Разное

Поменять кбм в базе рса: Восстановить КБМ бесплатно

alexxlab 04.04.2021 Нет комментариев

Содержание

Восстановить КБМ после замены прав бесплатно и платно

Обратиться в Российский Союз Автостраховщиков: Если не получилось договориться о пересмотре вашего коэффициента бонус-малус в страховой компании и после обращения в Центральный Банк, следующий шаг — обратиться в РСА.

Сам по себе Центральный Банк не может изменить значение КБМ для вашего полиса ОСАГО, но может повлиять на решение обратить больше внимания на вашу жалобу по начислению. Если вы обращаетесь напрямую в базу РСА, вы можете рассчитывать на то, что данные по вашему коэффициенту обновят. Останется подать заявлению в страховую на возвращение компенсации за неправильно рассчитанный коэффициент бонус-малус.

Есть два способа обратиться в РСА: по почте или при помощи электронной приемной. Чтобы отправить свою жалобу, нужно зайти на сайт Российского Союза Автостраховщиков и скачать бланк заявления. После этого отправить через «Почту России» и ждать ответного письма. Если нужно обратиться через электронную приемную в РСА — нужно найти страницу на сайте, где заполняется информация о жалобе на страховую компанию.

Все приведенные три способа нелегкие: нужно обращаться в страховую компанию, после в Центральный Банк и в конце в Российский Союз Автостраховщиков. Если все эти способы не помогут — обращайтесь через суд. Это последняя инстанция, которая поможет вам вернуть ваш прежний коэффициент бонус-малус.

Есть еще один способ, чтобы восстановить КБМ и не ждать долгого ответа от страховой компании, Центробанка и РСА. Вы можете воспользоваться специальными сайтами, которые отправляют запросы напрямую в РСА, ответ приходит в течение дня и не нужно заполнять множество полей.

Восстановление КБМ ОСАГО √ восстановим КБМ в РСА

Как восстановить КБМ

Восстановление КБМ ОСАГО важно для автовладельцев, которые хотят оформить страховку без неоправданных затрат. Компания «Барс» помогает решить вопросы по восстановлению коэффициента бонус-малус, изменившегося по разным причинам.

Восстановление КБМ

Впервые услышав понятие «коэффициент бонус-малус» не все понимают их суть. Все просто: слова латинского происхождения обозначают «хороший-плохой». Подразумевается, что дисциплинированные водители реже попадают в ДТП (а тем более – становятся их участниками). А не имеющие достаточного опыта и лихачи страдают чаще.

Автомобилисты стремятся вернуть «подпорченный» КБМ на прежний уровень, чтобы меньше заплатить страховой компании при оформлении очередного полиса.

Как сэкономить на страховании

Когда владелец авто впервые приобретает страховку, его коэффициент по умолчанию приравнивается к единице. А класс считается третий. Изменение КБМ в базе РСА (Российского союза автостраховщиков) происходит через год, когда истекает срок действия полиса. Полезно знать:

  • Избежав аварийных ситуаций в течение десятилетия, можно купить полис гражданского автострахования за половину его стоимости. Такая привилегия доступна водителям с 13-м классом и КБМ 0,5.
  • Не допустив ДТП в первый год вождения можно достичь снижения коэффициента на 0,05 и повышения класса до четвертого.
  • На сколько растет КБМ (относительно единицы), на столько же повышается цена ОСАГО. Так, при коэффициенте 1,5 придется заплатить за полис на половину больше стандартной суммы.

Поскольку вопрос связан с затратами, водители часто интересуются: как восстановить КБМ по ОСАГО? Для этого надо разобраться с причинами его изменения.

Как изменить КБМ по базе РСА онлайн

Неправильно указанный в электронной системе коэффициент может появиться из-за технической ошибки. Например:

  • Водитель числился в полисе другого автомобилиста, который спровоцировал аварию. В итоге повышение коэффициента применили к обоим.
  • Допущена опечатка в написании фамилии или имени.

Не исключены и мошеннические действия недобросовестных страховщиков, сознательно стремящихся завысить суммы, предъявляемые к оплате.

Бывает, что водитель получил новые права или просто сменил фамилию, а его прошлый «послужной список» оказался неучтенным.

При таких обстоятельствах возникает справедливое желание вернуть КБМ и пользоваться заслуженной скидкой на покупку полиса.

В этом поможет компания «Барс». От вас требуется внести данные в онлайн-форму и оплатить взнос. Если окажется, что восстановить КБМ в РСА онлайн невозможно, вы ничем не рискуете: деньги будут возвращены.

Восстановить КБМ бесплатно

Тысячи водителей оценили преимущества пользования специальными сервисами. Ежедневно компания «Барс» принимает заявки от желающих поскорее восстановить коэффициент. Но существует и альтернативный путь.

Он значительно длиннее по времени (может тянуться более месяца), но не предусматривает никаких вложений. От автомобилиста требуется написать заявление в РСА или страховую компанию и указать свои конкретные требования. Например, исправить опечатку или учесть пропущенные данные.

Читать далее…

Уважаемые клиенты и партнеры, наш сервис восстановления КБМ работает круглосуточно и без выходных

в двух режимах: 

Основные положения и правила работы сервиса восстановления КБМ:

1. Принятые в работу заявки не могут быть отменены или изменены. Внимательно проверяйте данные перед отправкой. Если КБМ был изменен по вашим ошибочным данным — эта заявка считается выполненной.

2. Каждая заявка в процессе завершения исполнения принимает один из двух статусов: «отказ» или «выполнена». Для партнерского доступа в расчет долга берутся только выполненные заявки, для розничных клиентов — происходит автоматический возврат денег по статусам «отказ».

3. Срок обработки заявок исправления КБМ согласно регламенту РСА составляет 1-5 рабочих дней. Обработка происходит в 2 этапа. Вначале заявки попадают на автоматическую обработку, если она успешна — то ответ вы получаете в течение 1 дня после принятия в работу.

В противном случае, заявка попадает на ручное рассмотрение и срок ее обработки до 5 рабочих дней.  По статистике нашего сервиса, большинство обрабатывается в течение 1 дня.

4. По выполненным заявкам дата нового значения КБМ в большинстве случае равна дате окончания действующего полиса ОСАГО. Но может быть установлена и днем исполнения. От сервиса КБМ это не зависит, и определяется регламентом РСА. Пользуйтесь формой проверки актуального значения КБМ на нужную дату. 

5. Руководитель сервиса не комментирует результаты выполнения заявок в части вопросов: «почему отказ?», «с какой даты установлен новый КБМ?», «почему снизили на столько то, а не на столько?» и т.д.  

6. Изменение КБМ происходит исключительно в рамках законодательства и регламента РСА, поднимая всю историю по водителю или собственнику. 

«Ошибка от РСА при запросе КБМ (АльфаСтрахование)»

Евгений (гость)

Ошибка от РСА при запросе КБМ (АльфаСтрахование)

Проблема решена!

Поменял права, с новыми правами пролонгировал полис в 2017 и был по страховому случаю (не виновник). Очередная пролонгация в мае 2018 — слетел КБМ в РСА.
Оформил полис по единице, как посоветовали в альфе, и через неделю делаю запрос КБМ, получаю такой ответ:
В ответ на Ваш запрос на проверку КБМ, из АИС РСА был получен ответ (ID запроса № 3159182) об ошибке при обработки Вашего запроса по договору (…)
Текст ошибки: В найденной истории договоров по указанным данным отсутствует договор или дополнительное соглашение с указанными в запросе серией и номером полиса.


В целях дальнейшей проверки КБМ, Вам необходимо обратиться в Службу Контроля Качества Сервиса (СККС)
переслав данное письмо по электронному адресу [email protected].

Пересылаю письмо — тишина.
Еще через неделю повторяю проверку — все также.
Как КБМ восстанавливать, если альфа молчит а в ответ ошибки приходят?

Администратор: Считаем возможным оценку не засчитать, т.к. автор остался удовлетворен работой компании.

Ответ на отзыв

Представитель СК

Уважаемый Евгений!

Приносим извинения за ожидание ответа.
Значение КБМ восстановлено.
Для возврата части страховой премии Вам необходимо обратиться в филиал нашей компании.
С уважением, Служба контроля качества сервиса АО «АльфаСтрахование»

Непраздный вопрос: кому придется платить за ОСАГО больше | Статьи

Неправильное применение коэффициента бонус-малус (КБМ) стало самой популярной темой жалоб водителей в адрес страховщиков, сообщили в Центробанке. Автомобилисты считают, что им присваивают слишком высокий КБМ и потому ОСАГО обходится дороже. Страховщики объясняют: дело в новой АИС ОСАГО, которая теперь видит всю страховую историю водителя и отменяет необоснованные скидки. Есть ли шанс изменить ситуацию — выясняли «Известия».

Коэффициент раздора

Доля жалоб автомобилистов на работу полисов ОСАГО стала подавляющей в общем количестве обращений граждан в адрес страховых компаний. По данным Центробанка, с января по сентябрь в адрес страховых компаний поступило 23,2 тыс. жалоб. Это на 28% меньше, чем в январе–сентябре 2019 года. Из них на ОСАГО пришлось 79,1% всех жалоб — 18,4 тыс. обращений (-29% по сравнению с аналогичным периодом 2019 года).

Фото: РИА Новости/Алексей Мальгавко

Чаще всего потребители жаловались на неверное применение коэффициента бонус-малус (КБМ), влияющего на стоимость полиса ОСАГО. Из-за несогласия со слишком высоким КБМ или неожиданного его повышения поступило 53,1% от общего количества поступивших жалоб. Страховщики по запросу «Известий» объяснили, с чем связана коррекция показателей КБМ в отношении ряда автомобилистов. Как оказалось, дело в новой системе АИС ОСАГО, данные которой страховые компании обязаны использовать при проведении оценки водителя. АИС 2.0 стала видеть гораздо больше информации о водителях по сравнению со старой системой.

Почему у водителей неожиданно подрожали полисы

Важно смотреть не только на количество жалоб, но и на их обоснованность, заявили «Известиям» в Российском союзе страховщиков (РСА):

— В части КБМ мы разбирали случаи обращений и выяснили, что обоснованных жалоб оказалось минимум. Летом мы запустили новую АИС ОСАГО, которая видит всю страховую историю водителя, эта база автоматически рассчитала так называемый «золотой» КБМ. В ряде случаев водители становились виновниками аварий еще в 2018 году. В старой базе эти сведения могли не обновиться, и в 2019 году вместо справедливой надбавки водитель получил необоснованную скидку. Когда в 2020 году база обновилась и страхователю насчитали справедливую стоимость, он оказался недоволен и пошел жаловаться. Таков в большинстве портрет жалобщика в части КБМ.

Заместитель генерального директора РЕСО-Гарантия Игорь Иванов в свою очередь обратил внимание на то, что за 9 месяцев 2019 года доля таких жалоб на КБМ была выше, чем в 2020 году — 54,4%.

Фото: РИА Новости/Нина Зотина

«Следовательно, мы наблюдаем снижение жалоб на КБМ, а не рост. Нужно отметить, что нам неизвестно, учитывает ли ЦБ такой фактор, как обоснованность жалобы, то есть действительно было ли нарушение со стороны страховщика», — объяснил Иванов.

Эксперт напомнил, что на КБМ влияет количество страховых случаев, при этом учитываются только те аварии с участием водителя, в которых он был признан виновником ДТП.

Что касается причин некорректного применения КБМ, то, по его словам, чаще всего этому способствует несвоевременное информирование страховщика об изменении данных при замене водительского удостоверения, паспорта, ошибки страхователя при заполнении данных водителей в заявлении на страхование, страховые случаи, которые не были учтены при расчете предыдущего значения КБМ.

В какой класс попадают водители

Директор департамента актуарных расчетов — главный актуарий СПАО «Ингосстрах» Николай Горбачёв рассказал, по какой логике страховщики присваивают автомобилистам определенные классы по КБМ. В первый год страхователь попадает в класс 3. Если в следующий год у него не было убытков, он попадает в класс 4. Если был один убыток — в класс М в соответствии с таблицей, и так далее.

По оценке представителя сервиса автострахования «по километрам» Flexy Drive Алексея Касаткина, количество жалоб на неверный КБМ постепенно сокращается, а главная их причина — технические сбои.

Фото: ИЗВЕСТИЯ/Зураб Джавахадзе

«Большое количество жалоб на неверный КБМ — это в основной своей массе, процентов на 85, некорректная работа ЕАИС РСА: многочисленные технические сбои. При запуске система практически не работала, потом сбои начали сходить на нет. Система с каждым годом работает всё лучше и производительней. Но есть и еще одна причина — человеческий фактор — люди вбивают вручную данные в систему РСА», — считает Касаткин.

«Обращаются не все водители»

Касаткин также уточнил: коэффициент у водителя ухудшается, если он попадает в ДТП по своей вине. Улучшить показать можно, главным образом, не попадая в ДТП целый год. Но есть и другие факторы.

«С этого года правительство официально разрешило страховым компаниям учитывать в КБМ коэффициент манеры вождения, расширив при этом тарифный коридор. Разумеется, телематические устройства устанавливаются только на добровольной основе. Страховщик может снимать показания телематики с автовладельца и учитывать его поведение на дороге в расчете КБМ. Водителям с аккуратной манерой вождения с большой степенью вероятности страховщики предложат более выгодный тариф. Учитывается, и в какое время суток чаще эксплуатируется автомобиль», — пояснил Касаткин. Он также напомнил, что на расчеты страховых влияют пробег и возраст ТС, пол, семейное положение водителя, наличие иных видов собственности.

Фото: РИА Новости/Илья Наймушин

Если водитель не согласен со своим КБМ, эксперт советует сразу же обращаться в РСА.

«Нужно позвонить в РСА и просить их пересчитать КБМ. Например, КБМ плохой, а ДТП за год не было — то смело звоним и выясняем правду. Но обращаются не все водители, выявившие неучтенные факты, а лишь те клиенты, кому это действительно критично важно. Поток обращений довольно большой, он ограничивается лишь незнанием, что такие обращения возможны и почти всегда успешны. Сотрудники РСА практически во всех случаях идут навстречу» — отметил Касаткин.

В свою очередь в РСА советуют при несогласии с примененным страховщиком значением коэффициента КБМ сначала обращаться непосредственно в свою страховую организацию. Также там напомнили о необходимости в письменной форме сразу сообщать страховщику об изменении любых сведений, указанных в заявлении о заключении договора обязательного страхования. Это нужно сделать, если, например, водитель решил поменять фамилию или права.

Главное — настойчивость

Юрист Илья Афанасьев считает, что в большинстве случаев водителям начисляют справедливые коэффициенты. Однако он подчеркивает: по неочевидным для него причинам, до сих пор есть исключения.

Фото: ИЗВЕСТИЯ/Алексей Агарышев

«Если бы водителям часто начисляли повышенный КБМ, то проблема была бы постоянно на слуху, но у основной массы автомобилистов претензий нет. Либо они просто ленятся разбираться и платят столько, сколько им насчитали. Если водителей не устраивает их КБМ, не нужно лениться и ограничиваться жалобами в соцсетях или электронными письмами в страховую. Соберите все аргументы, оформите настоящую жалобу и отправьте заказное письмо. И таким настойчивым автомобилистам, если есть основания, всё пересчитают», — отметил Афанасьев.

Как изменить данные в РСА: возможно ли, онлайн-изменения

Человеческий фактор никто не отменял даже в электронной системе хранения информации. Российский союз автостраховщиков (РСА), будучи связующим звеном между страховщиками и владельцами автомобилей, выступает одновременно и в качестве носителя данных о них, располагая требуемой информационной базой. Но если автовладелец факт получения нового удостоверения водителя скроет от страховой компании, то в информационной базе РСА могут оказаться ошибочные данные. Подробнее об этом процессе читайте далее.

Как внести изменения в базу данных РСА при смене водительского удостоверения

Гражданское автострахование берёт под свою защиту человека, а не транспортное средство. Отсюда следует, что в информационный банк РСА должны вноситься все изменения, которые происходят с автовладельцем, особенно после смены им удостоверения водителя, хотя у его автомобиля никаких метаморфоз не наблюдается. Если необходимые поправки в базу не будут внесены, это чревато для автовладельца потерей им скидок, предоставляемых посредством коэффициента бонус-малус (КБМ), и некоторыми другими неприятностями.

Знаете ли вы? Как свидетельствует статистика, семейные водители на 10% реже попадают в автомобильной аварии, нежели холостые, а женщины в любом семейном статусе становятся виновницами ДТП на 10% чаще, чем мужчины.

Куда нужно обращаться

После замены документов, дающих право на вождение автомобиля, необходимо направить заявление об этом своим страховщикам, имеющим право доступа к информационному банку РСА. Если страхователи не осуществили действия по необходимой корректировке в информационной базе, нужно адресовать жалобу прямо в РСА. К ней нужно присовокупить копии документов, подававшихся параллельно с заявлением, а также копию самого заявления с зарегистрированным входящим номером. Имеется также возможность подачи аналогичной жалобы в Центральный банк. Если и эти жалобы останутся без удовлетворения и без указания причин этого, тогда имеется возможность адресовать свои претензии в суд. Для этого придётся заново подготовить требующиеся документы.

Кто вносит новые права в базу РСА

Полномочиями обновления сведений в связи с заменой водительских прав располагают исключительно страховые компании. РСА и ЦБ имеют лишь возможность воздействовать на них при наличии соответствующих жалоб на их ошибки.

Знаете ли вы? Впервые автомобильную страховку выписали ещё в позапрошлом веке — в 1898 г. Тогда американский автомобилист застраховал своё авто от столкновения с транспортом на конной тяге.

Список необходимых документов

Заявление страховщикам в связи с заменой ВУ об обновлении данных в информационном банке РСА сопровождается:

  • действующим страховочным договором;
  • паспортной копией;
  • удостоверением водителя;
  • копией или оригиналом прежних страховых договоров.

Как внести изменения в базу данных РСА после замены прав

Каждый из страховщиков располагает своей формой написания заявлений. Однако автовладельцы вольны составлять прошения и произвольно. Закон предписывает изучение заявлений, длящееся не дольше 30 суток. На протяжении этого периода страховые менеджеры обязаны изучить все поданные документы. Затем изменённые сведения поступают в банк данных РСА, а КБМ восстанавливается.

Важно! Восстановление КБМ имеет своим следствием возврат средств, переплаченных автовладельцем из-за случившихся искажений в базе данных. Эти деньги переводятся на банковскую карту водителя.

Что нужно для сохранения КБМ

Сохранность КБМ после смены свидетельства о вождении гарантирует сообщение об этом страховщикам.

Сервисы для восстановления КБМ в базе РСА онлайн

Сегодня практически все фирмы, занимающиеся страхованием, располагают в Сети своими сайтами, посредством которых можно общаться со страховыми менеджерами онлайн. Имеется официально зарегистрированный сайт и у РСА, на котором автовладелец имеет возможность получить стандартный образец заявления на реабилитацию прежнего коэффициента. После заполнения этого заявления оно отсылается на электронную почту, где и рассматривается.

Онлайн-сервисы страховых компаний

Как уже говорилось, большинство страховщиков располагают собственными сайтами со специализированными онлайн-сервисами. Посредством их после заполнения требуемых образцов имеется возможность в онлайн-режиме решить вопрос возвращения КБМ.

Как внести данные в базу РСА самостоятельно

Уже подчёркивалось, что полномочиями изменять сведения в базе союза страховщиков располагает исключительно страховая компания. Сам союз страховщиков подобных прав не имеет. Водитель имеет возможность самостоятельно лишь рассчитать величину КБМ. Во всех остальных случаях нужно решать вопрос только со страховщиками.

Внесение исправлений в КБМ через страховую компанию

В случае, когда автовладелец уверен, что в отношении него в процессе вычисления величины КБМ допущено искажение фактов, ему нужно направить ходатайство своим страховщикам. Это можно осуществить посредством специальных онлайн-сервисов восстановления величины КБМ, исправляющих допущенные огрехи бесплатно.

Как с гарантией сделать восстановление КБМ за несколько дней

Лучше всего это осуществить посредством платных услуг, оказываемых профессиональными юристами.

Куда подавать заявление о восстановлении КБМ через РСА

Имеется возможность посредством Интернета отправить ходатайство о восстановлении КБМ на электронную почту РСА: [email protected]. Отослать документы можно и с помощью заказного письма по адресу: ул. Люсиновская, 27, кор. 3, Москва, 115093. По этому же адресу имеется возможность лично принести заявление и требуемые документы.

Важно! По статистике, наиболее часто искажённые размеры КБМ возникают вследствие именно замены водительских удостоверений и несвоевременного сообщения об этом событии страховщикам.

Откуда берётся ошибка значения КБМ в базе АИС

В качестве коэффициента поправок в процессе составления страховочного договора ОСАГО КБМ предоставляет дисциплинированным автомобилистам, не допустившим ДТП, скидки на покупку договора страхования по 5% ежегодно (но не свыше 50% совокупно). Инициаторы автоаварий, наоборот, наказываются увеличивающими коэффициентами в пределах от 1,4 до 2,45.

Однако при изменившихся данных паспорта, выдаче нового удостоверения водителя или завершении функционирования страховой фирмы информация о скидочных коэффициентах способна быть в банке данных в искажённом виде.

