Использование методов машинного обучения при составлении программ ремонта энергетического оборудования

Рассматривается процесс планирования ремонта энергетического оборудования. Ввиду наличия большого количества правил сопоставления технологических карт дефектам оборудования предлагается использование системы поддержки принятия решений. Такая система может ускорить процесс планирования и снизить экономические затраты. Построена концептуальная модель системы, далее она представлена в виде задачи классификации с пересекающимися классами. Использован подход «один против всех» - для каждой технологической карты создан отдельный классификатор. Для оценки классификаторов предложены метрики: доля верно классифицированных объектов, точность, полнота и $F$-мера. Для обобщения результатов оценки выбрана концепция микро-усреднения. Описан алгоритм классификации дефектов. Проведен эксперимент с использованием разных алгоритмов классификации: деревьев принятия решений, байесовского классификатора и многослойного персептрона. В результате эксперимента установлено, что верно классифицированных объектов обнаружено $80$–$90 \%$ (высокие значения), но средние значения точности и полноты оказались низкими ($3$–$7 \%$). Также были обнаружены наборы данных, где одинаковым входным данным соответствуют разные выходные. Таким образом, машинное обучение может быть использовано для поддержки принятия решений, но в некоторых случаях информации о заказе недостаточно. Классификация дефектов может сочетаться с уточнением результатов в ручном режиме или с другими алгоритмами.