Romanuke, V.V.Романюк, В.В.2015-12-212015-12-212014Romanuke V. V. Accuracy improvement in wear state discontinuous tracking model regarding statistical data inaccuracies and shifts with boosting miniensemble of two-layer perceptrons / V. V. Romanuke // Problems of Tribology. – 2014. – № 4. – P. 55-58.https://elar.khmnu.edu.ua/handle/123456789/4395There is presented a method of improving accuracy in tracking metal tool wear states discontinuously, when the states’ finite set has been statistically tied to the set of representative wear influencing factors. Range of wear states is presumed to be wholly sampled into those factors. The tracker is a static model based on boosting mini-ensemble of three twolayer perceptrons with nonlinear transfer functions. It regards statistical data inaccuracies and shifts. For making the ensemble, the AdaBoost technique is used. A distinction of the presented method of boosting from the AdaBoost is in the rule for finding the decreasing coefficient in order to re-distribute weights over training samples. Another one is that the ensemble is aggregated at once. The averaged gain of the boosting mini-ensemble in tracking 24 wear states with 16 influencing factors exceeds 50 %. The wear state tracking model is going to be perfected on optimizing two parameters of the training set and the naive rule for finding the decreasing coefficient before re-distributing training samples’ weights.Представляється метод покращення точності дискретного відслідковування станів зносу металевого засобу, коли скінченна множина цих станів була статистично пов’язана з множиною репрезентативних факторів, що впливають на знос. Діапазон станів зносу вважається повністю розбитим за цими факторами. Відстежувачем є статична модель на основі міні-комітету бустингу трьох двошарових персептронів з нелінійними передавальними функціями. Вона враховує похибки і зсуви у статистичних даних. Для утворення згаданого комітету використовується техніка адаптивного бустингу. Одна з відмінностей методу бустингу, що представляється, від адаптивного бустингу полягає у правилі знаходження спадного коефіцієнта для того, щоб перерозподіляти ваги навчальних зразків. Ще одна полягає у тому, що комітет утворюється одразу. Усереднений виграш такого міні-комітету бустингу у відслідковуванні 24 станів зносу з 16 факторами впливу перевищує 50 %. Дана модель відслідковування стану зносу буде удосконалена завдяки оптимізації двох параметрів навчальної множини і наївного правила знаходження спадного коефіцієнта перед перерозподілом ваг навчальних зразків.enwear statestatistical datadata jitter inaccuraciesdata omissionsdata shiftstracking modelaccuracytwo-layer perceptronboostingboosting ensembletracking error rateстан зносустатистичні даніфлуктуаційні похибки у данихпропуски у данихзсуви у данихмодель відслідковуваннядвошаровий персептронточністьбустингкомітет бустингурівень помилок відслідковуванняСтаття539.375.6+539.538+519.237.8