Видео: как восстановить исправить неправильный КБМ в базе РСА

Для дисциплинированного водителя, накопившего солидные страховочные бонусы благодаря безаварийной езде, способна стать досадным ударом потеря этих цифр вследствие искажения данных в информационной базе РСА. Но этого легко избежать, если сразу вслед за заменой прав на вождение автомобиля сообщить об этом своим страховщикам.

Подписывайтесь на наши ленты в таких социальных сетях как, Facebook, Вконтакте, Instagram, Pinterest, Yandex Zen, Twitter и Telegram: все самые интересные автомобильные события собранные в одном месте.

Что делать с полисом ОСАГО при смене водительского удостоверения

При использовании полиса ОСАГО важно следить за актуальностью внесенных в него сведений. Если информация в нем не будет совпадать с реальной, то такой документ будет признан недействительным, и вы не сможете оформить по нему страховую выплату. В первую очередь, это касается сведений о водительских удостоверениях. Подробнее о том, как поменять указанную в ОСАГО информацию о водительских правах, вы узнаете далее.

Что делать с полисом ОСАГО при смене водительского удостоверения

Любые изменения данных, вписанных в полис ОСАГО — в том числе номера и серии водительских прав — необходимо согласовывать со страховой компанией. При наличии расхождений с реальными сведениями, даже незначительных, страховку могут признать недействительной. В этом случае вы рискуете получить штраф как за отсутствие ОСАГО, а при наступлении страхового случая вам придется выплачивать компенсации из своего кармана.

Поэтому, если у одного из водителей, вписанных в полис, изменилось удостоверение, вам нужно будет внести изменения в документ. Перезаключать договор при этом не потребуется — достаточно будет заключить дополнительное соглашение и поставить соответствующую отметку в полисе.

Если вы оформили полис-мультидрайв, то вносить в него изменения после замены прав не нужно. В такой документ информация о ВУ не заносится. Вы и другие водители сможете пользоваться такой страховкой после замены прав. Однако, при расчете такого полиса не учитываются возраст, стаж и КБМ водителей.

Как вносятся изменения

Порядок внесения изменений зависит от того, каким способом оформлен полис. Если у вас бумажный ОСАГО, то вам нужно будет заполнить заявление в отделении страховой компании и предоставить подтверждающие документы. После рассмотрения заявки страховщик поставит отметку об изменении прав на полисе или перевыпустит его на новом бланке. 

Заполнять заявление должен страхователь лично или его представитель, имеющий нотариально заверенную доверенность. Если права изменились у другого водителя, вписанного в страховку, то достаточно будет предоставить его удостоверение — личное присутствие человека не потребуется.

Если полис был оформлен онлайн, то для изменения сведений войдите в личный кабинет на сайте страховщика, выберите нужный полис и укажите опцию редактирования. Укажите сведения, которые нужно изменить, и загрузите скан-копии требуемых документов. После проверки данных и внесения изменений страховая компания вышлет новый полис на электронную почту.

Для внесения изменений в ОСАГО вам потребуются следующие документы:

  • Паспорт страхователя
  • ПТС и СТС автомобиля
  • Действующий договор ОСАГО
  • Квитанция об оплате страховки
  • Новые водительские удостоверения

Изменения в полисе ОСАГО вступают в силу в течение 2-3 рабочих дней после их внесения. Это время требуется, чтобы страховая компания передала всю необходимую информацию в РСА.

Сколько стоит внесение новых данных

Страховая компания имеет право взять комиссию за внесение изменений в ОСАГО. В одних случаях это может быть разница между стоимостью полиса на старых и новых условиях. В других — это фиксированная комиссия, которая установлена страховщиком.

Чтобы узнать, сколько будет стоить внесение новых данных, вам нужно уточнить способ определения комиссии в вашей СК. Если комиссия — разница в стоимости полиса, то для ее определения рассчитайте страховку с новыми данными и вычтите из нее стоимость действующего полиса. Если комиссия фиксированная — уточните ее размер у страховщика.

Что будет, если не изменить номер прав в полисе вовремя

Главная причина, по которой не следует затягивать с внесением изменений в ОСАГО — риск признания страховки недействительной. В этом случае вы не сможете использовать ее для оформления компенсаций пострадавшим по вашей вине в аварии. Признать полис недействительным могут в любой момент, в том числе и при получении страховой выплаты.

Кроме того, слишком долгое внесение изменений в ОСАГО может грозить потерей накопленного КБМ. Этот коэффициент привязывается к номеру водительского удостоверения. При изменении этого номера накопленный КБМ может быть потерян. В итоге при оформлении страховки с новыми правами вы не сможете получить скидку на безаварийное вождение.

Поэтому при замене указанных в ОСАГО прав укажите в заявлении пункт о сохранении накопленного КБМ. Страховщик привяжет коэффициент к новому удостоверению, что позволит вам не потерять его.

В каких случаях нужно заключать новый страховой договор

Существует ряд ситуаций, когда невозможно обойтись простым внесением изменений в действующий полис — вам придется переоформлять его заново. Это необходимо в следующих ситуациях:

  • Утеря, кража или порча полиса
  • Изменение паспортных данных (ФИО, номера и серии паспорта) у собственника авто
  • Изменение собственника автомобиля — например, при его продаже
  • Изменение автомобиля, на который необходимо оформить страховку
  • Изменение периодов использования транспортного средства
  • Изменение типа полиса на мультидрайв

В этих случаях необходимо будет заключить новый договор со страховой компанией. При изменении собственника предыдущий договор должен быть расторгнут — только после этого новый владелец сможет оформить ОСАГО на свое имя.

Заключение

Не затягивайте с переоформлением ОСАГО после изменения данных водителей. Это позволит вам избежать возможных проблем и сохранить действующие коэффициенты. На время внесения изменений старайтесь не пользоваться автомобилем — в течение этого срока страховка будет временно неактивной. Если в полис вписано несколько водителей — согласуйте изменения с каждым из них.

Источники

Информация о сайте kbm24.ru

Здесь вы сможете провести полный анализ сайта, начиная с наличия его в каталогах и заканчивая подсчетом скорости загрузки. Наберитесь немного терпения, анализ требует некоторого времени. Введите в форму ниже адрес сайта, который хотите проанализировать и нажмите «Анализ».

Идёт обработка запроса, подождите секундочку

Чаще всего проверяют:

СайтПроверок
vk.com 89730
vkontakte.ru 43405
odnoklassniki.ru 34476
mail.ru 16564
2ip.ru 16329
yandex.ru 13844
pornolab.net 9868
youtube.com 9100
rutracker.org 8967
vstatuse.in 7092

Результаты анализа сайта «kbm24.ru»

НаименованиеРезультат
Скрин сайта
Название Восстановить КБМ — онлайн восстановить КБМ в РСА официально с гарантией и снизить стоимость ОСАГО до 50%
Описание Восстановить КБМ в РСА за 1 день и снизить стоимость полиса ОСАГО до 50% с гарантией возврата денег. Онлайн заказ. По всей России.
Ключевые слова восстановить кбм, исправить кбм в рса, кбм онлайн исправить, восстановить кбм в рса, восстановить КБМ онлайн, восстановить кбм вск, улучшить кбм, уменьшить кбм, как восстановить кбм по осаго в рса, поменял права как восстановить кбм, рса как восстановить кбм, рса официальный сайт восстановить кбм, как восстановить кбм по осаго, восстановить кбм рса, как восстановить кбм при замене прав, как восстановить свой кбм, восстановить кбм после замены прав, восстановление кбм, заявление на перерасчет кбм, восстановить кбм по базе рса онлайн, как восстановить кбм после замены водительского удостоверения, как восстановить коэффициент кбм по осаго, восстановить кбм по базе рса, рса перерасчет кбм, как восстановить кбм в базе рса, восстановить кбм осаго по базе рса, восстановить кбм через рса, кбм восстановить, исправить кбм, перерасчет КБМ, как востановить кбм, как кбм восстановить, кбм осаго как восстановить, осаго кбм восстановить, как восстановить кбм после замены прав, как восстановить кбм через рса, как в рса восстановить кбм
Alexa rank
Наличие в web.archive.org Нет
IP сайта 194.177.20.139
Страна Неизвестно
Информация о домене Владелец: Private Person
Creation Date: 2019-02-14 15:34:19
Expiration Date: 2022-02-14 15:34:19
Посетители из стран не определено
Система управления сайтом  (CMS) узнать
Доступность сайта проверить
Расстояние до сайта узнать
Информация об IP адресе или домене получить
DNS данные домена узнать
Сайтов на сервере узнать
Наличие IP в спам базах проверить
Хостинг сайта узнать
Проверить на вирусы проверить
Веб-сервер nginx/1. 14.0 (ubuntu)
Картинки8
Время загрузки0.27 сек.
Скорость загрузки338.86 кб/сек.
Объем страницы
html 88122 bytes(94.78%)
images 1552 bytes(1.67%)
css 970 bytes(1.04%)
js 2328 bytes(2.5%)
всего>92972 bytes 

Получить информер для форума

Если вы хотите показать результаты в каком либо форуме, просто скопируйте нижестоящий код и вставьте в ваше сообщение не изменяя.

[URL=https://2ip.ru/analizator/?url=kbm24.ru][IMG]https://2ip.ru/analizator/bar/kbm24.ru.gif[/IMG][/URL]

Мониторинг состояния датчиков на АЭС с использованием оптимизированного PCA

В данной статье предлагается оптимизированная структура анализа главных компонентов (PCA) для реализации мониторинга состояния датчиков на атомной электростанции (АЭС). По сравнению с обычным методом PCA в предыдущем исследовании, метод PCA в этой статье оптимизирован для различных процедур моделирования, включая этап предварительной обработки данных, этап выбора параметров моделирования и этап обнаружения и изоляции неисправностей. Затем производительность модели значительно улучшается за счет этих оптимизаций.Наконец, измерения датчиков с реальной АЭС используются для обучения оптимизированной модели PCA, чтобы гарантировать достоверность и надежность результатов моделирования. Между тем, измерениям датчиков последовательно накладываются искусственные неисправности, чтобы оценить способность предлагаемой модели PCA к обнаружению и изоляции неисправностей. Результаты моделирования показывают, что оптимизированная модель PCA способна обнаруживать и изолировать датчики независимо от того, имеют ли они серьезные или небольшие отказы. Между тем, результаты количественной оценки также показывают, что с помощью оптимизированного метода PCA можно получить лучшую производительность по сравнению с обычным методом PCA.

1. Введение

Как критически важная для безопасности система на АЭС, безопасность имеет первостепенное значение. Между тем, также растет потребность в более рентабельной эксплуатации АЭС [1]. Таким образом, передовые технологии диагностики и контроля рабочих характеристик включаются в инженерные проекты, цель которых — одновременно гарантировать безопасность и повысить экономичность всей АЭС. Между тем, с широким применением цифровых систем КИПиУ на АЭС, все больше датчиков применяется для получения оперативной информации о станции.С одной стороны, применение большего количества датчиков на АЭС способствует развитию передовых технологий диагностики и управления, когда требуется определенное количество датчиков для предоставления данных о ключевых показателях состояния и производительности системы; с другой стороны, это также увеличивает вероятность отказа датчиков на АЭС [2]. Если на датчике произойдет внезапный или начальный отказ, это приведет к недопустимому отклонению характеристик датчика. В результате в связанные системы поступают неточные измерения, что в дальнейшем может привести к отклонению работы станции от оптимальных условий, что приведет к остановке технологического процесса или даже серьезным авариям на АЭС [3].Таким образом, необходимо реализовать мониторинг состояния датчиков на АЭС.

Подтвержденные измерения датчиков, помимо эффективной передачи оперативной информации туда, где это требуется для обеспечения безопасности и экономичности АЭС, также полезны для стратегии технического обслуживания по состоянию (CBM) на АЭС. В настоящее время стратегия профилактического обслуживания в основном применяется при калибровке датчиков во время регулярных перегрузок АЭС. Это не только требует значительных временных затрат, но также приводит к деградации компонентов из-за повторяющихся манипуляций по сравнению со стратегией CBM [4, 5].

Традиционный подход к оценке состояния датчика основан на аппаратном резервировании [6]. Основная проблема с аппаратным резервированием — это стоимость (включая стоимость датчика и стоимость обслуживания). В этом контексте в литературе предлагаются подходы, основанные на аналитической избыточности, включая искусственные нейронные сети (ИНС) [7–9], анализ независимых компонентов (ICA) [10, 11], опорную векторную машину (SVM) [12, 13 ], нечеткой логики [14–16], частичной регрессии методом наименьших квадратов (PLSR) [17] и PCA [18–24].Исследование, проведенное Хайнсом и Зайбертом, пришло к выводу, что простота аналитических методов избыточности и гибкость их расчетов неопределенности могут способствовать их принятию регулирующими органами [25]. Следовательно, в этой статье для мониторинга состояния датчиков используется PCA из-за его простоты и индивидуальных сильных сторон.

В литературе PCA во многих случаях использовался для мониторинга состояния датчиков. Розани и Хайнс применили PCA для мониторинга 5 датчиков температуры в исследовательском реакторе [20].Датчики чиллера с водяным охлаждением были проанализированы с помощью метода PCA Ху [22]. Джамиль и др. реализована диагностика неисправностей на пакистанском исследовательском реакторе-2 с помощью PCA и дискриминантного анализа Фишера (FDA) [18]. Magan-Carrion et al. представил основанный на PCA метод для обнаружения неисправностей в WSN [26]. Лю и др. и Делимаргас и др. использовали метод PCA для определения калибровочной чувствительности соответственно [27, 28].

Однако предыдущие исследования в основном были сосредоточены на разработке модели PCA и реализации метода PCA в различных отраслях промышленности.В обычном методе PCA есть немало проблем. Во-первых, обычно подразумевается, что все данные подготовлены заранее; тем не менее, на практике данные реальной АЭС обычно загрязнены случайным шумом или неизвестными факторами. Во-вторых, поскольку на АЭС используются тысячи датчиков, невозможно собрать все датчики в одной модели PCA. Как разделить датчики на разные модели PCA в предыдущих исследованиях не рассматривалось. Наконец, на практике неизбежны ложные срабатывания из-за внешних и внутренних воздействий.Как уменьшить количество ложных срабатываний, чтобы гарантировать надежность модели PCA, уделяется мало внимания.

Вклад этой статьи заключается в следующем: предлагаются различные методы оптимизации для решения вышеупомянутых проблем в общем методе PCA. Оптимизация используется в различных процедурах моделирования общего метода PCA, включая предварительную обработку данных, выбор параметров моделирования, а также обнаружение и изоляцию неисправностей.

Работа организована следующим образом. Раздел 1 описывает необходимость мониторинга состояния датчика.На основе предыдущего исследования предлагается оптимизированная структура PCA. В разделе 2 описывается общий метод PCA. В разделе 3 подробно описывается структура оптимизации PCA. Эффективность оптимизированного метода PCA проверяется и оценивается с помощью измерений датчиков с реальной АЭС в Разделе 4. Выводы и будущие работы приведены в последнем разделе.

2. Методология PCA

В этом разделе будут кратко объяснены основные концепции и формулы, используемые в методе PCA. За подробными математическими процессами вывода обращайтесь к Ли, Хэ или Хосе [29–31].

2.1. Основные теории PCA

PCA преобразует набор коррелированных переменных в набор новых некоррелированных переменных и при этом сохраняет большую часть информации из исходных данных. Затем главные компоненты (ПК) выводятся из некоррелированных переменных для надежного обнаружения и изоляции отклонений процесса [32].

Исходная матрица данных (выборки, переменные) разложена как сумма матрицы оценки и матрицы остатков: и — оценки и матрицы загрузки, соответственно.Векторы ортонормированы, и векторы тоже ортонормированы. Между тем, это линейная комбинация, производная которой asVector представляет, как образцы связаны друг с другом, а vector представляет, как переменные связаны друг с другом.

Следующим шагом является выбор ПК в модели PCA. Существуют различные критерии определения количества ПК [33]. Собственные значения, соответствующие собственным векторам, описывают, сколько информации содержит каждый ПК. Процент совокупного процентного отклонения (CPV) представляет собой отклонение выбранных компьютеров с учетом всех отклонений.Затем цена за просмотр используется для определения количества компьютеров. Он определяется как

, то есть PCA делится на две части на предыдущих этапах: матрица оценки модели и матрица остатков.

2.2. Обнаружение неисправностей PCA

Для выполнения этой задачи обычно используются две статистические данные: статистика и статистика Хотеллинга. Они определены для измерения вариации в матрицах и, соответственно. Если новый вектор тестирования превышает эффективную область или наблюдается значительная невязка, может быть обнаружено особое событие, вызванное либо изменениями возмущения, либо изменениями во взаимосвязи между переменными [2].

Статистика

определяет несоответствие между векторами тестирования и моделью. Он указывает расстояние, на которое вектор тестирования падает от модели ПК. Статистика Хотеллинга измеряет вариации в рамках модели PCA. Они рассчитываются как и представляют собой доверительные интервалы для статистики и соответственно. Для расчета и см. Докторскую диссертацию Ли [34].

3. Оптимизированная структура для мониторинга состояния сенсора на основе Common PCA

Все оптимизации, основанные на общем методе PCA, обобщены на Рисунке 1.Во-первых, исходные данные предварительно обрабатываются статистическим анализом и методом скользящего окна. Затем предварительно обработанные данные применяются для обучения модели PCA. Между тем, на этапе моделирования PCA предлагаются три вида критериев выбора параметров моделирования по сравнению с общим критерием случайного выбора, включая дисперсию измерений датчиков, корреляцию измерений датчиков и тип датчиков. В частности, в критерии дисперсии содержатся два разных критерия дисперсии, которые представляют собой стандартное отклонение и степень изменчивости измерений датчика, соответственно. Затем применяется метод уменьшения количества ложных тревог, чтобы уменьшить количество ложных тревог и статистику на этапе обнаружения неисправностей. Наконец, обнаруженное ненормальное поведение анализируется одновременно в основном и остаточном пространстве, чтобы более точно определить местонахождение неисправного датчика на этапе изоляции. Таким образом, более достоверные и надежные результаты мониторинга могут быть получены с помощью вышеупомянутых оптимизаций обычным методом.


3.1. Этап предварительной обработки данных

Поскольку датчики на АЭС обычно работают при высокой температуре, высоком давлении, высокой радиации, высокой влажности или среде с сильной коррозией, то особые точки или шумоподобные колебания неизбежны в исходных измерениях [35].Если эти данные используются непосредственно для разработки модели PCA (в качестве примера выбраны девять датчиков температуры охлаждающей жидкости на выходе), результаты мониторинга с 1000 испытательных образцов показаны на рисунке 2. Из рисунка 2 видно, что результаты не вполне удовлетворительны. ; и статистика, и при нормальных условиях эксплуатации представляют довольно много сигналов тревоги. Таким образом, предварительная обработка данных необходима для данных из реальной среды.


Аномальные колебания исходных данных далее классифицируются на особые точки и случайные колебания, и в этой статье они предварительно обрабатываются различными методами.

Для устранения особых точек в исходных данных применяется метод анализа на основе статистики, который характеризуется простой структурой, небольшим объемом вычислений и высокой скоростью [36]. Все эти преимущества делают его подходящим для мониторинга датчиков на АЭС, где установлено большое количество датчиков. Теория этого основанного на статистике метода объясняется следующим образом.

Большинство случайных ошибок подчиняются нормальному распределению при нормальных условиях эксплуатации; существует лишь очень малая вероятность того, что случайная ошибка превышает 3 стандартных отклонения измерений датчика [37]. Независимо от того, является ли это особой точкой или нет, это можно определить по тому, где находится среднее арифметическое и оценка стандартного отклонения для измерений датчика с одинаковой точностью. Если удовлетворяет (5), будет рассматриваться как особая точка и напрямую удаляться из исходных данных.

Измерения трех датчиков расхода питательной воды выбраны в качестве примера, чтобы показать эффективность метода исключения особых точек, и результаты представлены на рисунке 3. Можно видеть, что все особые точки присутствуют в измерениях 1 # , Датчики питательной воды 2 # и 3 # на основе вышеизложенного анализа.


После устранения особых точек согласно (5) случайные флуктуации в измерениях еще больше уменьшатся. Средняя фильтрация, фильтрация среднего арифметического, взвешенная рекурсивная фильтрация и вейвлет-анализ — наиболее часто используемые методы для уменьшения случайных флуктуаций [38]. Обычно выбор метода исключения в основном зависит от характеристик измерений. Принимая во внимание тип датчиков, применяемых во время моделирования в этой статье, метод скользящего среднего значения используется в качестве метода шумоподавления для измерений датчиков с реальной АЭС [39].Это метод шумоподавления во временной области, при котором постоянно выполняются непрерывные измерения датчика и вычисляется среднее арифметическое значение измерения. это просто длина скользящего окна. Затем среднее значение в скользящем окне рассматривается как расчетное значение на данный момент. То есть

Случайные колебания фильтруются на основе (6). Затем данные представляют собой более плавную тенденцию изменения после того, как особые точки и случайные колебания уменьшены по сравнению с исходными. Измерения на рисунке 2 снова используются, чтобы показать эффективность предварительной обработки данных, и результаты в этом случае показаны на рисунке 4.


