Інтелектуальне діагностування складних технічних систем

У статті розглядаються можливості підвищення ефективності діагностування складних технічних систем за рахунок інтеграції найбільш прогресивних технологій штучного інтелекту (експертні системи, теорія нечітких множин і логіки, штучні нейронні мережі, самонавчання) та їхнє використання в процесі діагн...

Full description

Saved in:

Bibliographic Details
Published in:	Науково-технічна інформація
Date:	2007
Main Authors:	Герасимов, Б.М., Камишин, В.В., Самойлов, І.В.
Format:	Article
Language:	Ukrainian
Published:	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України 2007
Subjects:	Науково-інформаційна діяльність
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/51567
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Інтелектуальне діагностування складних технічних систем / Б.М. Герасимов, В.В. Камишин, І.В. Самойлов // Науково-технічна інформація. — 2007. — № 1. — С. 3-7. — Бібліогр.: 8 назв. — укр.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

_version_	1859917614570012672
author	Герасимов, Б.М. Камишин, В.В. Самойлов, І.В.
author_facet	Герасимов, Б.М. Камишин, В.В. Самойлов, І.В.
citation_txt	Інтелектуальне діагностування складних технічних систем / Б.М. Герасимов, В.В. Камишин, І.В. Самойлов // Науково-технічна інформація. — 2007. — № 1. — С. 3-7. — Бібліогр.: 8 назв. — укр.
collection	DSpace DC
container_title	Науково-технічна інформація
description	У статті розглядаються можливості підвищення ефективності діагностування складних технічних систем за рахунок інтеграції найбільш прогресивних технологій штучного інтелекту (експертні системи, теорія нечітких множин і логіки, штучні нейронні мережі, самонавчання) та їхнє використання в процесі діагностики.
first_indexed	2025-12-07T16:06:15Z
format	Article
fulltext	НАУКОВО�ІНФОРМАЦІЙНА ДІЯЛЬНІСТЬ ННТТІІ 11//22000077 Сучасний етап розвитку технічних систем характе� ризується великою функціональ� ною складністю нових зразків техніки, новими принципами по� будови функціональних блоків і вузлів, цифровою обробкою інформації, широким застосу� ванням великих та надвеликих інтегральних мікросхем, що ви� суває на передній план проблему забезпечення надійності їхнього функціонування на різних етапах життєвого циклу (проектування, виробництво та експлуатація). А це є можливим лише за умови інтенсивного розвитку методів і засобів технічної діагностики складних технічних систем [1, 2]. Отже, через згадані особли� вості цих систем значно усклад� нюється процес діагностування та зменшується його ефек� тивність у порівнянні з раніше використовуваними системами, побудованими на інтегральних схемах малого та середнього сту� пеня інтеграції. У технічній діагностиці, зок� рема діагностуванні мікропроце� сорних пристроїв та систем вже певний час чітко проявляється намагання використати елемен� ти і компоненти штучного інте� лекту, а саме: самонавчання та експертні системи. Але щодо ви� користання штучного інтелекту в діагностиці складних технічних систем на сьогодні не вироблено чіткої методології та відповідних стратегій. Не розглядалось і пи� тання взаємодоповнення компо� нентів штучного інтелекту в ре� алізації процесу тестового діаг� ностування та оцінка ефектив� ності їхнього використання. Із загального переліку компо� нентів штучного інтелекту, а са� ме: подання знань, розв'язуван� ня задач, експертні системи, за� соби спілкування з ЕОМ природ� ною мовою, навчання, когнітив� не моделювання, стратегічні ігри, обробка візуальної інфор� мації, робототехніка та інші, для діагностування складних технічних систем найбільший інтерес становлять самонавчан� ня, експертні системи, штучні нейронні мережі та теорія нечітких множин і логік [3]. Під час розробки систем штучного інтелекту необхідно враховувати всі елементи, що складають процес прийняття рішення людиною — цілі, фак� ти, правила, механізми виснов� ку та спрощення. Що стосується цілей проекту� вання засобів і процесу діагносту� вання технічних систем, то на цьо� му етапі їх потрібно конкретизу� вати, виходячи