|
момента наступления аварии линейной моделью составляет 56%, полиномом 3-й степени 14%, полиномом 2-й степени 2%. В то же время величина дисперсии адекватности всех этих моделей на этапе обучения практически одинакова. Таким образом, становится очевидной необходимость использования дополнительных методов обработки данных, в полной мере реализующих информационные возможности информационно-измерительных систем. Сформулируем нашу задачу с учётом всех высказанных замечаний. По известной динамике данных напряжения несущих конструкций зданий за некоторый период времени необходимо построить наилучшую модель развития дефекта по двух параметрическому критерию -точность аппроксимации плюс точность прогноза. Наиболее эффективным инструментом решения подобного рода задач является предложенный В.Н. Вапником метод структурной минимизации среднего риска [2]. Адаптируем этот метод к условиям нашей задачи. В информационной базе информационно-измерительной системы хранится множество локальных баз данных {*,} каждая из которых представляет собой ретроспективный временной ряд изменения какого-либо показателя эксплуатации во времени t = 1,2, ...,L , где L определяется частотой опроса первичных датчиков). Предположим, что на основании анализа этих массивов данных строятся модели вида у=у{х) (в рассматриваемом случае Q = Q(t)> где Q(t) изменение напряженного состояния вследствие износа конструкций, t время). В таком случае, в распоряжении имеется выборка {xt-,yy}, где у;у, модельное значение функции, соответствующее экспериментально измеренному значению 84 параметра х*. |
94 В нашем распоряжении имелись данные тренда производительности скважины по жидкости за период 30-ти суток (интервал «а» база прогноза, на рис.3.2.). Необходимо было установить время отказа с наибольшей точностью. Предварительная селекция элементарных функций, описывающих подобное поведение экспериментальных кривых, показала, что наиболее точны (в смысле дисперсии адекватности) полиноминальные зависимости. На рис. 3.2 показано поведение трёх полиномов различной степени сложности, построенных на одном и том же массиве данных (интервал «а» рис. 3.2). Анализ полученных результатов показывает, что ошибка прогноза момента наступления аварии линейной моделью составляет 56%, полиномом 3-й степени 14%, полиномом 2-й степени 2%. В то же время величина дисперсии адекватности всех этих моделей на этапе обучения (зона «а» на рис. 3.2) практически одинакова. Таким образом, становится очевидной необходимость использования дополнительных методов обработки данных, в полной мере реализующих информационные возможности ИИС. Сформулируем нашу задачу с учётом всех высказанных замечаний. По известной динамике развития тренда производительности отдельной скважины за некоторый период времени необходимо построить наилучшую модель развития дефекта оборудования по двухпараметрическому критерию точность аппроксимации плюс точность прогноза. Наиболее эффективным инструментом решения подобного рода задач является предложенный В.Н. Вапником метод структурной минимизации среднего риска [2]. Адаптируем этот метод к условиям нашей задачи. В информационной базе ИИС хранится множество локальных баз данных {Xj}, каждая из которых представляет собой ретроспективный временной ряд изменения какого-либо показателя эксплуатации во времени (i=l...L, где L определяется частотой опроса первичных датчиков). Предположим, что на основании анализа этих массивов данных строятся модели вида у=у(х) (в рассматриваемом случае Q = Q(t), где Q(t) изменение |