Адаптация 1 класса диагностика: Методики Диагностики адаптации первоклассников к обучению в школе.

Содержание

План работы по адаптации учащихся 1 класса

План работы по адаптации учащихся 1А класса.

2013 -2014 учебный год

Кл. руководитель: Мишина Т. Е.

Цель: создать условия для благоприятной адаптации первоклассников.

Сроки

Содержание работы

Отметка о выполнении

Сентябрь – май 2012-2013уч.г.

Школа раннего развития.

март

День открытых дверей для будущих первоклассников. Игра по станциям.

Презентация «Обучение по системе Л.В. Занкова» на общешкольном родительском собрании. Знакомство с родителями.

май

Классное родительское собрание.

июнь

Посещение летнего пришкольного оздоровительного лагеря «Радуга» будущими первоклассниками.

август

1. Изучение личных дел учащихся.

3. Знакомство с родителями.

2. Изучение медицинских карт учащихся.

4. Анкетирование родителей

сентябрь

1. Праздник «День знаний»

2. Экскурсия: «Наша школа».

3. Организация внеурочной деятельности учащихся.

4. Составление расписания с учетом адаптационного периода.

5. Участие в школьных мероприятиях:

соревнование «Весёлые старты»,

«День ППД»

6. Классные часы:

1) Ознакомление учащихся с Уставом школы, с едиными требованиями в школе. Выборы классного актива. Распределение поручений

2) «Кто я? Кто мы?». Цель: формирование положительного отношения к себе и окружающим.

3) «Живём по часам» о соблюдении режима дня школьника.

7. Родительское собрание: « Знакомство родителей с ФГОС второго поколения»

8. Выявление индивидуальных особенностей, склонностей, интересов учащихся.

9. Индивидуальные беседы о методах семейного воспитания с родителями.

10. Распределение обязанностей среди учащихся.

11. Цветограмма еженедельная

12.Подбор справочно- информационных материалов для родителям первоклассников

13. Наблюдение и фиксирование учащихся «группы риска»

14. Доверительные беседы с учениками.

15. Коллективно творческие дела:

разучивание игр на переменах и на прогулке;

поздравление именинников;

конкурсы (см. план воспитательной работы)

интерактивные коллективные беседы «Расскажи мне о себе»

16. Диагностика стартового уровня первоклассников

17. Диагностика дезадаптации первоклассников (совместно с психологом)

18. Диагностика готовности ребенка к началу школьного обучения (по Кумариной Г. Ф. ) (психолог)

19. Диагностика выявлений знаний ребенка о школе и правилах школьной жизни.

20. Диагностика уровня формирования внутренней позиции школьника.

21. Организация досуговой деятельности в группе по присмотру и уходу за детьми.

октябрь

1. Участие в Дне бега.

2. Классные часы

1) «Азбука поведения».

2) «Настроение в школе»

3) «Нет друга – ищи, а нашел – береги».

4) «Можно и нельзя»

3. Диагностика речевого развития первоклассников (логопед)

4. Индивидуальная работа с детьми по предупреждению у них агрессии.

5. Оформление портфолио учащихся.

6. Индивидуальная работа с родителями, с учащимися по изучению семьи и индивидуальных особенностей первоклассников.

7.Экскурсия в школьную библиотеку.

8. Малый педсовет «Адаптация 1А класса»

9. Доверительные беседы с учениками.

10. Коллективно творческие дела:

разучивание игр на переменах и на прогулке;

поздравление именинников;

конкурсы (см. план воспитательной работы)

11. Интерактивный проект в Малом театре «Почитай мне сказку»

12. Экскурсия в Музей Изобразительного искусства «Здравствуй, Музей!»

13. Клуб выходного дня. Спектакль «Шалтай — Болтай» в Малом театре

14. Организация досуговой деятельности в группе по присмотру и уходу за детьми.

ноябрь

1. Праздник «Посвящение в ученики».

Классные часы:

  1. «Лесная школа». Цель: психологическая поддержка и снятие эмоционального напряжения.

2. Родительское собрание на тему: Психологические особенности детей – первого класса. Адаптация детей 1 класса в школе.

3. Решение психолого-педагогических проблем с учащимися и родителями по результатам адаптационного периода

4. Клуб выходного дня. Спектакль «Хома и Суслик» в Малом театре.

5. Интерактивный проект в Малом театре «Почитай мне сказку»

6. Работа по оформлению портфолио учащихся

7. Экскурсия в музей «Идём на выставку!»

8. Доверительные беседы с учениками.

9. Организация досуговой деятельности в группе по присмотру и уходу за детьми.

10. Индивидуальная работа с учащимися и родителями по результатам адаптационного периода.

декабрь

Классные часы:

  1. «Хочу всё знать!» Цель: формировать у первоклассников положительное отношение к учёбе.

  2. «Строим город «Доброград». Цель: формировать дружеские отношения между одноклассниками»

Клубные часы:

  1. Учимся спорить. Спор и ссора (умение вести дискуссию)

  2. «Наши имена»

Коллективно творческие дела:

  1. Мастерская Деда Мороза

  2. Умение договариваться. Инсценирование сказки В. Сутеева «Кто сказал Мяу?

  3. «Школа вежливости! Или самый воспитанный класс.»

Оказание комплексной психолого – педагогической помощи учащимся, испытывающим трудности в развитии и обучение.

Интерактивный проект в Малом театре «Почитай мне сказку»

Интерактивная экскурсия в Детский музейный центр «Из истории Нового года»

Работа по оформлению портфолио учащихся

Новогодний утренник в Малом Театре.

январь

Классные часы:

  1. Фотовыставка «Семейный альбом»

  2. «Галерея негативных портретов». Цель: коррекция агрессивности

Клубные часы:

  1. Формирование умения работать в парах, совместно. Противопоставить индивидуальную работу и работу в парах.

  2. Задания-ловушки Учить детей выяснять, где надо следовать за учителем, а где высказывать собственное мнение.

Коллективно творческие дела:

  1. «Фигурное катание» на школьном катке

  2. «Лепим волшебных снеговиков»

  3. Акция «Кормушка!»

  4. Лыжный кросс.

Тренинги:

  1. «Остров счастья». Цель: Проработка школьных страхов путем разыгрывания тревожных ситуаций.

  2. «Живые цепочки». Цель: коррекция межличностных отношений. (Игры: Рукопожатие», «Подарок другу»)

Клуб выходного дня. Спектакль «Байки про лису» в Малом театре.

февраль

Коллективно творческие дела:

«Вечер веселых вопросов»

Конкурс — праздник «Рыцарь класса»

Тест: Социометрия.

Диагностика «Психологический климат в классе»

Интерактивный проект в Малом театре «Почитай мне сказку»

Клуб выходного дня. Спектакль «Матильда и дочь великана» в Малом театре.

Индивидуальная работа с учащимися и родителями по результатам диагностики

Экскурсия в музей «Искусство древних мастеров»

март

Коллективно творческие дела:

Конкурс — праздник «Юная принцесса»

Конкурс «Мой подарок маме»

Тренинг:

  1. Игры, упражнения на развитие внимания и наблюдательности. (Перепутанные линии», «Художник»)

  2. «Развитие коммуникативных навыков участников»

Интерактивный проект в Малом театре «Почитай мне сказку»

Тест на определение уровня школьной мотивации.

Индивидуальная работа с учащимися и родителями по результатам диагностики.

Экскурсия в музей «»Загадки и тайны Новгородского кремля»

апрель

Диагностика «Уровень самооценки»

Тренинги:

  1. Игры, упражнения на развитие способности к переключению внимания. («Перепутанные буквы», «Угадай предмет»)

  2. «Повышение самооценки учащихся»

  3. «Закрепление представлений о бесконфликтном общении».

Экскурсия в музей «В гостях у мальчика Онфима»

Индивидуальная работа с учащимися и родителями по результатам диагностики.

май

Презентация портфолио.

Праздник «Мы настоящие школьники!»

Клуб выходного дня. Поход – экскурсия в Витославлицы.

Мониторинг результатов адаптации первоклассников и пятиклассников

Одним из важных направлений диагностической работы является исследование протекания адаптации к новым условиям обучения учащихся 1-х и 5-х классов. Диагностика уровня адаптированности школьников проводилась дважды – в начале и конце учебного года. С этой целью изучались определенные особенности: эмоциональный фон, мотивация детей к учебной деятельности, основные мотивы учения. Были получены следующие результаты:

Диаграммы динамики уровня адаптации в 1-х классах за 2012-2013 уч.г.

Диаграмма 1 «А» класса

Диаграмма 1 «Б» класса

По данным диаграмм наблюдается позитивная динамика протекания адаптации первоклассников. В обоих классах отмечается рост высокого и среднего уровня, что свидетельствует об улучшении психологического состояния детей и снижении уровня тревожности.

Данные повторного исследования учебной мотивации показывают, что у некоторых учащихся снизился интерес к обучению. Вероятно, это связанно с тем, что в конце учебного года возрастает утомляемость и интерес к учебной деятельности снижается. Основными мотивами первоклассников являются «Познавательный», «Социальный», «Позиционный».

Диаграммы динамики уровня адаптации и мотивации в 5-х классах за 2012-2013 уч.гг.

Диаграмма 5 «А» класса

Диаграмма 5 «Б» класса


В целом, полученные результаты позволяют говорить о благополучном протекании адаптации обучающихся в 5-х классах. По сравнению с результатами, полученными в начале учебного года, сейчас наблюдается снижение уровня социально-ситуативной тревожности, что свидетельствует о благополучном эмоциональном состоянии пятиклассников.

В целом, общие показатели уровня адаптации позволяют заключить, что в 5-х классах процесс привыкания к новым условиям обучения имеет положительную динамику.

Мониторинг результатов диагностики адаптации первоклассников и пятиклассников к школе за 2013-2014 уч. год

Диагностика уровня адаптированности школьников 1-х и 5-х классов проводилась дважды – в начале и конце учебного года. С этой целью изучались: эмоциональный фон, мотивация детей к учебной деятельности, основные мотивы учения. Были получены следующие результаты:

Диаграммы динамики уровня адаптации в 1-х классах за 2013-2014 уч.г.

Диаграмма 1 «А» класса

Диаграмма 1 «Б» класса


Диаграмма 1 «В» класса

По данным диаграмм наблюдается позитивная динамика протекания адаптации первоклассников. Во всех классах отмечается рост высокого и среднего уровня, что свидетельствует об улучшении психологического состояния детей и снижении уровня тревожности. Первичная диагностика показала, что основными мотивами учения являются «социальный» и «игровой».

Данные повторного исследования учебной мотивации показывают, что у некоторых учащихся повысился интерес к учению. Основными мотивами первоклассников являются «познавательный», «социальный» и «оценка».

Диаграммы динамики уровня адаптации и мотивации в 5-х классах за 2013-2014 уч.гг.

Диаграмма 5 «А» класса

Диаграмма 5 «Б» класса


Полученные результаты позволяют говорить о благополучном протекании адаптации обучающихся в 5-х классах. По сравнению с результатами, полученными в начале учебного года, сейчас наблюдается повышение мотивации учения.

В целом, общие показатели уровня адаптации позволяют заключить, что в 5-х классах процесс привыкания к новым условиям обучения имеет положительную динамику.

Мониторинг готовности будущих первоклассников к обучению в школе за 2012-2013 уч. гг.

Определение уровня психологической готовности дошкольника к обучению в школе

В ноябре была проведена первичная диагностика психологической готовности дошкольников к школе. Проведена диагностика познавательных процессов: внимание, память, мышление. Повторная диагностика проводилась в апреле, с целью сравнения результатов познавательных процессов.

Уровень психологической готовности дошкольника

Высокий уровень

Средний уровень

Ниже среднего уровень

Низкий уровень

Ноябрь

25%

35%

15%

25%

Апрель

17%

58%

10%

15%


Общий уровень готовности к обучению в школе – средний уровень (норма), которому соответствует достаточный уровень развития всех психических процессов, умения систематизировать и классифицировать признаки предметов и явлений, наличие запаса сведений об окружающем мире и умение ими пользоваться, умение различать звуки в словах и элементарные математические навыки, готовность руки к письму, а также умение действовать по инструкции; сформированность самостоятельности дошкольника, проявление самоорганизации и саморегуляции. По результатам повторного диагностического исследования можно сделать вывод, что у 69% дошкольников был выявлен оптимальный и достаточный уровень психологический готовности детей к школьному обучению. Низкий уровень готовности проявился у 3-х детей, что составляет 15% от общего числа обследованных детей.

Мониторинг готовности будущих первоклассников к обучению в школе за 2013-2014 уч. гг.

Уровень психологической готовности дошкольника

Высокий уровень

Средний уровень

Ниже среднего уровень

Низкий уровень

Ноябрь

26%

46%

14%

14%

Апрель

36%

39%

15%

10%

 

По результатам мониторинга были получены следующие результаты: при первичной диагностике 72% дошкольников имеют достаточный уровень при подготовке к школе. При повторной диагностике — 75% психологически готовы к обучению в школе. В целом уровень психологической готовности будущих первоклассников – средний уровень (что является нормой).

Мониторинг диагностики тревожности обучающихся пятиклассников за 2012-2013 уч.гг.

Диаграмма 5 «А» класса

Диаграмма 5 «Б» класса


Результаты диагностики уровня школьной тревожности показывают, что учащиеся в основном испытывают проблемы и страхи в отношениях с учителями, общем негативном эмоциональном фоне отношений со взрослыми в школе. Это вполне допустимо, так как для детей, обучавшихся первоначально у одного учителя, переход к нескольким учителям с разными требованиями, разными характерами, разным стилем отношений может вызвать тревогу в первые месяцы обучения.

При повторной диагностике тревожности, также для многих учащихся на первом месте остается страх ситуации проверки знаний, страх не соответствовать ожиданиям окружающих, что вызывает тревогу и беспокойство. Уровень тревожности при повторной диагностике снижен.

Мониторинг диагностики тревожности обучающихся пятиклассников за 2012-2013 уч.гг.

Диаграмма 5 «А» класса


Диаграмма 5 «Б» класса

При первичной диагностике в основном присутствует средний уровень тревожности, при повторной – низкая тревожность. На первом месте присутствует страх ситуации проверки знаний, страх не соответствовать ожиданиям окружающим.

Мониторинг диагностики профессиональной направленности личности за 2013-2014 уч.гг.

1. Определение выбора профессиональной сферы учащихся 9-х классов:

Уч.гг.

Название профессиональной сферы деятельности

9 А класс

9 Б класс

2011-2012 уч.гг.

Человек-знак
Человек-техника
Человек-природа
Человек — художественный образ
Человек-человек

30%
                 10%
15%
25%

20%

20%
15%
10%
25%

30%

2012-2013 уч. гг.

Человек-знак
Человек-техника
Человек-природа
Человек — художественный образ
Человек-человек

35%
10%
5%
15%

35%

30%
25%
10%
15%

20%

 

По результаты профессиональной направленности учащихся выявлено, что с основном выбирают следующие профессиональные сферы деятельности: «человек-знак», «человек-человек» и «человек – художественный образ». Профессии, связанные с цифрами, подсчетами; общением и творчеством.

Диагностика уровня тревожности учащихся 9, 11 классов при подготовке к ЕГЭ и ГИА, определение готовности учащихся к сдаче экзаменов по результатам анкетирования учащихся.

Результаты диагностики 2013-2014 уч.гг.

Класс

Уровни тревожности

 

9 А

Низкая тревожность – 64%
Средняя тревожность (норма) – 36%

 

9 Б

Низкая тревожность – 57%
Средняя тревожность (норма) – 19%
Высокая тревожность – 24%

 

11 А

Низкая тревожность – 24%
Средняя тревожность (норма) – 41%
Высокая тревожность – 35%

 

Результаты тестирования в 9, 11 классах показали, что у учащихся 9 а класса высокая тревожность перед экзаменами не выявлена.

В 9 Б классе высокая тревожность выявлена у 5-и учащихся. В 11 А классе выявлено 6 человек с высокой тревожностью:

По результатам проведенного тестирования тенденцию к высокой тревожности, беспокойству и волнению имеют 11 учащихся 9,11 классов.

Кабинет психолога | «Варгашинская средняя общеобразовательная школа №1»

 

 

Работа педагога-психолога организуется в соответствии с  годовым планом, режимами работы:  режим работы педагога-психолога, режим работы сенсорной комнаты,  циклограммой работы педагога-психолога  и нормативными документами. Работа ведется в соответствии со своим предназначением – социальная защита ребенка, оказание ему социальной, психологической, медицинской помощи, организация его обучения, создание психологически безопасной образовательной среды, способствующей адаптации ребенка в обществе.

          Цель: направлена на обеспечение условий, способствующих полноценному психическому и личностному развитию детей школьного возраста. Содействовать администрации и педагогическому коллективу в создании социальной ситуации развития, обеспечивать психологические условия для охраны здоровья и развития личности учащихся, их родителей, педагогических работников.