По сравнению с рис. 2 видно, что количество ложных срабатываний и статистика значительно уменьшены. Затем можно сделать вывод, что предварительная обработка данных значительно эффективна для повышения точности модели PCA, и что действительно необходимо и целесообразно предварительно обрабатывать данные из реальной операционной среды.

3.2. Этап выбора параметров моделирования

После предварительной обработки исходных данных следующим шагом является разработка модели PCA с предварительно обработанными измерениями.Очевидно, что объединять все датчики АЭС в единую модель PCA нереально и неразумно; Таким образом, в этой статье предлагается распределенная структура, то есть несколько моделей PCA, работающих параллельно, для реализации мониторинга состояния для всех контролируемых датчиков на АЭС. Следовательно, очень важно, как наилучшим образом сгруппировать различные датчики в различные модели PCA для получения оптимальной производительности [35]. В связи с этим предлагаются следующие критерии, которые сравниваются с критерием выбора случайного параметра моделирования.

(1) Отклонение . В дисперсию включены два разных критерия: стандартное отклонение и степень изменчивости измерений датчика. Они описаны следующим образом.

(a) Стандартное отклонение . Это стандартное отклонение измерений датчика, которое обычно используется в статистической терминологии. Учитывая, что подобное стандартное отклонение измерений датчика в модели PCA может быть полезным для обнаружения небольших сбоев, в этой статье оно определено:

(b) Степень волатильности .Это относится к степени нестабильности измерений датчика, которая немного отличается от «стандартного отклонения», определенного в статистической терминологии. Степень изменчивости измерения датчика описывается как

По сравнению с критерием стандартной вариации, критерий степени изменчивости может быть более разумным. Поскольку измерения датчика охватывают разные порядки величины, стандартное отклонение может быть не в состоянии более точно описать изменение в измерениях. Два вектора и взяты в качестве примера для объяснения. Предположим, что, очевидно, мы видим, что изменяющиеся тренды, а именно степени волатильности и, равны. Тогда значения и могут быть вычислены следующим образом: На основании (10) сделанный выше вывод подтверждается правильностью; то есть получается такая же степень летучести, как и; однако стандартное отклонение и другое. Таким образом, критерий, основанный на степени волатильности, предлагается в данной статье в качестве дополнения к критерию, основанному на стандартном отклонении.Таким образом, измерения датчиков с аналогичными тенденциями изменения (а именно, с аналогичной степенью волатильности), а не с аналогичным стандартным отклонением, могут быть сгруппированы вместе для обучения модели PCA. Тогда модель PCA должна быть более чувствительной к сбоям в отслеживаемых датчиках. И чувствительность обнаружения неисправностей по этим двум различным критериям будет оценена в разделе моделирования.

(2) Корреляция . Он относится к коэффициентам корреляции между датчиками и может быть рассчитан как (11).Более высокое значение обычно означает более значительную линейную корреляцию между и . Поскольку PCA — это метод линейного анализа, естественно, выгодно сгруппировать линейно зависимые датчики в единый набор для разработки модели PCA. Таким образом, этот критерий предлагается.

Затем измерения датчика с более высокими коэффициентами корреляции разделяются в одну и ту же модель PCA. То есть датчики в каждой модели PCA демонстрируют более высокую линейную корреляцию по сравнению с моделью PCA со случайным группированием.

(3) Тип . Это относится к типам датчиков, которые используются для измерения различных параметров на АЭС. Как известно, различные параметры обычно измеряются с помощью различных типов датчиков, а различные типы датчиков обычно имеют разную точность измерения, работают в разных средах, страдают от различных внешних помех и т. Д. С учетом всех этих факторов предлагается типовой критерий выбора параметра моделирования. Затем один и тот же тип датчика можно сгруппировать для обучения модели PCA.В результате вышеупомянутые факторы влияния могут быть минимизированы.

Все предложенные критерии проверяются и оцениваются в разделе 4 для получения оптимального критерия выбора параметров моделирования.

3.3. Этап обнаружения и изоляции неисправностей

На основе предварительной обработки данных и выбора параметров моделирования дополнительно применяется метод уменьшения количества ложных тревог для повышения точности и надежности модели PCA на этапе обнаружения неисправностей. Между тем, обнаруженное ненормальное поведение анализируется одновременно в основном и остаточном пространстве, чтобы более точно определить местонахождение неисправного датчика на этапе локализации неисправности.

Метод уменьшения количества ложных тревог определяет еще один доверительный интервал для дальнейшего уменьшения количества ложных тревог и статистики. Если или называется первым пределом достоверности, этот новый предел достоверности называется вторым пределом достоверности для статистики и.

Предположим, что вероятность ложной тревоги для статистики или равна, которая обычно устанавливается в диапазоне от 0 до 0,05 в соответствии с опытом в обрабатывающих отраслях [40]. Выбрав длину основного окна наблюдения, допустимый максимум, а именно второй доверительный интервал, можно получить по следующей формуле: где также значение опыта, которое определяется на основе точности модели.Обычно он устанавливается в диапазоне от 0,98 до 1 в соответствии с опытом в обрабатывающих отраслях [40]. Если количество ложных срабатываний или статистика превышает предыдущее в окне наблюдения, то это будет определено как истинное неисправное состояние.

После того, как статистика превысит второй доверительный предел, обнаруживается отклонение от нормы. Затем ненормальное поведение анализируется одновременно в основном и остаточном пространстве, чтобы более точно определить местонахождение неисправного датчика на этапе локализации неисправности. Так как и статистика представляют собой общую вариацию в основном и остаточном пространстве, соответственно, таким образом, вклады датчиков в статистику применяются одновременно для идентификации неисправного датчика [30].

Предположим, что вектор тестирования выражается как количество датчиков в. Вклад датчика в общую вариацию в остаточном подпространстве (представленный статистикой) определяется как Вклад датчика в общую вариацию в основном подпространстве (представленный статистикой) может быть рассчитан с помощью следующих шагов.

Вычислить вклад в вектор очков: где — th элемент вектора.

Рассчитайте вклад в статистику:

Когда АЭС работает в нормальных условиях, и статистика должна находиться в пределах доверительной вероятности, а вклад каждого датчика в статистику должен быть почти одинаковым теоретически.Если в контролируемых датчиках происходит сбой, и / или статистика выйдет за пределы их достоверности, и тогда их можно будет напрямую использовать для обнаружения неисправного датчика. Кроме того, если неисправность, которая возникает на отслеживаемых датчиках, представляет собой просто небольшой сбой, такой как небольшой дрейф, который не может быть обнаружен статистикой, эти два индекса изоляции неисправности также будут полезны как для обнаружения, так и для изоляции этого небольшая ошибка. Тем не менее, очевидная тенденция к увеличению все еще наблюдается в датчике дрейфа и / или в нем, хотя статистические данные могут быть не в состоянии обнаружить небольшие отклонения датчиков.

Небольшие отклонения датчиков могут не привести к серьезным авариям, но если датчик отклонения участвует в важных процессах управления на АЭС, это может привести к отклонению режима работы от оптимальных условий. Следствием отклонения режима работы является возможное снижение экономики завода. Даже если небольшие отклонения появляются на датчиках, которые не участвуют в важных процессах управления, а просто служат целям мониторинга, эти два индекса изоляции неисправностей также могут вносить вклад в стратегию CBM на АЭС. Поскольку более высокое значение индекса обычно указывает на неизвестную деградацию датчика, таким образом датчики можно калибровать, обслуживать или ремонтировать по мере необходимости, и можно избежать чрезмерных манипуляций с калибровкой и техническим обслуживанием датчиков.

4. Тесты и результаты моделирования

Чтобы проверить функциональность оптимизированного метода PCA, измерения датчиков получают с реальной АЭС в нормальных условиях эксплуатации с полной мощностью для проведения моделирования. Поскольку в базу данных АЭС включено большое количество датчиков, датчики нумеруются отдельно арабскими цифрами для более удобной демонстрации результатов моделирования.Для проверки производительности моделей PCA с различными критериями выбора параметров моделирования приведены пять моделей PCA на основе предложенных критериев, которые описаны ниже. Между тем, для проверки эффективности обнаружения неисправностей и изоляции оптимизированной модели PCA, отказы различной степени последовательно накладываются на измерения датчика температуры охлаждающей жидкости на выходе (который в базе данных точно помечен как датчик 1 #). Причина сбоев в работе этого датчика заключается в том, что датчик 1 # входит во все пять упомянутых выше моделей PCA.

Пять предлагаемых моделей PCA определяются следующим образом.

(1) Модель PCA с критерием выбора параметров моделирования типа . Поскольку подтверждено, что датчик 1 # содержится во всех пяти моделях PCA, для обучения модели PCA выбираются датчики одного типа. Затем на основе критерия выбора параметра моделирования типа выбираются следующие датчики в базе данных для обучения модели PCA, в том числе. А арабскими цифрами обозначены положения выбранных датчиков в базе данных.

(2) Модель PCA с критерием выбора параметра моделирования стандартного отклонения . Аналогичным образом, датчик 1 # также включен в эту модель PCA. Во-первых, стандартное отклонение всех датчиков в базе данных рассчитывается на основе (7). Затем, на основе критерия выбора параметра моделирования стандартного отклонения, для обучения этой модели PCA выбираются датчики в базе данных с наиболее близким стандартным отклонением к датчику 1 #. Таким образом определяется модель PCA с критерием выбора параметра моделирования стандартного отклонения.И позиции выбранных датчиков в этой модели PCA упорядочены по схожести стандартного отклонения с датчиком 1 # от большого к малому. Аналогичным образом арабскими цифрами обозначены положения выбранных датчиков в базе данных.

(3) Модель PCA с критерием выбора параметров моделирования степени волатильности . Таким же образом сначала рассчитывается степень изменчивости датчиков в базе данных на основе (8), а затем в качестве параметров моделирования в этой модели PCA выбираются датчики с наиболее близкой степенью изменчивости к датчику 1 #.Таким образом, определена модель PCA с модельным параметрическим критерием степени волатильности. Выбранные датчики в этой модели PCA имеют следующие позиции в базе данных:, которые упорядочены по степени сходства степени изменчивости с датчиком 1 # от большого к малому.

(4) Модель PCA с критерием выбора параметров моделирования коэффициентов корреляции . Чтобы определить эту модель PCA, сначала рассчитываются коэффициенты корреляции между датчиком 1 # и всеми другими датчиками в базе данных на основе (11).Затем в качестве параметров моделирования этой модели PCA выбираются первые восемь датчиков с наибольшими коэффициентами корреляции с датчиком 1 #. Позиции выбранных датчиков в базе данных упорядочены по коэффициентам корреляции к 1 # датчику от большого к малому. Таким образом, определяется модель PCA с критерием выбора параметра моделирования корреляции.

(5) Модель PCA с случайным критерием выбора параметров моделирования . Для сравнения в данной статье разработана эта модель PCA.В модели выбраны параметры моделирования, которые охватывают различные типы и разные порядки величины стандартного отклонения, степени волатильности и коэффициентов корреляции датчиков.

Можно видеть, что не только датчик 1 # является общим элементом в вышеупомянутых пяти моделях PCA, но также девять датчиков включены в каждую модель PCA. В этом контексте могут возникать сбои во взаимных измерениях датчиков 1 # для каждой модели PCA, а характеристики модели с различными критериями выбора параметров моделирования могут быть оценены с разумными предварительными условиями.

4.1. Моделирование с использованием нормальных измерений

1000 исходных образцов используются для обучения пяти моделей PCA, а еще 1000 исходных образцов выбираются в качестве данных тестирования для проведения тестов моделирования. Результаты и статистика по пяти моделям PCA показаны на рисунках 5 и 6 соответственно. Красные пунктирные линии на рисунках — это доверительные интервалы для статистики. Видно, что статистика показывает ложные срабатывания во всех пяти моделях PCA при нормальных условиях эксплуатации.Для статистики относительно лучше, чтобы ложные срабатывания сигнализации возникали только в моделях PCA с критериями выбора параметров случайным и стандартным отклонением.



Если исходные образцы предварительно обработаны методами, предложенными в этой статье, то предварительно обработанные данные используются для обучения пяти моделей PCA. В этом контексте результаты моделирования и статистика в пяти моделях PCA показаны на рисунках 7 и 8. Поскольку особые точки и случайные флуктуации в исходных выборках устраняются статистическим методом и методом скользящего окна, количество ложных срабатываний и статистика сокращаются. в некоторой степени.



Таким образом, на основе предварительной обработки данных предлагается второй доверительный интервал для статистики и для дальнейшего уменьшения ложных срабатываний сигнализации и статистики. С применением второго доверительного предела подробная вероятность ложных тревог и статистика по пяти моделям PCA сведены в таблицу 1. Очевидно, ложные срабатывания и статистика во всех пяти моделях PCA снижаются до более низких уровней с приложением. метода уменьшения ложных тревог.В результате, метод предварительной обработки данных для исходных данных и метод уменьшения ложных тревог и статистика действительно способствуют уменьшению количества ложных тревог и статистике при нормальных условиях эксплуатации. Таким образом, производительность модели действительно улучшается.

Из таблицы 1 видно, что модель PCA с критерием выбора параметра корреляции показывает оптимальную производительность при обнаружении неисправности датчика по сравнению с другими четырьмя моделями PCA. Ложные срабатывания и статистика уменьшаются до 0 и 0.2% соответственно в этой модели PCA, что ниже, чем у остальных четырех моделей PCA.

Из-за влияния точности модели и внешних условий, вклад датчиков и статистики в модели PCA в нормальных рабочих условиях не равен результатам на Рисунке 9. Таким образом, из 1000 выборок выбираются две выборки (а именно , 600-й и 1000-й образцы) в качестве контраста, чтобы показать результаты мониторинга состояния. Затем рассчитываются вклады датчиков в пять моделей PCA и статистические данные в 600-й и 1000-й точках выборки, которые проиллюстрированы на рисунках 9 (a), 9 (b) и 9 (c). Статистика в модели PCA с критерием выбора параметра случайным образом на рисунке 9 (а) взята в качестве примера для объяснения. В 600-й точке выборки вклад 1 # датчика в статистику составляет около 14%; Между тем, вклад датчика 130 # в статистику составляет около 7%. Ясно, что существует большая разница в вкладе между этими двумя датчиками, что теоретически должно указывать на неизвестные отказы в контролируемых датчиках. Однако в 1000-й точке выборки вклад датчика 1 # в статистику в этой модели PCA все еще составляет около 14%, а также вклад датчика 130 # по-прежнему составляет около 7%.Аналогичные результаты можно увидеть и на других датчиках в этой модели PCA. То есть вклады всех датчиков в модели PCA или статистике не равны в одной точке выборки; однако вклад каждого датчика в разных точках отбора проб практически не меняется. Тогда можно сделать вывод, что в контролируемых датчиках не происходит отказов; различия в вкладе различных датчиков могут быть результатом неизвестных факторов неопределенности в модели PCA, а не отказов датчиков.Аналогичные результаты могут быть получены и в других четырех моделях PCA.

Из показателей вклада мы также можем получить такой факт, что модель PCA с критерием выбора параметра корреляции показывает лучшую производительность при локализации неисправностей в нормальных условиях эксплуатации. Вклады датчиков в статистику почти равны, что лучше всего согласуется с теоретическим анализом. Между тем, вклад датчиков в статистику в этой модели PCA также больше согласуется с теоретическим анализом по сравнению с другими четырьмя моделями PCA.С другой стороны, из рисунка 9 также видно, что модель PCA с критерием выбора случайных параметров демонстрирует наихудшие характеристики в этом отношении. Независимо от того, идет ли речь о статистике, вклад датчиков в этом случае совершенно разный.

4.2. Моделирование с аномальными измерениями

Между тем, для проверки возможности обнаружения неисправностей и изоляции предложенной модели PCA, датчику температуры на выходе охлаждающей жидкости (а именно, датчик 1 # в базе данных) накладываются два искусственных дрейфа (пандуса). 400-я точка отбора проб.Один дрейф имитирует общую проблему, которая влияет на датчики процесса и может быть результатом старения. Смоделированный дрейф представляет собой наклон, который увеличивается до 0,45 ° C для измерений датчика 1 #. Этот небольшой дрейф соответствует максимальному изменению измерений на 0,15%, которое незаметно на временном профиле. Другой дрейф относительно больше, что представляет собой обычную проблему, которая может возникать в результате механических неисправностей. Этот смоделированный дрейф также является наклоном, который увеличивается до 3,5 ° C для измерений датчика 1 #. И это эквивалентно максимуму 1.15% изменение, которое также можно увидеть во временном профиле.

Можно видеть, что статистика во всех пяти моделях PCA не может обнаружить небольшой дрейф, который произошел на датчике 1 #, что показано на рисунке 10. На рисунке 11 можно увидеть тенденции к увеличению статистики в последний период испытаний. ; однако тенденции незначительны и имеют более высокую волатильность, что свидетельствует о неопределенных результатах. Затем дополнительные датчики потребуются для помощи в обнаружении небольшого сбоя на датчике 1 #, что показано на рисунке 12.Для пояснения в качестве примера взята модель PCA со случайным выбором параметров на рисунке 12 (а).



Из рисунка 12 (а) вклад датчика 1 # в статистику составляет около 22% в 600-й точке выборки и почти достигает 30% в 1000-й точке выборки. Значительное увеличение вклада присутствует на датчике 1 #, что отличается от ситуации при нормальных условиях (вклады остаются неизменными между 600-й и 1000-й точками). Напротив, вклад датчика 80 # в статистику составляет около 20% в 600-й точке выборки и снижается до 18% в 1000-й точке выборки.Небольшое уменьшение вклада появляется между 600-й и 1000-й точками выборки, что одинаково для других датчиков (47 #, 55 #, 61 #, 130 #, 149 #, 102 # и 112 #) в этой модели PCA; вклад этих датчиков почти не изменился или имеет незначительные тенденции к уменьшению с дрейфом, развивающимся на датчике 1 #. Тем не менее, в этой модели PCA между 600-й и 1000-й точками выборки никаких явных различий в статистических показателях не наблюдается. Это можно пояснить на рисунке 10, где статистика датчика 1 # также почти не претерпевает явных изменений во время теста.

На основании анализа статистики и ее вклада в статистику можно сделать вывод, что датчик 1 # ведет себя ненормально. То есть модели PCA полностью могут обнаруживать и изолировать датчики с таким уровнем дрейфа. Между тем, из рисунка 11 также видно, что модель PCA с выбором параметра корреляции более чувствительна к обнаружению неисправностей по сравнению с другими четырьмя моделями PCA, поскольку небольшой дрейф на датчике 1 # может быть обнаружен этой моделью PCA быстрее. .Модели PCA с критериями выбора параметров моделирования, такими как стандартное отклонение и степень волатильности, находятся во втором и третьем порядке, а модель PCA с критерием выбора случайных параметров показывает наихудшие характеристики обнаружения неисправностей в этом случае.

Из рисунка 12 также можно сделать вывод, что модель PCA с выбором параметра корреляции показывает лучшую производительность при локализации мелких неисправностей. Вклад датчика 1 # в статистику в 1000-й точке выборки в пяти моделях PCA взят в качестве примера, чтобы продемонстрировать предыдущий вывод.

Поскольку отказ датчика 1 # является линейной функцией, то отказ будет развиваться с течением времени. Точно так же вклад датчика 1 # в статистику будет возрастать по мере развития отказа с течением времени. Можно видеть, что вклад датчика 1 # в статистику в 1000-й точке выборки достиг примерно 30%, 30%, 35%, 40% и 60% соответственно в моделях PCA с критерием выбора параметра случайным, стандартное отклонение, степень волатильности, тип и корреляция.Очевидно, что вклад датчика 1 # в статистику в модели PCA с критерием выбора параметра корреляции значительно больше, чем в других четырех моделях PCA, что очень полезно для изоляции дрейфа датчика 1 # среди отслеживаемых датчиков. . Таким образом, по сравнению с другими четырьмя моделями PCA, модель PCA с критерием выбора параметра корреляции показывает лучшую производительность при локализации неисправностей датчика с небольшими отклонениями.

Напротив, результаты мониторинга состояния с большим дрейфом на датчике 1 # показаны на рисунках 13 и 14.Цифры показывают, что обе и статистика во всех пяти моделях PCA могут обнаружить отказ во время теста. То есть метод PCA обладает достаточной чувствительностью к такого рода сбоям, которые произошли на контролируемых датчиках.



В этом случае вклад датчиков в статистику в пяти моделях PCA показан на рисунке 15. В каждой модели PCA вклад датчика 1 # в статистику в 1000-й точке выборки значительно больше. чем в 600-й точке отбора проб, что соответствует теоретическому анализу.Между тем, из-за большего дрейфа датчика 1 #, вклад датчика 1 # также значительно больше, чем на рисунке 12. В результате, на основе распределения вкладов датчиков, обнаруживается отказ датчика 1 #.

