Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
“Young Scientist” . #3 (50) . March 2013 Computer Science<br />
– работу ремонтной службы коэффициентами: простоев<br />
в плановых ТОиР в рабочее время – К РНП, простоев<br />
в НР в рабочее время – К РНН, простоев в плановых и неплановых<br />
ТОиР в рабочее время – К РН;<br />
– работу коммерческой службы через коэффициент<br />
использования работоспособных машин К ИРР.<br />
Динамика технического состояния (ТС) оборудования,<br />
как функция срока службы, характеризуется изменением<br />
коэффициентов готовности и технического использования<br />
по мере старения машины. Эти коэффициенты характеризуют<br />
и качество работы системы ТОиР, задача которой<br />
минимизировать продолжительность периода пребы-<br />
Литература:<br />
145<br />
вания техники в неисправном состоянии [T РНН (t)+T РНП<br />
(t)] —>min.<br />
Последние три показателя характеризуют использование<br />
нерабочего времени машины для восстановления<br />
ее работоспособности, что весьма рационально. При этом<br />
показатели использования рабочего времени заметно<br />
улучшаются.<br />
Предлагаемая модель системы показателей надежности<br />
позволяет оценивать техническое состояние оборудования<br />
предприятия и, в конечном счете, эффективность<br />
работы ремонтной службы предприятия и эффективность<br />
управления техническим обслуживанием и ремонтом.<br />
1. Проект внедрения EAMсистемы на «Волжском гидроэнергетическом каскаде». Группа компаний «Современные<br />
технологии». 2006. – Режим доступа: – [http://www.sovtech.ru/synergy/eam].<br />
2. Исследование и разработка методики автоматизации ремонтных работ предприятия / А.В. Кизим, Н.А. Линев<br />
// Изв. ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в технических<br />
системах»: межвуз. сб. науч. ст. / ВолгГТУ. – Волгоград, 2008. – Вып. 4, № 2. – C. 43–45.<br />
3. Кизим, А.В. Обоснование необходимости автоматизации работ по ремонту и техническому обслуживанию оборудования<br />
/ А.В. Кизим // Известия Волгоградского государственного технического университета: межвуз. сб.<br />
науч. ст. № 6 (54) / ВолгГТУ. – Волгоград: ИУНЛ ВолгГТУ, 2009. – (Сер. Актуальные проблемы управления,<br />
вычислительной техники и информатики в техн. системах. Вып. 6). – C. 118–121.<br />
4. Репин, С.В. Концепция эффективности эксплуатации строительных машин // Строительные и дорожные машины.<br />
– 2007: № 2. – С. 27–31; № 4. – С. 21–25.<br />
5. Кизим, А.В. Задачи и методы поддержки ТОиР оборудования на протяжении его жизненного цикла / А.В. Кизим<br />
// Известия ВолгГТУ. Серия «Актуальные проблемы управления, вычислительной техники и информатики в<br />
технических системах». Вып. 13: межвуз. сб. науч. ст. / ВолгГТУ. – Волгоград, 2012. – № 4 (91). – C. 55–59.<br />
Метод k средних при решении задачи распознавания диктора по речевому образцу<br />
Параметризация в задаче распознавания диктора по речевому<br />
образцу заключается в выделении наиболее<br />
информативных параметров речи и получение компактного<br />
описания речевого сигнала. Размерность пространства параметров<br />
измеряется десятками. Так, число кепстральных<br />
коэффициентов может варьироваться от 10 до 30. Обычно<br />
к ним добавляются первые и вторые разности по времени<br />
(дельтапараметры), так что размерность пространства<br />
признаков для каждого кадра находится в диапазоне от 30<br />
до 90. В общем случае это число должно быть умножено на<br />
количество кадров в речевом высказывании, что приводит<br />
к размерностям в сотни параметров. Для аппроксимации<br />
параметров прибегают к кластерному анализу [1, с. 52].<br />
Кластерный анализ – задача разбиение заданной выборки<br />
объектов на подмножества, называемые кластерами,<br />
так, чтобы каждый кластер состоял из схожих<br />
объектов, а объекты разных кластеров существенно отличались.<br />
Панченко Евгения Юрьевна, студент<br />
Московский государственный технологический университет «Станкин»<br />
Существует множество методов кластеризации. Из методов<br />
вероятностного подхода наиболее используемыми<br />
являются метод k-means, k-medians, EM-алгоритм. Из<br />
методов на основе искусственного интеллекта часто применяют<br />
метод нейронных сетей Кохонена. [2, с. 8]<br />
Наиболее надежным способом идентификации диктора<br />
в текстонезависимых системах является векторное квантование<br />
[3, с. 124], основанное на кластеризации векторов<br />
признаков. Множество обучающих векторов преобразуется<br />
в множество кодовых слов (векторов), называемое<br />
кодовой книгой. Происходит сокращение избыточно<br />
большой исходной выборки обучающих параметров путем<br />
замены векторов в кластере на наиболее типичного представителя<br />
в каждом кластере. Обычно размер кодовой<br />
книги выбирается равным 256 или 512. Таким образом,<br />
метод векторного квантования применяется для конструирования<br />
аппроксимирующих акустических прототипов,<br />
используемых в качестве акустических моделей-эталонов.