Задачи деятельности педагога-психолога:

  1. Содействие педагогическому коллективу в гармонизации социально-психологического климата в школе.
  2. Формирование психологической культуры, развитие психолого-педагогической компетентности учащихся, педагогов, родителей.
  3. Психологический анализ социальной ситуации развития в ОУ, выявление основных проблем, их причин, путём разрешения;
  4. Просвещение педагогов и родителей  по вопросам психофизического развития детей, воспитания, коррекции отклонений в развитии.
  5. Содействие личностному и интеллектуальному развитию обучающихся на каждом возрастном этапе развития.
  6. Создание социально-психологических условий для адаптации обучающихся 1-х, 5-х и  9-х классов.
  7. Помощь  обучающимся в профильной ориентации и профессиональном самоопределении;
  8. Профилактика и преодоление отклонений в социальном и  психологическом здоровье, а также в развитии обучающихся.
  9. Поддержка в решении задач личностного и ценностно-смыслового самоопределения и саморазвития обучающихся.
  10. Проведение ежегодного обследования воспитанников с целью выявления уровня актуального развития, выявления детей «группы риска» в различных сферах деятельности детей. (Мониторинг психофизического состояния обучающихся)
  11. Обеспечение доступности консультативной помощи для всех субъектов воспитательно-образовательного процесса.

В современных условиях решение социальных проблем детей,  деятельность педагога-психолога проводится, прежде всего, в аспекте охраны и защиты их прав. С целью изучения прав и охраны жизни, психического, психологического и физического здоровья  ребенка в своей работе руководствуюсь  нормативно-правовыми документами, локальными документами образовательного учреждения,  а так же основными принципами психологического сопровождения:

  • безусловное принятие каждой личности;
  • признание уникальности личного опыта конкретного человека;
  • создание условий для саморазвития, личностного роста, самоактуали­зации.

 

Психологическая служба в школе реализует поставленные задачи, организуя свою деятельность по направлениям:

  1. Диагностика для учащихся, их родителей, специалистов
  2. Коррекционно-развивающая работа
  3. Консультационная работа с учащимися, их родителями, специалистами
  4. Просветительская работа
  5. Организационно-методическая работа.

      А) Психолого-педагогическая диагностика. С целью выявления дезадаптированных учащихся для последующей коррек­ции и определения уровня  адаптации учащихся к школе проводится диагностика уровня адаптации учащихся 1,5,10 классов.

В рамках диагностики первоклассников используются следующие методики:

  • Проективная методика «Что мне нравится в школе»
  • Анкетирование классных руководителей 1 – х классов по социально- педагогической адаптации школьников.
  • Анкетирование родителей по выявлению уровня адаптации к школе

По результатам диагностики проводятся   родительское собрание по адаптации первоклассников (презентация – адаптация первоклассника), где  даны   советы родителям будущих первоклассников.

Для первоклассников разработана программа адаптационных занятий, проводится объединение «Веселый хоровод» 2 раза в неделю, с целью снятия эмоционального напряжения, а также с целью создания условий для адаптации первоклассников в ситуации школьного обучения

 

 

В отличии от первоклассников в результате диагностических мероприятий выяснили, что  период адаптации пятиклассников проходит более болезненно.

С  обучающимися  пятых классов проводятся  диагностики по адаптации к обучению в среднем звене, позволяющие оценить их отношение к своему классному коллективу и психофизиологическое состояние на начало учебного года:

  1. Опросник «Чувства в школе»
  2. Методика изучения удовлетворенностью учащихся школьной жизнью
  3. Анкета для родителей сравнение нагрузки 4 и 5 классов.

Пятиклассники в общем подтверждают результаты обучения в начальной школе, но процесс принятия новых условий обучения проходит достаточно сложно. Детям трудно привыкнуть к режиму.

По результатам диагностик проводятся  родительские собрания по адаптации в 5 классе, трудности адаптации в 5 классе  где родителям даны  советы и рекомендации.

С десятыми классами проводится  диагностика и включает  в себя:

  1. Диагностика удовлетворенности условиями предметной среды и организацией образовательного процесса;
  2. Экспресс –методика изучения социально-психологического климата в учебном коллективе.

По результатам диагностик проводятся  родительские собрания, презентация,  где родителям даны  советы и рекомендации.

        Психопрофилактическая деятельность строится  в соответствии с планом  работы. В тесном контакте с социальным педагогом  ведется  индивидуально- психологическая работа с подростками, стоящими на внутри школьном учете, а также с «трудными» подростками из группы риска. Выводы исследований, наблюдений, бесед, анкетирования фиксируются  в индивидуальных картах психологического развития подростков для дальнейшей работы по коррекции отклонений в их личности. Одновременно с этой работой проводится  работа по выявлению детей группы риска, начиная с первого класса.

Б)  Коррекционно – развивающая работа, ориентирована на коррекцию межличностных отношений в классах, на содействие преодолению дезадаптивных периодов в жизни школьников: начало обучения, переход в среднее звено, в профильные классы.

При осуществлении коррекционной работы  оказывается  психологическая  помощь, ориентированной на индивидуальные особенности человека, его специфические возможности.

Коррекционная работа проводится в двух основных формах – групповая и индивидуальная. Использую такие рабочие программы как:

  1. «Развитие и коррекция познавательных способностей 1-4 классы.
  2. « Развитие и коррекция эмоционально-волевой сферы» 5-8 классы.

Вся коррекционная работа ведется  по нескольким направлениям и связана с:

  • развитием познавательных процессов;
  • развитие эмоционально-волевой сферы;
  • коррекцией детско – родительских отношений;
  • профилактикой суицидального поведения;
  • повышением самоприятия и самоуважения старшеклассников к себе;
  • формированием навыков эффективного общения и взаимодействия;
  • развитием умения у ребят контролировать собственное агрессивное поведение;
  • ознакомлением выпускников с основными способами снижения тревоги в период подготовки к экзаменам;

В) Консультативно – просветительская работа

Консультативная – просветительская работа проводится по нескольким направлениям:

  1. Консультирование и просвещение родителей.
  2. Консультирование и просвещение педагогов.
  3. Консультирование и просвещение учащихся.
  4. Консультирование и просвещение других участников образовательного процесса.

Проводятся  занятия в комната психологической разгрузки,  классные часы, упражнения и беседы.

 

 

Проводятся классные часы по разным темам:     

Классный час про дружбу

Классный час ГИА 9 класс      презентация ГИА-это не страшно!

Занятие-треннинг на сплочение 6 А  презентация Классный час 6 А

Классный час 9 класс Взаимоуважение – основа сплоченности школьного коллектива

презентация Классный час на сплочение коллектива 9 класс

Классный час 8 класс Поделись своею добротой   презентация  Поделись своею добротою

 

 

Классный час с элементами тренинговых упражнений    презентация  Сделай счастье своими руками

Классный час планета толнрантности 9 класс    презентация  Толерантность 9 класс

 Урок-тренинг подготовка к егэ 11 класс

Г) Организационно – методическая работа

  1. Анализ научно – практической литературы.
  2. Оформление документов, планирование деятельности, разработка коррекционно – профилактических программ, подготовка занятий и бесед, обработка диагностического материала.
  3. Посещение педагогических советов.
  4. Посещение МППк
  5. Посещение совета профилактики
  6. Посещение курсов повышения квалификации
  7. Участие в семинарах
  8. Участие в РМО
  9. Участие на открытых уроках и т.д
  10.  Работа с родителями неполных семей

Вся  работа проводится в соответствии с поставленными целями, задачами, планам работы по социально-психологическому направлению.

    В помощь учителю

Программа “Знаю ли я своего ребенка”

Программа “Сдаем экзамены вместе”

Программа “Спасти от пропасти”

   Родительские собрания 

Родительское собрание 4 класс 05.04.16

Родительское собрание 7-8 класс профилактика суицида 25.02.16

Диагностика адаптации учеников 1-х классов к школьному обучению (Календарь Настроения)

Диагностика адаптации первоклассников к школьному обучению проводится разными способами, самым распространенным из которых является наблюдение за учениками в процессе урока и в целом во время нахождения в школе. Анализируется поведение ребенка, его взаимоотношения со сверстниками, реакция на учителя, активность и т.д.

Я хочу поделиться еще одной диагностикой, которую использовала наряду с наблюдением для более точного выявления возможных проблем, возникающих у детей при адаптации к обучению в школе.

Эта методика называется Календарь Настроения.

Проводится она примерно на протяжении месяца, с начала или середины сентября по середину октября, либо чуть позже.

При применении этой методики понадобится помощь учителя класса, которому нужно будет на протяжении месяца напоминать ученикам заполнять календарь и помогать в этом, например, найти свои имя и фамилию.

Перед началом работы с календарем настроения с учениками следует провести занятие по ознакомлению с цветовым обозначением настроения.

Для его проведения нам понадобится картинка с каким-либо сказочным героем и карточки с цветами: красного, розового, желтого, оранжевого, зеленого, синего, коричневого и черного цветов.  Можно взять больше цветов или другие цвета, но нужно объяснить детям, как через цвет можно выразить настроение.

                                    

«Здравствуйте, ребята! (показываем картинку со сказочным героем)
Посмотрите, кто сегодня пришел к нам в гости. Вы знаете, кто это? Да, это Чиполлино. Но он, к сожалению, не может с вами поздороваться, потому что съел много мороженого и простудил горлышко. Но он очень хочет рассказать вам про свои дела. Давайте спросим, какое сегодня у него настроение? (дети спрашивают), а показывать он будет нам ответ карточками (поднимаем синюю карточку). Как вы думаете, ребята, что может означать карточка синего цвета ( настроение не очень хорошее, потому что Чиполлино приболел), но когда он выздоровеет, как вы думаете, какое у него может быть настроение (желтое, красное, оранжевое), а когда ему станет грустно? (серое, фиолетовое), и когда совсем грустно (черное).
Конечно, черный или серый цвет может быть вашим любимым, но давайте договоримся, что пока мы будем заполнять календарь настроения, этот цвет будет означать грустное или печальное настроение. Синий, фиолетовый — тоже грустное, но не настолько, как черное. Ну и желтый, красный и оранжевый — это очень хорошее, веселое настроение.
Далее вешаем на доску календарь настроения и просим каждого ребенка подойти и напротив своей фамилии раскрасить прямоугольник цветом «сегодняшнего настроения».
Для более быстрого нахождения детьми своего имени можно наклеить перед именем каждого ребенка определенную наклейку или фигурку животного.
После того, как каждый ребенок выразит свое настроение, вешаем календарь где-либо на видном месте в классе на уровне роста детей и просим учителя помогать детям заполнять календарь каждый день.

Обработка результатов.

На что стоит обратить внимание при обработке результатов диагностики? Естественно, на выбранный цвет (цвет настроения), какой преобладает, как он меняется или не меняется к концу месяца. Это самое основное. Однако далеко не единственное, что можно выявить в процессе данной диагностики.

1.Преобладающий цвет. Проанализировать можно как настроение каждого ученика, так и преобладающий цвет настроения класса в целом.

2.Сила  и интенсивность нажима. Слишком сильный нажим может указывать на  повышенную тревожность и агрессию, а на данном рисунке наряду с преобладающим черным цветом может указывать на склонность к депрессивным состояниям.

3.Спиралевидная разрисовка, обведение границ может указывать на тревожность, желание закрыться, или наличие страхов.

4. Ребенок рисует фигуры или пишет свое имя и не раскрашивает прямоугольник — скорее всего указывает на педагогическую неготовность к школьному обучению, ученик еще не научился выполнять задание по установке учителя. Так же такой способ разрисовки может указывать на тревожность, неуверенность в себе.

 

 

5. Слишком острые штрихи также могут указывать на склонность к  тревожности или агрессии.

 

Таким образом, в целом, к концу диагностики процесса адаптации первоклассников к школьному обучению вы сможете наглядно увидеть учеников, успешно адаптирующихся к обучению в школе, а также тех учеников, на которых стоит обратить внимание и провести  с ними дополнительные диагностические и коррекционные занятия.

Материалы для диагностики

Календарь настроения

календарь 2

 

Диагностика как одно из направлений психолого-педагогического сопровождения первоклассников в период адаптации к школьному обучению

Начало обучения в школе – один из наиболее сложных и ответственных моментов в жизни первоклассников в социально-психологическом плане первоклассники переживают огромный психологический стресс, это пересекается и с кризисом 7 лет. Для ученика начинается  новая жизнь, и в ней  много нового, неизвестного  и он не в состоянии мгновенно свыкнуться с новой ролью. Согласно представлениям современных исследователей психологическая готовность к школе проявляется как итог развития ребенка в дошкольном возрасте [3]. Это не только новые условия жизни и деятельности человека – это новые контакты, новые отношения, новые обязанности, новые задачи. Изменяется вся жизнь первоклассника: все подчиняется учебе, школе, школьным делам и заботам. Это очень сложный период, появляется сразу свод новых правил, обязанностей, приобретается новый статус ученика и всё это требует максимальной мобилизации интеллектуальных и физических сил.

Адаптация –  это  довольно длительный процесс, связанный со значительным напряжением всех систем организма и длится от нескольких недель до полугода. В некоторых случаях и дольше и требует серьезного вмешательства со стороны учителя, родителей и школьного психолога. Не все учащиеся могут без труда влиться в классный коллектив, так как все дети разные по характеру, темпераменту и коммуникабельности. Одни очень легко и не принуждённо находят общий язык со всем классом, а другим детям очень сложно влиться в классный коллектив по разным причинам. Не маловажную роль в адаптации тоже играет то, как первоклассники находят общий язык друг с другом.

Сопровождение младших школьников период школьного обучения будет проходить эффективнее, если родители помогут своему ребёнку справиться с психологическими трудностями в школе, будут помогать ребёнку в развитии самооценки, создавать благоприятный психологический климат ребёнку со стороны всех членов семьи, предоставлять первокласснику самостоятельность в учебной работе. Немало важно для обучающихся в первом классе поощрение за успехи и личные достижения. Основной задачей психолога в процессе сопровождения обучающихся является создание оптимальных социально-психологических условий для развития всех субъектов образовательного процесса (обучающихся, родителей, педагогов).

Е.А. Козырева психологическое сопровождение характеризует как систему профессиональной деятельности педагога-психолога, направленную на создание условий для позитивного развития отношений детей и взрослых в образовательной ситуации, на психологическое развитие ребёнка с ориентацией на зону ближайшего развития. Психолого-педагогическое сопровождение адаптационного периода первоклассников в МБОУ СОШ №20  осуществлялось по следующим  направлениям:

—                        диагностическое, включающее психолого-педагогическое изучение обучающихся на протяжении всего периода обучения, определение индивидуальных особенностей и трудностей адаптации, а также выявление причин и механизмов нарушений социально-педагогической адаптации первоклассников;

—                        консультативно-просветительское, предполагающее ознакомление субъектов образовательного процесса с психологическими механизмами развития первоклассников,  спецификой  построения учебного процесса в период адаптации с учётом возрастных особенностей обучающихся, построение детско-родительских отношений, а также помощь участникам образовательного процесса в решении проблем, связанных с организацией учебной деятельности младших школьников,  в  актуализации и активизации  личностных особенностей;

—                        профилактическое,  основной задачей которого являетсяпредупреждение возникновения явлений школьной дезадаптации обучающихся, разработка конкретных рекомендаций педагогическим работникам, родителям (законным представителям) по оказанию помощи в вопросах психолого-педагогической поддержки первоклассников, нейтрализации факторов, отрицательно влияющих на процесс адаптации к школьному обучению;

—                        экспертно-методическое, ориентированное на осуществление психологического анализаучебных программ, учебников, образовательной среды, профессиональной деятельности специалистов образовательного учреждения; определение наиболее предпочтительных вариантов организации учебно-воспитательного процесса, разработку рекомендаций;

Своевременная диагностика обучающихся, отслеживание динамики их психического развития в процессе школьного обучения является залогом успешного обучения и личностного роста младших школьников. Личностно-ориентированное обучение предполагает активизацию внутренних стимулов учения, мотивации школьников.

 Р.В. Овчарова отмечает в качестве основных параметров, по которым можно судить об уровне школьной адаптации,   такие, как степень овладения учебной деятельностью, удовлетворённость ею и уровень школьной мотивации. Как утверждает Н.И. Гуткина, наличие у ребенка внутренней позиции школьника может считаться одним из критериев готовности к школьному обучению [3]. 
Основными показателями адаптации ребенка к школе являются:

—  формирование адекватного поведения;

—  установление контактов с учащимися, учителем;

—  овладение навыками учебной деятельности;

—  наличие школьной мотивации.

Адаптация первоклассников непосредственно связана и с мотивацией к учению. Мотивационная сфера – ядро личности. В начале своей школьной жизни, имея внутреннюю позицию школьника, он хочет учиться. Причём учиться хорошо, отлично. Среди разнообразных социальных мотивов учения, пожалуй, ведущими являются мотивы «доставить радость родителям», «хочу больше знать», «на уроке интересно». Имея знания, ученик получает высокие отметки, которые, в свою очередь – источник других поощрений, залог его эмоционального благополучия, предмет гордости. Когда ребёнок успешно учится, его хвалят и учитель, и родители, его ставят в пример другим детям. Более того, в классе, где мнение учителя – не просто решающее, но единственное авторитетное мнение, с которым все считаются, эти аспекты выходят на первый план.

Если у учащегося низкая мотивация к школьному обучению, то ему будет сложнее адаптироваться к школе. Для того, чтоб мотивация к школе была на хорошем уровне, родители должны заранее готовить своего ребёнка, рассказывать свой положительный опыт учения в школе о том, что в школе можно получить много знаний в различных областях, что у первоклассника появиться много разных друзей, будем много интересных мероприятий и т.д. Основная задача родителей – поддержание интереса к знаниям в целом. Формирование положительной мотивации к обучению у первоклассников – важный аспект работы учителя начальной школы. Поэтому от его опыта, накопленного методического багажа, личной заинтересованности в работе, высокой мотивации, а также от знания возрастных особенностей детей и готовности оперативно действовать в любой учебной и воспитательной ситуации зависит успешность первоклассников в учебном и  психологическом.