Между тем, из рисунка 15 также видно, что модель PCA с критерием выбора случайных параметров показывает худшую производительность по сравнению с другими моделями PCA. Только в этой модели PCA вклад 1 # датчика в статистику ниже 50% либо в 600-й, либо в 1000-й точке выборки.Однако в остальных четырех моделях PCA вклады значительно превышают 50%, будь то в 600-й или 1000-й точке тестирования, что обеспечивает более эффективные возможности обнаружения и изоляции ошибок во время тестирования. Таким образом, можно сделать вывод, что модели PCA с критериями выбора параметров, такими как стандартное отклонение, степень волатильности, тип и корреляция, демонстрируют довольно хорошие характеристики при локализации неисправностей датчиков с большими отказами.

На основании вышеизложенного моделирования можно сделать следующие выводы:

Предложенные методы предварительной обработки данных и уменьшения количества ложных тревог доказали свою эффективность в снижении количества ложных тревог и статистики в модели PCA, которая эквивалентна улучшение характеристик модели.

Моделирование при нормальных и ненормальных условиях показывает, что модель PCA с критерием выбора параметра моделирования корреляции обеспечивает лучшую производительность как при обнаружении неисправностей, так и при локализации неисправностей по сравнению с другими четырьмя моделями PCA.

5. Выводы и перспективы

В этой статье предлагается оптимизированная структура PCA для мониторинга состояния датчиков. Предлагаемые оптимизации в основном задействованы в различных процедурах моделирования в обычном методе PCA, включая этап предварительной обработки данных, этап выбора параметров моделирования и этап обнаружения и изоляции неисправностей.На этапе предварительной обработки данных особые точки и случайные колебания исходных данных устраняются с помощью различных методов. На этапе выбора параметров моделирования предлагаются различные критерии выбора параметров для получения оптимальных характеристик модели для метода PCA. На последнем этапе обнаружения и локализации неисправностей дополнительно применяется метод, основанный на статистике, для уменьшения количества ложных тревог и статистики на основе предварительной обработки данных. Между тем подтвержденное неисправное состояние обсуждается одновременно в основном и остаточном пространствах, чтобы более точно определить местонахождение неисправного датчика.

Данные реальной АЭС используются в этой статье для тестирования оптимизированного метода PCA. Согласно результатам моделирования в нормальных условиях, ложные срабатывания и статистика действительно могут быть значительно уменьшены с применением метода предварительной обработки данных и метода уменьшения ложных срабатываний. Оптимизированный метод PCA, основанный на моделировании с ошибочными данными, доказывает свою эффективность в обнаружении и локализации неисправностей датчиков, как при небольших, так и при серьезных отказах. Между тем, можно сделать вывод, что модель PCA с критерием выбора параметра корреляции показывает лучшую производительность как в нормальных, так и в ненормальных рабочих условиях.

Несмотря на то, что в этот документ были внесены ценные улучшения, предстоит еще много работы в будущем. Как дальше обрабатывать оставшиеся ложные срабатывания и как наилучшим образом восстановить ошибочные данные, будет проанализировано на основе проделанной работы в этой статье.

Конфликт интересов

Авторы заявляют об отсутствии конфликта интересов.

Благодарности

Авторы выражают признательность национальному проекту «Исследования по онлайн-мониторингу и методам поддержки эксплуатации атомной электростанции» за финансовую поддержку настоящего исследования.

Liangwei Zhang Print II.pdf

% PDF-1.6 % 1 0 obj > эндобдж 3833 0 объект > / Шрифт >>> / Поля [] >> эндобдж 2917 0 объект > эндобдж 3834 0 объект > поток 2016-12-01T15: 09: 39 + 01: 002016-12-01T15: 54: 14 + 01: 002016-12-01T15: 54: 14 + 01: 00 Устройство = Xerox5000A4, CustomPageSize = True, Duplex = False, Collate = CollateDEF, PrepsScreening = valueKodak Preps Version 5.3.3 (595) application / pdf

  • Liangwei Zhang Print II.pdf
    • uuid: 51f7f785-fd11-41be-adf1-d5f8944d8496uuid: 8a52bb60-c149-4bbc-bdf6-31b4c3b1ab11 конечный поток эндобдж 37 0 объект > эндобдж 3835 0 объект > эндобдж 3841 0 объект > эндобдж 3842 0 объект > эндобдж 3843 0 объект > эндобдж 3844 0 объект > эндобдж 3845 0 объект > / Шрифт >>> / Повернуть 0 / StructParents 0 / Тип / Страница >> эндобдж 3846 0 объект > поток BT / P> BDC / CS0 cs 0 scn / TT0 1 Тс 10. 삠 + v! A {Bhk 5YliFe̓T?} YV- ަ xBm̒N (} H) &, #

    Дистанционное зондирование | Бесплатный полнотекстовый | Методы обнаружения изменений на основе мультиспектральных изображений для исследования динамики земного покрова

    После успешной предварительной обработки можно получить различные продукты синтеза с помощью многочисленных методов CD в зависимости от контекста и цели исследования; например, состав, конфигурация и вероятность изменений [111]. Обзор литературы показывает, что CD может создавать карты бинарных изменений, типов изменений, величины и направления изменений, вероятности изменений или временных траекторий.Кроме того, пользователи могут использовать информацию об изменениях для моделирования будущего земного покрова. Каждый возможный CD-продукт и методы, используемые для его создания, обсуждаются в следующих подразделах.
    4.1. Карты двоичных изменений
    Карты двоичных изменений — это продукты синтеза битемпоральных CD, которые выделяют место изменений и поэтому являются стандартной информацией для систем принятия решений. Для их создания в различных экосистемах применялись различные методы, в том числе простое дифференцирование [112] или соотношение [113] исходных мультиспектральных изображений или их производных, таких как индексы и анализ основных компонентов (PCA) или MAD [114], за которым следует пороговая обработка [115].Различие изображений исследует несходство свойств изображения для каждого пикселя путем простого вычитания одного значения цифрового изображения из другого для получения числовой разницы между парами пикселей [112]. Дифференцирование обычно выполняется на предварительно обработанных спектрально и атмосферно предварительно обработанных изображениях, чтобы минимизировать ошибки [35,112]. Этот подход часто использовался с индексами вместо исходных спектральных полос для лучшей ассоциации с биофизическими свойствами. Другой простой метод для CD — это соотношение, при котором значения пикселей одного цифрового изображения разделяются на значения другого [116]. Результат дифференцирования и соотношения не может быть напрямую интерпретирован как измененный или неизменный, поскольку для различения двоичных классов требуется пороговое значение. При определении пороговых значений следует учитывать содержимое изображения и выбор значений [117]. Sahoo и др. [118] рассмотрели и классифицировали методы пороговой обработки следующим образом: (1) точечно-зависимые методы, такие как метод Оцу [119], энтропийный метод и метод минимальной ошибки [120]; (2) регионально-зависимые методы, например метод преобразования гистограммы и метод релаксации [121, 122, 123]; (3) локальное пороговое значение; и (4) методы множественной пороговой обработки, например, метод амплитудной сегментации и метод равномерного контраста [124,125].Определение порога может быть основано на различных критериях, например, (а) нормальная модель, (б) локальное распределение интенсивности, (в) распределение Пуассона и (г) стабильное количество областей [117]. При использовании мультиспектральных полос задача дифференцирования и соотношения состоит в том, чтобы отделить измененные пиксели от неизменных. Ридд и Лю [126] предложили новую трансформацию для создания однополосного изображения изменения из мультиспектрального дифференцирования и соотношения с использованием принципа хи-квадрат. Анализ основных компонентов для битемпорального CD использует либо ковариационную, либо корреляционную матрицу [47,127].В качестве метода уменьшения избыточности PCA преобразует исходную матрицу в новые линейные формы и используется для обнаружения изменений в данных Landsat [128]. Информация об изменении в основном интерпретируется из третьего и четвертого основных компонентов, которые представляют уникальные явления, имеющие небольшие отклонения, тогда как первый и второй компоненты обычно представляют собой отклонения неизмененных пикселей, которые больше, чем у измененных пикселей [115]. Сравнивая стандартизованный и нестандартный PCA, Guirguis, et al.[129] продемонстрировали, что стандартизированная версия лучше способна обнаруживать изменения. PCA использовался либо как отдельный метод [115, 128, 130, 131], либо в сочетании с различными классификаторами или методами [76, 132, 133, 134]. Другой популярный метод, который обеспечивает обнаружение битемпоральных изменений, — это MAD [114] и его модификация, Iteratively Reweighted MAD (IRMAD), который основан на канонической корреляции и продемонстрировал свою надежность для CD [135]. MAD — это хорошо зарекомендовавший себя метод обнаружения битемпоральных изменений [136], который сочетает в себе регистрацию, спектральную нормализацию и пространственную автокорреляцию [114].Метод основан на канонической корреляции Хоттелинга, при которой два набора векторных изображений одного и того же места, полученные в два момента времени, M = (M1,…, Mk) и N = (N1,…, Nk), преобразуются в новые изображения Q = aTM и R = bTN. Из p спектральных полос в исходных изображениях могут быть сгенерированы два изображения, где каждое новое изображение состоит из p MAD-вариаций. MAD-переменные ортогональны друг другу и упорядочены по убыванию дисперсии. Было высказано предположение, что стандартизация значений путем вычисления их корреляции вместо их ковариации позволяет учесть различные масштабы из-за различных коэффициентов усиления и атмосферных условий [135, 137].Итеративная обработка IRMAD выполняется для улучшения разделения между классами путем добавления большего веса к вероятностям отсутствия изменений во время процесса [135]. Этот метод применялся к различным наборам данных, таким как диапазоны 1–7 Landsat [137], каналы 1 и 2 AVHRR [138], диапазоны 1–9 ASTER [137] и изображения, полученные синтетическим путем из 242 полос Hyperion. [139]. Однако в нескольких исследованиях специально сравнивали применение MAD или IRMAD с различными датчиками или типами преобразования. Анализ медленных признаков (SFA) — еще один потенциальный метод, позволяющий отделять измененные пиксели от неизменных путем подавления инвариантных компонентов мультитемпоральных изображений [140].SFA основан на том принципе, что процессы видимого изменения происходят медленно на неизмененных пикселях, когда они наблюдаются во времени, на что указывают последовательные изменения дисперсии. Это происходит, когда радиометрические значения неизмененных пикселей не равны нулю из-за различных факторов, таких как атмосферные, сенсорные и эффекты автоматической калибровки. Тем не менее, они сравнительно меньше, чем у измененных пикселей, что позволяет идентифицировать неизмененные пиксели [73,140]. Этот метод был протестирован на данных Landsat и продемонстрировал превосходство над анализом вектора изменений, PCA и MAD [140].Недавно было изучено глубокое обучение, в основном для обнаружения объектов с использованием различных оптических или РСА изображений с высоким пространственным разрешением. Были реализованы методы, основанные на глубоком обучении, в частности, для неконтролируемого обнаружения изменений. Эти методы включают в себя обнаружение изменения уровня характеристик [141], создание нового разностного изображения [142], распознавание характеристик [143], разностное обучение на основе суперпикселей [144] и анализ значимости [145]. Усовершенствованная версия анализа медленных функций (SFA), основанная на глубоком обучении, — еще одна современная техника для CD [146].Эта комбинация использовала сеть глубокого обучения для проецирования двух изображений, взятых из двух временных точек, тогда как SFA использовалась для подавления неизмененных пикселей и выделения измененных пикселей. Более того, комбинация глубинно-сиамских сверточных и многоуровневых рекуррентных нейронных сетей была введена для обработки CD в изображениях VHR с несколькими источниками [147]. Большинство методов были протестированы на участках размером от 300 × 300 пикселей до 1500 × 1100 пикселей, за исключением нескольких тестовых областей, таких как область от Цао, Ванга, Ксавьера, Янга и Саутворта [142], в которой использовался размер 6407 пикселей. × 5521 пикселей.Было заявлено о нескольких преимуществах методов, основанных на глубоком обучении, таких как способность уменьшать шум и избыточность [141, 142], устойчивость к регистрации ошибок [144] и способность обнаруживать изменения на гетерогенных изображениях [143]. В некоторых исследованиях утверждается, что для реализации глубокого обучения требуется большое количество наборов обучающих данных [148, 149], хотя другие продемонстрировали, что пара мультиспектральных изображений может быть использована для обучения сетей для битемпорального CD [150]. В таблице 1 представлен обзор методов, используемых для создавать бинарные карты изменений с использованием различных типов данных, применяемых к ряду экосистем.Приложения варьируются от мониторинга лесов до городских территорий и используют наборы оптических или радиолокационных данных. Полученные карты двоичных изменений различаются по своему пространственному разрешению от 0,5 метра (Quickbird) до 30 метров (Landsat).
    4.2. Типы изменений: информация «От-К»
    Тип изменения и состав изменения — типичные продукты компакт-диска после классификации, которые относятся к типам земного покрова, присвоенным единице площади, такой как пиксель, участок или административный регион. Как правило, анализ изменений после классификации генерирует информацию «от-до», которая добавляет детали типа изменения к бинарной карте изменений [168] и может использоваться для понимания пространственной картины изменения ландшафта.Чтобы получить точный CD, важно оптимизировать классификацию, чтобы минимизировать ошибку, потому что ошибка CD распространяется через каждый процесс классификации [169]. Между тем, производительность классификаторов ограничена типом и качеством изображения, наземными наблюдениями и вычислительной мощностью [170, 171, 172]. Неконтролируемые или контролируемые пиксельные методы могут создавать точные CD-продукты [171]. В этом разделе избегается обсуждение достижений в самих алгоритмах классификации, но вместо этого основное внимание уделяется аналитическим методам и приложениям, которые генерируют типы и состав изменений.Помимо анализа постклассификационных изменений, информация «от-до» может быть получена с помощью подходов, основанных на местных особенностях или регионах [173]. Было показано, что подходы, основанные на регионах, превосходят подходы на основе CD по сравнению с подходами на основе пикселей с точки зрения следующего: (a) их способность различать различные типы земного покрова, (b) их нечувствительность к ошибочной регистрации и (c) изменение представления признаков, которое может быть хорошо дифференцировано путем комбинирования показателей текстуры [174]. Недавно разработанные подходы на основе регионов включают подход регуляризованного набора уровней [175], более быструю сверточную нейронную сеть на основе регионов (Faster R-CNN) [176] и комбинированное использование подходов на основе пикселей и на основе регионов [177,178].В таблице 2 приведены соответствующие опубликованные исследования в соответствии с контекстными методами, источниками данных и экосистемными приложениями, используемыми для генерации типа изменений и состава информации об изменениях. Постклассификационный CD — это основной метод генерирования изменений. Комбинация методов постклассификации с другими методами улучшила чувствительность к CD и повысила точность классификации [179,180]. Для достижения большей точности классификации, предшествующей анализу изменений, использовались различные методы классификации, начиная от стандартных методов классификации без учителя и с учителем, таких как кластеризация по k-средним и максимальная вероятность, соответственно, или более продвинутых методов, таких как искусственный интеллект или вспомогательные векторные машины. [181 182].Были оценены различные источники изображений, включая мультиспектральные изображения со средним или высоким пространственным разрешением и гиперспектральные изображения с бортовых или спутниковых платформ [40,183]. CD с использованием данных SAR также был реализован для обнаружения изменений земель в городских и лесных районах [182,184]. Были изучены многочисленные стратегии повышения точности при получении информации «от-до» с использованием новейших алгоритмов классификации или сочетания двух или более методов . Итеративная классификация соединений была протестирована в сельскохозяйственном регионе и показала более высокую точность по сравнению с постклассификационным анализом [185].Несмотря на большие вычислительные затраты, другие исследования объединили анализ вектора изменений, PCA и описание временной сигнатуры для повышения точности обнаружения изменений для городского земного покрова [186]. Комбинация методов классификации с PCA или с геостатистическим анализом была реализована для повышения точности классификации и, в свою очередь, повышения точности CD [184,187].
    4.3. Величина и направление изменения
    Другими продуктами анализа CD являются информация о величине и направлении изменений, которая обычно генерируется из анализа вектора изменений (CVA) [195].Продукты суммируют информацию, которая будет использоваться для различения типов изменений, что является распространенной причиной в пользу этого метода. В общем, направление изменения можно определить, используя две полосы, в то время как величина изменения использует более двух спектральных полос. Графическое представление CVA было введено Вегманном и др. [196] и на Рисунке 2 представлена ​​иллюстрация CVA. Три важных предварительных условия для CVA включают следующее: (a) точная регистрация, (b) предварительная обработка для уменьшения шума и стабилизации производительности, и (c) определение минимальной области интереса, чтобы избежать эффект «соль и перец» [65].Согласно Контоесу [197], вектор изменения можно определить как угол изменения. Исходные спектры изображений или их преобразования, такие как индексы, были проанализированы с помощью CVA. Преобразованные данные, такие как TC [48,65,198] или индексы вегетации [199], также использовались для проведения CVA. Шоппманн и Тайлер [48] пришли к выводу, что выполнение CVA на преобразованных изображениях позволяет сделать вывод о процессе изменения, особенно когда получение достоверной информации является сложной задачей. Используя различные типы данных, включая индексы растительности и отражательную способность поверхности, Ламбин и Стралер [200] подчеркнули, что разные индикаторы указывают на разные процессы изменений. Совместное применение необработанных спектральных и преобразованных данных было продемонстрировано для исследования горной местности Нордбергом и Эвертсоном [158], которые сформулировали направление изменения на основе комбинации диапазонов 3 и 4 данных Landsat, в то время как величина была определена из трех компонентов преобразования TC, т. е. зелени, влажности и яркости. CVA лучше всего подходит для CD в пределах классов земного покрова; следовательно, только CVA не может предоставить желаемую информацию «от кого». Джонсон и Касишке [65] подчеркнули ограничение CVA для маркировки изменений следующим образом: Векторы изменений описывают динамику изменений, но не состояния (т. Е.е., принадлежность к классам в начале и в конце векторов). Определение пороговых значений для разграничения измененных пикселей является еще одной проблемой для CVA [201], особенно при работе с мультиспектральными изображениями. Мультиспектральные изображения могут быть неоднородными в своих спектральных диапазонах, поэтому применение единого порога может оказаться недостаточным [202]. Эту проблему можно решить путем нормализации данных и преобразования результата в апостериорную вероятность [201] .CVA можно использовать для сравнения разницы биофизических показателей вдоль временной траектории, исходя из комбинации длины вектора, представляющего различные величины. , и направление изменения, что указывает на характер изменения [203].CVA — многомерный метод, поскольку он может анализировать как минимум два спектра. Направление изменения может использоваться для классификации типов изменений в 2n направлениях изменения, где n равно количеству спектральных полос [65], а величина изменения может формировать 3n + 2 пространств признаков для фильтрации значимых областей изменений [197]. CVA наиболее выгоден, когда спектральные изменения неизвестны или когда спектральные переменные трудно понять [65]. Усовершенствованная версия CVA, то есть версия, основанная на глубоком обучении, способна пространственно моделировать коррелированные пиксели и была протестирована на компакт-диске с тремя изображениями VHR, т. е.э., Worldview, Quickbird и Pleiades [204]. В различных исследованиях использовалась CVA, включая, но не ограничиваясь, лесные районы, явления изменения после опасностей и расширение городов. В таблице 3 приведены примеры исследований различных экосистем, в которых CVA применялась как единый метод или в сочетании с другими подходами.
    4.4. Вероятность изменения

    Вероятность изменения — это оценочное значение, представляющее вероятность изменения в области, которое обычно генерируется на основе временного анализа наборов исторических данных.Определение вероятности изменения позволяет прогнозировать будущие условия, что важно для исследований, связанных с планированием.

