Автор: Николай Камынин

Давным-давно, я работал в отраслевой лаборатории и занимался созданием автоматизированных систем диагностики объектов.

И вот в один прекрасный день приезжает в лабораторию начальник отдела контроля качества  АвтоВаза .

В ту пору АвтоВаз начал серийное производство автомобиля Нива.

Так как автомобиль такого класса был на мировом рынке первым, то продажа его за рубеж была сравнительно успешной.

Однако, как объяснил начальник, возникла проблема, которая омрачала успешность продвижения советских малолитражек на мировом рынке.

Дело в том, что Нива, из-за наличия двух ведущих мостов ,  обладала повышенной шумностью в салоне, что приводило к более быстрой утомляемости водителей.

Хотя на мировом рынке отсутствовали стандарты для такого класса автомобилей,  но в перспективе такие стандарты могли быть установлены западными производителями, что привело бы к резкому сокращению экспорта отечественных авто.

На заводе организовали отбраковку автомобилей по уровню шума и вибрации в салоне.

Делалось это исключительно субъективным способом.

Водитель-испытатель гонял автомобиль сначала на стенде, затем на треке и делал заключение:

“Шумит или не шумит”.

Если машина им браковалась, то методом проб и ошибок пытались уменьшить ее шумность.

Меняли коробку передач, колеса, валы и т.д.

Если удавалось снизить уровень вибрации и шума, либо машина оценивалась испытателем  как “Не шумит”, то она отправлялась на экспорт, иначе – на продажу внутри страны.

В ту пору спрос на мировом рынке на отечественные Нивы превышал предложение.

Выслушав проблему, мы сформулировали  задачу   следующим образом:

Имеются объекты – автомобили , которые создают  виброакустические сигналы.

Имеется субъект – испытатель, который на основе субъективного восприятия виброакустических сигналов принимает решение о классификации объектов на две группы –“хороший” и “плохой”.

Наша задача заключалась в том, чтобы на основе виброакустических сигналов и известного решения испытателя создать автоматическую систему классификации объектов, которая выполняет классификацию новых объектов аналогично испытателю.

В теории обучаемых систем такая задача называется построение системы принятия решения методом обучения с учителем.

Необходимо было сформировать достаточно большую историю классификации автомобилей испытателем.

После этого, имеющаяся история делится на две части.

Первая часть данных – обучающая выборка совместно с решением испытателя применяется для обучения системы.

Вторая часть данных – контрольная выборка совместно с решением испытателя применяется для оценки качества обучения системы.

Tags: Нейронные сети, распознавание образов, спектральный анализ