Л.И. Божович и ее сотрудники занимались изучением развития мотивационной сферы личности. Особый интерес в свете проблемы психологической готовности к школе представляет мотивация детей старшего дошкольного возраста. По мнению Л.И. Божович, дети в этом возрасте «стремятся прежде всего к учению, как к новой серьезной и содержательной деятельности, и к школе именно потому, что со школой связано учение» [2]. Несформированность учебных мотивов у обучающихся,  адаптационные нарушения являются одной из основных причин отставания  младших школьников в учебе.

 В рамках психолого-педагогического сопровождения младших школьников с целью изучения особенностей адаптации первоклассников к школьному  обучению,  на базе МБОУ СОШ № 20 г. Краснодар  было проведено мониторинговое исследование, в котором приняли участие 146 первоклассников. В качестве диагностического материала использована  методика для определения школьной мотивации Лускановой Л.Г. [1]; и методика Микропрактикум «Мой класс» [4]. Первичная диагностика была проведена в октябре 2016 года, вторичная – в марте 2017 года.

Методика диагностики школьной мотивации Лускановой Л.Г. была выбрана для выявления  отношения учащихся к школе, учебному процессу, эмоционального реагирования на школьную ситуацию. Первоклассникам задавались вопросы анкеты,  ответы на которые давали учащиеся, выбирая из предложенных вариантов.  Обработка данных анкетирования позволяет выделить разные уровни сформированности школьной мотивации: высокая школьная мотивация; хорошая школьная мотивация; положительное отношение к школе с привлечением в большей степени внеучебной деятельности; низкая школьная мотивация; негативное отношение к школе, школьная дезадаптация.

В ходе сравнительного анализа проведённого по окончании вторичной диагностики были получены следующие результаты. Высокий уровень школьной мотивации, учебной активности: на начало года  был отмечен у  7% респондентов, на конец года –  у 26% первоклассников; хорошую школьную мотивация показали  на начало года 33% обучающихся, на конец года 17% первоклассников;- Положительное отношение к школе (привлечение внеучебных сторон школьной жизни) на начало года было отмечено у  31%, на конец года 24% первоклассников;- низкую школьную мотивацию: на начало года показали 21%, на конец года 21% первоклассников; негативное отношение к школе, школьную дезадаптацию: на начало года 7%, на конец года 12% первоклассников.

Для выявления адаптированности первоклассников к школе, была использована методика микропрактикум «Мой класс». Первоклассникам  было дано задание на схематичном рисунке класса, найти и отметить себя. Стимульный материал представлен на рисунке 1. Данное средство диагностики позволяет выявить позиции, указывающие на выраженность познавательных интересов: решение задачи у доски, совместное чтение книги, вопросы, задаваемые учителю. В данном случае идентификация в отношении этой позиции будет свидетельствовать об адекватности социально-психологического и учебного статуса младшего школьника.  Позиция «один, вдали от учителя» – эмоционально неблагополучная позиция ребенка, указывающая на трудности адаптации к пребыванию в классном коллективе. Отождествление себя с детьми, стоящими в паре, вместе играющими, – доказательство благополучной социально-психологической позиции ребенка. Место рядом с учителем –  учитель в данном случае является значимым лицом для испытуемого, а испытуемый отождествляет себя с учеником, принимаемым учителем. Игровая позиция – не соответствует учебной позиции. 
Рисунок 1 – стимульный материал к методике «Мой класс» 

Сравнительные результаты диагностики, проведённой в октябре 2016г и в марте 2017г. представлены в таблице 1.

Таблица 1

Результаты сравнительного анализа данных исследования  адаптированности первоклассников по методике Микропрактикум «Мой класс» 

 

Показатели адаптированности учащихся

Этапы проведения диагностики

 

Первичная диагностика

(октябрь, 2016г.)

 

Вторичная диагностика

(март, 2017г.)

Сформированная позиция школьника

31% уч-ся

33% уч-ся

 

Благоприятная социально-психологическая позиция школьника

27% уч-ся

30% уч-ся

Трудности адаптации в классном коллективе

25% уч-ся

 

24% уч-ся

Несформированность позиции школьника (игровая позиция)

16% уч-ся

13% уч-ся

Результаты проведённой диагностики показали, что среди первоклассников отмечается определённое количество детей с трудностями адаптации к школьному обучению и низким уровнем школьной мотивации. Работа по адаптации первоклассников к школьному обучению требует комплексного подхода, а именно участия всех субъектов образовательного процесса: учителей, педагога-психолога, социального педагога и родителей. Система психолого-педагогического сопровождения первоклассников в период адаптации включает  индивидуальную работу с учениками и родителями, проведение коррекционно-развивающих занятий, разработку рекомендаций для родителей и  учителей начальных классов по проблеме сопровождения детей в период адаптации к школьному обучению. 

ДИАГНОСТИКА 11, 8-9, 5-7, 3-4, 1-2

ВИД ДИАГНОСТИКИ

ЦЕЛЬ (ПРЕДМЕТ)

МЕТОДИКА

СРОКИ

ОТВЕТСТ-
ВЕННЫЙ

Изучение готовности первоклассников к обучению к школе (ФГОС)

Выявить уровень готовности учащихся к школе

Методика «ЛЕСЕНКА»
Методика «Рисование по точкам»
«Найди отличия» — сравнение картинок

Сентябрь

Психолог

Обследование первоклассников на этапе адаптации в школьной среде (ФГОС)

Определение уровня адаптации учащихся, выявление случаев дезадаптации и её причины

Изучение особенностей адаптации учащихся через наблюдение и взаимодействие с учителем (составление таблицы психолого-педагогической характеристики первоклассника). Оценка школьной мотивации (Лусканова Н.). «Рукавички» (Г.А. Цукерман). Анкета адаптированности ребенка к школе» (для родителей). Методика САН (для родителей)

Октябрь -декабрь

Психолог
Педагог

Изучение (в динамике) интеллектуальной и эмоциональной сферы (ФГОС) 1 класс

Изучение высших психических функций

Анализ  таблицы психолого-педагогической характеристики первоклассника). Оценка школьной мотивации (Лусканова Н.). Повторное анкетирование родителей.

Апрель-май

Психолог
Педагог

Изучение (в динамике) интеллектуальной и эмоциональной сферы (ФГОС) 2 класс

Изучение высших психических функций

Оценка школьной мотивации (Лусканова Н.). Корректурная проба (буквенная). Выделение существенных признаков. «Рукавички» (Г.А. Цукерман)

Январь

Психолог
Педагог

Изучение уровня воспитанности 1-2 кл.

Определить степень сформированности основных показателей воспитанности ребенка

Методика «Что такое хорошо и что такое плохо»

апрель

Психолог

Изучение удовлетворенности жизнедеятельностью школы

Изучение степени удовлетворенности обучающихс и родителей работой образовательного учреждения

Анкета «Изучение степени удовлетворенности обучающихся школьной жизнью (А.А. Андр). Анкета уровень удовлетворенности родителей работой образовательного учреждения (Степанов Е.Н.)

Март

Педагог

Диагностика состояния здоровья учащихся 1-2- х классов

Мониторинг физического здоровья. Анкеты на выявление вредных привычек

 

В течение года

Соц.педагог,
учитель физич. культуры,
фельдшер

Диагностика инфекционных и неинфекционных заболеваний на основе CRISPR | Биологические процедуры онлайн

  • 1.

    Abbott TR, Dhamdhere G, Liu Y, Lin X, Goudy L, Zeng L, et al. Разработка CRISPR как противовирусной стратегии борьбы с SARS-CoV-2 и гриппом. Клетка. 2020; 181 (4): 865–76.

  • 2.

    Ai JW, Zhou X, Xu T, Yang M, Chen Y, He GQ, Pan N, Cai Y, Li Y, Wang X, Su H. Быстрый и сверхчувствительный диагностический тест на основе CRISPR для микобактерии туберкулеза. Emerg Microbes Infect.2019; 8 (1): 1361–9.

    PubMed PubMed Central Google Scholar

  • 3.

    Анантараман В., Макарова К.С., Берроуз А.М., Кунин Е.В., Аравинд Л. Комплексный анализ суперсемейства HEPN: определение новых ролей во внутригеномных конфликтах, защите, патогенезе и процессинге РНК. Биол Директ. 2013; 8 (1): 15.

    CAS PubMed PubMed Central Google Scholar

  • 4.

    Бахребах М., Нассар М., Алсуабейл М., Захер В., Мео С. Технология CRISPR: новая парадигма для борьбы с возбудителями инфекционных заболеваний. Eur Rev Med Pharmacol Sci. 2018; 22 (11): 3448–52.

    CAS Google Scholar

  • 5.

    Бао В., Юрка Дж. Гомологи бактериального TnpB_IS605 широко распространены в различных эукариотических мобильных элементах. ДНК мафии. 2013; 4 (1): 12.

    CAS PubMed PubMed Central Google Scholar

  • 6.

    Баррангу Р., Фремо С., Дево Х., Ричардс М., Боявал П., Муано С. и др. CRISPR обеспечивает приобретенную устойчивость к вирусам у прокариот. Наука. 2007. 315 (5819): 1709–12.

    CAS Google Scholar

  • 7.

    Баррангу Р. Системы CRISPR-Cas и РНК-управляемая интерференция. Wiley Interdiscip Rev RNA. 2013; 4 (3): 267–78.

    CAS PubMed PubMed Central Google Scholar

  • 8.

    Bassett AR, Tibbit C, Ponting CP, Лю Дж. Л.. Высокоэффективный направленный мутагенез дрозофилы с помощью системы CRISPR-Cas 9. Cell Rep. 2013; 4 (1): 220–8.

    CAS PubMed PubMed Central Google Scholar

  • 9.

    Bauchner H, Fontanarosa PB, Livingston EH. Экономия средств индивидуальной защиты — призыв к идеям. Джама. 2020; 323 (19): 1911.

    Google Scholar

  • 10.

    Bhattacharyya RP, Thakku SG, Hung DT. Использование эффекторов CRISPR для диагностики инфекционных заболеваний. ACS Infect Dis. 2018; 4 (9): 1278–82.

    CAS Google Scholar

  • 11.

    Broughton JP, Deng X, Yu G, Fasching CL, Servellita V, Singh J, Miao X, Streithorst JA, Granados A, Sotomayor-Gonzalez A, Zorn K. Обнаружение SARS на основе CRISPR – Cas12- CoV-2. Nat Biotechnol. 2020; 16: 1–5.

  • 12.

    Шарпантье Э, ван дер Ост Дж, Уайт МФ.биогенез crRNA. Системы CRISPR-Cas: Springer; 2013. с. 115–44.

    Google Scholar

  • 13.

    Чен Дж. С., Ма Э, Харрингтон Л. Б., Да Коста М., Тиан Х, Палефски Дж. М. и др. Связывание с мишенью CRISPR-Cas12a вызывает неизбирательную активность одноцепочечной ДНКазы. Наука. 2018; 360 (6387): 436–9.

    CAS PubMed PubMed Central Google Scholar

  • 14.

    Cheng QX. Применение белка Cas, а также способ и набор для обнаружения молекулы нуклеиновой кислоты-мишени; 2017 г.п. CN107488710A.

    Google Scholar

  • 15.

    Чо С.В., Ким С., Ким Дж.М., Ким Дж.С. Нацеленная геномная инженерия в человеческих клетках с помощью РНК-управляемой эндонуклеазы Cas9. Nat Biotechnol. 2013. 31 (3): 230–2.

    CAS Google Scholar

  • 16.

    Чилински К., Макарова К.С., Шарпантье Э., Кунин Е.В. Классификация и эволюция систем CRISPR-Cas типа II. Nucleic Acids Res. 2014. 42 (10): 6091–105.

    CAS PubMed PubMed Central Google Scholar

  • 17.

    Конг Л., Ран Ф.А., Кокс Д., Лин С., Барретто Р., Хабиб Н. и др. Мультиплексная геномная инженерия с использованием систем CRISPR-Cas. Наука. 2013. 339 (6121): 819–23.

    CAS PubMed PubMed Central Google Scholar

  • 18.

    Delannoy S, Beutin L, Burgos Y, Fach P. Специфическое обнаружение энтероагрегативных геморрагических штаммов Escherichia coli O104: h5 с использованием локуса CRISPR в качестве мишени для диагностической ПЦР в реальном времени.J Clin Microbiol. 2012; 50 (11): 3485–92. https://doi.org/10.1128/JCM.01656-12.

    CAS Статья PubMed PubMed Central Google Scholar

  • 19.

    Ding X, Yin K, Li Z, Liu C. Универсальный двойной анализ CRISPR-cas12a (AIOD-CRISPR): случай для быстрого, сверхчувствительного и визуального обнаружения нового коронавируса SARS-CoV- 2 и вирус ВИЧ. bioRxiv. 2020.

  • 20.

    Фосс Д.В., Хохштрассер М.Л., Уилсон Р.К. Клинические применения редактирования и диагностики генома на основе CRISPR.Переливание. 2019; 59 (4): 1389–99.

    Google Scholar

  • 21.

    Фрёкьер-Йенсен К. Захватывающие перспективы точной инженерии геномов Caenorhabditis elegans с помощью CRISPR-Cas 9. Генетика. 2013; 195 (3): 635–42.

    PubMed PubMed Central Google Scholar

  • 22.

    Gomes-Filho JV, Zaramela LS, VCdS I, Baliga NS, Vêncio RZ, Koide T. Смысловые перекрывающиеся транскрипты в генах транспозаз типа IS 1341 являются функциональными некодирующими РНК архей.RNA Biol. 2015; 12 (5): 490–500.

    PubMed PubMed Central Google Scholar

  • 23.

    Гонг Б., Шин М., Сан Дж., Юнг С.-Х, Болт Э.Л., ван дер Ост Дж. И др. Молекулярное понимание интерференции ДНК с помощью CRISPR-связанной нуклеазы-геликазы Cas3. Proc Natl Acad Sci. 2014. 111 (46): 16359–64.

    CAS Google Scholar

  • 24.

    Гутенберг Дж. С., Абудайе О. О., Келлнер М. Дж., Джунг Дж., Коллинз Дж. Дж., Чжан Ф.Мультиплексная и портативная платформа для обнаружения нуклеиновых кислот с Cas13, Cas12a и Csm6. Наука. 2018; 360 (6387): 439–44.

    CAS PubMed PubMed Central Google Scholar

  • 25.

    Gootenberg JS, Abudayyeh OO, Lee JW, Essletzbichler P, Dy AJ, Joung J, et al. Обнаружение нуклеиновых кислот с помощью CRISPR-Cas13a / C2c2. Наука. 2017; 356 (6336): 438–42.

    CAS PubMed PubMed Central Google Scholar

  • 26.

    Gulei D, Raduly L, Berindan-Neagoe I, Calin GA. Редактирование РНК на основе CRISPR: диагностические приложения и терапевтические возможности. Эксперт Rev Mol Diagn. 2019; 19 (2): 83–8.

    CAS Google Scholar

  • 27.

    Гуо Л., Сунь Х, Ван Х, Лян Ц., Цзян Х., Гао Кью и др. Обнаружение SARS-CoV-2 с помощью диагностики CRISPR. Cell Discov. 2020; 6: 34.

    CAS PubMed PubMed Central Google Scholar

  • 28.

    Hale CR, Zhao P, Olson S, Duff MO, Graveley BR, Wells L, et al. РНК-управляемое расщепление РНК белковым комплексом CRISPR RNA-Cas. Клетка. 2009. 139 (5): 945–56.

    CAS PubMed PubMed Central Google Scholar

  • 29.

    Hatoum-Aslan A, Maniv I, Marraffini LA. Зрелые сгруппированные, регулярно расположенные, короткие палиндромные повторы. Длина РНК (crRNA) измеряется линейным механизмом, закрепленным на сайте процессинга предшественника. Proc Natl Acad Sci U S A.2011. 108 (52): 21218–22.

    CAS PubMed PubMed Central Google Scholar

  • 30.

    Хилле Ф., Рихтер Х., Вонг С.П., Братович М., Рессель С., Шарпантье Э. Биология CRISPR-Cas: назад и вперед. Клетка. 2018; 172 (6): 1239–59.

    CAS Google Scholar

  • 31.

    Hou P, Chen S, Wang S, Yu X, Chen Y, Jiang M, et al. Редактирование генома CXCR4 с помощью CRISPR-Cas 9 придает клеткам устойчивость к инфекции ВИЧ-1.Научный доклад 2015; 5 (1): 1–12.

    Google Scholar

  • 32.

    Hruscha A, Krawitz P, Rechenberg A, Heinrich V, Hecht J, Haass C, et al. Эффективное редактирование генома CRISPR-Cas 9 с низкими нецелевыми эффектами у рыбок данио. Разработка. 2013. 140 (24): 4982–7.

    CAS Google Scholar

  • 33.

    Хуанг С.Х., Ли К.С., Дудна Дж.А. Применение ферментов CRISPR-Cas в терапии и обнаружении рака.Тенденции рака. 2018; 4 (7): 499–512.

    CAS PubMed PubMed Central Google Scholar

  • 34.

    Ишино Ю., Крупович М., Фортерре П. История CRISPR-Cas от встречи с таинственной повторяющейся последовательностью до технологии редактирования генома. J Bacteriol. 2018; 200 (7).

  • 35.