    Вероятность изменения обычно рассчитывается с использованием различных статистических методов, например, хи-квадрат, логистического или гауссовского распределения. Ши и Динг [212], например, использовали распределение хи-квадрат для оценки вероятности изменения. Вероятность была получена путем использования байесовской вероятности из временно сложенных изображений или из двоичных изображений различных захватов [213].Изучив два наблюдения, модифицированная форма CVA была использована для расчета вероятностей изменений [201]. Они назвали этот метод CVA в апостериорном вероятностном пространстве (CVAPS). Он имеет преимущество масштабирования величин изменений до согласованного диапазона (апостериорных вероятностей, от нуля до единицы) и, таким образом, требует только одного порогового значения для классов, что делает оптимизацию порога более эффективной по сравнению с CVA, для которого требуется один порог для каждого класса. . Оценка вероятности изменения была реализована для нескольких приложений.Отношение правдоподобия использовалось для определения вероятности зон, пострадавших от наводнения, и распределения транспортных средств с использованием SAR ERS-2 и SAR с воздуха, соответственно [214]. Вероятность изменения биологически сложных экосистем оценивалась на основе пропорциональной площади измененных и неизмененных земель с использованием многополосной разности изображений (MID) [154]. Вероятность урбанизации была определена с помощью байесовского P-сплайна, чтобы выделить изменения во времени и местоположении [215], в то время как Wang и др. [216] использовали метод масштабно-инвариантного преобразования признаков (SIFT) для расчета вероятности измененной / неизменной земли.Наконец, когерентное обнаружение изменений было реализовано для картирования вероятности распределения вулканического пепла [217] и вероятности ущерба в результате стихийного бедствия [218]. Некоторые исследователи продемонстрировали использование вероятностей изменений при определении движущих сил изменений. Используя различные методы регрессии, вероятность изменения можно оценить, учитывая вклад определяющих факторов от нескольких переменных. В качестве примера использовались обобщенные линейные модели (GLM) и полувариограммы, чтобы судить о важности метрик изменений и полученной вероятности изменений и изменчивости изображений изменений [219].Логистическая регрессия — часто используемый метод определения движущих сил изменений; например, идентификация детерминант изменений при оценке вероятности изменения пикселя [220], определение вероятности лесовозобновления [221] и количественная оценка вероятности деградации лесов на основе наборов биофизических и социально-экономических данных [222]. Вероятность изменения также может информирует о степени обнаружения ошибок, включая вероятности ошибок и ложных тревог [223]. Несмотря на возможность выделить наиболее вероятные места ложных срабатываний, локальные оценки вероятности ошибки в этой статье не рассчитывались.Другое исследование Картуса и др. [224] исследовали вероятность ошибки обнаружения изменений во время исследования потери лесного покрова с использованием обратного рассеяния в L-диапазоне. Интеграция доказательной информации может повысить точность информации об изменениях или вероятность CD. Теория Демпстера-Шафера обычно является основой доказательного слияния [225], которое было реализовано для интеграции изображений с нескольких оптических спутников [226, 227], бортовых лазерных сканеров [228] и изображений SAR или комбинации оптических и SAR изображений [229]. ].Для последовательного слияния изображений была предложена модифицированная версия метода Демпстера – Шафера, метода динамических доказательств [230]. Теория была реализована для исследований с рядом целей, например, для обновления карты зданий [229], для обнаружения оползней [231] и для обнаружения вновь застроенных территорий [232].
    4.5. Траектории изменения во времени
    Траектория изменения землепользования и покрова (LUCC) может быть определена как периодически наблюдаемая временная последовательность пиксельного земного покрова, которая интегрирована в серийные наборы данных [111].Обнаружение изменения траектории LUCC (TCD) также можно рассматривать как кривую временного развития, которая может быть сгенерирована из мультитемпоральных изображений [203]. Использование многокомпонентных наборов данных повышает чувствительность к сезонным, постепенным или незначительным изменениям. Затем можно определить тенденции по последовательности изменений, чтобы подчеркнуть динамический характер изменений [233, 234]. Доступность архивов изображений в свободном доступе и нечувствительность битемпорального анализа к описанию динамики субгодовых изменений привели к прогрессу в изменении траектории. анализ.Космические агентства управляют программами для поддержки мониторинга глобального земного покрова, предоставляя бесплатные данные от NASA и USGS Landsat, а также через программу Sentinel ЕКА. Свободно доступные данные, такие как AVHRR, MODIS, SPOT и PROBA, ускорили разработку методов и алгоритмов, а также приложений, которые позволяют проводить дальнейшие исследования глобальной временной динамики LUCC [235]. Траектории изменений можно анализировать как из периодических, так и непериодических наборов данных. У частых периодических наблюдений есть отличительные преимущества, такие как возможность указать на процессы временных или постоянных изменений, а также на начало и конец вегетационного периода [236, 237].Такая информация имеет решающее значение для мониторинга практики управления, для исследования интенсивности землепользования или климатических условий или изменений в способах использования земли. Использование индексов дистанционного зондирования для ВЗД было введено Ламбином и Стрелером [203], которые использовали индексы растительности и температуру поверхности земли. Временные траектории индексов указывают на причину изменений процессов и фиксируют изменения во времени [4]. Временные закономерности также можно использовать для оценки нарушений [238].Тенденции помогают понять факторы, влияющие на LUCC [239], или понять сезонную динамику [240], которую невозможно отобразить в битемпоральных наблюдениях. В большинстве случаев при изучении временных траекторий используется статистический анализ, в частности, анализ временных рядов. Для ВЗР может быть реализован описательный или статистический анализ временных рядов (TSA). Описательный анализ использует любое количество наблюдений, в то время как статистический TSA строго требует частых, периодических, наблюдаемых фактов [241].Действительно, существуют различные интерпретации TSA, применяемые при дистанционном зондировании. Например, согласно Giri, et al. [242] TSA относится к многокомпонентному анализу изображений для представления двух сезонов, то есть лета и урожая, тогда как для Jonsson и Eklundh [237] TSA подразумевает подход статистических временных рядов для изучения сезонной динамики. Использование статистических временных рядов в дистанционном зондировании помогает понять общие тенденции и сезонную динамику изменений на основе субгодовых наблюдений. В следующих разделах обсуждаются методы, ориентированные на обнаружение изменений, особенно на тенденцию и сезонную динамику.
    4.5.1. Временной тренд
    Тренд — это параметр, который может быть получен из периодических или непериодических во времени наблюдений. Тенденции непериодических наблюдений обычно получают из совокупной информации, такой как годовые или любые периодически агрегированные наблюдения. В исследованиях, связанных с почвенным покровом, изменение тенденции может указывать на нарушения [243]. Аппроксимация кривой — это альтернатива непериодическим методам анализа тенденций. Гипотетическая кривая часто используется для оценки тенденции явления LCC [233, 244].Хюттих и др. [245] использовал годовые данные, полученные из мозаики SPOT, для исследования тенденции озеленения растительности в зоне бореальных лесов, в то время как Чжоу [246] количественно оценил изменения траектории, используя ландшафтные метрики. Общие статистические методы, такие как регрессия, могут использоваться для оценки параметров тренда. Сюэ и др. [247] реализовал аппроксимацию кривой для исследования траектории изменения перед использованием изображений в алгоритмах классификации. Параметры тенденций могут быть собраны из сезонных наблюдений посредством десезонизации данных или использования стационарных или нестационарных методов разложения [243,248,249].Предположение о стационарных временных моделях может ограничить применение этих методов явлениями с определенными характеристиками временных изменений. Резкие изменения, которые резко отклоняются от временной кривой биофизических свойств, например, вызванные природными явлениями, такими как вулканические взрывы, наводнения или пожары, не соответствуют критерию стационарности. В таблице 4 приведены основные методы разложения, используемые для обнаружения LCC, и дано краткое описание методов, отсортированных от старых к новым приложениям в исследованиях, связанных с дистанционным зондированием.Перерыв на аддитивный сезон и тенденцию (BFAST) — это наиболее широко используемый метод для анализа временных рядов дистанционного зондирования среди методов декомпозиции. BFAST — это модифицированный метод анализа сезонных временных рядов, основанный на регрессии лесса, который был введен Кливлендом, Кливлендом и Терпеннингом [250]. BFAST сочетает гармоническую сезонную модель и обычный анализ методом наименьших квадратов, основанный на тесте скользящей суммы (OLS-MOSUM), который может обнаруживать контрольные точки, встречающиеся в серийном наборе данных, с помощью модели аддитивной декомпозиции [243].В таблице 5 представлена ​​реализация BFAST для различных анализов на основе дистанционного зондирования. Таблица показывает, что разные периодические наблюдения применялись в разных исследованиях. В большинстве этих исследований использовались данные MODIS и Landsat, в то время как в нескольких исследованиях использовались SPOT или другие платформы. В исследованиях в основном использовались индексы растительности, такие как NDVI и Enhanced Vegetation Index (EVI). Более того, большинство реализаций BFAST было направлено на понимание обезлесения и нарушения лесов.
    4.5.2. Сезонный паттерн
    В общем, методы временных рядов разбивают сигнал на три компонента, т. Е. Тренд, сезонный и нерегулярный, чтобы выявить несколько явлений изменения. Декомпозиция по сезонным трендам на основе лесса (STL) и анализ сезонных трендов (STA) являются одними из методов декомпозиции, которые применялись в исследованиях дистанционного зондирования [250]. Многие исследования временных траекторий сосредоточены на обнаружении сезонных закономерностей динамики изменений [237, 243, 258]. Поскольку индексы служат первичным источником данных, выбор правильных индексов влияет на возможности STA.Следует рассмотреть возможность включения сезонной корректировки, поскольку в большинстве приложений дистанционного зондирования временных рядов используются коэффициенты отражения или индексы, которые зависят от сезона. Сезонность определяется как амплитуда временного профиля показателей, указывающих на фотосинтетическую активность растительности [289]. Показатели сезонности можно оценить с помощью статистических временных рядов, таких как начало и конец сезонов, количество вегетационных сезонов или темпы роста и спада [237]. Эти показатели использовались для различения фенологии различных типов растительности и интенсивности сельскохозяйственных культур в течение года.STL способен отличать участки с однолетней растительностью от участков с многолетней растительностью [251]. Идея была впервые предложена Кливлендом, Кливлендом и Терпеннингом [250] и применялась для понимания качества воздуха на основе данных дистанционного зондирования [250] и для составления карты сезонных колебаний растительности [290]. Более поздняя версия STL, а именно STA, использует гармонические уравнения, способные извлекать годовые и полугодовые гармоники [258]. Каррао и др. [291] показали, что STA может использоваться для оценки ближайшего будущего характеристик земной поверхности, таких как зелень растительности или температура.Комбинация STA для извлечения сезонных параметров и PCA для сопоставления измененных и неизмененных мест оказалась полезной для характеристики многих типов перехода земного покрова [292]. Дальнейшее расширение STA, анализ сезонных тенденций и сегментация для обнаружения земного покрова (SDTC), позволяет комбинировать несколько переменных [293]. Значимость временного тренда была проверена с использованием процедуры Манна – Кендалла, и она оказалась полезной для обнаружения и характеристики изменения земного покрова.TIMESAT — популярный инструмент для исследования сезонных закономерностей. С дополнительными распределениями асимметричного Гаусса, Савицкого – Голея, двойной логистической функции или нелинейной аппроксимации методом наименьших квадратов этот инструмент использовался для определения параметров сезонности, включая интенсивность роста, начало и конец сезона и скорость роста [237]. Инструмент предоставляет сглаженные, содержательные данные, полученные из изображений дистанционного зондирования [294]; приложения этого инструмента обобщены в Таблице 6. В целом в таблице указаны различные типы данных, временные интервалы повторного посещения, а также цели или приложения экосистемы, которые применяли TIMESAT.Источники данных включают оптические изображения с пространственным разрешением от среднего до грубого, такие как AVHRR, MODIS, MERIS, SPOT Vegetation и PROBA, а также грубые микроволновые изображения, такие как AMSR-E. Объединение изображений также использовалось для улучшения интерпретации сезонных изменений и их факторов.
    4.6. Динамическое моделирование изменений
    Моделирование будущих изменений земного покрова интересовало многих пользователей дистанционного зондирования при мониторинге, управлении и планировании земель и экосистем. Эта тема широко обсуждалась, часто путем интеграции концепций дистанционного зондирования и ГИС или пространственного анализа [325].Временная интерполяция обычно используется при моделировании, тогда как пространственная интерполяция применяется с более строгими допущениями. Интеграция временных и пространственных моделей позволяет понять сложные системы и их пространственно-временную динамику [326]. В области геолого-геофизических исследований и моделирования экосистем были разработаны различные методы динамического моделирования. Модель преобразования землепользования и его последствий (CLUE) [327] и принципы клеточных автоматов [328] были реализованы для динамического моделирования различных контекстов экосистем.В другом случае Bacani et al. [329] объединили модель цепи Маркова и клеточные автоматы для создания карт вероятности пространственно-временных изменений для водно-болотных угодий. Контролируемая классификация с использованием многослойного персептрона (MLP), типа модели цепи Маркова, была реализована для прогнозирования изменения земного покрова в семиаридной зоне [330]. Однако модели цепей Маркова подвергались критике за их способность обнаруживать ошибки, поскольку в них опускаются движущие силы изменений. Этот недостаток можно свести к минимуму, используя бинарную логистическую регрессию для определения движущих сил изменений для будущего моделирования с помощью искусственных нейронных сетей (ИНС) [331].Сравнивая параметрические и непараметрические модели для моделирования изменений в землепользовании, Тайеби и др. [332] продемонстрировали, что ИНС превзошли две другие непараметрические модели, дерево классификации и регрессии (CART) и многомерные сплайны адаптивной регрессии (MARS), чтобы оценить короткие временные интервалы грубых данных пространственного разрешения. Датчики

    | Бесплатный полнотекстовый | Гибридный прогностический подход на основе PCA-CART-MARS к оставшемуся сроку службы авиационных двигателей

    1. Введение

    В этом разделе проводится введение в прогнозирование и управление состоянием здоровья (PHM). Также кратко описаны датчики самолета и объяснено функционирование двигателя самолета. PHM — это инженерная дисциплина, значение которой растет. PHM объединяет [1] обнаружение и анализ экологических, эксплуатационных и эксплуатационных параметров для оценки работоспособности продукта и прогнозирования его оставшегося срока службы (RUL). Текущее состояние PHM [2] представляет три основных направления исследований:
    • Подход, управляемый данными. Управляемые данными модели для прогнозирования работоспособности или RUL любой системы используют методы машинного обучения и распознавания образов [3,4,5].Основная характеристика этого типа моделей заключается в том, что они не требуют каких-либо предварительных знаний об анализируемом устройстве, поскольку прогноз делается на основе доступной информации без учета принципов работы системы.
    • Подход, основанный на моделях: в этом подходе прогностические модели основаны на понимании физического процесса и взаимосвязей между различными компонентами и подсистемами устройства [6]. Подход, основанный на моделях, не только включает моделирование системы, но также может применять моделирование физики отказов [1] или любую подобную методологию.
    • Гибридные подходы: эти типы моделей пытаются максимально использовать как подходы, основанные на данных, так и подходы, основанные на моделях [1]. Гибридная модель сочетает в себе обе методологии, основанные на данных, со знанием исследуемого устройства. Пожалуйста, не путайте гибридный подход PHM с гибридными моделями, управляемыми данными, которые представляют собой модели, сочетающие в себе различные модели распознавания образов и машинного обучения для прогнозирования либо RUL, либо статуса исследуемой системы.
    Хотя два традиционных подхода к PHM основаны на моделях или на данных, некоторые из последних исследований в области PHM сочетают в себе силу методов прогнозирования на основе данных с физическими моделями изучаемой системы, достигая замечательных результатов. [7], несмотря на это, подходы, основанные на данных, подобные представленному в этом исследовании, также показали хорошие результаты [8].Методологию, представленную в этой статье, можно рассматривать как управляемую данными и предлагающую модель, которая сочетает в себе хорошо известные методы распознавания образов и машинного обучения в гибридной модели, которая обучена, чтобы иметь возможность прогнозировать RUL исследуемого авиационного двигателя. с учетом текущего состояния некоторых его переменных, но не требуя информации о предыдущем состоянии переменных двигателя. Другими словами, концепция гибридного алгоритма не относится к алгоритму, который объединяет обе методологии, основанные на данных, с пониманием изучаемой системы, а скорее относится к гибридному алгоритму в том смысле, что он обычно используется в полевых условиях. машинного обучения и распознавания образов [9,10].Предлагаемая модель объединяет следующие методы: анализ главных компонентов (PCA), дендрограмма, деревья регрессии и многомерные адаптивные сплайны регрессии (MARS). Преимущества предложенного алгоритма двоякие; С одной стороны, для его обучения используется уменьшенное количество переменных, что делает обучение конечных моделей более эффективным и их результаты легче воспроизводить, в то время как, с другой стороны, конечные модели MARS, которые обучаются, не предназначены для полного состояния. пространства, но для подмножества, которое увеличивает точность прогнозов по отдельному методу.Хотя в предыдущих статьях использовались модели, управляемые данными, основанные на гибридных алгоритмах [2,11], методология, предложенная в этой статье, является новой и хорошо работает по сравнению с предыдущими моделями, используемыми с той же базой данных. Под понятием ПРАВИЛА [12] следует понимать количество единиц времени, оставшихся у оборудования до того, как оно достигнет своего предела эксплуатационной безопасности. В последние годы было написано огромное количество статей, посвященных различным подходам к концепции оставшегося срока полезного использования, основанным на статистических концепциях. В целом оставшийся срок полезного использования любого устройства можно рассматривать как случайную величину [12].
    Датчики авиационных двигателей
    Системы контроля авиационных двигателей используются для проверки состояния авиационных двигателей, чтобы избежать дорогостоящего ремонта посредством профилактического обслуживания. Системы мониторинга двигателя включают использование датчиков, размещенных в различных местах в двигателе самолета, для сбора информации о его характеристиках. Датчики в режиме реального времени предоставляют пилотам информацию о работе двигателей, а также собирают данные для анализа характеристик двигателя с течением времени.Полученная информация предоставляет информацию о состоянии двигателя. Основные типы датчиков, присутствующих в авиационном двигателе, следующие:

    • Датчики температуры: они выдают выходные значения, пропорциональные температуре. Измерение температуры может быть выполнено с использованием методов термопары или резистивного температурного устройства (RTD) в зависимости от интерфейса системы, температуры или точности.

    • Датчики давления: в настоящее время наиболее распространенными датчиками давления являются датчики, состоящие из двух отдельных капсул для измерения абсолютного давления.Один измеряет давление в системе, а другой — атмосферное давление. В этих устройствах выходной сигнал представляет собой разницу между сигналами обоих датчиков.

    • Датчики скорости (об / мин): датчики такого типа обычно устанавливаются непосредственно на ротор компрессора низкого давления для определения оборотов в секции низкого давления. Они также устанавливаются в кожухе приводных механизмов, так как это наиболее подходящее место для измерения скорости секции компрессора высокого давления.

    • Датчики расхода топлива: обычно это лопастные датчики, расположенные ниже по потоку за топливным фильтром, и насос, измеряющий количество топлива, поступающего в двигатель. Важность датчика расхода топлива примечательна, поскольку он может немедленно обнаружить любую неисправность двигателя, связанную с увеличением расхода топлива.

    Схема на рисунке 1 показывает основные элементы модели двигателя, предложенной в настоящем исследовании. Воздух попадает в компрессор низкого давления через вентилятор, а затем попадает в компрессор высокого давления.Затем воздух нагревается в камере сгорания, где он смешивается с топливом и воспламеняется. Сгорание топлива увеличивает скорость нагнетаемого воздуха ЦВД, приводящего в действие турбины высокого и низкого давления. Эта модель двигателя основана на низкочастотной, переходной, высокопроизводительной модели турбовентиляторного двигателя с высокой степенью сжатия, двойным золотником, малым байпасом, регулируемым циклом и цифровым контроллером. Частота обновления контроллера составляет 50 Гц, а модель на уровне компонентов уравновешивает уравнения массы / энергии системы с частотой 2500 Гц.Эти возможности позволяют пользователю проверять производительность алгоритмов управления и их валидацию в общей модели двигателя. Программа MAPSS имеет версии как для гражданского, так и для военного применения. Полное объяснение полной иерархии подсистем C-MAPSS можно найти в Руководстве пользователя C-MAPSS [13]. Военная версия способна выполнять реалистичное моделирование в рамках стандартных Full Authority Digital Engine Controllers (FADEC) [14], и она будет использоваться в настоящей исследовательской работе. Рисунок 1. Упрощенная схема моделируемого двигателя [13] (LPC: компрессор низкого давления, HPC: компрессор высокого давления, LPT: турбина низкого давления, HPT: турбина высокого давления, N1: ось турбины и N2: вал турбины). Рисунок 1. Упрощенная схема моделируемого двигателя [13] (LPC: компрессор низкого давления, HPC: компрессор высокого давления, LPT: турбина низкого давления, HPT: турбина высокого давления, N1: ось турбины и N2: вал турбины).

    3.

    Результаты и обсуждение

    В этом разделе представлены результаты, полученные в результате применения гибридного алгоритма, управляемого данными, предложенного в этой статье.Эти результаты обсуждаются, а производительность сравнивается с результатами, полученными с использованием различных методов для одной и той же базы данных. Наконец, упоминаются также преимущества этого нового алгоритма.

    База данных, использованная для оценки характеристик гибридной модели, состояла из в общей сложности 16 609 наблюдений, соответствующих в общей сложности 100 различным авиационным двигателям. Помимо идентификационного номера авиационного двигателя, которому принадлежат данные, каждое наблюдение содержит в общей сложности 25 переменных: оставшийся полезный срок службы вместе со значениями для трех рабочих настроек и в общей сложности 21 измерение, принадлежащее различным датчикам, расположенным в самолете. двигатель.В таблице 2 представлена ​​описательная статистика базы данных. Для обучения всех моделей использовалась информация о 80 из 100 имеющихся авиационных двигателей, выбранных случайным образом. После этого была проведена проверка моделей с использованием данных по оставшимся 20 авиадвигателям. Другими словами, набор двигателей был случайным образом разделен на два подмножества: один с 80 двигателями, а другой с оставшимися 20 двигателями. Информационное подмножество с 80 двигателями использовалось для обучения, а остальные 20 — для проверки.Процесс проверки состоял в применении модели прогнозирования к значениям переменных в других 20 моделях, чтобы спрогнозировать оставшийся срок их полезного использования. Эта последовательность случайного разделения данных, доступных на основе обучающих данных и проверки, повторялась пять раз, и прогнозируемые результаты сравнивались с реальными значениями оставшегося срока полезного использования.

    Таблица 2. Описательная статистика всех переменных базы данных.

