8.2. ОПИСАНИЕ ДАННЫХ
Цель исследования — разработать методы, позволяющие проводить автоматический контроль качества механизмов вращательного Действия по их спектрам частот. Читателя, который особенно интересуется этой проблемой, можно отослать к работе [2]. До сих пор
подобный контроль осуществлялся путем прослушивания оператором работающего механизма.
Субъективный контроль происходит в звуконепроницаемой кабине, где оператор прослушивает механизм, работающий в режиме разгона, а затем торможения. Если оператор не обнаруживает дефектов, то машина признается работоспособной, в противном случае оператор описывает тип шума, и эксплуатация машины прекращается. Экспериментально выделяют следующие типы шумов: 
— это шум от скольжения одних зубцов по другим (шум, как правило, сплошной);
удар; речь идет о последовательном ряде маленьких соударений, возникающих в результате дефекта (теоретически — это паразитный удар, откуда и происходит название шума), локализованного на одном или нескольких зубцах.
Эти два типа шумов могут быть как при разгоне, так и при торможении.
Для обнаружения дефектов удобно различать режим разгона и режим торможения, поскольку в некоторых случаях дефект может проявляться только в одном из режимов вращения. Учитывая разницу между разгоном и торможением, различают 7 субъективных акустических семейств.
Выборка. Для нашего исследования мы располагали выборкой из 113 машин, разбитой на семь субъективно выделенных семейств. Табл. 8.1 описывает разбиение нашей выборки.
Для 113 машин были получены спектры с помощью анализатора Фурье-спектров в реальном времени, который выдает вещественную часть преобразования Фурье сигнала 
Этот анализатор преобразует сигнал «амплитуда—время» в сигнал «амплитуда-частота».
Мы располагаем, следовательно, 113 спектрами в режиме разгона и 113 спектрами в режиме торможения (по одному спектру — разгона и одному спектру — торможения для каждой машины), полученными на установившейся частоте вращения ведущего вала в 75 Гц.
Таблица 8.1 (см. скан) Разбиение выборки
Путем субъективного прослушивания разобьем выборку из 113 машин на 7 априори выделенных семейств, предполагается, что это разбиение соответствует реальному состоянию машин (см. табл. 8.1).
Сжатие данных. Прежде всего мы построили упрощенное описание спектров с тем, чтобы иметь возможность статистически осмыслить данные. На этом этапе, в основе которого лежала физическая интерпретация спектров, мы представили каждый спектр в виде ряда параметров, выраженных в децибелах и гарантирующих исчерпывающее его описание.
На втором этапе, применяя методы дескриптивной статистики, мы смогли проверить и уточнить априорные гипотезы и выбрать параметры, наиболее важные для нашей задачи. Основную роль в этой дескриптивной обработке играл факторный анализ соответствий.
Наконец, после того как были исключены мешающие переменные, мы подошли к описанию спектров 12 параметрами, выраженными в децибелах.
Проблема принятия решения. Цель нашего исследования — построение методов, позволяющих автоматизировать контроль качества механизмов вращательного действия исходя из их спектров частот. Оригинальность задачи по сравнению с классической проблемой диагностики состоит в том, что даже по мнению специалистов субъективная классификация индивидуумов в данном случае нуждается в проверке: с одной стороны, ухо человека не может обнаружить небольшие отклонения от нормы, с другой стороны, при диагностике возможны просто ошибки.
С этой точки зрения метод автоматизированного контроля должен давать возможность в процессе анализа ставить под сомнение априорные разбиения на семейства и допускать их преобразование в объективные семейства, выделяемые на основе данных спектрального анализа.
В нашем исследовании исходные гипотезы проверялись и уточнялись с помощью факторного анализа соответствий. При этом необходимо было учитывать априорное разбиение на классы, так как эти классы позволяют выделить глобальные спектральные характеристики, отражающие их специфику.
С другой стороны, в результате анализа обнаружилось, что априорные классы не слишком однородны, некоторые из них расщеплялись и перегруппировывались в такие классы, которые нельзя было предусмотреть исходя только из субъективной классификации. В связи с этим представлялось рискованным строить решающую функцию с помощью методов, цель которых различить семь заданных априорных семейств. Можно было бы попытаться как в факторном анализе или при автоматической классификации использовать итеративные методы, которые выявляют перегруппированные классы, не опираясь на априорные гипотезы. Но и этот путь не кажется нам самым плодотворным. Действительно, априорные классы не лишены смысла и остаются ориентиром для построения решающего правила, а в итерационных методах в равной степени учитываются как дискриминантные, так и мешающие переменные. Эти методы делают слишком большой акцент
на том, что к априорному разбиению на классы следует относиться с осторожностью.
Здесь интересно было применить дискриминантный типологический анализ. В самом деле, этот метод, использующий как методы распознавания образов, так и методы классификации типа динамических сгущений, позволяет в процессе анализа ставить под сомнение априорные классы и дает возможность построить решающие функции на классах, более обоснованных, чем априорные.