з інформації про об'єкт діагностування (ОД), уточ� нити, до якого класу належить за� дача, яку потрібно вирішити, вибрати форму і терміни опису. На етапі визначення фактів потрібно вибрати тільки най� більш потрібні з них, указати відносну важливість (вагу) фактів під час розв'язання задачі. Після визначення загальних фактів, які необхідні для досяг� нення цілей, необхідно перейти до визначення конкретних даних про ОД і відомим змінним прис� воїти значення. Факти надають� ся в певній формі. Ті факти, які містять конкретну інформацію, стають даними та заносяться в базу даних. Факти і правила, які будуть використовуватися в по� дальшому процесі діагностуван� ня складних технічних систем, зберігаються в комп'ютері, і вони являють собою базу знань. Правила як складові штучного інтелекту допомагають системі діагностування вірно оцінити дані і досягти мети. Правило уза� гальнює декілька наявних фактів і спрощує їхнє використання. Механізм висновку може ре� алізуватися за допомогою спо� собів прямого та оберненого ря� ду суджень. У першому випадку судження йде від даних до логічного висновку, в другому — навпаки, тобто висновок вико� ристовується для пошуку даних, які його підтверджують. Механізм спрощення керує пошуком додаткових правил для верифікації мети до того часу, поки не будуть перевірені всі можливі способи досягнення ме� ти діагностування ОД. Крім то� го, цей механізм передбачає 3 ІНТЕЛЕКТУАЛЬНЕ ДІАГНОСТУВАННЯ СКЛАДНИХ ТЕХНІЧНИХ СИСТЕМ Б.М. Герасимов, докт. техн. наук, В.В. Камишин, канд. техн. наук, І.В. Самойлов, канд. техн. наук ігнорування непотрібних для діагностування суджень. На рис. 1 показані основні компоненти інтелектуалізації процесу діагностування склад� них технічних систем і взаємо� зв'язки між ними. Розглянемо використання ок� ремих компонентів штучного інтелекту щодо діагностування складних технічних систем. Самонавчання. Елементи са� монавчання автоматизованих систем діагностування почали використовуватися раніше, ніж інші компоненти штучного інте� лекту. Самонавчання тісно пов'язане з навчанням і в систе� мах технічного діагностування доповнює його. Реалізація прин� ципу самонавчання у процесі діагностування надає мож� ливість оптимізувати в певній мірі пошук дефектів шляхом на� копичення знань, а також забез� печувати необхідну зміну алго� ритмів функціонування системи. Самонавчання систем діагнос� тування здійснюється за певною стратегією, зокрема, стратегією індуктивного навчання на основі дерева прийняття рішень, аналітичного навчання, навчання з поясненням несправностей, нав� чання за аналогією, навчання, яке базується на теорії штучних ней� ронних мереж та ін. Найбільш ефективним є застосування комбінованої стратегії. Крім того, позитивний ефект дає поєднання суб'єктивних знань експерта про несправності ОД із об'єктивними знаннями, закладеними в матема� тичній моделі об'єкта. У цілому, навчання і само� навчання систем діагностування складних технічних систем є ефективним засобом підвищен� ня достовірності та зниження вартості процесу тестування. Але ще доцільніше застосовува� ти ці компоненти в комбінації з іншими компонентами і елемен� тами штучного інтелекту. Значному підвищенню ефек� тивності діагностування склад� них технічних систем сприяє застосування експертних сис? тем (ЕС) [4]. ЕС технічного діаг� ностування, як правило, явля� ють собою програмні продукти, що виконують класифікацію ОД та несправностей в них, прово� дять їхній аналіз, видають пора� ди та консультації і прогнозують поведінку ОД в майбутньому. В умовах невизначеності щодо по� дальшого проходження процесу діагностування або неповноти знань про ОД, зокрема на струк� турному, функціональному чи алгоритмічному рівні, експертні системи можна використати для прийняття рішень. Вони можуть прискорити процес пошуку несправностей складних техніч� них систем в декілька разів. В основу розробки ЕС діагнос� тування складних технічних систем можуть бути покладені продукційні правила і фреймові або семантичні мережі, котрі підтримують увесь обсяг доступ� них знань