    Случайный Тип Стандартное отклонение Степень волатильности Корреляция
    7%    		 0 2,6% 0 0
    (предварительная обработка) 0,4% 0 0 0 0 второй
    (уверенность) (доверие) 0 0 0 0
    4,0% 5,2% 5,1% 4,2% 4,7%
    2,717 903 9017 2.9% 0,7% 3,8%
    (вторая степень достоверности) 0,4% 0,3% 0,4% 0,3% 0,2%
    163 903
    Таблица 2. Описательная статистика всех переменных базы данных.
    Входные переменные Среднее значение Стандартное отклонение
    Остаточный срок службы 108,808 68,881
    Рабочий режим 1 −8,84 Рабочая настройка 2 2.350 × 10 −6 0,003
    Рабочая настройка 3 100.000 10 −6
    Общая температура на входе в вентилятор (° R) 518,670 10 −6
    Общая температура на выходе LPC (° R) 642,630 0,5
    Общая температура на выходе HPC (° R) 1590,523 6,131
    Общая температура на выходе LPT (° R) 1408.934 9.000
    Давление на входе вентилятора 9017 14.620 10 −6
    Полное давление в байпасном канале (фунт / кв. Дюйм) 21.609 0,001
    Полное давление на выходе из ЦВД (фунт / кв. скорость вентилятора (об / мин) 2388,097 0,070
    Физическая частота вращения сердечника (об / мин) 9065,243 22,082
    Соотношение давлений в двигателе (P50 / P2) 1.300 10 −6
    Статическое давление на выходе из ЦВД (фунт / кв. Дюйм) 47,5412 0,267
    Отношение расхода топлива к Ps30 (имп / сек / кв. Скорректированная скорость вентилятора (об / мин) 2388.096 0,719
    Скорректированная частота вращения сердечника (об / мин) 8143.753 19.076
    0 Коэффициент байпаса 8,442146038
    Соотношение топливовоздушной смеси горелки 0,0300 10 −6
    Энтальпия выпуска 393,212 1,549
    об / мин 9017 (Требуемая скорость вращения вентилятора) 6
    Требуемая скорректированная скорость вентилятора (об / мин) 100,000 10 −6
    Отвод охлаждающей жидкости HPT (фунт / с) 38. 8163 0,18 л / мин / с) 23.279 0,108

    Прежде всего, была выполнена модель многомерной линейной регрессии с использованием оставшегося срока полезного использования в качестве выходной переменной и остальных доступных переменных в качестве входных переменных. Полученная модель имела значение R2 0,5846 (среднее значение пяти повторов, когда модель обучалась с 5 различными обучающими подмножествами). Применение этой модели к подмножеству данных проверки многомерной линейной регрессии дало результат для RMSE, равного 44.9307 (среднее значение пяти повторений), MAE 33,6063 (среднее значение пяти повторений) и точность 0,5635 (среднее значение пяти повторений). После этого была обучена модель нейронной сети с обратным распространением с одним скрытым слоем, получившая RMSE 42,3311 (среднее из пяти повторений), MAE 29,6364 (среднее из пяти повторов) и точность 0,4996 (среднее значение из пяти повторов). пять повторов). Целью обучения и проверки обеих моделей было получение двух эталонных тестов и сравнение гибридной модели, представленной в этом исследовании.Чтобы упростить сравнение результатов, полученных с помощью различных методов, пять подмножеств обучения и проверки, используемых для всех моделей, были одинаковыми.

    После этого был применен предложенный гибридный алгоритм, который дал следующие результаты:
    • Уменьшение размеров с помощью анализа главных компонентов: алгоритм PCA был загружен с 24 переменными: тремя рабочими настройками и 21 измерением датчика. Всего было отброшено семь переменных, и, таким образом, общее подмножество входных переменных было сокращено с 24 до 17, что составляет 91.2% изменчивости данных. Этот процент изменчивости объяснялся семью основными компонентами, которые были сохранены. Повернутый шаблон переменных был создан с использованием метода varimax. Переменные и факторные нагрузки показаны в таблице 3. Обратите внимание, что h3 представляет собой оценку общности и измеряет отношение на единицу отклонения в наблюдаемой переменной, учитываемой оставшимися компонентами. При проведении исследования проверялось использование большего количества измерений.Использование восьми измерений увеличило содержащуюся вариабельность до 92,1%, а к оставшемуся подмножеству переменных были добавлены еще две переменные, увеличившись с 17 до 19. Тем не менее, использование восьми основных компонентов было исключено, поскольку на следующем этапе алгоритма ни один из две новые включенные переменные были сохранены при вычислении сходства с помощью дендрограммы. Шаги алгоритма после PCA не выполняются в пространстве главных компонентов, поскольку следующим шагом алгоритма является дендрограмма, в которой анализируются сходства между переменными и RUL; и хотя модель, разработанная в этой статье, основана на данных, полезно иметь информацию, соответствующую исходным переменным, а не преобразованным, чтобы иметь возможность анализировать переменные, которые участвуют в модели.Также обратите внимание, что подмножество переменных, полученное после этого этапа, также использовалось для обучения моделей линейной регрессии и нейронной сети, представленных ранее, без какого-либо заметного улучшения их результатов.

    Таблица 3. Повернутый паттерн переменных с нагрузками и предполагаемой общностью.

    .15 9037 с выбранными переменными: Рисунок 3 показывает дендрограмму, полученную с 17 переменными, выбранными PCA, плюс RUL.На этой дендрограмме ясно видно степень сходства между переменными, которая будет иметь решающее значение при выборе тех переменных, которые связаны с переменной оставшегося полезного срока службы (RUL). Дендрограмма, показанная на рисунке 3, соответствует одному из пяти повторов. Все полученные дендрограммы были очень похожи. Выбранные переменные соответствовали четырем датчикам: Sensor.Measurement7, Sensor.Measurement12, Sensor.Measurement20 и Sensor.Measurement21. Как видно на Рисунке 3, эти четыре переменные имеют наибольшую степень сходства с переменной оставшегося срока полезного использования.Поэтому на этом шаге алгоритма количество входных переменных было уменьшено с 18 (17 плюс RUL) до 4.

    Рисунок 3. Дендрограмма переменной оставшегося срока полезного использования и других переменных после уменьшения размеров.

    Рисунок 3. Дендрограмма переменной оставшегося срока полезного использования и других переменных после уменьшения размеров.

    • Расчет дерева регрессии с использованием переменных, которые больше похожи на переменную оставшегося срока полезного использования: для этой проблемы четыре переменные в дендрограмме, которые показали уровень сходства с оставшимся сроком полезного использования (называемые Остающийся.Время на рисунке 3) более 83,29% использовалось в качестве входных переменных для дерева регрессии, в котором оставшийся срок полезного использования является выходной переменной. Полученное дерево регрессии показано на рисунке 3 и используется для определения точек отсечения, соответствующих входным переменным. Как видно на рисунке 4, хотя для модели дерева регрессии были предложены четыре входных переменных, только три используются для точек отсечения. Это следующие переменные: Sensor.Measurement7, Sensor.Measurement12 и Sensor.Измерение 21. Числа, обозначенные как N в конечных узлах дерева регрессии, представляют количество наблюдений, которые находятся в указанном узле и, следовательно, будут использоваться для обучения соответствующей модели MARS.

    • Обучение модели MARS: после выполнения дерева регрессии было обучено в общей сложности пять различных моделей MARS. Каждая из этих моделей соответствовала одному из конечных узлов дерева регрессии. Каждая из моделей MARS была обучена с той частью обучающего подмножества, которая удовлетворяла условиям соответствующих ветвей дерева, используя в качестве зависимых переменных четыре, полученные в результате дендрограммы (Sensor.Измерение 7, Измерение датчика 12, Измерение датчика 12 и Измерение датчика 21).

    После обучения моделей MARS, упомянутых на последнем этапе алгоритма, полученная гибридная модель была применена к подмножеству данных проверки, в результате чего значения RMSE и MAE равны 36,0836 и 21,5624 соответственно (средние значения пяти повторений алгоритма) со средним значением точности 0,3123 (пять повторностей). Значения устойчивости и уровней риска были также рассчитаны для гибридной и двух эталонных моделей.Результаты устойчивости представлены на рисунке 5. Как можно заметить, устойчивость гибридной модели лучше, чем устойчивость, полученная как линейной, так и РНК-моделями практически для любого из рассмотренных значений RUL. На рисунке 6 показан уровень риска каждой модели. В этом случае вероятность получения оценки RUL, меньшей, чем истинная RUL, выше для линейной и гибридной моделей, чем для гибридной. Несмотря на этот результат, который, казалось бы, является лучшим показателем как для линейных, так и для гибридных моделей, мы хотели бы отметить, что прогнозы обеих моделей довольно далеки от реального RUL по сравнению с гибридной моделью. Другими словами, обе модели недооценивают RUL, но эта недооценка слишком далека от реального значения, чтобы быть полезной.

    Рисунок 4. Дерево регрессии переменной оставшегося срока полезного использования с использованием в качестве входных переменных Sensor.Measurement7, Sensor.Measurement12, Sensor.Measurement20 и Sensor.Measurement21.

    Рисунок 4. Дерево регрессии переменной оставшегося срока полезного использования с использованием в качестве входных переменных Sensor.Measurement7, Sensor.Measurement12, Sensor.Measurement20 и Sensor.Измерение 21.

    Согласно результатам дерева регрессии, тремя наиболее важными переменными для определения RUL авиационного двигателя являются Sensor.Measurement7 (полное давление на выходе HPC), Sensor.Measurement12 (отношение расхода топлива к PS30) и Датчик.Измерение 21 (спуск охлаждающей жидкости LPT). Турбинный компрессор должен иметь постоянное давление на выходе, несмотря на колебания нагрузки турбины и колебания подачи. Согласно результатам, изменения общего давления на выходе высокого давления важны для прогнозирования RUL двигателя.Наличие отношения низкого расхода топлива к PS30 в качестве одной из оставшихся входных переменных позволяет нам связать RUL авиационных двигателей с этой переменной, а также косвенно с полной мощностью на валу двигателя и возможными потерями мощности, которые могут быть найдены. из-за деградации во время работы двигателя.

    Рисунок 5. Устойчивость гибридной модели по сравнению с двумя тестовыми методами.

    Рисунок 5. Устойчивость гибридной модели по сравнению с двумя тестовыми методами.

    Рисунок 6. Уровень риска гибридной модели по сравнению с двумя эталонными методами.

    Рисунок 6. Уровень риска гибридной модели по сравнению с двумя эталонными методами.

    С точки зрения конструкции, геометрия канала охлаждающей жидкости лопатки низкого давления относительно проста по сравнению с геометрией лопатки высокого давления, несмотря на это, было показано, что изменения потока во время работы авиационного двигателя связаны с уменьшение ПДУ авиационного двигателя.Результаты, полученные в пяти повторностях, были статистически эквивалентными при сравнении с помощью одностороннего теста ANOVA. Диапазон разброса различий между реальными и прогнозируемыми значениями значительно меняется от одного двигателя самолета к другому. Такой же паттерн поведения был обнаружен в моделях регрессии и нейронных сетей. Несмотря на это, результаты RMSE, полученные с помощью искусственной нейронной сети, были на 14,76% больше, чем результаты, полученные с помощью гибридной модели. В случае разницы MAE цифра составила 27.На 24% больше, чем при гибридном методе. На рисунке 7 показан оставшийся срок полезного использования одного из подмножеств валидации в сравнении с оставшимся сроком полезного использования, рассчитанным с помощью гибридной модели. Как можно заметить, существует визуальная корреляция, соответствующая коэффициенту корреляции Пирсона 0,9167.

    Рисунок 7. Оставшийся срок полезного использования одного из подмножеств валидации в сравнении с оставшимся сроком полезного использования, рассчитанным с помощью гибридной модели.

    Рисунок 7. Оставшийся срок полезного использования одного из подмножеств валидации в сравнении с оставшимся сроком полезного использования, рассчитанным с помощью гибридной модели.

    В таблице 4 показана матрица неточностей гибридных моделей нейронной сети с многомерной линейной регрессией и обратного распространения. Поскольку RUL является непрерывной переменной, точка отсечки была определена, чтобы определить, у каких авиационных двигателей истекает срок службы. Поскольку невозможно установить объективные технические критерии, было сочтено, что те ситуации, в которых фактическое значение RUL двигателя было ниже 15% от максимального значения RUL, рассмотренного в исследовании (312 единиц времени), означают, что блок был близок к конец срока его полезного использования.Согласно значениям этой таблицы, общий уровень ошибочной классификации гибридной модели составляет 5,72%, в то время как показатель для моделей линейной регрессии и нейронных сетей составляет соответственно 8,43% и 6,91%. В случае чувствительности наибольшее значение было достигнуто гибридной моделью с 92,20%, за ней следовала модель нейронной сети с 82,55% и модель линейной регрессии с 65,64%. Наконец, в случае специфичности наибольшее значение имеет модель линейной регрессии с 99,67%, за которой следует нейронная сеть с 96.38%, а гибридная модель — 94,85%. Обратите внимание, что в этой задаче наиболее важным параметром является чувствительность, поскольку он показывает способность модели обнаруживать двигатели, близкие к концу их срока службы. Наконец, в связи с произвольным выбором точки отсечения, мы хотели бы также указать, что в случае рассмотрения точки отсечения, соответствующей 10% максимального оставшегося срока полезного использования подмножества данных валидации, значения чувствительности и специфичности гибридной модели составили бы 86.57% и 97,23% соответственно, а в случае 20% они составят 94,81% для чувствительности и 91,19% для специфичности.

    Таблица 4. Матрица неточностей гибридных моделей нейронных сетей с многомерной линейной регрессией и обратным распространением.

    Таблица 3. Повернутый паттерн переменных с нагрузками и предполагаемой общностью.
    Переменная PC1 PC2 PC3 PC4 PC5 PC6 PC7 h3
    Оп. Set1 0,01 -0,01 1 0,01 0 0 0 1
    Op.Set2 0,01 0,01 0 0 1
    Датчик.Измерение2 0,7 0,11 0,01 0 0,1 0,09 0,69 0,69Измерение3 0,63 0,16 0 0 0,75 0,09 0,09 1
    Датчик. 0,12 0,82
    Измерение датчика7 −0,87 −0,02 0 −0,01 −0,14 −0,14 −0. 12 0,81
    Датчик.Измерение9 0,19 0,97 0 0 0,06 0,06 0,04 0,98 0,01 0 0,14 0,14 0,14 0,86
    Датчик.Измерение12 −0,89 −0,01 0 −0 -0,14 -0,14 0,85
    Датчик.Измерение 14 0,07 0,99 0 0 0,04 0,03 0,04 0,85 0,13 0 0,01 0,09 0,09 0,08 0,76
    Измерение датчика17 0,67 017317 0 0 0,1 0,71 0,09 0,99
    Измерение датчика20 −0,88 −0,13 −0,88 −0,13 0 0 0 0 0 0,79
    Датчик. Измерение 21 −0,85 −0,13 −0,01 0 −0,09 −0,05 −0,05 −0,05 −0,05
      1

      Таблица 4. Матрица неточностей гибридных моделей нейронных сетей с многомерной линейной регрессией и обратным распространением.
      Гибрид Линейная регрессия Нейронная сеть
      Прогнозируемый
      Отрицательный Положительный
      Положительный
      Положительный
      904 Положительный 904 Фактическое
      Отрицательное 2946 66 3002 10 2903 109
      Положительное 16402 1608
      Согласно отчету, опубликованному Рамассо и Саксена [36] в 2014 году, к тому времени более семидесяти публикаций разработали прогностические алгоритмы с использованием наборов данных C-MAPSS.В документе представлены 10 лучших моделей, с точки зрения авторов, которые были применены к наборам данных C-MAPSS. Три из них соответствуют неопубликованной кандидатской диссертации и двум неопубликованным докторским диссертациям. По сравнению с этими моделями, модель, представленная в текущем исследовании, превзошла показатели корреляции 7 из 10 [37,38,39,40,41,42,43] и MAE 3 из 10 [41,42, 43]. Обратите внимание, что, с одной стороны, обучающие и проверочные наборы, используемые в различных статьях, неоднородны, а с другой стороны, отсутствует подробная информация об их результатах (реальные значения RUL по сравнению с оценочными значениями RUL для всех упомянутых работ).Также необходимо учитывать, что к результатам MAE следует относиться осторожно, поскольку надежность этого параметра частично связана с размером выборки [44], который варьируется от одного исследования к другому. В случае трех исследований, которые, по-видимому, превосходят результат, полученный в этом исследовании, решения, предложенные Хаймсом [45] и Пилом [46], требуют использования различных многослойных нейронных сетей персептронов, причем обе модели используют 24 переменных в качестве входы для модели. В случае исследования Хаймса, многослойная нейронная сеть персептрона имеет 24 нейрона на входном слое и два скрытых слоя, один с тремя нейронами, а другой с двумя.Для этой модели требуется минимальная длина RUL 127 циклов. Такое жесткое требование относительно длины RUL не является необходимым для нашей модели. В случае модели, предложенной Пилсом, она не только использовала 24 входных переменных, но и представляла собой ансамблевую модель, состоящую из двух многослойных нейронных сетей персептрона и фильтра Калмана. Наконец, подход Ванга [14] больше похож на наше исследование, но требует всего 7 входных переменных. Как можно заметить, алгоритм, предложенный в настоящей статье, выполняет уменьшение размерности с помощью PCA, а затем выполняется исследование сходства остальных переменных с выходной переменной Remaining Time.Несмотря на схожесть обоих методов, предыдущие исследования [22,47] продемонстрировали, что использование обоих методов вместе, PCA с вращением варимакс и иерархическая кластеризация с помощью дендрограммы, более эффективно, чем использование любого из них по отдельности. Этот факт подтверждается результатами настоящих работ, хотя сравнение с использованием только одного из этих методов не приводится, так как это не является основной целью данного исследования. Подобные методики также использовались в других исследованиях [48] с удовлетворительными результатами.Наконец, с точки зрения авторов, также стоит подчеркнуть, что, хотя в литературе можно найти лучшие результаты для прогнозов, выполненных по той же базе данных, главное преимущество настоящего подхода состоит в том, что он не требует использование предыдущих состояний двигателя в отличие от других моделей [49], что в некоторых случаях требует иметь длину записи даже 500 последовательных данных [50] для обнаружения неисправности с разумной уверенностью. Другими словами, выходная переменная, RUL, вычисляется в любой данный момент, зная только значения входных переменных в тот же момент.Следовательно, нет необходимости хранить предыдущие значения этих переменных. Конечно, значение любой входной переменной в любой данный момент будет обусловлено предыдущими рабочими условиями и состоянием деградации двигателя, но такая информация не требуется напрямую в качестве прямого входа для модели.

      4. Выводы

      В этой статье представлен гибридный прогностический подход, который объединяет метод MARS и методы PCA плюс CART. Хорошо известно, что прогнозирование неисправностей является важной и сложной технологией в рамках управления здравоохранением и CBM.Тестирование предлагаемого прогностического подхода на основе MARS-PCA-CART проводилось с использованием данных датчиков от авиационных двигателей. Результаты моделирования показали, что новый подход эффективен при прогнозировании оставшегося срока службы (RUL) авиационных двигателей, поскольку он улучшил результаты эталонного метода. Предлагаемая гибридная модель улучшает характеристики классических прогнозных моделей, используемых для сравнения (модель линейной многомерной регрессии и модель нейронной сети с обратным распространением) [12,51,52,53,54].В литературе по профилактическому обслуживанию также было указано, что одним из наиболее важных вопросов в технологии прогнозирования [55] является оценка риска отказа и RUL компонента с учетом возраста компонента, его прошлых и текущих условий эксплуатации. В случае модели, предложенной в этой статье, при использовании для прогнозирования RUL она не требует информации о предыдущем состоянии переменных двигателя: она требует только информацию о текущем состоянии указанных переменных.Обратите внимание, что это не означает, что на модель не влияют предыдущие условия движка, но что единственные входные переменные, необходимые для прогнозирования, относятся к текущему временному моменту, а не к какому-либо предыдущему состоянию. Однако, конечно, на значения входных переменных в каждый момент времени определенно будут влиять предыдущие рабочие условия двигателя, а также предыдущее состояние двигателя. Другими словами, эта модель обеспечивает два основных преимущества: во-первых, устойчивость системы к возможным сбоям в регистрах памяти, а также снижение сложности фактической реализации, которая связана с меньшим количеством переменных, которые необходимо отслеживать в режиме реального времени.Обратите внимание, что в конечном итоге количество переменных, необходимых для прогнозирования оставшегося срока полезного использования, составляет всего четыре. Другими словами, алгоритм, представленный в этой статье, подходит для применения в любой другой системе, для которой у нас есть исторические записи относительно ее переменных, и где доступна информация о RUL для каждого набора данных. Этот алгоритм особенно рекомендуется, если исходное количество подразумеваемых переменных достаточно велико, чтобы потребовать предыдущего уменьшения размеров, и есть нелинейные отношения входных переменных с RUL.Согласно исследованиям Sikorska et al. [16], модель, разработанная в настоящем исследовании, будет рассматриваться как модель Уровня 1 в категории прогнозов.

