Обучение системы диагностики в общем случае должно строиться по схеме на рисунок 2.2, где
1 – блок выработки очередной гипотезы о виде распределения наблюдения (измеряемой контрольной величины) 
;
2 – блок оптимальной оценки параметров;
3 – блок проверки гипотезы о виде распределения 
.\
Рисунок 2.2 – Схема обучения системы диагностики в общем случае
Общая идея работы блока 3 заключается в следующем. Очевидно, если первая гипотеза блока 1 отвергнута блоком 3, то при оценке параметров следующей гипотезы в блоке 2 может использоваться уже накопленная история 
, Возможно, что она сразу окажется достаточной и для оценки параметров для второй гипотезы. Если нет, то блок 2 будет ждать накопления до 
. Гипотезой назовем непустое подмножество множества мер 
, а статистику 
со значением в [0, 1], где 
- момент остановки параметрического обучения системы диагностики, назовем рандомизированной стратегией непараметрического обучения системы диагностики. Считаем, что моменты 
, 
, на рис. 2.2 диктует блок 2. Это позволяет упростить рассуждения, не снижая их общности. Возможен также вариант, когда 
Поэтому ниже опустим все нюансы, связанные с , поскольку они не повлияют на основные принципы работы блока 3.
Будем разбирать случай, когда в блоке 3 проверяется гипотеза 
при альтернативе 
при достаточной выборке 
.
Необходимо дать основные рекомендации по выбору 
. Стратегия 
приписывает вероятность 
гипотезе Г и вероятность (1 – ) гипотезе Г. Таким образом, налицо рандомизация. Поэтому в непараметрической статистике оперируют в основном с математическим ожиданием
называемым мощностью стратегии непараметрического обучения (оценки функции распределения). Естественно, что две стратегии непараметрической оценки функции распределения эквивалентны, если у них одинаковая функция мощности. Неправильное непараметрическое решение о функции распределения может быть принято только двумя способами:
a) можно выбрать 
, в то время как 
; этому событию отвечает вероятность 
;
b) принять 
, когда в действительности 
; этому событию отвечает вероятность 
,
Уровнем значимости стратегии 
называется 
Стратегия называется несмещенной, если 
Использование сопряженных распределений. Сначала уточним еще раз понятие статистической структуры измерений. Выяснено, что и задачу непараметрической оценки в большом числе случаев можно свести к параметрической оценке путем использования обобщенных распределений, то необходимо более четко описать именно параметризованную статистическую структуру наблюдений. Последней будем называть
. (2.8)
Напомним, что 
- измеримое пространство историй диагнозов 
или просто значений контролируемых величин, получаемых в каждой 
-й диагностике, 
.
Структура (2.8) написана для случая одной диагностики. Она отражает тот факт, что значение конкретной вероятности 
, определенной на 
, известно лишь с точностью до неизвестного параметра 
. Если же речь идет о диагностиках, где каждая связана с одной и той же структурой (2.8), то будем ее записывать как
(2.9)
Это параметризованная структура повторной выборки.
Покажем теперь связь с этой структурой апостериорной вероятности 
на 
, в терминах которой сформулирована вся задача обучения системы диагностики.
Теорема (Неймана) о факторизации говорит, что если имеет место структура наблюдений (2.9), то статистика 
достаточна тогда и только тогда, когда 
; почти всюду,
, 
(2.10)
Выше в 
дополнительный индекс 
, говорит о том, что речь идет о вероятности на 
. Структурная схема на рисунке 2.3 иллюстрирует взаимосвязь упомянутых выше пространств.
Рисунок 2.3 – Структура для случая одной диагностики
Заметим еще, что Нейман предполагал также существование плотности по
некоторой мере 
. В непрерывных наблюдениях это естественно, а если наблюдения дискретны (само дискретно), то на дискретных координатах 
можно брать как считающую меру. Используя интеграл Лебега-Стильтьеса, можем для любой статистики написать 
где для дискретных составляющих 
интегрирование сводится к суммированию, а для непрерывных компонент .
В (2.10) показана лишь априорная вероятность 
на . Покажем, как понятие достаточности статистики 
выражается в терминах апостериорной вероятности 
.
Статистика 
является достаточной, если
т.е. если 
на зависит лишь от 
. Это получается непосредственно из формулы Байеса.
Действительно,
если
то
Сравнение с (2.10) показывает, что
Здесь через 
обозначалась вероятность на 
Заключение
В данной работе, были рассмотрены существующие ротационные системы, был проведён их анализ. Освещены принципы возникновения паразитных колебаний приводящих к поломке или разрушению механизмов. Изучены методы их измерения и контроля.
Был проведён анализ принципов и методов разработки и реализации методов и средств обработки информации поступающей с дигнастируемой системы.
Были рассмотрены различные методы и алгоритмы обработки данных, в том числе метод статистического обучения системы диагностики.
Проведено исследование структурной схемы обучаемой системы диагностики, отображающей взаимодействие двух пространств.
Проведенные в данной работе исследования показали, что для повышения эффективности, надёжности и экономичности работы элементов системы автоматизированного управления решать поставленную задачу практичнее всего на основе различных методов и средств обработки информации. Используя при этом методы статистического обучения системы диагностики