3.1. Аналіз проблеми та постановка задачі прогностичної класифікації

 

Наукове прогнозування ґрунтується на вивченні об’єктивних закономірностей, яким підпорядковуються процеси та події, що відбуваються в об’єктах прогнозування. Згідно з діалектикою пізнання для повноти дослідження слід брати до уваги як закономірності випадкових подій, так і детерміновані закономірності. Основні напрямки прогнозування визначаються метою прогнозування. Так, прогнозування може здійснюватися за такими основними напрямами [53]:

Перспективне прогнозування з метою оцінки функціональної ефективності та надійності системи на випереджений відрізок часу.

Визначення довговічності системи,  що  контролюєть- ся.

Визначення зміни нормованих (експлуатаційних) допусків на параметри функціонування системи у зв’язку із необхідністю підтримки належної функціональної ефективності системи за умов її експлуатації або збереження, що змінюються. Цей вид прогнозування називається нормативним.

Існують методи прогнозування у рамках детермінованого (аналітичного) [53], статистичного [54,55] і детерміновано-статистичного підходів [23,53,56]. Розв’язання задач усіх напрямів прогнозування у разі відсутності аналітичного зв’язку між функцією стану системи і вхідними даними, що становить безпосередній практичний інтерес, пов’язується з розробленням ефективних алгоритмів класифікаційного прогнозування [23,53].

Розглянемо постановку задачі перспективного прогнозування за детерміновано-статистичними методами класифікації, до яких належать і методи ІЕІ-технології. Нехай відомі ретроспективні значення параметрів  функціонування системи  0,  1, ...,  -1, які отримано в моменти часу  t 0, t 1, …, t -1   і які характеризують функцію стану  Q().Необхідно за сукупністю параметрів  {s},               s =   прийняти рішення про належність поточного функціонального стану системи, що контролюється в момент часу  t, =, до параметричного класу  , який перебуває у взаємнооднозначній відповідності до часового класу  , m=, що характеризує функціональний стан системи в один із моментів часу  t+1, t+2,…, t kT2. Тут  М – кількість класів у дискретні моменти часу Третій напрям  нормативне прогнозування – може розглядатися за термінологією роботи [53] як обернене прогнозування, ідея якого полягає у визначенні часу, коли характеристика системи або ймовірність  P(Q) досягають граничних значень, заданих введеними обмеженнями. Прикладами нормативного  прогнозування можуть бути визначення термінів профілактичних робіт, моменту перенавчання системи розпізнавання та інше.

Методи класифікаційного аналізу даних, які застосовуються для розв’язання задач перспективного та нормативного прогнозування, ґрунтуються на ідеях і методах теорії розпізнавання образів [9-14].

Сучасна методологія об’єктно-орієнтованого проектування прогностичних ІС, яка ґрунтується на концепції аналізу даних, розглядає прогнозування не тільки як спосіб підтримання належної функціональної ефективності системи на стадії її експлуатації, але і як невід’ємну та неперервну процедуру методологічного забезпечення системи від етапу формування ТЗ до етапу утилізації системи. При цьому прогнозування функціональної ефективності повинно здійснюватися на різних стадіях розроблення та експлуатації системи в рамках єдиних теоретичних і методологічних положень, але при цьому на кожній стадії методики та алгоритми є різними. Так, на стадії проектування системи вхідними даними є характеристики системи, що передбачаються, режими та умови її функціонування. Метою прогнозування на цьому етапі є розроблення системи з максимальною функціональною ефективністю за умов її функціонування, що передбачаються.      

На стадії експлуатації системи вхідними даними є закономірності зв’язку та зміни параметрів її функціонування. Метою прогнозування функціонального стану системи при її експлуатації є як своєчасне попередження технічних відмов у системі, так і створення таких робочих умов і обслуговування системи, які дозволяють їй функціонувати з максимальною ефективністю.

Оскільки прогноз функціонального стану системи на випереджений період часу є випадковою величиною, то серед фактографічних методів прогнозування найбільша увага в науково-технічній літературі приділяється розробленню статистичних методів, об'єднаних двома основними напрямами: прогнозна екстраполяція  і регресійний аналіз. У прогнозній екстраполяції найбільш розробленими є методи, що базуються на теорії як стаціонарних, так і нестаціонарних випадкових процесів [55]. Суттєвим недоліком цих методів є необхідність підтвердження статистичної гіпотези про закон розподілу ймовірностей випадкових значень ознак розпізнавання, що на практиці в більшості випадків здійснити важко.

Методи регресійного аналізу, що базуються на методі найменших квадратів, спрямовані на побудову прогностичних моделей за наявними експериментальними даними. Вони застосовуються як для неперервних, так і дискретних процесів, не вимагають знання фізичних закономірностей, що відбуваються в системі, але так само вимагають накопичення досить великого обсягу статистичних даних за час спостереження, апріорного знання детермінованої складової процесу  лінії регресії (тренда) і характеризуються нечутливістю до стрибкоподібного характеру зміни процесу.

На усунення відзначених недоліків орієнтовано метод групового врахування аргументів [56], який дозволяє поліпшити методи регресійного аналізу шляхом додання їм властивостей самоорганізації моделювання складних систем за відносно невеликою кількістю експериментальних даних (вузлів інтерполяції). Накопичений досвід застосування цього методу в різних областях науки і техніки показав, що цей метод, розв’язуючи задачу оптимізації складності рівнянь регресії, яка вимірюється, наприклад, за кількістю їх доданків або за їх степенем, дозволяє добиватися відносно точних прогностичних моделей.