      В качестве будущего направления исследований авторы предлагают характеристики моделей с учетом значений входных переменных в более ранние моменты времени, чтобы определить оставшийся срок службы авиационных двигателей. С точки зрения авторов, эти модели должны обеспечивать лучшее соответствие, но страдают от необходимости хранить в памяти значения переменных, включенных в модель, в предыдущие моменты времени.Эти модели были бы интересны только в том случае, если бы их можно было обучить с меньшим количеством переменных, чем модель, не требующая информации о предыдущем состоянии. Наконец, это будущее направление исследований должно быть завершено тестированием на реальных данных, поскольку моделирование, выполненное в этом исследовании, было выполнено на данных моделирования.

      SAP T-CODE — 百度 文库

      TCode

      Текст транзакции

      VRD

      C SD Создание данных f. Заказы в наличии

      $ SEU

      Инфо-система репозитория ВНУТРЕННИЙ

      / BDL / SDCC

      Центр управления сервисными данными

      / SAPDMC / LSMW

      Инструментальные средства LSM: Старт

      / SAPNEA / MR3_SODT

      Поддержание ставки дисконтирования

      / SAPSMOSS / IQS1

      Создание уведомления

      / SAPSMOSS / IQS2

      Уведомление об изменении

      / SAPSMOSS / IQS3

      000 Отображение уведомления

      / SAPSMOSS / IQS3

      000 / 3 уведомления

      / SAPSMOSS / M01

      R / 3 уведомления

      / SAPSMOSS / M02

      R / 3 уведомления

      / SAPSMOSS / O01

      Установка дополнительной системы SAP

      / SAPSMOSS

      / O02 выпуск дополнительной системы

      / SAPSMOSS / O03

      Система баз данных SAP

      / SAPSMOSS / O04

      Внешний интерфейс для операционной системы SAP

      / SAPSMOSS / O05

      Установка SAP

      Операционная система SAP

      / SAPSMOSS

      / O06

      / SAPSMOSS / O07

      Версия SAP

      / SAPSMOSS / O08

      Тип системы SAP

      / SAPSMOSS / O09

      Тип системы SAP

      / SAPSMO SS / QM10

      Изменить список уведомлений R / 3

      / SAPSMOSS / QM11

      Показать список уведомлений R / 3

      / SAPSMOSS / QM12

      Изменить список задач

      / SAPSMOSS / QM13

      Показать список задачи

      / SAPSMOSS / QM19

      Список уведомлений R / 3, MultiVL

      / SAPSMOSS / QM50

      Отображение шкалы времени: уведомления R / 3

      / SAPSMOSS / U01

      Обновление уведомлений R / 3

      / U02

      Обновление планирования заданий

      / SAPSMOSS / U03

      Обновление обзора заданий

      / SAPTRAIN / BC440WT Демо: резервирование рейсов

      / SAPTRX / 68000157

      / SAPTRX / 68000158

      / SAPTRX / 68000158

      68000160

      / SAPTRX / 68000161

      / SAPTRX / 68000162

      / SAPTRX / 68000163

      / SAPTRX / ASAPLOG

      Прил.системный журнал для обработки событий

      / SAPTRX / ASC0AO

      Определить приложение. Типы объектов и событий

      / SAPTRX / ASC0TC

      Определение условий релевантности EM

      / SAPTRX / ASC0TF

      Определение функций интерфейса EM

      / SAPTRX / ASC0TO

      Определение типов бизнес-процессов

      / SAPTRX

      / SAPTRX Менеджеры (двигатели)

      / SAPTRX / TSC0SCU

      Назначение сценария пользователям

      / SAPTRX / TSC0SO

      Определение решения / сценария

      / SSF / AB

      Анализатор и загрузка

      Метод оценки рабочего состояния насосного агрегата на основе закона данных о нагрузке на полированный шток

      Подготовка данных

      В процессе добычи нефти система сбора данных о скважинах сохраняет большой объем данных о параметрах добычи, которые содержат информация о соответствующих условиях скважины.Очевидно, что в процессе разработки месторождения достигается количество переменных параметров (10 параметров добычи) и высокая размерность данных по добыче нефтяных скважин. Производственные параметры анализируются, чтобы уменьшить размерность данных исходного пространства данных, а затем параметры с большим объемом информации извлекаются из исходного пространства данных, что не только снижает сложность анализа, но также устраняет часть шумовых помех.

      Согласно приведенному выше анализу выбраны 10 показателей, влияющих на эффективность откачки насосных скважин: максимальная нагрузка на полированный шток при ходе вверх (\ (P_ {u} \)), минимальная нагрузка на полированный шток при ходе вниз. (\ (P_ {d} \)), максимальный ток хода вверх (\ (I _ {{{{\ text {um}}}} \)), максимальный ток хода вниз (\ (I _ {{{\ text {dm}}) }} \)), ход (S), ход (n), давление масла (\ (P_ {t} \)), давление в корпусе (\ (P_ {c} \)), погружение ( H ) и насос эффективность (\ (\ eta_ {p} \)) Добыча и исходные данные 772 скважин за месяц были выбраны случайным образом.Из-за большого количества данных приведены только статистические значения этих данных, как показано в таблице 1.

      Таблица 1 статистические значения 10 показателей насосных скважин

      Результаты рабочего состояния кластера основных компонентов

      Весь процесс расчета главных компонентов реализована в программном обеспечении SPSS. Коэффициент корреляции и собственное значение \ (\ lambda_ {i} \) 10 индексов показаны на рис. 4, 5 соответственно.

      Рис.4

      Матрица коэффициентов корреляции

      Рис.5

      Собственное значение, коэффициент вклада собственных значений и коэффициент совокупного вклада ( a ) ломаная линия характерного корневого значения затухания (# — \ (\ lambda_ {i} \)) данных по нефтяной скважине ( b ) Доля вклада

      Согласно к матрице коэффициентов корреляции на рис. 4 исходный индекс \ (P_ {u} \), \ (P_ {d} \), S , n , \ (I _ {{{\ text {um} }}} \), \ (I _ {{{\ text {dm}}}} \) имеют сильную корреляцию, которая отражает сильную корреляцию условий эксплуатации насосного агрегата с этими показателями, среди которых \ (P_ {u} \), \ (P_ {d} \), S являются наиболее сильной корреляцией, которая показывает, что изменения нагрузки и смещения на полированном штоке насосного агрегата могут отражать рабочее состояние насосного агрегата. в наибольшей степени, что согласуется с теорией рабочего состояния, диагностируемого по индикаторной диаграмме на месторождении.Однако корреляция между погружением H и эффективностью насоса \ (\ eta_ {p} \) очень плохая, что отражает то, что погружение в основном не зависит от конкретных условий в скважине.

      Согласно рис. 5b, когда индекс оценки выбирается в соответствии со ставкой вклада в дисперсию главных компонентов, количество главных компонентов, определяемых совокупной ставкой вклада дисперсии собственных значений, равно 3, а совокупная ставка вклада достигает 73,143. Хотя в методе главных компонент указано менее 85%, собственные значения трех индикаторов больше 1.Между тем, результаты показывают, что KMO составляет 0,846> 0,6, что указывает на то, что данные подходят для факторной оценки. Значимое значение p сферического теста Бартлетта было 0,000 <0,05, что указывает на то, что данные подходят для факторного анализа.

      В то же время матрица исходных факторных нагрузок может быть непосредственно получена с помощью SPSS, и каждая нагрузка представляет собой коэффициент корреляции между главным компонентом и соответствующей переменной. Для матрицы нагрузки главных компонентов данные в матрице начальной факторной нагрузки делятся на собственное значение, соответствующее главному компоненту, а затем вычисляется квадратный корень, чтобы получить соответствующий коэффициент каждого индекса в семи главных компонентах, чтобы получить соответствующее значение нагрузки главного компонента.

      В зависимости от нагрузки главного компонента, максимальной нагрузки (\ (P_ {u} \)), минимальной нагрузки на полированный стержень (\ (P_ {d} \)), измеренного хода (S) и максимального тока хода двигателя вверх (\ (I _ {{{\ text {um}}}} \)) и максимального тока хода вниз (\ (I _ {{{\ text {dm}}}} \)), Абсолютные значения коэффициенты корреляции между ними и первой главной компонентой превышают 0,8. Поскольку эти пять индексов отражают механические изменения и изменения смещения полированного штока, первый главный компонент представляет механическое состояние полированного штока и рабочее состояние двигателя.Нагрузка на полированный шток может напрямую отражать механическое положение насосной установки в скважине, а различные механические условия в скважине соответствуют различным условиям работы. Поэтому наиболее непосредственным и важным является определение рабочего состояния скважины и рабочего состояния насосного агрегата по нагрузке на полированный шток.

      Погружение и эффективность насоса тесно связаны со вторым главным компонентом, а коэффициент корреляции между ними и вторым главным компонентом больше 0.7, что указывает на то, что ненормальное рабочее состояние насосной установки тесно связано со степенью наполнения и рабочей эффективностью насоса.

      Давление в НКТ и давление в обсадной колонне тесно связаны с третьим основным компонентом. Их коэффициент корреляции с третьим главным компонентом составляет около 0,6, что отражает энергию пласта. Чем меньше давление в насосно-компрессорных трубах, чем давление в обсадной колонне, тем больше производительность пласта и тем лучше производительность подачи жидкости.

      В соответствии со значением нагрузки главного компонента и стандартизованными данными каждого исходного индекса можно получить соответствующее выражение главного компонента и комплексную функцию оценки:

      Первое выражение главного компонента: \ (\ begin {gather} F_ {1 } = 0.849Z _ {{I _ {{{\ text {um}}}}}} + 0.806Z _ {{I _ {{{\ text {dm}}}}}} — 0.31Z _ {{P_ {t}}} + 0,262Z _ {{P_ {c}}} \ hfill \\ + 0,957Z _ {{P_ {u}}} + 0,956Z _ {{P_ {d}}} + 0,942Z_ {S} — 0,697Z_ {n} \ hfill \\ + 0.25Z_ {H} — 0.281Z _ {{\ eta_ {p}}}; \ hfill \\ \ end {gather} \).

      Второй главный компонент выглядит следующим образом: \ (\ begin {gather} F_ {1} = 0.001Z _ {{I _ {{{\ text {um}}}}}} + 0.06Z _ {{I _ {{{\ текст {dm}}}}}} + 0,438Z _ {{P_ {t}}} + 0,461 \ hfill \\ — 0,013Z _ {{P_ {c}}} — 0,006Z _ {{P_ {d}}} — 0,007 Z_ {S} — 0.02Z_ {n} \ hfill \\ + 0.7Z_ {H} + 0.707Z _ {{\ eta_ {p}}}; \ hfill \\ \ end {gather} \).

      Третий главный компонент выглядит следующим образом: \ (\ begin {gather} F_ {1} = 0.071Z _ {{I _ {{{\ text {um}}}}}} + 0.002Z _ {{I _ {{{\ текст {dm}}}}}} + 0.595Z _ {{P_ {t}}} + 0.612Z _ {{P_ {c}}} \ hfill \\ + 0.002Z _ {{P_ {u}}} — 0.037Z _ {{P_ {d}}} + 0.009Z_ { S} + 0,012Z_ {n} \ hfill \\ — 0,418Z_ {H} — 0,354Z _ {{\ eta_ {p}}}. \ hfill \\ \ end {gather} \). где \ (F_ {i} \) представляет главный компонент \ (i _ {{{\ text {th}}}}} \), а Z представляет значение каждый индекс после стандартизации.

      В соответствии с взвешенным методом собственных значений главных компонент может быть рассчитана комплексная оценочная функция насосных агрегатов:

      $$ \ begin {gather} F = \ mathop \ sum \ limits_ {i = 1} ^ {3} \ lambda_ {i} F_ {i} / \ left ({\ lambda_ {1} + \ lambda_ {2} + \ lambda_ {3}} \ right) \ hfill \\ = \ frac {4.88} {{7.314}} F_ {1} + \ frac {1.399} {{7.314}} F_ {2} + \ frac {1.035} {{7.314}} F_ {3} \ hfill \\ = 0.667F_ {1 } + 0,191F_ {2} + 0,142F_ {3}. \ hfill \\ \ end {gather} $$

      Согласно функции комплексной оценки рабочего состояния насосного агрегата и описанному выше методу оценки нормального рабочего состояния насосного агрегата, кластерный анализ проводится на испытанных нефтяных скважинах, а Получены результаты кластеризации, показанные на рис.

      Рис. 6

      Результаты кластеризации рабочих условий

      Согласно описанному выше методу оценки ненормального состояния, условие III на рис.6 выбрано как нормальное состояние.

      Результаты сравнения методов расчета нагрузки на полированный шток

      Данные 187 нефтяных скважин при нормальных рабочих условиях были проанализированы с помощью множественной линейной регрессии, и уравнение регрессии было получено следующим образом:

      Upstroke:

      $$ y_ {u } = 0,067 + 1,096x_ {i1} + 79,48x_ {i2} — 5,746x_ {i3} $$

      (12)

      Ход вниз:

      $$ y_ {d} = — 0,467 + 0,922x_ {i4} + 5.945x_ {i5} — 1.02x_ {i6} $$

      (13)

      На рисунке 7 показано сравнение между фактическим значением нагрузки на полированный шток 187 нефтяных скважин при нормальных рабочих условиях и значением нагрузки на полированный шток, рассчитанным по формуле и уравнению регрессии.

      Рис.7

      Сравнение степени согласования нагрузки на полированный стержень a максимальное значение нагрузки на полированный стержень b минимальное значение нагрузки на полированный стержень

      Из рис.7 видно, что разница между значением нагрузки на полированный стержень, рассчитанной с помощью уравнения регрессии, и фактическим значением нагрузки на полированный стержень, очевидно, меньше, чем значение нагрузки на полированный стержень, рассчитанное с использованием формулы.

      Модель прогнозирования рабочих условий

      SPSS использовалась для создания описательной статистики по выборкам каждой нагрузки при движении вверх и вниз, и были получены результаты статистического распределения, показанные на рисунке ниже.

      Согласно доверительному интервалу, полученному на рис.8 вычисляются и преобразуются пороговый диапазон и модель прогнозирования.

      Рис. 8

      Результаты статистического распределения

      Результаты прогнозирования рабочих условий

      Собираются данные по добыче старых нефтяных скважин в каждой рабочей зоне месторождения, а также теоретические максимальные и минимальные значения нагрузки на полированный шток, а также а также соответствующая статическая нагрузка, динамическая нагрузка и нагрузка трения рассчитываются в соответствии с методом расчета оптимизации регрессии, описанным в этой статье.

      Затем отношение измеренного максимального значения к теоретическому максимальному значению нагрузки на полированный стержень \ (\ varepsilon_ {1} \) и отношение измеренного минимального значения к теоретическому минимальному значению нагрузки на полированный стержень \ ( \ varepsilon_ {2} \) рассчитываются по очереди. Значения \ (\ varepsilon_ {1} \) и \ (\ varepsilon_ {2} \) вносятся в диаграмму диагностики рабочего состояния, и получаются следующие результаты оценки.

      На рис.9, в том числе 11 скважин, оцененных как нормальные рабочие условия, 1 нефтяная скважина, пораженная недостаточной подачей жидкости или газа, 10 нефтяных скважин, пораженных насосами, и 72 скважины с чрезмерной внутрискважинной фрикционной нагрузкой. В сочетании с приведенным выше анализом можно сделать вывод, что нефтяной пласт в этом операционном блоке имеет хорошую пропускную способность по жидкости, и насосная установка работает нормально, но нагрузка на трение большинства нефтяных скважин слишком велика.

      Рис. 9

      Результаты оценки состояния проверяемой нефтяной скважины на участке добычи нефти

      На Рис.10, на основе статистики результатов диагностики старых нефтяных скважин в зоне пробной эксплуатации установлено, что основными причинами низкой эффективности старых нефтяных скважин являются чрезмерное трение насосной штанги при ходе вверх и вниз, протечка трубки и клапана и проблема ударов насоса вверх и вниз. Следовательно, на следующем этапе управления производством старых нефтяных скважин следует принять целевые меры обработки для экономии энергии и повышения эффективности, такие как соответствующее уменьшение хода для уменьшения столкновения насосов нефтяных скважин и остановка нефтяных скважин с серьезной утечкой или сильное трение для обслуживания.

      Рис. 10

      Результаты оценки состояния нефтяной скважины, подлежащей испытанию на некотором участке добычи нефти

      Путем сравнения результатов определения рабочего состояния насосной установки на месте с результатами прогноза, полученными этим методом исследования, установлено, что Уровень точности этого метода исследования очень высок, что позволяет эффективно отражать проблемы рабочего состояния, с которыми сталкиваются старые нефтяные скважины. Этот результат теста показывает, что исследование больше подходит, чем другие модели статистического анализа, для старых скважин со сложными условиями эксплуатации и данными низкого качества.В то же время это исследование также имеет недостатки и ограничения, например, когда два или более условий работы имеют небольшую разницу в законе влияния и степени влияния на нагрузку на полированный стержень, метод, представленный в этом исследовании, может только предсказать этот вид рабочего состояния, но не может точно определить, в каком именно.

      Использование воздушного лазерного сканирования для разработки стратификации на основе пикселей для проверенного проекта компенсации углерода | Углеродный баланс и управление

    • 1.

      Denman KL, Brasseur G, Chidthaisong A, Ciais P, Cox PM, Dickinson RE, Hauglustaine D, Heinze C, Holland E, Jacobs DM, Lohmann U, Ramachandran S, da Silva Dias PL, Wofsy SC, Zhang X: Муфты Между изменениями климатической системы и биогеохимии. в Изменение климата 2007: основы физических наук. Вклад Рабочей группы I в Четвертый доклад об оценке Межправительственной группы экспертов по изменению климата . Под редакцией: Соломон С., Цинь Д., Мэннинг М., Чен З., Маркиз М., Аверит К.Б., Тигнор М., Миллер Х.Л.Кембридж, Соединенное Королевство и Нью-Йорк, Нью-Йорк, США: Издательство Кембриджского университета; 2007: 90.

      Google Scholar

    • 2.

      van der Werf GR, Morton DC, DeFries RS, Olivier JGJ, Kasibhatla PS, Jackson RB, Collatz GJ, Randerson JT: CO 2 выбросы от исчезновения лесов. Nature Geoscience 2009, 2: 737–738. 10.1038 / ngeo671

      CAS Статья Google Scholar

    • 3.

      РКИК ООН: Киотский протокол к Рамочной конвенции Организации Объединенных Наций об изменении климата 1998 г.

    • 4.

      РКИК ООН: Копенгагенское соглашение 2009 г.

    • 5.

      Совет по ограничению и торговле Калифорнийскими воздушными ресурсами [http : //www.arb.ca.gov/cc/capandtrade/capandtrade.htm]

    • 6.

      Второе издание стандартов разработки проектов в области климата, сообществ и биоразнообразия [http://www.climate-standards.org/ ]

    • 7.

      Добровольный углеродный стандарт — Руководство для проектов в области сельского, лесного и другого землепользования [http://www.vcs.org/]

    • 8.

      CAR: Протокол лесных проектов, версия 3.2 2010.

    • 9.

      Winrock International: Стандарт лесного углеродного проекта Американского регистра углерода, версия 2.1 2010.

    • 10.

      Jenkins JC, Chojnacky DC, Heath LS, Birdsey RA: Оценка биомассы видов деревьев в США на национальном уровне . Лесоводство 2003, 49: 12–35.

      Google Scholar

    • 11.

      Smith JE, Heath LS, Jenkins JC: Модели отношения объема леса к биомассе и оценки массы живых и мертвых мертвых деревьев в США Forests 2003.

      Google Scholar

    • 12.

      Дженкинс Дж. К., Хойнаки, округ Колумбия, Хит Л.С., Бердси Р.А.: Комплексная база данных регрессий биомассы на основе диаметра для североамериканских видов деревьев. 2004.

      Google Scholar

    • 13.

      Смит Дж. Э., Хит Л. С., Ског К. Э., Бердси Р. А.: Методы расчета лесной экосистемы и урожая углерода со стандартными оценками для типов лесов США. 2006.

      Google Scholar

    • 14.

      МакРобертс Р.Э., Нельсон М.Д., Вендт Д.Г.: Стратифицированная оценка площади лесов с использованием спутниковых снимков, данных инвентаризации и метода k-ближайших соседей. Дистанционное зондирование окружающей среды 2002, 82: 457–468. 10.1016 / S0034-4257 (02) 00064-0

      Артикул Google Scholar

    • 15.

      Холл Р.Дж., Скакун Р.С., Арсено Э.Дж., Дело BS: Моделирование атрибутов структуры древостоя с использованием данных Landsat ETM +: применение для картирования наземной биомассы и объема древостоя. Экология и управление лесами 2006, 225: 378–390. 10.1016 / j.foreco.2006.01.014

      Артикул Google Scholar

    • 16.

      Демайер П., Де Даппер М., Гаманья: Автоматическая классификация спутниковых изображений с использованием объектно-ориентированных алгоритмов сегментации: движение к стандартизации. Экспертные системы с приложениями 2007, 32: 616–624. 10.1016 / j.eswa.2006.01.055

      Статья Google Scholar

    • 17.