    Ишино Ю., Шинагава Х., Макино К., Амемура М., Наката А. Нуклеотидная последовательность гена iap, отвечающая за превращение изофермента щелочной фосфатазы в Escherichia coli, и идентификация продукта гена.J Bacteriol. 1987. 169 (12): 5429–33.

    CAS PubMed PubMed Central Google Scholar

  • 36.

    Джексон Р.Н., Лавин М., Картер Дж., Виденхефт Б. Включение CRISPR-ассоциированного Cas3 в генеалогическое древо геликазы. Curr Opin Struct Biol. 2014; 24: 106–14.

    CAS PubMed PubMed Central Google Scholar

  • 37.

    Янсен Р., Дж.Дв. Э., Гаастра В., Шоулс Л.М. Идентификация генов, связанных с повторами ДНК у прокариот.Mol Microbiol. 2002. 43 (6): 1565–75.

    CAS PubMed PubMed Central Google Scholar

  • 38.

    Jiang W, Bikard D, Cox D, Zhang F, Marraffini LA. РНК-управляемое редактирование бактериальных геномов с использованием систем CRISPR-Cas. Nat Biotechnol. 2013; 31 (3): 233–9.

    CAS PubMed PubMed Central Google Scholar

  • 39.

    Jinek M, East A, Cheng A, Lin S, Ma E, Doudna J.РНК-программированное редактирование генома в клетках человека. Элиф. 2013; 2: e00471.

    PubMed PubMed Central Google Scholar

  • 40.

    Университет Джона Хопкинса. Панель мониторинга COVID-19 Центра системных наук и инженерии (CSSE) Университета Джонса Хопкинса (JHU). 2020.

  • 41.

    Khambhati K, Bhattacharjee G, Singh V. Текущий прогресс в диагностических платформах на основе CRISPR. J Cell Biochem. 2019; 120 (3): 2721–5.

    CAS Google Scholar

  • 42.

    Коджак Д., Герсбах К. От ножниц CRISPR до датчиков вирусов. Природа. 2018; 557 (7704): 168.

    CAS Google Scholar

  • 43.

    Konermann S, Lotfy P, Brideau NJ, Oki J, Shokhirev MN, Hsu PD. Инженерия транскриптомов с использованием эффекторов CRISPR типа VI-D, нацеленных на РНК. Клетка. 2018; 173 (3): 665–76. e14.

    CAS PubMed PubMed Central Google Scholar

  • 44.

    Кунин Э.В., Макарова К.С., Чжан Ф.Разнообразие, классификация и эволюция систем CRISPR-Cas. Curr Opin Microbiol. 2017; 37: 67–78.

    CAS PubMed PubMed Central Google Scholar

  • 45.

    Li S-Y, Cheng Q-X, Wang J-M, Li X-Y, Zhang Z-L, Gao S, et al. Обнаружение нуклеиновых кислот с помощью CRISPR-Cas12a. Cell Discov. 2018; 4 (1): 1–4.

    Google Scholar

  • 46.

    Li Y, Li S, Wang J. Liu G. Системы CRISPR-Cas на пути к биосенсорному анализу следующего поколения.Trends Biotechnol. 2019; 37 (7): 730–43.

    Google Scholar

  • 47.

    Лю Дж, Ляо Х, Цянь С., Юань Дж, Ван Ф, Лю Й и др. Передача коронавируса 2 тяжелого острого респираторного синдрома в сообществе, Шэньчжэнь, Китай, 2020 г., 2020 г.

    Google Scholar

  • 48.

    Лю X, Hao R, Chen S, Guo D, Chen Y. Ингибирование вируса гепатита B системой CRISPR-Cas 9 посредством нацеливания на консервативные области вирусного генома.J Gen Virol. 2015; 96 (8): 2252–61.

    CAS Google Scholar

  • 49.

    Люсия С, Федерико П-Б, Алехандра ГК. Сверхчувствительный, быстрый и портативный метод определения последовательности коронавируса SARS-CoV-2 на основе CRISPR-Cas12. bioRxiv. 2020.

  • 50.

    Макарова К.С., Гришин Н.В., Шабалина С.А., Вольф Ю.И., Кунин Е.В. Предполагаемая иммунная система прокариот, основанная на РНК-интерференции: компьютерный анализ предсказанного ферментативного механизма, функциональные аналогии с эукариотической РНКи и гипотетические механизмы действия.Биол Директ. 2006; 1: 7.

    PubMed PubMed Central Google Scholar

  • 51.

    Макарова К.С., Хафт Д.Х., Баррангу Р., Браунс С.Дж., Шарпантье Е., Хорват П. и др. Эволюция и классификация систем CRISPR – Cas. Nat Rev Microbiol. 2011; 9 (6): 467–77.

    CAS Google Scholar

  • 52.

    Макарова К.С., Вольф Ю.И., Альхнбаши О.С., Коста Ф., Шах С.А., Сондерс С.Дж. и др.Обновленная эволюционная классификация систем CRISPR – Cas. Nat Rev Microbiol. 2015; 13 (11): 722–36.

    CAS PubMed PubMed Central Google Scholar

  • 53.

    Макарова К.С., Вольф Ю.И., Иранзо Дж., Шмаков С.А., Алхнбаши О.С., Браунс С.Дж. и др. Эволюционная классификация систем CRISPR – Cas: всплеск класса 2 и производные варианты. Nat Rev Microbiol. 2019: 1–17.

  • 54.

    Mammoth Biosciences. Диагностика — платформа обнаружения на основе CRISPR.Mammoth Biosci. 2020; [цитировано 1 июля 2020 г.]. Доступно по адресу: https://mammoth.bio/diagnostics/.

  • 55.

    Metsky HC, Freije CA, Kosoko-Thoroddsen T-SF, Sabeti PC, Myhrvold C. Надзор за COVID-19 на основе CRISPR с использованием геномно-комплексного машинного обучения. BioRxiv. 2020.

  • 56.

    Myhrvold C, Freije CA, Gootenberg JS, Abudayyeh OO, Metsky HC, Durbin AF, et al. Вирусная диагностика с возможностью развертывания в полевых условиях с использованием CRISPR-Cas13. Наука. 2018; 360 (6387): 444–8.

    CAS PubMed PubMed Central Google Scholar

  • 57.

    Newire E, Aydin A, Juma S, Enne VI, Roberts AP. Идентификация системы CRISPR-Cas типа IV, расположенной исключительно на плазмидах IncHI1B / IncFIB в Enterobacteriaceae. bioRxiv. 2020; 11 (1937).

  • 58.

    О’Коннелл MR. Молекулярные механизмы нацеливания РНК с помощью Cas13-содержащих систем CRISPR – Cas типа VI. J Mol Biol. 2019; 431 (1): 66–87.

    CAS Google Scholar

  • 59.

    Ortiz-Prado E, Simbaña-Rivera K, Gómez-Barreno L, Rubio-Neira M, Guaman LP, Kyriakidis NC, Muslin C, Jaramillo AM, Barba-Ostria C, Cevallos-Robalino D, Sanches- Сан-Мигель Х.Клиническая, молекулярная и эпидемиологическая характеристика вируса SARS-CoV2 и коронавирусной болезни 2019 (COVID-19), всесторонний обзор литературы. Диагностика Microbiol Infect Dis. 2020; 30: 115094.

    Google Scholar

  • 60.

    Озкан А., Пауш П., Линден А., Вульф А., Шюле К., Хайдер Дж. И др. Процессинг РНК CRISPR IV типа и образование эффекторного комплекса у Aromatoleum aromaticum. Nat Microbiol. 2019; 4 (1): 89–96.

    Google Scholar

  • 61.

    Pan Y, Zhang D, Yang P, Poon LL, Wang Q. Вирусная нагрузка SARS-CoV-2 в клинических образцах. Lancet Infect Dis. 2020; 20 (4): 411–2.

    CAS PubMed PubMed Central Google Scholar

  • 62.

    Парди К., Грин А.А., Такахаши М.К., Брафф Д., Ламберт Дж., Ли Дж. У., Ферранте Т., Ма Д., Донгиа Н., Фан М., Дарингер Н. М.. Быстрое и недорогое обнаружение вируса Зика с использованием программируемых биомолекулярных компонентов. Клетка. 2016; 165 (5): 1255–66.

    CAS Google Scholar

  • 63.

    Park RJ, Wang T, Koundakjian D, Hultquist JF, Lamothe-Molina P, Monel B, et al. Полногеномный CRISPR-скрининг выявляет ограниченный набор факторов зависимости от ВИЧ-хозяина. Нат Жене. 2017; 49 (2): 193–203.

    CAS Google Scholar

  • 64.

    Пинилла-Редондо Р., Майо-Муньос Д., Рассел Дж., Гаррет Р. А., Рандау Л., Соренсен С. Дж. И др. Системы CRISPR – Cas типа IV очень разнообразны и участвуют в конкуренции между плазмидами. Nucleic Acids Res.2020. 48 (4): 2000–12.

    CAS Google Scholar

  • 65.

    Platt RJ, Chen S, Zhou Y, Yim MJ, Swiech L, Kempton HR, et al. CRISPR-Cas9 knockin мышей для редактирования генома и моделирования рака. Клетка. 2014. 159 (2): 440–55.

    CAS PubMed PubMed Central Google Scholar

  • 66.

    Quan J, Langelier C, Kuchta A, Batson J, Teyssier N, Lyden A, Caldera S, McGeever A, Dimitrov B, King R, Wilheim J.FLASH: CRISPR-диагностика нового поколения для множественного обнаружения последовательностей устойчивости к противомикробным препаратам. Nucleic Acids Rese. 2019; 47 (14): e83.

    CAS Google Scholar

  • 67.

    Рикс Дж., Нейсмит Дж. Х., Уайт М.Ф. Вмешательство CRISPR: структурная перспектива. Биохим Дж. 2013; 453 (2): 155–66.

    CAS PubMed PubMed Central Google Scholar

  • 68.

    Samai P, Pyenson N, Jiang W, Goldberg GW, Hatoum-Aslan A, Marraffini LA.Котранскрипционное расщепление ДНК и РНК во время иммунитета CRISPR-Cas III типа. Клетка. 2015; 161 (5): 1164–74.

    CAS PubMed PubMed Central Google Scholar

  • 69.

    Шванк Г., Ку Б.К., Сасселли В., Деккерс Дж. Ф., Хео И., Демиркан Т., Сасаки Н., Бойманс С., Куппен Е., ван дер Энт К. К., Ньювенхейс Е. Е.. Функциональная репарация CFTR с помощью CRISPR-Cas 9 в органоидах кишечных стволовых клеток пациентов с муковисцидозом. Стволовая клетка. 2013. 13 (6): 653–8.

    CAS Google Scholar

  • 70.

    Шмаков С., Абудайе О.О., Макарова К.С., Вольф Ю.И., Гутенберг Ю.С., Семенова Е. и др. Открытие и функциональная характеристика разнообразных систем CRISPR-Cas 2 класса. Mol Cell. 2015; 60 (3): 385–97.

    CAS PubMed PubMed Central Google Scholar

  • 71.

    Шмаков С., Смаргон А., Скотт Д., Кокс Д., Пизоча Н., Ян В. и др. Разнообразие и эволюция систем CRISPR – Cas класса 2.Nat Rev Microbiol. 2017; 15 (3): 169–82.

    CAS PubMed PubMed Central Google Scholar

  • 72.

    Sigma-Aldrich. CRISPR-Cas 9 Продукты и услуги. Merck. 2020; [цитировано 29 июня 2020 г.]. Доступно по адресу: https://www.sigmaaldrich.com/catalog/product/sigma/crispr?lang=en&region=ME&gclid=Cj0KCQjwoub3BRC6ARIsABGhnyYDx3aJs1fGoi7Y6tDKDw05uFWzAjzdUTx.

  • 73.

    Sinkunas T, Gasiunas G, Fremaux C, Barrangou R, Horvath P, Siksnys V.Cas3 представляет собой одноцепочечную нуклеазу ДНК и АТФ-зависимую геликазу в иммунной системе CRISPR-Cas. EMBO J. 2011; 30 (7): 1335–42.

    CAS PubMed PubMed Central Google Scholar

  • 74.

    Sneed A. Наборы CRISPR, заказываемые по почте, позволяют любому человеку взломать ДНК. Sci Am. 2017; 2.

  • 75.

    Strich JR, Chertow DS. Биология CRISPR-Cas и ее применение к инфекционным заболеваниям. J Clin Microbiol. 2019; 57 (4).

  • 76.

    Такеучи Н, Вольф Ю.И., Макарова К.С., Кунин Э.В. Природа и интенсивность давления отбора на гены, связанные с CRISPR. J Bacteriol. 2012. 194 (5): 1216–25.

    CAS PubMed PubMed Central Google Scholar

  • 77.

    ODIN. РУКОВОДСТВО ПО ЧЕЛОВЕЧЕСКОМУ CRISPR. ОДИН. 2020 [цитировано 1 июля 2020 года]. Доступно по адресу: https://www.the-odin.com/diyhumancrispr/.

    Google Scholar

  • 78.

    Тиан Х, Гу Т, Патель С, Боде А.М., Ли М.Х. Dong Z.CRISPR-Cas 9 — развивающийся набор биологических инструментов для биологии рака и онкологии. NPJ Precision Oncol. 2019; 3 (1): 1–8.

    Google Scholar

  • 79.

    Уппада В., Гокара М., Расинени Г.К. Диагностика и терапия с использованием передовых инструментов CRISPR на основе CRISPR для диагностики в местах оказания медицинской помощи и раннего лечения. Ген. 2018; 656: 22–9.

    CAS Google Scholar

  • 80.

    Ван Дер Ост Дж, Вестра Э. Р., Джексон Р. Н., Виденхефт Б. Раскрытие структурных и механических основ систем CRISPR – Cas. Nat Rev Microbiol. 2014; 12 (7): 479–92.

    PubMed PubMed Central Google Scholar

  • 81.

    Van Diemen FR, Kruse EM, Hooykaas MJ, Bruggeling CE, Schürch AC, van Ham PM, et al. CRISPR-Cas 9-опосредованное редактирование генома герпесвирусов ограничивает продуктивные и латентные инфекции. PLoS Pathog. 2016; 12 (6): e1005701.

    PubMed PubMed Central Google Scholar

  • 82.

    Venclovas Č. Структура Csm2 выявляет взаимосвязь между малыми субъединицами эффекторных комплексов CRISPR-Cas. FEBS Lett. 2016; 590 (10): 1521–9.

    CAS Google Scholar

  • 83.

    Воронцова Д., Даценко К.А., Медведева С., Бонди-Деномы Ж., Савицкая Е.Е., Пугач К. и др. Для получения чужеродной ДНК системой I-F CRISPR-Cas требуются все компоненты механизма интерференции.Nucleic Acids Res. 2015; 43 (22): 10848–60.

    CAS PubMed PubMed Central Google Scholar

  • 84.

    Ван В., Хоу Дж., Чжэн Н., Ван Х, Чжан Дж. Следим за CRISPR: «атласом» редактирования генов. Cell Biol Toxicol. 2019; 35 (4): 285.

    Google Scholar

  • 85.

    Вэй Ю., Тернс Р.М., Тернс М.П. Функция Cas9 и выборка генома хозяина в адаптации CRISPR-Cas типа II-A.Genes Dev. 2015. 29 (4): 356–61.

    CAS PubMed PubMed Central Google Scholar

  • 86.

    Wu Y, Liang D, Wang Y, Bai M, Tang W, Bao S, Yan Z, Li D, Li J. Коррекция генетического заболевания у мышей с помощью CRISPR-Cas9. Стволовая клетка. 2013. 13 (6): 659–62.

    CAS Google Scholar

  • 87.

    Xiang X, Qian K, Zhang Z, Lin F, Xie Y, Liu Y, Yang Z. Инструмент молекулярной диагностики инфекционных заболеваний и пневмонии, вызванной новым коронавирусом 2019 года (COVID-19), основанный на системах CRISPR-cas.J Drug Target, 1–5. Предварительная онлайн-публикация. 2020. https://doi.org/10.1080/1061186X.2020.1769637.

  • 88.

    Xie K, Yang Y. РНК-управляемое редактирование генома растений с использованием системы CRISPR – Cas. Завод Мол. 2013. 6 (6): 1975–83.

    CAS Google Scholar

  • 89.

    Zetsche B, Gootenberg JS, Abudayyeh OO, Slaymaker IM, Makarova KS, Essletzbichler P, et al. Cpf1 представляет собой одиночную РНК-управляемую эндонуклеазу системы CRISPR-Cas класса 2.Клетка. 2015; 163 (3): 759–71.

    CAS PubMed PubMed Central Google Scholar

  • 90.

    Zhang F, Abudayyeh OO, Gootenberg JS. Протокол обнаружения COVID-19 с помощью диагностики CRISPR. Протокол обнаружения COVID-19 с помощью диагностики CRISPR; 2020. с. 8.

    Google Scholar

  • 91.

    Zou L, Ruan F, Huang M, Liang L, Huang H, Hong Z, et al. Вирусная нагрузка SARS-CoV-2 в образцах верхних дыхательных путей инфицированных пациентов.N Engl J Med. 2020; 382 (12): 1177–9.

