-С.78-81.

25.Голоскоков К.П., Голоскоков П.Г. Об условии согласованности дискретных вероятностных процессов. Сборник научных трудов "Гидромеханические и прочностные качества судов речного флота", СПбГУВК, 1996г.,-С. 112-116.

26.Голоскоков К.П. Организация моноканалов. Сборник "Экономика и информационные технологии". СПбГИЭУ, 2001 г.-С. 89-93.

27.Голоскоков К.П. Защита данных и идентификация пользователей вычислительных систем. Сборник "Новые информационные технологии в экономике и образовании". СПбГИЭУ, 2001 г.,-С. 112-118.

28.Голоскоков К.П. Способы описания загрузки ресурсов вычислительных систем. Сборник "Экономика и информационные технологии". СПбГИЭУ, 2001 г.,-С. 109-115.

29.Голоскоков К.П. Безопасность в распределенных системах. Сборник "Экономико-организационные и программно-технические вопросы обработки информации", СПбГИЭУ, СПб, 2003.- С. 56-64.'

30.Голоскоков К.П., Голоскокова А.К., Голоскокова Н.К. Выбор наиболее информативных параметров при построении нейронных сетей. Сборник научных трудов «Проектирование информационных систем», СПбГИЭУ, 2006.,- С. 78-84.

Труды Всесоюзных, Международных, отраслевых научно-технических и научно-методических конференций

31.Голоскоков К.П., Гаскаров Д.В. Решение задачи прогнозирования работоспособности изделий методом математического нрограммнрова-ния.'Гез. докл. в.н.т. симпозиума "Надежности и качества в приборостроении и радиоэлектронике" ч.2,1986, -С.25.

32.Голоскоков К.П., 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", Ереван, 1985.- С. 89.

33.Голоскоков К.П. Прогнозирование с использованием машины опорных векторов. Тезисы докладов 5-й международной конференции «Авиация и космонавтика-2007», Москва, 2007, -С. 67.

34.Голоскоков К.П., Голоскокова А.К. Возможности нейросетей в задачах прогнозирования. Сборник докладов 1 научно-практической конференции «Современные проблемы прикладной информатики, СПбГИЭУ, 2005.,-С. 89-90.

35.Голоскоков К.П., Голоскокова А.К. Сравнение результатов нечеткого оценивания надежности. Сборник докладов 1 научно-практической конференции «Современные проблемы прикладной информатики, СПбГИЭУ, 2005., -С. 78-81.

36.Голоскоков К.П., Голоскокова А.К. Перспективы развитая транспорт- • ной логистики. Сборник докладов 1 научно-практической конференции «Современные проблемы прикладной информатики, СПбГИЭУ, 2005,-С. 124-125.

37.Голоскоков К.П. Применение нейронных сетей в задачах прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях. Сборник докладов 1 научно-практической конференции «Современные проблемы прикладной информатики, СПбГИЭУ, 2006.-С. 67-68.

38.Голоскоков К.П., Фомин В.И. Проблемы идентификации моделей прогнозирования на нейронных сетях. Тезисы докладов 5-й международной конференции «Авиация и космоиавтика-2006», Москва, 2006.-С. 95-96.

39.Голоскоков К.П., Голоскокова А.К. Модели автоматизации управления . запасов. Тезисы докладов 5-й международной конференции «Авиация и космонавтика-2006», Москва, 2006.-С. 78-79.

40.Голоскоков К.П. Прогнозирование с использованием машины опорных векторов. Тезисы докладов 6-й международной конференции «Авиация и космонавтика-2007», Москва, 2007.-С. 121-122.

Печатается в авторской редакции

Подписано в печать 02.04.09 Сдано в производство 02.04.09 Формат 60x84 1/16 Усл.-печ. л. 2,03. Уч.-изд. л. 1,75. _____ ____ Тираж 100 экз._Заказ №41___

Санкт-Петербургский государственный университет водных хсоммуникаций 198035, Санкт-Петербург, ул. Двинская, 5/7

Отпечатано в типографии Ф ГОУ НПО СШГУВК 198035, Санкт-Пегербург, Межевой канал, 2

- \

2008171»»

2008171951

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'

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.

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.

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.