      Song C, Dickinson MB, Su L, Zhang S, Yaussey D: Оценка среднего размера кроны дерева с использованием пространственной информации из изображений Ikonos и QuickBird: сравнение с разных датчиков и участков. Дистанционное зондирование окружающей среды 2010, 114: 1099–1107. 10.1016 / j.rse.2009.12.022

      Статья Google Scholar

    • 18.

      Йохансен К., Купс NC, Гергель С.Е., Штанге Y: Применение спутниковых изображений с высоким пространственным разрешением для классификации прибрежных и лесных экосистем. Дистанционное зондирование окружающей среды 2007, 110: 29–44. 10.1016 / j.rse.2007.02.014

      Статья Google Scholar

    • 19.

      Кутсиас Н., Цакири-Страти М., Картерис М., Маллинис: Классификация на основе объектов с использованием изображений Quickbird для определения полигонов лесной растительности на средиземноморском испытательном полигоне. Журнал ISPRS по фотограмметрии и дистанционному зондированию 2008, 63: 237–250.10.1016 / j.isprsjprs.2007.08.007

      Статья Google Scholar

    • 20.

      Ghioca-Robrecht DM, Johnston CA, Tulbure MG: Оценка использования многосезонных снимков Quickbird для картирования инвазивных видов в прибрежных болотах озера Эри. Водно-болотные угодья 2008, 28: 1028–1039. 10.1672 / 08-34.1

      Артикул Google Scholar

    • 21.

      Xiao X, Boles S, Liu J, Zhuang D, Liu M: Характеристика типов лесов в Северо-Восточном Китае с использованием данных с разновременного датчика SPOT-4 VEGETATION. Дистанционное зондирование окружающей среды 2002, 82: 335–348. 10.1016 / S0034-4257 (02) 00051-2

      Артикул Google Scholar

    • 22.

      Running SW, Nemani RR, Heinsch FA, Zhao M, Reeves MC, Hashimoto H: Непрерывный спутниковый показатель глобальной наземной первичной продукции. BioScience 2004, 54: 547–560. 10.1641 / 0006-3568 (2004) 054 [0547: ACSMOG] 2.0.CO; 2

      Статья Google Scholar

    • 23.

      Грейс Дж., Никол С., Дисней М., Льюис П., Квайф Т., Бойер. P: Можем ли мы измерить земной фотосинтез напрямую из космоса, используя спектральную отражательную способность и флуоресценцию? Биология глобальных изменений 2007, 13: 1484–1497. 10.1111 / j.1365-2486.2007.01352.x

      Артикул Google Scholar

    • 24.

      Хоутон Р.А., Бутман Д., Банн А.Г., Кранкина О.Н., Шлезингер П., Стоун Т.А.: Картирование лесной биомассы в России с помощью спутниковых данных и инвентаризации лесов. Письма об экологических исследованиях 2007, 7.

      Google Scholar

    • 25.

      Поттер С., Клостер С., Хуэте А., Дженовезе В. Поглотители углерода на суше в Соединенных Штатах, спрогнозированные на основе спутниковых данных MODIS и моделирования экосистемы. Взаимодействие с Землей 2007, 11: 1-21.

      Артикул Google Scholar

    • 26.

      Zheng D, Heath LS, Ducey MJ: Биомасса леса, оцененная по данным MODIS и FIA в озерных штатах: Миннесота, Висконсин и Мичиган, США. Лесное хозяйство 2007, 80: 265–278. 10.1093 / forestry / cpm015

      Статья Google Scholar

    • 27.

      Baccini A, Laporte N, Goetz SJ, Sun M, Dong H: Первая карта наземной биомассы тропической Африки, полученная по спутниковым снимкам. Письма об экологических исследованиях 2008, 3: 9.

      Статья Google Scholar

    • 28.

      Blackard JA, Finco MV, Helmer EH, Holden GR, Hoppus ML, Jacobs DM, Lister AJ, Moisen GG, Nelson MD, Riemann R, Ruefenacht B, Salajanu D, Weyermann DL, Winterberger KC, Brandeis TJ, Czaplewski RL, McRoberts RE, Patterson PL, Tymcio RP: Картирование лесной биомассы США с использованием данных общенациональной инвентаризации лесов и информации умеренного разрешения. Дистанционное зондирование окружающей среды 2008, 112: 1658–1677. 10.1016 / j.rse.2007.08.021

      Статья Google Scholar

    • 29.

      Гетц С., Баччини А., Лапорт Н., Джонс Т., Уокер В., Келлндорфер Дж., Хоутон Р., Сан М: Картирование и мониторинг запасов углерода с помощью спутниковых наблюдений: сравнение методов. Углеродный баланс и управление 2009, 4: 2. 10.1186 / 1750-0680-4-2

      Статья Google Scholar

    • 30.

      Пайвинен Р., Ван Брюсселен Дж., Шук А: Древостой европейских лесов с использованием данных дистанционного зондирования и инвентаризации лесов. Лесное хозяйство 2009, 82: 479–490. 10.1093 / forestry / cpp017

      Статья Google Scholar

    • 31.

      Лефски М.А., Коэн В.Б., Паркер Г.Г., Хардинг Д.Д.: Лидарное дистанционное зондирование для изучения экосистем. BioScience 2002, 52: 19–30. 10.1641 / 0006-3568 (2002) 052 [0019: LRSFES] 2.0.CO; 2

      Статья Google Scholar

    • 32.

      Лефски М.А., Худак А.Т., Коэн В.Б., Акер С.А.: Модели ковариации между древостоями и структурой полога на северо-западе Тихого океана. Дистанционное зондирование окружающей среды 2005, 95: 517–531. 10.1016 / j.rse.2005.01.004

      Статья Google Scholar

    • 33.

      Balzter H, Rowland CS, Saich P: Оценка высоты лесного покрова и углерода в Национальном заповеднике Монкс-Вуд, Великобритания, с использованием двухволновой интерферометрии SAR. Дистанционное зондирование окружающей среды 2007, 108: 224. 10.1016 / j.rse.2006.11.014

      Статья Google Scholar

    • 34.

      Wallerman J, Holmgren J: Оценка данных полевых делянок лесных насаждений с использованием воздушного лазерного сканирования и данных SPOT HRG. Дистанционное зондирование окружающей среды 2007, 110: 501–508. 10.1016 / j.rse.2007.02.028

      Статья Google Scholar

    • 35.

      Хилкер Т., Вулдер М.А., Купс, Северная Каролина: Обновление данных инвентаризации лесов с помощью лидара и спутниковых снимков с высоким пространственным разрешением. Канадский журнал дистанционного зондирования 2008, 34: 5–12. 10.5589 / m08-004

      Артикул Google Scholar

    • 36.

      Иоки К., Иманиши Дж., Сасаки Т., Моримото Ю., Китада К: Оценка объема древостоя в широколиственном лесу с использованием LiDAR с дискретной доходностью: подход на основе участков. Пейзаж EcolEng 2009, 6: 29–36.

      Артикул Google Scholar

    • 37.

      Гонсалес П., Аснер Г.П., Батлс Дж. Дж., Лефски М.А., Варинг К.М., Палас М: Плотность углерода в лесах и неопределенности по данным лидаров, QuickBird и полевых измерений в Калифорнии. Дистанционное зондирование окружающей среды 2010, 114: 1561–1575. 10.1016 / j.rse.2010.02.011

      Статья Google Scholar

    • 38.

      Takahashi T, Awaya Y, Hirata Y, Furuya N, Sakai T., Sakai A: Оценка объема насаждения путем комбинирования данных LiDAR с низкой плотностью лазерной выборки с панхроматическими изображениями QuickBird на плантациях японского кедра (Cryptomeria japonica) с закрытым пологом. International Journal of Remote Sensing 2010, 31: 1281. 10.1080 / 01431160

      0623

      Статья Google Scholar

    • 39.

      Straub C, Weinacker H, Koch B: Сравнение различных методов оценки лесных ресурсов с использованием информации, полученной с помощью бортового лазерного сканирования и ортофотопланов CIR. Eur J Forest Res 2010, 129: 1069–1080. 10.1007 / s10342-010-0391-2

      Артикул Google Scholar

    • 40.

      Брейденбах Дж., Нессет Э., Лиен В., Гобаккен Т., Сольберг S: Прогнозирование атрибутов инвентаризации лесов по конкретным видам с использованием непараметрического метода полуиндивидуальной кроны деревьев, основанного на совмещенном воздушном лазерном сканировании и мультиспектральных данных. Дистанционное зондирование окружающей среды 2010, 114: 911–924.10.1016 / j.rse.2009.12.004

      Статья Google Scholar

    • 41.

      Magnussen S, Boudewyn P: Расчет высоты насаждения по данным воздушного лазерного сканера с квантильными оценками на основе растительности. Can J For Res 1998, 28: 1016–1031. 10.1139 / x98-078

      Артикул Google Scholar

    • 42.

      Акай А., Огуз Х, Карас И., Аруга К: Использование технологии LiDAR в лесохозяйственной деятельности. Экологический мониторинг и оценка 2009, 151: 117–124. 10.1007 / s10661-008-0254-1

      Артикул Google Scholar

    • 43.

      Стол Г., Холм С., Грегуар Т.Г., Гобаккен Т., Нессет Э, Нельсон Р.: Вывод на основе модели для оценки биомассы в выборочном обследовании LiDAR в округе Хедмарк, Норвегия. Can J For Res 2011, 41: 96–107. 10.1139 / X10-161

      Артикул Google Scholar

    • 44.

      Мальтамо М., Болландсос О.М., Нессет Э., Гобаккен Т., Пакален P: Различные стратегии выбора участков для данных полевых тренировок при инвентаризации лесов с помощью ALS. Лесное хозяйство 2011, 84: 23–31. 10.1093 / forestry / cpq039

      Статья Google Scholar

    • 45.

      Coops NC, Wulder MA, Culvenor DS, St-Onge B: Сравнение атрибутов леса, извлеченных из мультиспектральных и лидарных данных с высоким пространственным разрешением. Канадский журнал дистанционного зондирования 2004, 30: 855–866. 10.5589 / m04-045

      Артикул Google Scholar

    • 46.

      Ван И, Вайнакер Х., Кох Б.: Процедура на основе облаков точек на основе лидара для анализа вертикальной структуры растительного покрова и трехмерного моделирования одного дерева в лесу. Датчики 2008, 8: 3938–3951. 10.3390 / s8063938

      Артикул Google Scholar

    • 47.

      Maltamo M, Peuhkurinen J, Malinen J, Vauhkonen J, Packalén P, Tokola T: Прогнозирование атрибутов дерева и качественных характеристик Scotspine с использованием данных лазерного сканирования с воздуха. Silva Fennica 2009, 43: 507–521.

      Артикул Google Scholar

    • 48.

      Næsset E: Прогнозирование характеристик древостоя с помощью бортового сканирующего лазера с использованием практической двухэтапной процедуры и полевых данных. Дистанционное зондирование окружающей среды 2002, 80: 88–99. 10.1016 / S0034-4257 (01) 00290-5

      Артикул Google Scholar

    • 49.

      Næsset E: Оценка объема древесины в древостоях с использованием данных воздушного лазерного сканирования. Дистанционное зондирование окружающей среды 1997, 61: 246–253. 10.1016 / S0034-4257 (97) 00041-2

      Артикул Google Scholar

    • 50.

      Næsset E: Определение средней высоты древостоев по данным воздушного лазерного сканера. Журнал ISPRS по фотограмметрии и дистанционному зондированию 1997, 52: 49–56. 10.1016 / S0924-2716 (97) 83000-6

      Артикул Google Scholar

    • 51.

      Худак А.Т., Крукстон Н.Л., Эванс Дж.С., Фальковски М.Дж., Смит А.М., Гесслер П.Е., Морган П: Регрессионное моделирование и картографирование базальной площади хвойных лесов и плотности деревьев по данным лидара с дискретным отражением и многоспектральных спутниковых данных. Канадский журнал дистанционного зондирования 2006, 32: 126–138. 10.5589 / m06-007

      Артикул Google Scholar

    • 52.

      Худак А., Эванс Дж. С., Крукстон Н. Л., Фальковски М. Дж., Стейгерс Б. К., Тейлор Р., Хемингуэй Н: Агрегирование прогнозов базальной площади на пиксельном уровне, полученных на основе данных LiDAR, для промышленных лесонасаждений в северной и центральной частях штата Айдахо. Лесная служба Министерства сельского хозяйства США 2008, 14.

      Google Scholar

    • 53.

      Худак А.Т., Крукстон Н.Л., Эванс Дж.С., Холл Д.Е., Фальковски М.Дж.: Вмененное значение ближайшего соседа для атрибутов структуры леса на уровне вида и масштаба участка из данных LiDAR. Дистанционное зондирование окружающей среды 2008, 112: 2232–2245. 10.1016 / j.rse.2007.10.009

      Статья Google Scholar

    • 54.

      Nothdurft A, Saborowski J, Breidenbach J: Пространственное прогнозирование переменных древостоя. Eur J Forest Res 2009, 128: 241–251.10.1007 / s10342-009-0260-z

      Артикул Google Scholar

    • 55.

      Breidenbach J, Nothdurft A, Kändler G: Сравнение подходов ближайшего соседа для оценки характеристик лесов, зависящих от вида деревьев, на небольших площадях в Центральной Европе с использованием данных лазерного сканирования с воздуха. Eur J Forest Res 2010, 129: 833–846. 10.1007 / s10342-010-0384-1

      Артикул Google Scholar

    • 56.

      Latifi H, Nothdurft A, Koch B: Непараметрическое прогнозирование и картографирование объема и биомассы древесины на корню в лесу умеренного пояса: применение нескольких оптических / основанных на LiDAR предикторов. Лесное хозяйство 2010, 83: 395–407. 10.1093 / forestry / cpq022

      Статья Google Scholar

    • 57.

      Jaskierniak D, Lane PNJ, Robinson A, Lucieer A: Извлечение индексов LiDAR для характеристики многослойной структуры леса с использованием функций распределения смеси. Дистанционное зондирование окружающей среды 2011, 115: 573–585. 10.1016 / j.rse.2010.10.003

      Статья Google Scholar

    • 58.

      Packalén P, Maltamo M: Прогнозирование площади участка по видам деревьев с помощью лазерного сканирования и аэрофотоснимков. Лесоводство 2006, 52: 611–622.

      Google Scholar

    • 59.

      Moeur M, Stage AR: Самый похожий сосед: улучшенная процедура вывода выборки для планирования природных ресурсов. Лесоводство 1995, 41 (23): 337–359.

      Google Scholar

    • 60.

      Линдберг Э., Холмгрен Дж., Олофссон К., Валлерман Дж., Олссон Х: Оценка древовидных списков на основе воздушного лазерного сканирования путем комбинирования методов единственного дерева и основанных на площади. Международный журнал дистанционного зондирования 2010, 31: 1175.10.1080 / 01431160

      0649

      Артикул Google Scholar

    • 61.

      Aalde H, Gonzalez P, Gytarsky M, Krug T, Kurz WA, Ogle S, Raison J, Schoene D, Ravindranath NH, Elhassan NG, Heath LS, Higuchi N, Kainja S, Matsumoto M, Sanchez MJS , Somogyi Z: Глава 4: Лесные земли. В Руководящих принципах МГЭИК по национальной инвентаризации парниковых газов 2006 г. . Под редакцией: HS E, LB, K M, T N, KT Iges. Япония: Национальная программа инвентаризации парниковых газов; 2006 г.

      Google Scholar

    • 62.

      Hawbaker TJ, Keuler NS, Lesak AA, Gobakken T, Contrucci K, Radeloff VC: Улучшенные оценки структуры лесной растительности и биомассы с помощью плана выборки, оптимизированного для LiDAR. J Geophys Res 2009, 114: 11.

      Google Scholar

    • 63.

      Gobakken T, Naesset E: Оценка влияния плотности точек лазерного излучения, интенсивности наземного отбора проб и размера полевого участка образца на свойства биофизического стенда, полученного на основе данных воздушного лазерного сканирования. Канадский журнал исследований леса 2008, 38: 1095–1109. 10.1139 / X07-219

      Артикул Google Scholar

    • 64.

      van Aardt JAN, Wynne RH, Oderwald RG: Оценка объема и биомассы леса с использованием параметров лидара-распределения малых размеров на основе сегментов. Лесоводство 2006, 52: 636–649.

      Google Scholar

    • 65.

      Avery TE, Burkhart HE: Измерения в лесу. 5-е издание. Нью-Йорк, штат Нью-Йорк: Высшее образование Макгроу-Хилла; 2002.

      Google Scholar

    • 66.

      Shiver BD, Borders BE: Методы выборки для инвентаризации лесных ресурсов. Нью-Йорк, Нью-Йорк: John Wiley & Sons, Inc; 1996.

      Google Scholar

    • 67.

      Borders BE, Shiver BD, Clutter ML: Инвентаризация лесоматериалов на больших площадях с использованием стратифицированной двухэтапной выборки по списку. Южный журнал прикладного лесоводства 2005, 29: 152–157.

      Google Scholar

    • 68.

      Белл Дж. Ф., Дилворт Дж. Р.: Масштабирование бревен и круизы по лесоматериалам. 2007 года выпуска. Корваллис, штат Орегон: Каскадная полиграфическая компания; 2007.

      Google Scholar

    • 69.

      Кларк М.Л., Робертс Д.А., Кларк ДБ: Гиперспектральная дискриминация видов деревьев тропических лесов от листа до кроны. Дистанционное зондирование окружающей среды 2005, 96: 375–398. 10.1016 / j.rse.2005.03.009

      Статья Google Scholar

    • 70.

      Леви П.С., Lemeshow S: Выборка популяций: методы и приложения. 4-е издание. Wiley; 2008.

      Google Scholar

    • 71.

      Руководство пользователя GPSMAP 76CSx. 1200 East 151st St. Olathe, Канзас 66062 Garmin;

    • 72.

      Pesonen A, Kangas A, Maltamo M, Packalén P: Влияние вспомогательного источника данных и размера единицы инвентаризации на эффективность выборочной инвентаризации грубых древесных остатков. Экология и управление лесами 2010, 259: 1890–1899. 10.1016 / j.foreco.2010.02.001

      Статья Google Scholar

    • 73.

      Ламли Т., Миллер A: скачок: выбор подмножества регрессии. 2009.

      Google Scholar

    • 74.

      R Основная группа разработчиков: R: Язык и среда для статистических вычислений. Вена, Австрия: Фонд R для статистических вычислений; 2011.

      Google Scholar

    • 75.

      Ramsey FL, Schafer DW: Статистический сыщик: курс методов анализа данных. 2-е издание. Пасифик Гроув, Калифорния, США: обучение Даксбери Томсон; 2002.

      Google Scholar

    • 76.

      Калифорния Департамент лесного хозяйства и противопожарной защиты: важная информация для лесозаготовительных работ, предлагаемых для ареала северной пятнистой совы Сакраменто, Калифорния: Департамент лесного хозяйства и противопожарной защиты; 2008: 35.

    • 77.

      Фонд охраны природы: План комплексного управления ресурсами леса реки Гарсия Каспар, Калифорния: Фонд охраны природы; 2006: 289.

    • 78.

      MATLAB Image Processing Toolbox Natick, Massachusetts, U.S.A: Mathworks; 2011.

    • 79.

      Гонсалес Р.С., Вудс RE: Цифровая обработка изображений. 2-е издание. Река Аппер Сэдл, штат Нью-Джерси: Prentice Hall; 2002.

      Google Scholar

    • 80.

      Jolliffe IT: Анализ основных компонентов. 2-е издание. Springer-Verlag; 2002.

      Google Scholar

    • 81.

      Harrell FE: Стратегии регрессионного моделирования.Исправлено. Springer; 2001.

      Google Scholar

    • 82.

      Derksen S, Keselman HJ: Обратный, прямой и пошаговый автоматизированные алгоритмы выбора подмножества: частота получения достоверных и шумовых переменных. Британский журнал математической и статистической психологии 1992, 45: 265–282. 10.1111 / j.2044-8317.1992.tb00992.x

      Артикул Google Scholar

    • 83.

      Альтман Д.Г., Андерсен ПК: Начальное исследование стабильности регрессионной модели Кокса. Stat Med 1989, 8: 771–783. 10.1002 / sim.4780080702

      CAS Статья Google Scholar

    • 84.

      Tibshirani R: Регрессионное сжатие и выбор с помощью лассо. Журнал Королевского статистического общества. Серия B (методологическая) 1996, 58: 267–288.

      Google Scholar

    • 85.

      Гловер F: Tabu Search: Учебное пособие. Интерфейсы 1990, 20: 74–94. 10.1287 / inte.20.4.74

      Артикул Google Scholar

    • 86.

      Glover F, Taillard E, de Werra D: Руководство пользователя по поиску запретов. Ann Oper Res 1993, 41: 1-28. 10.1007 / BF02078647

      Артикул Google Scholar

    • 87.

      No related posts.

      Добавить комментарий

      Ваш адрес email не будет опубликован. Обязательные поля помечены *

      Редакция журнала "Авторынок Чувашии". тел.:(8352)56-04-54, 57-12-44, факс. 57-11-29. 2019 © Все права защищены. Карта сайта
      Top