    PubMed PubMed Central Google Scholar

  • Диагностика неисправностей подшипников качения на основе адаптации предметной области и предпочтительного выбора функций в различных рабочих условиях

    В реальных промышленных сценариях с использованием традиционных методов машинного обучения модели диагностики на основе данных имеют ограничение, заключающееся в том, что трудно достичь желательная производительность диагностики неисправностей, и причина в том, что предполагается, что наборы данных для обучения и тестирования имеют одинаковое распределение функций.Для решения этой проблемы предлагается новая структура диагностики неисправностей подшипников, основанная на адаптации предметной области и выборе предпочтительных характеристик, в которой модель, обученная помеченным данным, собранным из рабочего состояния, может быть применена для диагностики новых, но аналогичных целевых данных, собранных из других условия труда. В этой структуре предлагается улучшенный метод адаптации предметной области, анализ компонентов переноса с сохранением структуры локального коллектора (TCAPLMS), чтобы уменьшить различия в распределении данных между различными наборами данных предметной области и, в то же время, использовать информацию метки набора данных признаков. и локальная многообразная структура данных функций во внимание.Кроме того, в эту структуру встроен выбор предпочтительных функций по чувствительности к сбоям и корреляции функций (PSFFC) для выбора функций, которые более полезны для распознавания образов сбоев и уменьшения избыточности набора функций. Наконец, для экспериментального анализа используются наборы данных о вибрации, собранные с двух испытательных платформ. Результаты экспериментов подтверждают, что предлагаемый метод, очевидно, может повысить точность диагностики и имеет значительные потенциальные преимущества по сравнению с реальными промышленными сценариями.

    1. Введение

    В различных частях вращающегося оборудования вероятность отказа подшипников качения (REB) часто выше, чем у других компонентов, когда вращающееся оборудование работает в суровых рабочих условиях [1, 2]. Таким образом, диагностика неисправностей подшипников играет важную роль в промышленных приложениях, таких как обеспечение их надежности и снижение экономических потерь [3]. С наступлением эры больших данных технологии обработки сигналов и интеллектуального анализа данных стремительно развиваются, а методы диагностики неисправностей на основе данных также быстро развиваются [3–6].Однако с точки зрения применимости в практических промышленных приложениях традиционный метод интеллектуальной диагностики, основанный на данных, имеет два основных недостатка [4, 5, 7]. (1) Модели извлечения признаков и классификации неисправностей придерживаются общей предпосылки, что обучающие данные и тестовые данные имеют идентичное распределение. Если это предположение неверно, обобщение этих интеллектуальных методов диагностики будет значительно сокращено. Когда условия труда не соответствуют реальным промышленным сценариям, посылка неверна.(2) Недостаточно данных о маркированных целевых неисправностях из-за того, что рабочие условия изменчивы, а типы отказов вращающихся машин разнообразны. Следовательно, эти традиционные методы интеллектуальной диагностики на основе данных не могут установить точную модель диагностики неисправностей подшипника цели в реальных сценариях диагностики. Чтобы преодолеть вышеуказанные ограничения, важно построить расширенную модель диагностики неисправностей. Эта расширенная модель может выполнять точную классификацию неисправностей в конкретном наборе данных и может продемонстрировать значительную способность к обобщению немаркированных данных, полученных из других рабочих условий.

    В процессе диагностики неисправностей важнейшими этапами распознавания образов неисправностей являются обработка сигналов и выделение признаков. В текущих исследованиях по диагностике неисправностей подшипников сигналы анализа в основном поступают от вибрационного сигнала REB, и этот сигнал обычно анализируется методами частотно-временной области [5–9]. Yu et al. [10] разложил необработанный сигнал с помощью MODWPT и вычислил восстанавливающий сигнал, чтобы получить примитивные статистические признаки, представляющие состояние неисправности в различных частотных диапазонах.Для диагностики сложных неисправностей подшипников Shao et al. [11] предложил новый метод диагностики, названный адаптивным DTCWPT, основанный на спектре высокого порядка. Чтобы быстрее и точнее разложить и восстановить сигнал вибрации, Zhang et al. [12] подняли метод подъемного вейвлета, который лучше, чем традиционный вейвлет, и в сочетании с морфологическим фрактальным измерением для распознавания рабочего состояния подшипника качения. Комбинируя частотно-временной анализ VMD и SVM, Чжоу предложил новый метод в [13] для обнаружения неисправности подшипников качения, где исходный сигнал раскладывается на функцию внутреннего режима (IMF), установленную посредством VMD.Для извлечения характеристики слабого повреждения Xingxing et al. [8] предложили новый метод диагностики неисправностей, основанный на VMD, который руководствуется ICF. Для обнаружения и изоляции множественных отказов новая технология обнаружения отказов для подшипников качения была предложена Чжаном в [14], в которой FAWT сочетается с частотно-временным анализом. Чтобы определить состояние подшипников качения при различном состоянии, Zhong et al. [15] предложил метод разведки, основанный на STFT и CNN. Чтобы объединить характеристики WT для мгновенного извлечения помех и адаптивную способность EMD для анализа изменяющегося во времени или нелинейного сигнала, Меренани предложил новый метод [16], который объединил EWT с S-преобразованием (ST).

    После обработки необработанного сигнала вибрации можно выбрать статистические характеристики для отображения такой характеристической информации, как PV, RMS, V, Sw, K, энергия и энтропия энергии. В [9] необработанный сигнал был разложен с помощью вейвлет-разложения и были получены восстановленные сигналы, а затем 192 статистических характеристики были получены из соответствующего спектра огибающей HHT (HES) восстановленных сигналов. В [17] необработанные сигналы были разложены на множество различных IMF с помощью EMD, первые четыре IMF были выбраны для получения предельного спектра HES и HHT, а затем они использовались для расчета статистических характеристик.Wang et al. [18] предложили технологию предварительной обработки исходного сигнала, основанную на шумоподавлении вейвлет-пакета (WPD) и алгоритме случайного леса (RF), и использовали значение SNR и среднеквадратичную ошибку в качестве материнского набора вейвлетов предварительной обработки сигнала. Shuangli et al. [19] объединил вейвлет-анализ и теорию энтропии, чтобы разложить и восстановить собранные сигналы, а затем ввести их в оптимизированную для GA SVM (GA-SVM). Учитывая характеристики модуляции сигнала неисправности подшипников и недостатки выбора резонансной высокочастотной полосы на основе опыта, Цзин в [20] предложил технологию диагностики неисправностей подшипников, которая сочетает в себе EMD и спектральный эксцесс.Учитывая эффективность извлеченных статистических признаков во всем процессе жизненного цикла, Сяодун [21] предложил подход извлечения признаков, основанный на оптимальном выборе статистических показателей. Qing-feng et al. [22] использовали вклад дисперсии для устранения ложных компонентов в IMF и объединили разложение вейвлет-пакетов для улучшения EMD. Используя вейвлет и БПФ для разложения сигналов, Серясат и др. [23] извлекали энергию и среднеквадратичное значение сигналов в различных частотных диапазонах, что позволяет эффективно распознавать неисправность подшипников.

    Высокомерные наборы характеристик обычно можно получить после обработки сигнала и выделения признаков. Принимая во внимание сложную взаимосвязь отображения между дефектом подшипника и его знаком, трудно решить, какой статистический атрибут стоит отражать природу разлома из многомерного характеристического пространства. Наборы характеристик большого размера могут создавать избыточные характеристики и снижать точность и эффективность поиска и устранения неисправностей.Ключевым этапом процесса классификации является выбор подмножества признаков. В предыдущих исследованиях указывалось, что выбор признаков, по-видимому, является важной предпосылкой для достижения точности для предполагаемого диагноза. Yu et al. [17] предложил новый метод выделения признаков для выбора наиболее чувствительных характеристик, который сочетает в себе STD характеристических данных с методом K-средних. Fei et al. В [9] была предложена технология выбора характеристик для определения чувствительных к сбоям функций путем комбинирования ARI и суммы внутриклассовых MD.Учитывая, что стабильное распределение может извлекать признаки с высокой различающей способностью, Chouri et al. [24] объединил извлечение признаков альфа-стабильного распределения с машиной взвешенных опорных векторов (WSVM) для эффективного извлечения признаков. Что касается проблемы нечувствительных характеристик в наборе функций, Liu et al. [25] предложили подход к выбору характеристик, основанный на извлечении чувствительных характеристик и слиянии нелинейных признаков, который использовал CDET для выбора чувствительных характеристик и их взвешивания, а затем использовал проекции с сохранением местоположения (LPP), чтобы уменьшить размер взвешенных чувствительных признаков для повышения чувствительности. характеристики.Лю и др. [26] использовали подход K-SVD для обучения разреженного словаря на основе выборочных данных и его применения для разреженного разложения вектора признаков для классификации и идентификации неисправностей. Учитывая, что фактические условия труда сложны и изменчивы, Chen et al. [27] подняли междоменный подход к выбору функций с помощью TCA. Sun et al. [28] разработали алгоритм извлечения и диагностики признаков с использованием CNN, который может автоматически выбирать признак из сигналов вибрации во временной области и эффективно обнаруживать распределенные особенности данных.Анализируя сигналы вибрации и тока, BR et al. [29] выбрали 12 статистических характеристик во временной области, среди которых SSC, VAR и STD могут быть определены как хорошие характеристики. Следовательно, выбор статистических характеристик, которые более полезны для распознавания образов неисправностей, также является важным шагом. В этой статье предлагается новый подход к выбору характеристик, приоритетный выбор функций на основе чувствительности к неисправностям и корреляции между функциями (PSFFC).

    В соответствии с приведенным выше обсуждением, направленным на два основных ограничения традиционных технологий диагностики неисправностей на основе данных, недавно проведенное исследование показало, что методы трансферного обучения или адаптации предметной области [30] имеют широкую перспективу применения и широкую применимость во всех областях [ 31–33].Новая идея для преодоления существующих ограничений была вдохновлена ​​трансфертным обучением или адаптацией предметной области. Для решения проблемы недостаточной информации о неисправностях в выборках значительных неисправностей Чен и др. В [34] представлена ​​модель ранней диагностики неисправностей, которая сочетает в себе DNN с передаточным обучением и может выбирать признаки неисправностей из большого количества выборок неисправностей и неважные признаки неисправностей из других выборок неисправностей. Используя HKL и трансферное обучение, Цянь в [35] построил надежную сеть диагностики неисправностей, применяемую в различных рабочих условиях.Чтобы преодолеть проблему того, что обучающие и тестовые данные имеют разное распределение, и учитывая действительные и обычные диагностические знания, полученные из нескольких относящихся к источникам доменов, Zheng et al. [3] предложили новый интеллектуальный подход к распознаванию неисправностей для множественных исходных доменов. Чтобы решить проблему, заключающуюся в том, что слишком мало меченых образцов недостаточно для точной диагностики, Zeng et al. [36] предложили метод диагностики неисправностей с некоторыми параметрами, не связанными с последующими задачами для предварительного обучения, и было получено большое количество немаркированных данных.Чжоу и др. [37] подняли MSDCTL для диагностики неисправностей в новом рабочем состоянии, и он не нуждался в новых маркированных данных. Чтобы решить проблему немаркированной междоменной диагностики подшипников, Shao et al. [38] подняли адаптивный подход к области конфронтации с глубоким трансферным обучением. Основная идея вышеупомянутых исследований — изучение знаний об обнаружении неисправностей на основе обучающих данных и перенос этих знаний на тестовые данные. Это улучшает способность распознавать обобщение этих моделей в целевом наборе данных.В отличие от традиционных методов машинного обучения, чтобы изучить новые задачи, необходимо начинать с нуля, трансферное обучение или адаптация предметной области изучают знания об обнаружении ошибок из исходного домена и применяют их к целевому домену, который больше подходит для приложений междоменного обучения [3 , 6]. Метод трансферного обучения, основанный на характеристике, является его основной ветвью, и среди этих методов TCA является репрезентативным методом [6]. Для уменьшения расстояния между исходной областью и целевой областью функции отображаются в гильбертово пространство с воспроизводящим ядром более высокой размерности посредством нелинейного преобразования [30].Хотя это очень полезно, TCA нуждается в дальнейшей оптимизации, которая игнорирует информацию о категориях выборок и локальную структуру данных. Поэтому, основанный на TCA, в этой статье предлагается анализ компонентов переноса с сохранением структуры локального коллектора (TCAPLMS), он уменьшает разницу в распределении между исходным доменом и целевым доменом и улучшает различимость набора данных признаков.

    С учетом приведенного выше обсуждения предлагается новый интеллектуальный метод диагностики неисправностей подшипников, основанный на адаптации домена и выборе предпочтительных характеристик.Вклад этого документа резюмируется следующим образом. (1) Новый метод выбора функций, PSFFC, используется для выбора функций, которые более полезны для распознавания образов неисправностей и уменьшения избыточности набора функций. (2) Улучшенная функция — Основанный на передаче обучения подход, TCAPLMS, используется для адаптации предметной области. TCAPLMS может уменьшить различия в предельных распределениях между различными наборами данных предметной области и, в то же время, принять во внимание информацию о метке набора данных признаков и локальную многообразную структуру данных признаков, а затем адаптируемость предметной области и дискриминантную производительность. улучшен.(3) Предлагается новая интеллектуальная система диагностики неисправностей подшипников, подходящая для различных условий работы, которая устраняет ограничения методов диагностики неисправностей, основанных на данных, и расширяет возможности обобщения модели диагностики неисправностей в реальном сценарии диагностики.

    Остальная часть этого документа представлена ​​следующим образом. Раздел 2 знакомит с теоретическими основами MODWPT, LFDA и TCA. В разделе 3 представлена ​​структура диагностики неисправностей, PSFFC и TCAPLMS. Раздел 4 посвящен экспериментальному анализу метода, который используется для проверки эффективности и адаптируемости.Наконец, раздел 5 является заключением. Кроме того, мы представляем некоторые акронимы в таблице 1.

    905 905 905 Разложение 905 по одиночному значению 5 905 90ET5 DW

    Акроним Полная форма

    TCAPLMS 41 Анализ структуры коллектора PSFFC Выбор предпочтительных элементов по чувствительности к сбоям и корреляции характеристик
    REB Подшипники качения
    MODWPT Преобразование дискретных вейвлет-пакетов с максимальным перекрытием
    SVD42 905 DTCWPT Комплексное преобразование вейвлет-пакета с двойным деревом
    VMD Разложение по вариационному режиму
    IMF Функция внутреннего режима преобразования
    FAWT Гибкий аналитический вейвлет 548
    TF Частота времени
    STFT Кратковременное преобразование Фурье
    CNN Сверточная нейронная сеть
    EWT
    Эмпирическая волна47
    PV Пиковое значение
    V Дисперсия
    RMS Среднеквадратическое значение
    LFDA Локальный Fisher 905 HHT-дискриминантный анализ 905 904 дискриминантный анализ 904 OFS Исходный набор функций
    WPD Шумоподавление вейвлет-пакета
    CWRU Университет Кейс Вестерн Резерв
    HES Гильбертовый конверт41 Спектр SNR 9 0547 Отношение сигнал / шум
    EMD Разложение по эмпирическим модам
    STD Стандартное отклонение
    WSVM Машина для взвешенной оценки опорных векторов
    LPP Проекции с сохранением местоположения
    TCA Анализ компонентов переноса
    HKL Высокопрочный Kullback – Leibler
    сверточное обучение Дискретное вейвлет-преобразование
    MODWT Дискретное вейвлет-преобразование с максимальным перекрытием
    LDA Линейный дискриминантный анализ
    Sw Асимметрия 905 в пределах класса ean отклонения
    MMD Максимальное среднее отклонение
    MD Средние отклонения
    ARI Скорректированный индекс рандома
    PCC41 Коэффициент корреляции 905 905 степень выбора
    FSD Степень чувствительности к отказу
    RFS Необработанный набор функций

    2.Теоретические основы
    2.1. Дискретное вейвлет-преобразование с максимальным перекрытием (MODWPT)

    Дискретное вейвлет-преобразование (DWT) — это типичный метод частотно-временного анализа, но он также имеет ограничения. Например, для полного преобразования алгоритм требует, чтобы длина сигнальной последовательности анализируемого сигнала была целочисленной степенью 2 [9]. Чтобы преодолеть это ограничение, предлагается сильно избыточное неортогональное вейвлет-преобразование под названием MODWT, которое не имеет ограничений на длину сигнальной последовательности.Но MODWT заменен MODWPT, который имеет хорошую разрешающую способность по частоте на высокой частоте и сохраняет хорошие характеристики MODWT [39].

    DWT можно объяснить следующим образом: — это временная последовательность с действительным знаком и — это длина сигнальной последовательности. — это фильтр нижних частот четной длины DWT, который может выводить низкочастотную часть входного сигнала и отфильтровывать высокочастотную часть, в то время как фильтр верхних частот — противоположный, где — длина фильтра. Для всех ненулевых целых чисел фильтры нижних и верхних частот могут быть просто записаны следующим уравнением [9, 39]:

    Кроме того, фильтры нижних и верхних частот выбираются как квадратурные зеркальные фильтры, поэтому и связаны между собой следующим образом:

    С, коэффициент масштабного преобразования -го уровня равен, где.Для алгоритма пирамиды DWT это вход th уровня, поэтому выход th уровня является коэффициентом масштабирующего преобразования th уровня и коэффициентом преобразования вейвлета, которые представлены следующим образом: где mod представляет остаток после деления.

    DWT имеет следующие ограничения [9, 39, 40]: (1) когда длина анализируемой последовательности сигналов представляет собой целую степень 2, DWT может быть выполнен полностью; (2) когда сигнал циклически сдвигается, вейвлет-коэффициент и пропорциональный коэффициент DWT не могут достичь идентичного циклического сдвига; (3) вейвлет-коэффициенты и масштабные коэффициенты DWT будут уменьшаться вдвое с увеличением уровня серии DWT, что повлияет на статистический анализ коэффициентов.