про ОД і процес діаг� ностування. Знання в цьому ви� падку надаються в модульному вигляді і легко модифікуються [5]. Модифікація бази знань здійснюється без модифікації програми (алгоритму) діагносту� вання, що спрощує процес тесту� вання. У разі, коли здійснення точної ідентифікації несправ� ностей неможливе через склад� ність ОД, підвищується роль експертних оцінок. База знань ЕС повинна містити експертні знання, які використовуються для експертних оцінок стану ОД. База знань ЕС діагностуван� ня поповнюється також за раху� нок зворотних зв'язків між ОД і системою діагностування. Створення експертної систе� ми технічного діагностування вимагає з'ясування цілей її функціонування та вибору: способів надання фактів і знань з технічного діагностуван� ня конкретного зразка техніки; способу опису функції, що ви� конує ОД під час тестування, та заходів спрощення цього опису; способу взаємодії оператора з системою діагностування; системи та мови програму� вання для реалізації експертної системи діагностування; методів і способів розвитку експертної системи діагносту� вання на основі виявлення но� вих та зміни існуючих правил. Зібрані дані про діагносту� вання ОД надаються у вигляді, зручному для наступної фор� малізації знань, зокрема у виг� ляді таблиць і графіків. Особливістю таких складних технічних систем, як ОД є мож� ливість використання під час діагностування найбільш доско� налої моделі справного ОД, побу� дованої на основі проектної до� кументації. Це дає можливість використовувати як базу суб'єктивних знань експертів, так і базу об'єктивних знань. Штучна нейронна мережа [6] — це універсальний апроксима� тор, що складається із взаємо� ННТТІІ 11//220000774 Рис. 1. Компоненти інтелектуалізації процесу діагностування складних технічних систем ННТТІІ 11//22000077 5 зв'язаної сукупності простих об� числювальних елементів — ней� ронів. Кожен елемент мережі функціонує за простими прави� лами. У більшості типів мереж вихідний сигнал нейрона зале� жить від зваженої суми вхідних сигналів. У деяких нейронних мережах, наприклад у багатоша� ровому персептроні, кожний еле� мент імітує поведінку окремої клітини головного мозку. У ней� ронних мережах інших типів, наприклад у радіально�базис� них, функціонування елементів не пов'язано з поведінкою нерво� вих клітин. Фундаментальною властивістю нейронної мережі є здатність до навчання. Нейронну діагностичну модель будують че� рез навчання мережі за вибіркою експериментальних даних. Кіль� кість входів нейронної мережі дорівнює числу параметрів стану. Кількість нейронів на вихідному шарі дорівнює числу можливих причин появи несправності. Щодо використання штучних нейронних мереж у процесі діаг� ностування, то вони найбільш ефективно можуть бути застосо� вані для розробки апаратних і програмних генераторів тесто� вих впливів. У технічній діагнос� тиці складних технічних систем можна використати штучні ней� ронні мережі як з оберненими зв'язками, так і без них. Теорія нечітких множин і логік є зручним засобом фор� малізації експертної інформації у разі моделювання причинно� наслідкових зв'язків у задачах діагностики. Експертні знання можуть бути зображені у вигляді нечітких правил і нечітких відношень (рис.2). Нечіткі правила ЯКЩО — ТО зв'язують лінгвістичні оцінки вхідних і вихідних змінних (причин і наслідків). Лінгві� стичні оцінки задаються функціями належності нечітких термів. Модель ОД будується на базі нечітких логічних рівнянь, які з'єднують функції належ� ності вхідних і вихідних змінних. Нечітка модель "багато входів — багато виходів" розгля� дається як сукупність моделей "багато входів — один вихід". Найбільш поширеними в інже� нерній практиці є нечіткі систе� ми Мамдані і Такагі�Сугено. Іншим способом формалізації експертної інформації є побудо� ва матриці нечітких відношень "причини — наслідки". Причи� ну будемо розглядати як деяку лінгвістичну оцінку вхідної змінної, а наслідок — як лінгві� стичну оцінку вихідної змінної. Передбачається, що існує мно� жина причин, які в тій чи іншій мірі викликають множину