Выбор агрегированных классификаторов при прогнозировании состояния технического объекта

Abstract

В задаче прогнозирования исправности технического объекта по заданным показателям его функционирования исходными данными являются известные результаты оценки состояния объекта по информации о предшествующей эксплуатации. Задача может быть решена методами машинного обучения, она сводится к бинарной классификации состояний объекта. Исследование проводились в пакете Matlab, использовано десять различных базовых методов машинного обучения: наивный байесовский классификатор, нейронные сети, бэггинг деревьев решений и другие. Для повышения качества распознавания исправного состояния предложено использовать агрегированные методы, объединяющие несколько базовых классификаторов. В работе рассматривается вопрос о выборе наилучшего агрегированного классификатора. Эффективность такого подхода подтверждена численными испытаниями на временных рядах реальных объектов. The basic data in the problem of the prediction of technical object’s state of health based on the known indicators of its operation are the known results of the object state estimation by information about previous service. The problem may be solved using the machine learning methods, it reduces to binary classification of states of the object. The research was conducted in the Matlab environment, ten various basic methods of machine learning were used: naive Bayes classifier, neural networks, bagging of decision trees and others. In order to improve quality of healthy state identification, it has been suggested that aggregated methods combining several basic classifiers should be used. This paper addresses the issue of selection of the best aggregated classifier. The effectiveness of such approach has been confirmed by numerous tests of real-world objects.