    Размер выборки DWT -уровня ограничивается целочисленной степенью 2, а MODWT не требует учета размера выборки. Таким образом, MODWT — это оптимизированный DWT. Фильтры MODWT переопределяются для экономии энергии:

    В то же время и теперь удовлетворяют следующим уравнениям:

    Алгоритм MODWT выполняет средневзвешенное значение всех начальных точек наблюдения, что может уменьшить отклонение, вызванное сдвигом цикла. Чтобы избежать уменьшения вдвое коэффициента, MODWT перестраивает фильтры, вставляя нули для каждого уровня между элементами и:

    With, обновленные коэффициенты масштабирования и вейвлет-коэффициенты представлены следующим образом:

    Чтобы разложить высокочастотные сигналы, MODWPT может использоваться для обработки сигналов.Коэффициент MODWPT определяется следующим образом: где — номер полосы частот.

    2.2. Локальный дискриминантный анализ Фишера (LFDA)

    LFDA объединяет преимущества LDA и LPP [17, 41], то есть LFDA стремится получить наилучшую разделимость между классами в пространстве и в то же время сохранить локальную структуру внутри класса. . На основе LDA LFDA рассматривает взаимосвязь близости между выборочными данными одних и тех же классов, так что данные после уменьшения размерности более удобны для классификации [41].

    LDA можно объяснить следующим образом: пусть будет d -мерных выборок и будут ассоциированы метки классов, где — количество выборок, а — количество классов. Позвольте быть количество образцов в классе. Позвольте быть матрицей разброса внутри класса и быть матрицей разброса между классами [17, 41]: где — среднее значение выборки в классе, а — среднее значение всех выборок.

    Предполагая, что имеет полный ранг и является обратимой, матрица преобразования LDA определяется следующим образом:

    LDA может быть объяснено следующим образом: — матрица аффинности и является аппетитностью между и, где.Значение зависит от отношения близости между пространством признаков и в нем. определяется следующим образом [40]: где — локальное масштабирование выборок данных, вокруг которого определяется следующим образом: где — K, -й ближайший сосед и обычно равен 7.

    Матрица преобразования LPP представлена ​​следующим образом : subject to существует диагональная матрица размером n и удовлетворяет следующему уравнению:

    Матрица преобразования LFDA определяется следующим образом [41]: где и — обновленные матрицы разброса внутри класса и между классами, соответственно: где и представляют значения веса для пары образцов в идентичном классе и отличном классе, соответственно, которые можно определить следующим образом:

    Необходимо взвесить значения пары образцов в идентичной категории на основе аффинности, чтобы образцы, которые далекие друг от друга в одинаковой категории оказывают меньшее влияние на и.

    2.3. Анализ компонентов передачи (TCA)

    TCA [42] — это типичный метод обучения передачи, основанный на функциях, который направлен на уменьшение разницы между предельными распределениями различных наборов данных. Учитывая область D , она состоит из D -мерного пространства признаков X , предельное распределение вероятностей которого равно; это обучающий набор данных. — задача обучения, где — пространство меток D -мерное, и — функция прогнозирования, которая представляет данное условное распределение вероятностей (исходная область), (целевая область) и соответствующие задачи обучения и.TCA направлен на облегчение функции прогнозирования путем изучения данных d из и, но в реальной диагностической процедуре, или. Функция нелинейного отображения в гильбертовом пространстве воспроизводящего ядра H выходит из этого и. Целью оптимизации TCA является то, что дисперсия данных признаков может быть сохранена в скрытом пространстве, а предельные распределения между наборами данных и могут быть минимизированы в максимально возможной степени. В TCA эмпирическое максимальное среднее несоответствие (MMD) представляет собой расстояние между двумя предельными распределениями и, а определение MMD представлено следующим образом [7, 42, 43]: где и — количество выборок и, соответственно. K представляет матрицу ядра следующим образом: где, и — матрицы ядра в, междоменной области и, соответственно. Выражение L показано следующим образом:

    Отображение эмпирического ядра может уменьшить размерность матрицы, и оно может преобразовывать данные большой размерности в данные низкой размерности с помощью матрицы, которая встроена в K . Результирующая матрица ядра имеет следующий вид [7]: где, и уравнение (20) может быть преобразовано как

    Следовательно, проблема обучения ядра (целевая функция TCA) может быть заменена следующим образом: где используется для управления сложностью из W и в то же время, чтобы избежать рангового дефицита знаменателя.В уравнении (26) — это компромиссный параметр. и H, — матрицы идентичности соответственно. Наконец, на основе задачи оптимизации трассировки можно эффективно решить уравнение (26).

    3. Предлагаемый метод и структура системы
    3.1. Выбор предпочтительных функций по чувствительности к сбоям и корреляции функций (PSFFC)

    Чтобы выбрать функции, которые более полезны для распознавания образов сбоев и уменьшения избыточности набора функций, в этой статье мы предлагаем, чтобы чувствительность к сбоям статистической характеристики и корреляция между функции следует учитывать, чтобы выбрать предпочтительные функции.Следовательно, есть два аспекта: (1) алгоритм K -средних (KA) [44] и SMD данных характеристик применяются для указания чувствительности к сбоям. Каждый тип статистических признаков обрабатывается KA, и KA может получить индекс, то есть скорректированный случайный индекс (ARI). Для каждого типа функции можно рассчитать MD выборок данных в каждом состоянии, а также получить SMD во всех условиях подшипника. ARI и SMD указывают степень различимости классов и связность данных признаков, соответственно.Отношение ARI и SMD используется для оценки чувствительности объекта к неисправности, и чем выше это соотношение, тем выше будет чувствительность к неисправности. (2) PCC [45] используется для оценки корреляции между признаками. Чем выше PCC, тем выше будет корреляция между функциями.

    На основе двух вышеупомянутых аспектов предлагается новый индекс оценки признаков, степень выбора приоритета признаков (FPSD), который используется для выбора предпочтительных признаков для распознавания образов неисправностей. Введение PSFFC резюмируется следующим образом.Шаг 1: с учетом набора данных необработанного сигнала вибрации существует M типов неисправностей, и каждый тип неисправности имеет N выборок сигнала вибрации. K типов статистических характеристик могут быть получены путем обработки сигналов вибрации и извлечения исходных характеристик. Эти признаки могут составлять необработанный набор статистических признаков , , где выражение выглядит следующим образом: где — k-я характеристика из j-й выборки в i-м типе ошибки .Затем, используя KA, ARI разделов кластеризации может быть обозначен связностью данных признаков [46, 47]. Определение ARI описывается следующим образом: Учитывая набор из n объектов, и предполагается, что они представляют два разных раздела объектов в X , ARI определяется следующим образом [46, 47]: где — это количество объектов в паре, принадлежащих к одним и тем же классам в U и V ; d — количество объектов в паре, принадлежащих к разным классам в U и V ; b представляет количество объектов, принадлежащих к одним и тем же классам в U и разным классам в V ; c представляет количество объектов, принадлежащих к разным классам в U и одним и тем же классам в V .Максимальное значение ARI равно 1, что указывает на то, что правильная классификация между классами достигается с помощью КА [17, 47]. Следовательно, значение ARI может использоваться для обозначения производительности кластеризации, которая может отражать дискриминантную мощность функции [47]. Когда наборы функций,, выполняются для анализа кластеризации с помощью алгоритма K -means, может быть получено соответствующее значение. Чем выше значение ARI, тем выше классификационная степень признака. Шаг 2: для каждого типа состояния подшипника (образец неисправности), для типа статистического признака вычисляется MD данных каждого признака (элементы строки).Таким образом, может быть получен соответствующий набор МД, т.е. Выражение выглядит следующим образом: где Затем для статистического признака k-го для типов неисправностей M вычисляется SMD образцов признаков, чтобы получить . Выражается следующим образом: Следовательно, K типов статистических признаков имеют последовательность среднего отклонения. Мы предполагаем, что MD можно использовать для обозначения связности данных признаков. Чем меньше значение, тем выше классовая сплоченность функции.Шаг 3: индекс оценки чувствительности к неисправностям, FSD (степень чувствительности к неисправностям), может быть получен путем вычисления отношения ARI и SMD. Для типов функций K существует последовательность FSD, где определяется следующим образом: Когда значение FSD ( k ) выше, чувствительность функции к сбоям выше. Шаг 4: путем вычисления PCC между объектами для необработанного набора признаков, который содержит K типов статистических признаков, необходимо вычислить PCC между каждым признаком и оставшимися K — 1 признаков, и, таким образом, у каждого признака будет К — 1 шт.Затем может быть получен SPCC (сумма K — 1 PCC). Для двух выборок и PCC определяется следующим образом: где и — среднее значение выборок, и -, соответственно, стандартное отклонение выборок X и Y . Далее идет последовательность SPCC, которая определяется следующим образом: где представляет собой PCC между характеристикой типа k, и характеристикой типа i . В этой статье мы предполагаем, что чем выше SPCC функции, тем выше будет степень избыточности необработанного набора функций, вызванная этой функцией.Шаг 5: новый индекс оценки функции, FPSD, может быть получен путем объединения FSD и SPCC. Выражение FPSD представлено следующим образом: где — коэффициент баланса. Когда равно 0, FPSD просто учитывает корреляцию функций, и, наоборот, FPSD просто учитывает чувствительность к сбоям, когда равно 1. В этой статье предполагается, что приоритет выбора функции лучше, когда значение FPSD выше. . Следовательно, в нисходящем режиме отсортированная последовательность FPSD может быть получена путем сортировки FPSD функций.Отсортированную последовательность FPSD можно использовать для выбора функций для реализации последующего процесса диагностики неисправностей.

    3.2. Анализ компонентов передачи с сохранением структуры локального коллектора (TCAPLMS)

    TCA может максимально сохранить дисперсию данных и минимизировать различия в предельном распределении между наборами данных в разных доменах, насколько это возможно [41]. Однако TCA не принимает во внимание информацию о метках и локальную многообразную структуру данных функций.Стремясь к распознаванию образов неисправностей, информация метки набора данных обучающих признаков полезна для улучшения дискриминантных характеристик данных признаков и повышения точности классификации [9, 17]. Кроме того, сохранение локальной многообразной структуры данных полезно для распознавания образов и классификации многомодовых данных признаков [2, 17]. Поэтому в этом разделе предлагается TCAPLMS, новый метод обучения передачи на основе функций. TCAPLMS естественным образом наследует достоинства TCA и LFDA, то есть цель оптимизации улучшенного LFDA может быть интегрирована в TCA, где учитывается информация о метках данных функций и сохраняется локальная многообразная структура данных.

    На основе введения TCA и LFDA в разделе 2, цель оптимизации TCAPLMS может быть определена путем интеграции цели оптимизации TCA и улучшенного LFDA. Целевая функция TCAPLMS представлена ​​следующим образом: где и получены путем модификации и (уравнения (17) и (18)). Выражения и показаны следующим образом: где и представлены следующим образом:

    В уравнении (39) означает, что j является ближайшим соседом i . Причина указанной модификации — недостаток LFDA, то есть учитываются отношения соседства между выборками в одних и тех же классах.Однако отношения соседства между выборками в разных классах не принимаются во внимание. Для решения этой проблемы матрица разброса между классами может быть изменена на.

    Решение уравнения (36) может быть преобразовано для решения задачи оптимизации трассировки. Множитель Лагранжа содержится в диагональной матрице, которая используется в уравнении (36), и представляется следующим образом:

    Затем матрица W может быть решена путем решения обобщенной задачи на собственные значения:

    Наконец, собственные значения и соответствующие собственные векторы могут быть получены путем решения указанной выше задачи; первые d ( d < D , D — более высокая размерность входов TCAPLMS) собственные векторы, которые соответствуют первым d наименьших неотрицательных собственных значений, могут быть выбраны для составления матрицы преобразования W .

    С использованием предложенной TCAPLMS низкоразмерное представление наборов данных для обучения и тестирования может быть получено с меньшей разницей маргинальных распределений между ними, и они имеют более высокую дискриминантную производительность и меньше избыточной информации.

    3.3. Системная структура

    Структурная блок-схема предлагаемой системной структуры для диагностики неисправностей подшипников с переменным состоянием показана на рисунке 1. В соответствии со структурой системы вся процедура состоит из четырех этапов, а именно: обработка сигналов, выделение признаков, обучение передаче признаков. , и распознавание образов неисправностей.Есть два этапа, этапы обучения и тестирования. Прежде всего, сигналы вибрации, собранные для обучения и тестирования, соответственно, разлагаются на различные узлы пакета с помощью MODWPT. Затем выполняется генерация исходных статистических признаков. На этапе обучения исходный набор функций обрабатывается предлагаемым PSFFC для получения отсортированной последовательности FPSD. Для модели диагностики ошибок обучения можно выбрать наиболее предпочтительные функции. На этапе тестирования отсортированный FPSD, полученный на этапе обучения, будет напрямую применяться для выбора предпочтительных функций для построения подмножества функций.Затем помеченные данные признаков из фазы обучения и немаркированные данные функций из фазы тестирования выбираются как исходный домен и целевой домен, соответственно. Предлагаемая TCAPLMS используется для обработки исходного домена и целевого домена, которые могут получить низкоразмерный набор данных функций. Наконец, низкоразмерный набор данных признаков на этапе обучения используется для обучения классификатора распознавания образов. Наконец, обученный классификатор распознавания образов используется для тестирования набора данных низкоразмерного тестирования и вывода точности диагностики неисправностей.


    4. Эксперименты и результаты анализа

    В этой статье наборы данных о вибрации подшипников, полученные на двух экспериментальных испытательных платформах, используются для проверки эффективности предложенной схемы диагностики неисправностей в реальных промышленных условиях. Представлены два экспериментальных испытательных стенда: (1) Испытательный стенд 1, как показано на Рисунке 2, от Кейс Вестерн Резервного Университета (CWRU) [48–50], и этот испытательный стенд выдерживает нагрузку двигателя от 0 до 3 лошадиные силы (лс). Есть три акселерометра, которые размещены на подшипниках со стороны вентилятора и со стороны привода в положении «12 часов».(2) Испытательный стенд 2 — это испытательный стенд SQI-MFS, как показано на Рисунке 3 [9, 17]; существуют различные неисправные состояния, которые представлены на рисунке 4. SQI-MFS поддерживает скорость двигателя 1200–1800 об / мин. Два акселерометра размещены на подшипниках со стороны вентилятора и со стороны привода для сбора сигналов вибрации. Высокоскоростной коллектор AD используется для сбора данных о вибрации в различных рабочих условиях.



    4.1. Эксперименты на базе Test Platform 1 (CWRU)
    4.1.1. Экспериментальная установка и кейсы

    С целью проверки эффективности предложенной схемы диагностики в различных рабочих условиях, сигналы вибрации, собранные с испытательной платформы 1 при двух нагрузках двигателя (2 л.с. и 3 л.с.), используются для экспериментов.Мы собираем данные о вибрации по четырем типам неисправностей, включая нормальное состояние, состояние неисправности шара, состояние неисправности внутреннего кольца и состояние неисправности внешнего кольца. Следовательно, существует 12 условий подшипника, для каждого условия подшипника мы выбираем 40 случайных выборок в качестве тестовых выборок и 20 случайных выборок в качестве обучающих выборок, а выборка имеет 2000 непрерывных точек данных. Для экспериментальных случаев в экспериментах используются два случая (случаи 1 и 2). Случаи 1 и 2 имеют одинаковые обучающие выборки, то есть в качестве обучающих выбираются образцы 2 л.с. моторной нагрузки.Однако испытательные образцы для случаев 1 и 2 различны, образцы мощностью 2 л.с. и 3 л.с. от моторных нагрузок выбраны в качестве образцов для испытаний в случаях 1 и 2, соответственно. Подробное введение экспериментальных данных показано в таблице 2.

    905
    . Экспериментальный анализ

    Прежде всего, сигналы вибрации обрабатываются с помощью MODWPT, и могут быть получены некоторые узлы вейвлет-пакетов. В этом разделе «dmey» выбран в качестве материнского вейвлета, а уровень разложения равен 4.Один нормальный образец, один образец неисправности шара, один образец неисправности внутренней дорожки и один образец неисправности внешней дорожки из обучающего набора 3 л.с. представлены на рисунках 5–8, соответственно. 16 оконечных узлов получаются посредством обработки сигналов, и может быть вычислено 16 HES сигналов восстановления 16 оконечных узлов. Следовательно, 192 статистических признака, составляющих набор необработанных признаков (RFS), могут быть сгенерированы путем вычисления 6 статистических параметров из 16 сигналов реконструкции и 16 HES. В таблице 3 представлены 6 статистических параметров.