наслідків. При цьому діагнос� тичні ознаки зображаються у вигляді відношень між причина� ми і наслідками. Нечітке відно� шення — як міра впливу причи� ни на виникнення наслідку. Мо� дель ОД будується на базі рівнянь нечітких відношень, які з'єднують міри значимості при� чин і наслідків. Міра значимості причини (наслідку) може бути визначена як ступінь належності конкретного значення вхідної (вихідної) змінної до нечіткого терму причини (наслідку). Задача діагностики може фор� мулюватись у формі прямого і оберненого нечіткого логічного виведення. Пряме логічне виве� дення передбачає знаходження наслідків для відомих причин. У випадку оберненого логічного виведення відбувається віднов� лення причин на основі наслідків. У багатьох випадках використання нечіткої логіки до задач діагностики застосовуєть� ся пряме логічне виведення. При цьому для побудови моделі мо� жуть бути використані як нечіткі правила ЯКЩО — ТО, так і нечіткі відношення "причи� ни — наслідки". Розв'язання за� дачі оберненого логічного виве� дення вимагає побудови моделі на базі нечітких відношень. У разі проектування систем діагностики виникає необхідність моделювання та мінімізації наслідків невизначеності. Невизначеність є результатом певної відсутності інформації. Інформація може бути неповною, фрагментарною, не в повній мірі надійною, розпливчастою, неточ� ною, суперечною. У загальному випадку це є різними ознаками недостатності інформації. У про� цесі побудови моделей діагности� ки можуть виникати такі джере� ла невизначеності щодо [7]: значень слів, які використову� ються в побудові нечітких баз знань (слова мають різні значен� ня для різних людей, такими сло� вами є лінгвістичні оцінки, що описують причини і наслідки); наслідкових частин експерт� них тверджень; результатів вимірювань, які є вхідними даними нечіткої системи. Наявність джерел невизначе� ності висуває особливі вимоги до Рис. 2. Нечіткі моделі діагностики розробників систем діагностики. Необхідно таким чином спроек� тувати систему, щоб якість її функціонування була високою, незважаючи на вплив невизначе� ності. Описані вище типи невиз� наченості можуть бути враховані в системах на базі нечіткої логіки. Засоби, які спроможні оперувати всіма трьома типами невизначеності, є нечіткі систе� ми другого типу (в нечітких сис� темах першого типу невизна� ченість, пов'язана із значенням слів, повністю ігнорується). Розглянемо загальну поста� новку задачі діагностики: Нехай: P = (p1, … , pq) — множина об'єктів діагностики; D = (d1, … , dn) — множина причин; S = (s1, … , sm) — множина наслідків; MP×D — матриця нечітких відношень "об'єкти діагнос� тики — причини"; MD×S — матриця нечітких відношень "причини — наслідки"; MP×S — матриця нечітких відношень "об'єкти діагнос� тики — наслідки". Моделювання причинно� наслідкових зв'язків здійсню� ється шляхом інтерпретації ком� позиційного правила Заде [8]: , де ° — операція max�min компо� зиції. Це співвідношення зводиться до розв'язання q задач виду: . Це задача прямого логічного виведення, тобто необхідно знай� ти нечіткий вектор наслідків MS за умови відомих нечіткого век� тора причин MD і матриці нечітких відношень MD×S. У да� ному випадку задача діагности� ки розв'язується тривіально. За� дача оберненого логічного виве� дення формулюється в такий спосіб. Необхідно відновити нечіткий вектор причин MD за умови відомих нечіткого вектора наслідків MS і матриці нечітких відношень MD×S. У цьому випад� ку задача відновлення причин по наслідках, що спостерігаються, зводиться до розв'язання рів� нянь нечітких відношень, що зв'язують міри значимості при� чин і наслідків. Проектування системи діаг� ностики на базі нечітких відно� шень передбачає вирішення за� дач, які схематично показані на рис. 3. Розглянемо можливі методи та способи вирішення цих задач. Побудова нечітких відно� шень. Носієм моделі діагностики є нечіткі відношення. Точні зна� чення нечітких відношень до� сить рідко зустрічаються в літе� ратурі, тому для їхньої побудови використовуються експертні ме� тоди. Зокрема, нечіткі відношен� ня можуть