Предмет исследования. Предложен новый способ организации систем превентивного сервисного обслуживания (включая системы обслуживания по состоянию и системы предсказательного обслуживания), основанных на использовании современных методов машинного обучения и функционирующих с привлечением оригинального, непараметрического метода идентификации текущей фазы деградации обслуживаемого оборудования. Метод. Предложенный подход заключается в сведении задачи идентификации текущей фазы деградации оборудования к интервальному оцениванию величины параметра «индекс здоровья» оборудования, представляющего собой ступенчатую функцию. Аргументами этой функции является некоторый набор измеримых параметров, объективно характеризующих состояние оборудования. Текущая фаза деградации оборудования определяется с использованием классификационного подхода, в рамках которого на основании анализа наблюдаемых данных, принимается решение о том, какому классу (фазе состояния) эти данные соответствуют. В качестве данных, используемых для идентификации стадии деградации оборудования, рассматриваются измерения от группы сенсоров в общем случае различной физической природы, которые размещены как на поверхности, так и внутри контролируемого оборудования. Математически предложенный подход сводится к взвешенной комбинации двух классификаторов. Один из классификаторов этой комбинации основан на решении группы задач бинарной классификации. Второй классификатор базируется на оценивании параметра «оставшийся срок полезного использования» методом непараметрической регрессии. Основные результаты. В отличие от традиционных предложенный подход использует минимум априорной информации о принципах функционирования и устройстве обслуживаемого оборудования и основан на использовании ступенчатой функции «индекс здоровья» оборудования. Новизна подхода заключена в одновременном использовании ступенчатой функции «индекс здоровья» и взвешенной комбинации двух классификаторов различной структуры. Разработанный метод показал положительные результаты при его тестировании на базе данных C-MAPPS Dataset, которая содержит данные об отказах турбовентиляторных двигателей, смоделированных с использованием термодинамической имитационной модели. Предотказный статус оборудования идентифицирован с вероятностью 99 %. Практическая значимость. Полученные результаты и алгоритмы могут быть использованы в системах превентивного обслуживания с целью высоконадежной идентификации текущей стадии деградации оборудования.

Предмет исследования. В работе выполнено сравнение эффективности процедуры автоматической классификации зондируемых объектов по данным 3D-лидара, построенного на базе технологии счета единичных фотонов, с эффективностью процедуры классификации по данным обычного линейного лидара. Лидары на основе технологии счета единичных фотонов существенно превосходят обычные линейные лидары по целому ряду целевых параметров, в том числе по величине пространственного разрешения-более чем на порядок, по производительности процесса сканирования местности-на порядок, по массогабаритным показателям-в разы. В отличие от линейных лидаров, каждая лазерная точка в случае SPCT-лидара описывается не только ее координатами и интенсивностью отраженного сигнала, но координатами и дополнительным блоком данных, который характеризует рельеф поверхности зондируемого объекта в направлении зондирующего фотонного потока. Наличие этого дополнительного блока данных для каждой лазерной точки позволяет считать полученные изображения 3Dизображениями, что существенно облегчает решение не только фотограмметрической задачи, но и задачи автоматической классификации целевых объектов (целей) на SPCT-изображении. Метод. Рассмотрено решение задачи автоматической классификации целей на базе SPCT-данных с привлечением методов машинного обучения (XGBoost и многослойных нейронных сетей-ANN). Основные результаты. Результаты численного моделирования, проведенного в рамках настоящего исследования, показали, что при прочих равных условиях, эффективность решения классификационной задачи на базе SPCT-данных в практически важных случаях повышается до 20% по сравнению со случаем использования для классификации данных, полученных от обычного линейного лидара. Практическая значимость. Полученные результаты могут быть использованы при создании мобильных SPCT-лидаров, позволяющих с высокой надежностью обнаруживать и классифицировать объекты на поверхности Земли в реальном масштабе времени. Ключевые слова технология счета единичных фотонов, 3D-лидар, гейгеровский лидар, однофотонный лидар, XGBoost, искусственная нейронная сеть