    Состояние ошибки Размер ошибки (мм) Количество обучающих образцов Количество тестовых образцов Этикетка класса
    2 л.с. (случай 1) 3 л.с. (случай 2)

    Нормальный 0 20 40 40 1
    Неисправность мяча 0.007 20 40 40 2
    0,014 20 40 40 3
    0,021 905 405 905 905 905 905 905 0,028 20 40 40 5

    Ошибка внутренней расы 0,007 20 40 905 40 905.014 20 40 40 7
    0,021 20 40 40 8
    0,028 905 905 905 905 905 905
    Неисправность внешней гонки 0,007 20 40 40 10
    0,014 20 40 905
  • 1
  • 20 40 40 12
    Количество образцов 240 480 480
    905 905 905 905 905 905 905 905 905 905 905 905 905 905

    Номер Название Выражение

    3 Энергия
    4 Стандартное отклонение
    5 Энергетическая энтропия

    Для RFS предложенный метод выбора признаков PSFFC используется для оценки степени выбора приоритета признаков для каждого статистического признака обучающих данных.ARI, SSMD, FSD, SPCC и FPSD 192 функций обучающих выборок, соответственно, показаны на рисунках 9–13. На горизонтальной оси рисунков 9–13 указано количество элементов. После процедуры PSFFC может быть получена отсортированная последовательность FPSD, и может быть сформировано подмножество предпочтительных функций. Затем дополнительно выполняется предложенный метод обучения передачи на основе признаков TCAPLMS, чтобы уменьшить различия в предельном распределении между подмножествами обучающих и тестовых признаков и получить низкоразмерный набор признаков с желаемой дискриминантной характеристикой.В этой статье параметры , и TCAPLMS равны 0,5 и 0,3 соответственно. Наконец, низкоразмерный набор функций используется для обучающей модели диагностики неисправностей.






    Для проверки эффективности предложенных PSFFC и TCAPLMS проводятся двухгрупповые сравнительные эксперименты. Наборы данных для обучения и тестирования используются для обучения и тестирования модели диагностики неисправностей соответственно.В экспериментах SVM и KNN применяются для построения модели диагностики неисправностей, а серия моделей диагностики неисправностей представлена ​​в таблице 4. Например, RFS-SVM — это модель диагностики, основанная на SVM, в которой RFS используется в качестве входных данных. SVM. TCA встроен в модель RFS-SVM, которая является моделью RFS-TCA-SVM. PSFFC встроен в модель RFS-TCA-SVM, которая является моделью RFS-PSFFC-TCA-SVM. В этой статье средняя диагностическая точность 12 состояний подшипников показана в экспериментальном анализе, а подробное описание представлено следующим образом.

    —— 90 541

    Номер Экспериментальные модели первой группы Экспериментальные модели второй группы
    PSFFC не применяется PSFFC применяется
    На основе KNN На основе SVM На основе KNN

    1 RFS-SVM RFS-KNN RFS-PSFFC47 905 RFS-PSFFC48
    2 RFS-LFDA-SVM RFS-LFDA-KNN RFS-PSFFC-LFDA-SVM RFS-PSFFC-LFDA-KNN
    RFS RF RFS -TCA-KNN RFS-PSFFC-TCA-SVM RFS-PSFFC-TCA-KNN
    4 RFS-TCAPLMS-SVM RFS-TCAPLMS-KNN RFS-TCAPLMS-KNN RFS-PSFFC-TCAPLMS-KNN

    В первой группе экспериментов PSFFC не проводили.Экспериментальные результаты диагностических моделей, перечисленных в таблице 4, показаны в таблицах 5–8. Для проверки превосходства MODWPT, WPT также используется для построения диагностической модели, а экспериментальные результаты моделей RFS-SVM и RFS-KNN с использованием MODWPT и WPT, соответственно, представлены в таблице 5. По точности диагноза Из таблицы 5 видно, что результат диагностики модели с использованием MODWPT лучше, чем модели с использованием WPT. Поэтому ниже представлены экспериментальные результаты и анализ всех моделей с использованием MODWPT.Для тестового набора для случая 1 все модели могут получить желаемую точность диагностики. Максимальная точность RFS-SVM, RFS-LFDA-SVM, RFS-TCA-SVM и RFS-TCAPLMS-SVM может достигать 98,54%, 99,79%, 91,67% и 99,38% соответственно. Основная причина в том, что обучающая и тестовая выборки взяты из одних и тех же рабочих условий и распределение между ними практически одинаковое. Для тестового набора для случая 2 наивысшая точность RFS-SVM, RFS-LFDA-SVM и RFS-TCA-SVM может достигать 83,54%, 87,08% и 87.29%. Однако максимальная точность модели RFS-TCAPLMS-SVM может достигать 97,50%, что явно выше, чем у других моделей. Экспериментальные результаты моделей на основе KNN аналогичны результатам для моделей на основе SVM, а максимальная точность модели RFS-TCAPLMS-KNN может достигать 97,08%, что явно выше, чем у других моделей. Проблема может быть обнаружена на основе экспериментальных результатов первой группы, то есть для традиционной модели диагностики неисправностей непросто гарантировать предпочтительное выполнение диагностики, когда распределение между тестирующим и обучающим наборами отличается.Использование TCAPLMS может помочь диагностической модели достичь желаемых результатов диагностики.

    905 MODWPT

    RFS-SVM RFS-KNN

    Точность тестирования (%)
  • 41
  • WPT MODWPT WPT

    Корпус 1 Корпус 2 Корпус 1 Корпус 2 Корпус 1 9047 905 Корпус 2 Корпус 1 9047 905 Корпус 2

    98.54 83,54 95,21 76,25 98,54 94,63 95,00

    точность (%)

    Размер RFS-LFDA-SVM RFS-LFDA-KNN
    Точность тестирования для варианта 1 (%) Точность тестирования для варианта 2 (%) Случай 2 Точность тестирования (%)

    5 98.75 81,67 91,88 51,67
    7 99,58 86,46 94,17 58,33 94,17 58,33
    9 11 99,79 87,08 94,79 58,96

    905 905 905 905 905 950 950 950 905 47 905 о второй группе экспериментов; PSFFC выполняется перед этапами обучения передачи признаков и классификации паттернов. Экспериментальные результаты моделей диагностики неисправностей, перечисленные в таблице 4, показаны в таблицах 9–12 и на рисунках 14–22.Размер представляет собой количество размеров измерения. Все модели диагностики могут достичь желаемых результатов, если данные испытаний взяты из случая 1. Наивысшая точность может достигать более 99,5%, в том числе RFS-PSFFC-SVM, RFS-PSFFC-LFDA-SVM и RFS-PSFFC- TCAPLMS-SVM может достичь 100%. Для тестового набора для случая 2 по сравнению с RFS-SVM, RFS-PSFFC-SVM, RFS-PSFFC-TCA-SVM и RFS-PSFFC-TCAPLMS-SVM можно достичь желаемой производительности, которая, очевидно, лучше, чем RFS-SVM, максимальная точность диагностики из них может достигать 95.63% (psfn = 90), 97,50% (psfn = 40) и 100% (psfn = 40, 70, 80) соответственно. Экспериментальные результаты моделей на основе KNN аналогичны результатам моделей на основе SVM, а для тестового набора для случая 2 наивысшая точность диагностики RFS-PSFFC-TCAPLMS-KNN может достигать 100%. Согласно результатам экспериментов второй группы, в различных рабочих условиях очевидно, что предложенный PSFFC может помочь моделям диагностики улучшить диагностические характеристики, а комбинация PSFFC и TCAPLMS может достичь идеальной точности диагностики неисправностей при использовании хорошего параметра psfn. ; для тестового набора для случая 2 модель RFS-PSFFC-TCAPLMS-SVM может достичь 100% точности, когда psfn равен 40, 70 или 80.Таким образом, проверяется эффективность и адаптируемость PSFFC и TCAPLMS.

    RFS-TCA-KNN
    Точность тестирования для варианта 1 (%) Точность тестирования для варианта 2 (%) Точность тестирования для варианта 1 (%) Точность тестирования для варианта 2 (%)

    5 82.29 75,21 93,13 80,04
    10 89,58 82,50 96,88 90,46
    15
    15
    20 91,67 87,29 97,92 93,58
    25 91.67 87,08 97,92 93,58
    30 91,67 87,08 97,92 97,92 93,38
    Размерный размер RFS-TCAPLMS-SVM RFS-TCAPLMS-KNN
    Точность тестирования для случая 1 (%) Точность тестирования для случая 2 (%) Точность тестирования для случая 1 ) Случай 2 Точность тестирования (%)

    5 89.17 84,17 93,54 81,46
    10 98,75 94,79 98,33 98,33 94,58
    905 905
    20 99,38 97,29 98,33 96,88
    25 99,38 97.50 98,33 96,88
    30 99,17 97,50 98,33 97,08
    75 905 905 905 75 905 905 905 905 669 905 905 905

    SFN RFS-PSFFC-SVM RFS-PSFFC-KNN
    Случай 1 Точность тестирования (%) Случай 2 Точность тестирования Случай 2 1 точность тестирования (%) Случай 2 точность тестирования (%)

    10 10,83 11.25 99,79 75,04
    20 96,25 37,29 99,79 83,38
    30
    30 40 99,79 54,38 99,79 97,75
    50 100,00 54,38 99.38 93,79
    60 98,54 91,04 99,38 84,21
    70 98,54 91,04 98,54 91,04 905 905 91,88 99,17 99,00
    90 99,17 95,63 99,58 97,75
    100 93,13 99,58 90,67
    110 99,38 92,08 99,38 92,54 99,38 92,54
    120 98,96 82,92 99,58 91,29
    140 98,13 78,75 99,58 93,38
    150 79,38 99,58 91,29
    160 98,54 80,00 99,58 95,04 99,58 95,04
    170 905 905 904 98,54 82,92 99,38 94,42
    190 98,54 83,54 98,75 94,63
    905 905 sfn RFS-PSFFC-LFDA-SVM RFS-PSFFC-LFDA-KNN
    Точность тестирования для варианта 1 (%) Точность тестирования для варианта 2 (%) Точность тестирования для варианта 1 (%) Точность тестирования для случая 2 (%)

    11 18.13 15,63 99,79 67,08
    20 99,79 57,92 99,79 66,67 99,79 66,67
    30 99,79 66,67 100,00 75,21
    50 100,00 66,67 100,00 83.33
    60 100,00 83,13 100,00 81,88
    70 100,00 100,00 905 905 905 905 905 100,00 88,54 100,00 89,79
    90 100,00 92,29 99.79 89,58
    100 99,79 89,79 100,00 90,63
    90,63
    110 99,79 8947 905 905 905 87,29 99,17 84,38
    130 99,79 86,04 92,50 82,50
    140 99.79 88,54 90,00 69,38
    150 99,79 87,50 91,67 72,29 91,67 72,29
    160 905 905 905 905 905 905 47 905 905 170 99,58 90,63 93,96 75,63
    180 99,17 87,08 93,33 59,79
    58 88,13 95,42 57,08

    ПСФК

    ПСФК-

    ПСФК5 СФС-90 СФС-905 KNN 905 905 905 905 905 905 905 905 905 905 904 905 905 905 905 905 905 905 905 905

    Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%) Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%)

    20 99.38 94,38 100,00 95,25
    30 99,17 97,29 99,79 98,79 98,79
    98,79
    50 91,46 91,67 99,38 94,83
    60 92.92 91,46 99,38 85,67
    70 96,88 95,21 98,75 96,29 98,75 96,29
    80 91,25 84,38 98,33 96,92
    100 92,92 84,58 98,54 94,00
    110 905.71 85,42 99,38 94,63
    120 93,13 87,50 99,17 96,08
    130 93,54 87,92 99,58 95,67
    150 94,17 87,71 99,17 94,42
    160 905.17 88,54 98,33 96,08
    170 94,38 90,63 98,96 96,50
    180 92,29 86,46 97,92 94,42

    sfcf sfcf -KNN 905 905 905 905 905 905 904


    Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%) Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%)

    20 100.00 96,67 100,00 97,08
    30 100,00 99,79 100,00 100,00 100,00 905 100,00
    50 96,25 92,08 99,58 98,75
    60 93.33 91,88 99,58 97,92
    70 99,58 100,00 99,38 99,79 99,38 99,79
    905 905 905 945
    90 99,17 91,04 99,38 99,38
    100 98,54 90,63 98,96 94.79
    110 98,54 89,79 99,17 94,38
    120 99,58 96,46 99,58 96,46 98,96 93,54
    140 100,00 96,25 99,38 96,67
    150 99,79 96.67 99,79 95,63
    160 99,58 97,50 99,79 96,67
    96,67
    170 99,58 97,71 99,38 97,08
    190 99,38 97,29 98,54 96,88


    5

    5 9362. Эксперименты на базе тестовой платформы 2 (SQI-MFS)
    4.2.1. Экспериментальная установка и кейсы

    В экспериментах используются сигналы вибрации, собранные с испытательной платформы SQI-MFS, которая работает при различных скоростях двигателя. Выборки сигнала вибрации 1200 и 1800 об / мин выбраны для серии экспериментов; Существует 10 состояний подшипника, включая четыре типа неисправностей подшипников (нормальное состояние, неисправность шарика, неисправность внутреннего кольца и неисправность внешнего кольца). Для каждого состояния подшипника мы выбираем 40 случайных выборок в качестве тестовых выборок и 20 случайных выборок в качестве обучающих выборок, а выборка имеет 5000 непрерывных точек данных.Для экспериментальных случаев в экспериментах используются два случая (случаи 1 и 2). Случаи 1 и 2 имеют одинаковые обучающие выборки, то есть в качестве обучающих выбираются образцы со скоростью двигателя 1800 об / мин. Однако испытательные образцы для случаев 1 и 2 различны, образцы со скоростью вращения двигателя 1800 об / мин и 1200 об / мин, соответственно, выбраны в качестве образцов для испытаний в случае 1 и случае 2. Подробное введение экспериментального набора данных показано на Таблица 13.

    1800 tr / мин 1800 об / мин (случай 1)
    905 905 905 905 4 905 905 42 40 905

    Состояние неисправности Размер повреждения (мм) Количество обучающих образцов Количество тестовых образцов Этикетка класса
    1200 об / мин (случай 2)

    Нормальный 0 20 40 40 1
    Неисправность мяча 0.05 20 40 40 2
    0,1 20 40 40 3
    0,2 ​​ 20
    Ошибка внутренней гонки 0,05 20 40 40 5
    0,1 20 40 6 2 20 40 40 7

    Неисправность внешней расы 0,05 20 40 40 40 9
    0,2 ​​ 20 40 40 10
    Количество образцов 240 480
    4.2.2. Экспериментальный анализ

    Процедура эксперимента такая же, как и на испытательном стенде 1; Прежде всего, сигналы вибрации обрабатываются MODWPT, и могут быть получены различные узлы вейвлет-пакетов. На рисунках 23–26, соответственно, представлены образцы сигналов вибрации одного нормального, одного повреждения шара, одного повреждения внутреннего кольца и одного повреждения внешнего кольца из обучающего набора при 1800 об / мин. Затем, согласно разложению сигнала вибрации, аналогично разделу 4.1.2, можно получить 192 статистических признака, составляющих RFS.





    Для RFS предложенный метод выбора признаков PSFFC используется для оценки степеней выбора приоритета признаков для 192 статистических признаков. ARI, SSMD, FSD, SPCC и FPSD 192 статистических характеристик обучающих выборок, соответственно, показаны на рисунках 27–31. После процедуры PSFFC может быть получена отсортированная последовательность FPSD, и может быть сформировано подмножество предпочтительных функций. Затем предлагаемый метод обучения передачи на основе функций TCAPLMS дополнительно выполняется для обработки подмножеств функций обучения и тестирования, которые могут помочь получить желаемую дискриминантную производительность.Наконец, низкоразмерный набор функций используется для обучающей модели диагностики неисправностей.






    Описание проверки эффективности PSFFC и TCAPLMS представлено следующим образом. Для экспериментов применяются RFS-SVM, RFS-KNN, RFS-TCAPLMS-SVM, RFS-TCAPLMS-KNN, RFS-PSFFC-TCAPLMS-SVM и RFS-PSFFC-TCAPLMS-KNN. В таблице 14 представлены экспериментальные результаты моделей RFS-SVM и RFS-KNN. Экспериментальные результаты RFS-TCAPLMS-SVM и RFS-TCAPLMS-KNN показаны в таблице 15.Результаты диагностики RFS-PSFFC-TCAPLMS-SVM и RFS-PSFFC-TCAPLMS-KNN представлены в таблице 16. Когда набор данных тестирования взят из случая 1, все модели могут достичь желаемой точности диагностики. Наивысшая точность диагностики RFS-PSFFC-TCAPLMS-SVM (psfn 110–150) и RFS-PSFFC-TCAPLMS-KNN (psfn 120–150) может достигать 100%. Когда можно использовать хороший параметр psfn, модель диагностики неисправностей для тестового набора случаев 2 может достичь желаемых результатов диагностики, например, наивысшая точность тестирования модели RFS-PSFFC-TCAPLMS-SVM может достигать 89.50%, когда psfn равен 80, что явно выше, чем у RFS-TCAPLMS-SVM. Кривая точности тестирования RFS-PSFFC-TCAPLMS-SVM и RFS-PSFFC-TCAPLMS-KNN показана на рисунках 32 и 33. Точности тестирования моделей с использованием PSFFC, TCA, LFDA и TCAPLMS представлены на рис. Рисунок 34. Таким образом, эффективность и адаптируемость PSFFC и TCAPLMS могут быть дополнительно подтверждены (рисунки 32–34).

