Сравнение моделей машинного обучения для классификации наличия дефектов в узлах робототехнического комплекса по вибросостоянию

Сравнение моделей машинного обучения для классификации наличия дефектов в узлах робототехнического комплекса по вибросостоянию

Тамм Александр Юрьевич
Руководитель научно-исследовательского центра, Центральный научно-исследовательский и опытно-конструкторский институт робототехники и технической кибернетики (ЦНИИ РТК), научно-исследовательский центр, 194064, Санкт-Петербург, Тихорецкий пр., д. 21, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., ORCID: 0000-0001-5392-1389

Болдырев Юрий Яковлевич
д.т.н., профессор, Федеральное государственное автономное образовательное учреждение высшего образования «Санкт-Петербургский политехнический университет Петра Великого» (ФГАОУ ВО «СПбПУ»), 195251, Санкт-Петербург, ул. Политехническая, д. 29, литера Б, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.

Барымова Елизавета Андреевна
Математик, ЦНИИ РТК, 194064, Санкт-Петербург, Тихорецкий пр., д. 21, Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра., ORCID: 0000-0001-6511-2060

Индекс УДК: 004.94

EDN: FZQEEA

Аннотация. Работа посвящена описанию результатов сравнения моделей машинного обучения при определении наличия дефектов в подшипнике волнового редуктора робототехнического комплекса на основе слабоструктурированных данных о его состоянии. Для сравнения использовался синтетический набор данных, полученный с применением метода конечных элементов, обучение проводилось на малом количестве примеров. При сравнении оценивалось качество классификации, время обучения и выполнения классификации. По результатам выбрана наиболее перспективная для дальнейшего использования модель машинного обучения при ограничении на количество обучающих примеров и позволяющая проводить классификацию состояния при наличии одновременно нескольких дефектов в конструкции.

Ключевые слова: машинное обучение, сегментно-спайковые нейронные сети, диагностика сложных технических систем, численное моделирование

Для цитирования: Тамм А.Ю. Сравнение моделей машинного обучения для классификации наличия дефектов в узлах робототехнического комплекса по вибросостоянию / А.Ю. Тамм, Ю.Я. Болдырев, Е.А. Барымова // Робототехника и техническая кибернетика. – Т. 13. – № 3. – Санкт-Петербург : ЦНИИ РТК. – 2025. – С. 191-197. – EDN: FZQEEA.

Благодарности
Результаты получены в рамках выполнения государственного задания Минобрнауки России «Исследование методов анализа слабоструктурированных данных, обработки знаний и создания когнитивных агентов на базе комбинированных глубоких нейронных сетей» (FNRG-2025-0008 1024050200009-5-1.2.1;2.2.2).

Список источников

  1. Журавлев Ю.И. Распознавание. Математические методы. Программная система. Практические применения / Ю.И. Журавлев, В.В. Рязанов, О.В. Сенько. М.: Фазис, 2006. 176 с. EDN: QMPOMP.
  2. Min-Ling Zhang. ML-KNN: A lazy learning approach to multi-label learning / Min-Ling Zhang, Zhi-Hua Zhou // Pattern Recognition. Vol. 40, Is. 7, 2007, Pp. 2038-2048. ISSN 0031-3203. DOI: 1016/j.patcog.2006.12.019. – Text: electronic.
  3. Von Winterfeldt D. Decision analysis and behavioral research / Von Winterfeldt D., Edwards W. // Cambridge University Press, 1986, p. 604. Decisionanalysis0000vonw.
  4. Breiman L. Random forests //, 2001. Vol. 45, pp. 5-32. – URL: https://link.springer.com/article/10.1023/A:1010933404324 (дата обращения: 07.01.2024). – Text: electronic.
  5. Тихонов А.Н. О некорректных задачах линейной алгебры и устойчивом методе их решения // Доклады АН СССР, 1965. Т. 163, № 3. С. 591-594. – Текст: непосредственный.
  6. Ruck D.W. Feature selection using a multilayer perceptron / Ruck D.W., Rogers S.K., Kabrisky M. // Journal of neural network computing, 1990. Т. 2, №. 2. Pp. 40-48. – URL: https://link.springer.com/chapter/10.1007/11550907_53 (дата обращения: 07.01.2024). – Text: electronic.
  7. Scharstein H. Input-output relationship of the leaky-integrator neuron model // Journal of mathematical biology, 1979. Т. 8. №. 4. Pp. 403-420. DOI: 10.1007/BF00275835.
  8. Бахшиев А.В. Сегментная спайковая модель нейрона CSNM / А.В. Бахшиев, А.А. Демчева // Известия высших учебных заведений. Прикладная нелинейная динамика, 2022. № 30. С. 299-310. DOI: 10.18500/0869-6632-2022-30-3-299-310.
  9. Нейроморфные средства решения задач классификации и управления / А.М. Корсаков [и др.] // XXVII межд. науч.-практ. конф. «Системный анализ в проектировании и управлении»: сборник: 2-х ч., Санкт-Петербург, 13-14 октября 2023 г. ПОЛИТЕХ-ПРЕСС, 2024. С. 220-230. DOI: 10.18720/SPBPU/2/id24-167.
  10. A Survey of Encoding Techniques for Signal Processing in Spiking Neural Networks / Auge D. [et al.] // Neural Process Lett 53, pp. 4693-4710, 2021. DOI: 10.1007/s11063-021-10562-2.
  11. Тамм А.Ю. Исследование применения спайковой нейронной сети и метода конечных элементов для диагностики РТК / А.Ю Тамм, Е.А. Барымова, М.И. Кузьмин // Известия ЮФУ. Технические науки, 2025. № 2(244). С. 185-193. DOI: 10.18522/2311-3103-2025-2-185-193.

Поступила в редакцию03.06.2025
Поступила после рецензирования 13.07.2025
Принята к публикации 27.07.2025