бути побудовані на ос� нові експертних парних порів� нянь або добуті з нечітких пра� вил ЯКЩО — ТО. Побудова нечітких відношень другого ти� пу передбачає врахування лінг� вістичної невизначеності і роз� біжності в наслідкових частинах експертних тверджень. Нечіткі відношення можуть бути добуті з експериментальних даних. Дана задача формулюєть� ся у вигляді задачі нелінійної оп� тимізації, для розв'язання якої традиційно використовуються генетичні алгоритми або ней� ронні мережі. Генетичний алго� ритм може бути використаний для добування нечітких відно� шень першого типу. Отриманий розв'язок є початковим набли� женням для побудови нечітких відношень другого типу за допо� могою нейронної мережі, яка та� кож використовується для адап� тації нечітких відношень у міру надходжень нових експеримен� тальних даних. Методи розв'язання нечітких відношень. Установлення при� чин по наслідках, що спостеріга� ються в умовах невизначеності потребує розв'язання рівнянь нечітких відношень другого ти� пу. У зв'язку з відсутністю за� гальних аналітичних прийомів розв'язання цієї задачі пропо� нується вирішувати її шляхом комплексного використання ге� нетичних алгоритмів і нейрон� них мереж. Генетичний алго� [ ] [ ] 11 1 1 mn m n s sd d d D SD d s s S MM M =× = ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎣ ⎦ 1 1 1 1 1 1 q q n d d s sn m p d P D D S p d s sm p P S p M M M =× × = × ⎡ ⎤ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎣ ⎦ ⎣ ⎦ ⎡ ⎤ ⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎣ ⎦ ННТТІІ 11//220000776 Рис. 3. Проектування системи діагностики на базі нечітких відношень Вступ. Історичний розви� ток суспільства визна� чається багатьма здобутками, се� ред яких одне з провідних місць належить свободі, зокрема еко� номічній, оскільки вона є умо� вою для повноцінного існування інших свобод. Так, якщо не за� безпечені вільна трудова діяльність, особистий вибір, до� сить складним виявляється існу� вання політичної чи громадянсь� кої свободи. Метою даної статті є вияв� лення взаємозалежності між економічною свободою, інтелек� туалізацією діяльності людини та економічним зростанням. Постановка завдання. Перш за все, на нашу думку, потрібно визначити, що є інтелектуаль� ним капіталом, оскільки в нашо� му дослідженні саме він висту� пає відправною точкою коре� ляції між економічною свободою та економічним зростанням. Як зазначають провідні дослідники, інтелектуальний капітал є кате� горією, що поєднує в одне ціле ресурси: нематеріальні (людсь� кий капітал) та матеріальні (тех� нологічний або структурний капітал) [1]. Виходячи із зроста� ючої ролі та значення інтелекту� ального капіталу не тільки в еко� номічному, а й суспільному роз� витку, на нашу думку, доцільно ритм використовується для зна� ходження розв'язку рівнянь нечітких відношень першого ти� пу. За допомогою нейронної ме� режі здійснюється уточнення розв'язку рівнянь нечітких відношень другого типу і його адаптація відповідно до зміни параметрів моделі (мір значи� мості наслідків або нечітких відношень). Настройка нечітких відно� шень. Нечітка модель діагности� ки визначається параметрами функцій належності вхідних (вихідних) змінних до нечітких термів причин (наслідків) та па� раметрами концентрації нечіт� ких множин наслідків. Задача настройки формулюється у виг� ляді задачі оптимізації, для вирішення якої пропонується комплексне використання гене� тичного алгоритму і нейронної мережі. Генетичний алгоритм використовується для настрой� ки параметрів нечіткої моделі першого типу. Нейро�нечітка мережа використовується для підстройки параметрів моделі другого типу і їхньої адаптивної корекції в міру появи нових екс� периментальних даних. Таким чином, підвищення ефективності процесу діагносту� вання (шляхом зменшення вит� рат на розробку тестів, зменшен� ня часу реалізації процесу діаг� ностування, збільшення дос� товірності і глибини пошуку де� фектів) складних технічних сис� тем потребує використання найбільш прогресивних техно� логій штучного інтелекту, а са� ме: штучні нейронні мережі — методи несимвольного надання знань (штучні аналоги людсько� го мозку, які моделюють здатність навчатись); системи, які побудовані на теорії нечітких множин і логіки — за� соби формалізації природно� мовних висловлювань і нечітко� го логічного висновку, а також методи еволюційного моделю� вання та генетичні алгоритми. Об'єднання цих інтелектуаль� них технологій з традиційною експертною системою, в якій знання зображуються символь� но, надасть можливість створи� ти інтелектуальні системи, які здатні вирішувати складні, сла� боструктуровані або неструкту� ровані проблеми, що потребують обробки нечітких, неповних або суперечливих знань. Саме такі проблеми виникають у процесі діагностики складних техніч� них систем. ЛІТЕРАТУРА 1. Пархоменко П.П., Согомо? нян Е.С. Основы технической диаг� ностики: Оптимизация алгоритмов диагностирования, аппаратурные средства. — М.: Энергия, 1981. — 236 с. 2. Основные вопросы эксплуата� ции сложных систем: Учебное посо� бие / В.К. Дедков, Н.А. Северцев. М.: Высшая школа — 1976. — 406 с. 3. Поспелов Г.С. Искусственный интеллект — основа новой информа� ционной технологии. — М.: Наука, 1988. — 220 с. 4. Тоценко В.Г. Експертні систе� ми діагностики і підтримки рішен� ня. К: Наукова думка, 2004. — 124 с. 5. Герасимов Б.М., Субач І.Ю., Нікіфоров Є.В. Моделі надання знань для використання в системах підтримки прийняття рішень // НТІ, 2005р. — №1. — С.7–11. 6. Мкртчян С.О. Нейроны и ней� ронные сети. — М.: Энергия, 1989. — 178 с. 7. Ротштейн А.П. Интеллекту� альные технологии идентифика� ции: нечеткие множества, генети� ческие алгоритмы, нейронные сети. — Винница: УНІВЕРСУМ — Вінни� ця. — 1999. — 320 с.zv 8. Заде Л. Понятие лингвисти� ческой переменной и её применение к принятию приближенных реше� ний. — М.: Мир, 1976. — 167 с. ННТТІІ 11//22000077 7 ЕКОНОМІЧНА СВОБОДА — УМОВА ФОРМУВАННЯ ІНТЕЛЕКТУАЛЬНОГО КАПІТАЛУ Ю.В. Гава
id	nasplib_isofts_kiev_ua-123456789-51567
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
issn	XXXX-0089
language	Ukrainian
last_indexed	2025-12-07T16:06:15Z
publishDate	2007
publisher	Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України
record_format	dspace
spelling	Герасимов, Б.М. Камишин, В.В. Самойлов, І.В. 2013-12-03T19:06:32Z 2013-12-03T19:06:32Z 2007 Інтелектуальне діагностування складних технічних систем / Б.М. Герасимов, В.В. Камишин, І.В. Самойлов // Науково-технічна інформація. — 2007. — № 1. — С. 3-7. — Бібліогр.: 8 назв. — укр. XXXX-0089 https://nasplib.isofts.kiev.ua/handle/123456789/51567 У статті розглядаються можливості підвищення ефективності діагностування складних технічних систем за рахунок інтеграції найбільш прогресивних технологій штучного інтелекту (експертні системи, теорія нечітких множин і логіки, штучні нейронні мережі, самонавчання) та їхнє використання в процесі діагностики. uk Міжнародний науково-навчальний центр інформаційних технологій і систем НАН та МОН України Науково-технічна інформація Науково-інформаційна діяльність Інтелектуальне діагностування складних технічних систем Article published earlier
spellingShingle	Інтелектуальне діагностування складних технічних систем Герасимов, Б.М. Камишин, В.В. Самойлов, І.В. Науково-інформаційна діяльність
title	Інтелектуальне діагностування складних технічних систем
title_full	Інтелектуальне діагностування складних технічних систем
title_fullStr	Інтелектуальне діагностування складних технічних систем
title_full_unstemmed	Інтелектуальне діагностування складних технічних систем
title_short	Інтелектуальне діагностування складних технічних систем
title_sort	інтелектуальне діагностування складних технічних систем
topic	Науково-інформаційна діяльність
topic_facet	Науково-інформаційна діяльність
url	https://nasplib.isofts.kiev.ua/handle/123456789/51567
work_keys_str_mv	AT gerasimovbm íntelektualʹnedíagnostuvannâskladnihtehníčnihsistem AT kamišinvv íntelektualʹnedíagnostuvannâskladnihtehníčnihsistem AT samoilovív íntelektualʹnedíagnostuvannâskladnihtehníčnihsistem

Інтелектуальне діагностування складних технічних систем

Institution

Similar Items