    905 905 905 2

    RFS-SVM RFS-KNN
    Точность тестирования (%) Точность тестирования Case (%)
    905 905
    Корпус 1 Корпус 2
    98.17 77,17 95,50 76,17

    945 905 905 905 RFS-TCAPLMS-KNN
    Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%) Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%)

    5 90.32,17 76,00
    20 99,17 76,83 99,50 74,17
    30 99.17 75,50 99,33 74,50

    FCM 910AP
    FC5 910AP
    -KNN 905 905 905 905 905 905 905 50 87542 905 905 905 100 5 Выводы. Предполагается, что распределения данных обучения и тестирования одинаковы. С целью решения этой проблемы предлагается новая интеллектуальная система диагностики неисправностей подшипников для реальных промышленных сценариев.В этой структуре предлагается улучшенный метод адаптации предметной области, анализ компонентов переноса с сохранением структуры локального коллектора (TCAPLMS), чтобы уменьшить различия в предельных распределениях между различными наборами данных предметной области, и в то же время использовать информацию меток набора данных признаков и локальная многообразная структура данных функций. Кроме того, в эту структуру встроен выбор предпочтительных функций по чувствительности к сбоям и корреляции функций (PSFFC) для выбора функций, которые более полезны для распознавания образов сбоев и уменьшения избыточности набора функций.Наконец, для экспериментов используются наборы данных сигналов вибрации, собранные с двух экспериментальных испытательных платформ.

    Очевидно, что предлагаемые PSFFC и TCAPLMS имеют большой потенциал для использования в реальных приложениях диагностики неисправностей подшипников. В экспериментах два случая выбираются в качестве сравнительных, а для экспериментальной испытательной установки 1 случаи 1 и 2 имеют одинаковые обучающие выборки, но тестовые выборки разные. Экспериментальные результаты показывают, что модель диагностики с использованием PSFFC и TCAPLMS может достичь желаемой производительности и улучшить способность моделей к обобщению, а при использовании хорошего параметра psfn в случаях 1 и 2 можно достичь 100% точности диагностики.Таким образом, экспериментальные результаты испытательного стенда 2 дополнительно демонстрируют эффективность, адаптируемость и большой потенциал модели диагностики с использованием PSFFC и TCAPLMS в различных рабочих условиях.

    Доступность данных

    Данные, использованные для подтверждения выводов этого исследования, можно получить у соответствующего автора по запросу.

    Конфликт интересов

    Авторы заявляют об отсутствии конфликта интересов в отношении публикации этой статьи.Благодарности и специальный перевод об инновационной способности научно-исследовательской базы Китайского горно-технологического университета (№ 2018CXNL02).

    Сеть передачи на основе адаптации динамического распределения для диагностики междоменных отказов подшипников | Китайский журнал машиностроения

    Описание набора данных

    В этом разделе набор данных подшипников (CW) CWRU [26] и набор данных подшипников из нашей лаборатории (OL) используются для проверки эффективности DDATN.

    Испытательный стенд для набора данных подшипников CWRU показан на рисунке 3, который состоит из ведомого двигателя (слева), датчика крутящего момента и энкодера (в центре) и динамометра (справа). Испытательный подшипник установлен на выходной стороне двигателя и поддерживает вал двигателя. Этот тест подшипника включает четыре состояния с четырьмя диаметрами повреждения (0,18, 0,36, 0,53, 0,071 мм) и проводится при четырех различных нагрузках (0, 1, 2, 3 л.с.) с частотой дискретизации 12 кГц и 48 кГц. Подробная информация об используемой части данных с частотой дискретизации 12 кГц приведена в таблице 1.

    Рисунок 3 Таблица 1 Подробная информация о наборе данных подшипников CWRU

    Испытательный стенд для подшипников в нашей лаборатории показан на рисунке 4. Испытательный стенд приводится в движение двигателем, а передача мощности на вал поддерживается испытательный подшипник с ременной передачей. Нагрузочное устройство оказывает на вал радиальную силу, имитирующую нагрузку на подшипник. В этом испытании дефекты внутреннего и внешнего кольца размером 0,5 мм вводятся в испытательный подшипник путем резки проволокой-электродом. Сигналы ускорения собираются с частотой дискретизации 12 кГц.Подробная информация об этом наборе данных приведена в таблице 2.

    Рисунок 4 Таблица 2 Подробная информация о наборе данных подшипников OL

    Для каждого состояния исправности 100 выборок сегментированы из исходных сигналов вибрации. Следовательно, имеется выборка 300 и 1200 (300 для каждой скорости) из наборов данных подшипников CW и OL соответственно. Длина выборки установлена ​​равной 2048.

    Параметры сравнения

    Для проверки эффективности DDATN проводится тридцать шесть задач с перекрестным оборудованием, которые перечислены в таблице 3.Для набора данных целевого домена половина используется для обучения, а остальная часть используется в качестве набора данных для тестирования. В таблице 3 S обозначает набор данных исходного домена, T обозначает набор обучающих данных целевой области, OL 500 (150) обозначает несущие данные OL со скоростью 500 об / мин, а количество выборок составляет 150 (50 выборок для каждого состояния работоспособности). CW0.18_1 (300) обозначает данные CWRU с диаметром разлома 0,18 мм и нагрузкой 1 л.с., а количество образцов составляет 300 (100 образцов для каждого состояния здоровья).

    Таблица 3 Перекрестные задачи оборудования

    Структуры экстрактора признаков G f и классификатор G y представлены в таблице 4, где Conv1D обозначает сверточный слой 1D, MP1D обозначает максимальное объединение 1D слой, FC обозначает полностью связанный слой.Модели G f и G y обучаются оптимизатором Adam (скорость обучения = 0,001, β 1 = 0,9, β 2 = 0,999). Коэффициент компромисса λ установлен равным 1.

    Таблица 4 Структуры G f и G y

    Методы сравнения приведены ниже. Они используют ту же структуру CNN, что и DDATN.

    • Метод 1 (DDC): Deep domain confusion (DDC) [27] — это метод глубокого обучения с передачей, предложенный Tzeng et al., Который использует MMD для выравнивания объектов на одном уровне.

    • Метод 2 (FTNN): Нейронная сеть передачи на основе признаков (FTNN) [19], предложенная Янгом и др., Применила многоуровневое выравнивание признаков на основе MMD и обучение псевдометок для передачи знаний о диагностике неисправностей от лабораторных подшипников к локомотиву. подшипники.

    • Метод 3 (DTN) [23]: Deep Transfer Network (DTN) — это метод междоменной диагностики сбоев, предложенный Han et al. Он использует MMD и CMMD для оценки несоответствий предельного и условного распределений соответственно. Им присваиваются равные веса для адаптации совместного распределения однослойных функций.

    • Метод 4 (IWC): IWC является производным от DDATN, который принимает только условную часть IDMMD в качестве оценки дивергенции доменов.

    • Метод 5 (IWCM): IWCM также является производным от DDATN, который присваивает равные веса маргинальной и условной частям IDMMD.

    Результат и обсуждение

    Эксперимент проводится на компьютере с двумя процессорами E5-2630 v3, графическим процессором Nvidia GeForce RTX 2080 Ti (11 ГБ памяти) и 64 ГБ памяти. Чтобы избежать влияния случайности, каждое задание повторяется 10 раз.Средняя точность, стандартные отклонения, время обучения и тестирования перечислены в таблице 5. Общие кривые точности этих методов представлены на рисунке 5. Кроме того, для каждого метода средняя точность и стандартное отклонение для всех задач также представлены в таблице. Средн.

    Таблица 5 Результаты сравнения Рисунок 5

    Сравнение показывает, что IWC, IWCM и DDATN имеют лучшие характеристики, чем другие методы. DDC имеет худшую точность почти во всех задачах, кроме задачи 14.И FTNN, и DTN являются производными от DDC, но имеют разные направления улучшения. FTNN расширяет однослойную адаптацию до многоуровневой и вводит обучение псевдометок для дальнейшего улучшения, которое в данном случае показало свою эффективность. DTN расширяет MDA до JDA и обеспечивает более высокую среднюю точность, чем FTNN.

    IWC достигает средней точности 91,24% со стандартным отклонением 11,16%, что указывает на то, что предложенная метрика расхождения условного распределения является эффективной и надежной.IWCM показывает лучшие характеристики, чем IWC, во всех задачах. Расширение от CDA до JDA подтвердилось при сравнении IWCM с IWC. Кроме того, IWCM можно рассматривать как вариант DTN, который заменяет стратегию псевдометок на стратегию взвешивания по экземплярам при вычислении несоответствия условного распределения. Сравнение IWCM и DTN демонстрирует эффективность стратегии, взвешенной по экземплярам.

    В частности, DDATN превосходит другие методы во всех задачах и достигает наивысшей средней точности 98.43% с наименьшим стандартным отклонением, что указывает на его превосходную эффективность и надежность. В задачах 3, 7, 13, 21, 23 DDATN работает не лучшим образом, но по-прежнему имеет очень близкую точность с самой высокой. В задачах 4 (CW0.18_1 до OL1400) и 8 (CW0.18_2 до OL1400) точность DDATN относительно низкая (67,07% для обеих задач), что указывает на то, что DDATN не может получить очень высокую точность в некоторых задачах передачи. Однако точность DDATN в этих задачах все же выше, чем у других методов.В некоторых сложных задачах передачи DDATN не может обеспечить очень высокую точность, но может в некоторой степени улучшить производительность.

    Таким образом, сравнение показывает, что предложенная метрика несоответствия условного распределения является эффективной и надежной, тогда как расширение от MDA, CDA и JDA до DDA может дополнительно улучшить производительность междоменной диагностики сбоев.

    Визуализация функций

    Все методы, использованные в этом эксперименте, являются методами передачи обучения на основе функций.Чтобы дополнительно оценить производительность выравнивания признаков в DDATN, для визуализации признаков используется t-распределенное стохастическое встраивание соседей (t-SNE) [28]. Для визуализации выбраны задачи 33 и 36. Для DDC, IWC, IWCM и DDATN визуализация функций выполняется на слое Flatten, тогда как для FTNN и DTN на уровне FC_2. На рисунках 6 и 7 легенда состоит из двух частей: состояния подшипника (за пределами кронштейна) и метки домена (внутри кронштейна). Например, IR (T) обозначает образец неисправности внутренней гонки целевого домена.Маркер образцов исходного и целевого домена — кружок и треугольник соответственно. Цвет представляет состояние здоровья, например, синий соответствует нормальному состоянию (N), красный — неисправности внутренней гонки (IR), зеленый — неисправности внешней гонки (ИЛИ).

    Рисунок 6

    Визуализация функций задачи 33 (CW0.53_3 до OL500)

    Рисунок 7

    Визуализация функций задачи 36 (CW0,53_3 до OL1400)

    В задаче 33 функции IWC, IWCM и DDATN демонстрируют хорошее слияние исходных и целевых доменов, при этом также наблюдается большая различимость в отношении состояния подшипников.Для других методов их функции по-прежнему имеют хорошую межклассовую различимость, но агрегация исходных и целевых доменов оставляет желать лучшего. В частности, образцы исходного и целевого домена могут быть линейно разделены с помощью функции DDC.

    В задаче 36 функции IWC, IWCM и DDATN по-прежнему демонстрируют лучшую производительность по сравнению с функциями других методов, которые по-прежнему хорошо сочетают исходный и целевой домены. Однако произошло значительное ухудшение межклассовой разделимости IWC и IWCM, в то время как DDATN по-прежнему сохраняет отличную межклассовую разделимость.Для DDC, FTNN и DTN межклассовая разделимость и внутриклассовая агрегация плохие, тогда как слияние исходного и целевого доменов трудно наблюдать.

    Визуализация функций демонстрирует, что DDATN может эффективно адаптировать распределения функций целевого домена к распределению функций исходного домена. Целевые образцы могут быть точно агрегированы в соответствующий исходный кластер, а извлеченные признаки демонстрируют хорошее слияние доменов и отличную различимость состояния подшипников.

    Поиск иммунодефицита

    РЕЗЮМЕ

    1. Дефицит MHC класса I — редкое аутосомно-рецессивное заболевание, также известное как синдром голых лимфоцитов типа I. Этот иммунодефицит обычно мягче, чем дефицит MHC класса II.

    2. Спектр заболевания довольно широк, от бессимптомного до тяжелого.

    — Пациенты с 10% нормальной экспрессией MHC класса I не имеют повышенной частоты инфекций и бессимптомны

    -Пациенты с 1-3% нормальной экспрессии MHC класса I здоровы в течение первого года жизни, но затем у них развиваются рецидивирующие бактериальные синопульмональные инфекции в более позднем детстве (начиная примерно с 4-7 лет), что приводит к бронхоэктазам (напоминающим муковисцидоз) .Хронические легочные инфекции могут прогрессировать до дыхательной недостаточности и смерти в зрелом возрасте. У половины пациентов появляются кожные язвы (которые начинаются с небольшой пустулы или узелка) с гранулематозным воспалением.

    — Пациенты с сильно сниженной экспрессией MHC класса I имеют наиболее тяжелый фенотип и имеют комбинированный иммунодефицит на первом году жизни с бактериальными, грибковыми и паразитарными инфекциями.

    3. Патогены, зарегистрированные у пациентов, включают Strep pneumonia, Staph aureus, H.influenzae, Klebsiella, E. coli и Pseudomonas.

    4. Интересно, что пациенты обычно не страдают тяжелыми рецидивирующими вирусными инфекциями, несмотря на дефект опосредованной HLA I класса презентации вирусных антигенов Т-клеткам CD8.

    5. В настоящее время зарегистрированы три молекулярные причины дефицита MHC класса I:

    Дефицит TAP 1 или TAP 2 — Гомозиготные мутации в TAP 1 и TAP 2 были зарегистрированы в семи и пяти семьях соответственно.Все мутации приводят к преждевременному стоп-кодону и усеченному нефункциональному белку. Белки TAP критически важны для пептидной нагрузки молекул HLA класса I.

    Дефицит тапасина — Сообщалось об одном пациенте с мутацией тапасина. На момент постановки диагноза у этого пациента был хронический гломерулонефрит в течение 10 лет. У нее не было никаких серьезных инфекций, кроме инфекции опоясывающего герпеса.

    6. Лабораторные исследования показывают снижение или отсутствие поверхностной экспрессии MHC класса I и низкий уровень CD8 T-клеток (MHC I необходим для положительного отбора CD8 + T-клеток в тимусе).Активность уничтожения NK-клеток также снижается. Наблюдалась как гипер, так и гипогаммаглобулинемия с участием одного или нескольких изотипов. Секвенирование генов TAP1, TAP2 и TAPBP может подтвердить диагноз.

    7. Основа терапии — агрессивное лечение инфекций соответствующими противомикробными препаратами. Некоторые пациенты получили пользу от терапии ВВИГ, несмотря на отсутствие гуморального иммунодефицита. Профилактическая терапия антибиотиками также может помочь уменьшить инфекцию.

    8. Язвы на коже следует обрабатывать антисептиками местного действия. Иммуносупрессивные и иммуномодулирующие методы лечения кожных поражений неэффективны.

    9. HSCT не рассматривался для лечения этого заболевания, учитывая, что экспрессия MHC класса I не ограничивается гемопоэтическими клетками.

    ОБЗОР

    Дефицит MHC класса I — редкое аутосомно-рецессивное заболевание, также известное как синдром голых лимфоцитов типа I.Этот иммунодефицит обычно мягче, чем более тяжелый дефицит MHC класса II. Сообщалось менее чем о 20 пациентах с дефицитом MHC класса I.

    Спектр заболевания довольно широк, от бессимптомного до тяжелого.

    — Пациенты с 10% нормальной экспрессией MHC класса I не имеют повышенной частоты инфекций и бессимптомны. Эти люди были идентифицированы в процессе оценки членов семей лиц с симптомами.

    -Пациенты с 1-3% нормальной экспрессии MHC класса I здоровы в течение первого года жизни, но затем у них развиваются рецидивирующие бактериальные синопульмональные инфекции в более позднем детстве (начиная примерно с 4-7 лет), что приводит к бронхоэктазам (напоминающим муковисцидоз) . Хронические легочные инфекции могут прогрессировать до дыхательной недостаточности и смерти в зрелом возрасте. У половины пациентов появляются кожные язвы (которые начинаются с небольшой пустулы или узелка) с гранулематозным воспалением.

    — Пациенты с сильно сниженной экспрессией MHC класса I имеют наиболее тяжелый фенотип и имеют комбинированный иммунодефицит на первом году жизни с бактериальными, грибковыми и паразитарными инфекциями.

    Патогены, зарегистрированные у пациентов, включают Strep pneumonia, Staph aureus, H. influenzae, Klebsiella, E. coli и Pseudomonas.

    Интересно, что пациенты обычно не страдают тяжелыми рецидивирующими вирусными инфекциями, несмотря на дефект опосредованной HLA I класса презентации вирусных антигенов Т-клеткам CD8.Предположительно, это связано с действием других механизмов противовирусной защиты (NK-клетки, толл-подобные рецепторы, интерферон альфа / бета и т. Д.).

    Лабораторные исследования показывают снижение или отсутствие экспрессии MHC класса I и низкий уровень CD8 T-клеток (MHC I необходим для положительного отбора CD8 + T-клеток в тимусе). Активность уничтожения NK-клеток также снижается. Сообщалось о гипер- и гипогаммаглобулинемии с участием одного или нескольких изотипов

    ПАТОГЕНЕЗ

    молекул MHC Class I повсеместно присутствуют на всех ядросодержащих клетках и представляют эндогенные белки CD8 + Т-клеткам.Таким образом, они являются центральными агентами адаптивного противовирусного иммунного ответа. Эндогенные антигены расщепляются протеасомой на короткие пептиды. Эти пептиды затем транспортируются в просвет ER белками TAP (TAP1 и TAP2). В ER вновь синтезированные тяжелые цепи MHC класса I собираются с молекулами бета-2 микроглобулина и пептидом (этот процесс включает взаимодействия с калнексином, кальретикулином, Erp57, тапазином и TAP). Наконец, комплекс MHC класса I, нагруженный пептидом, высвобождается из ER и транспортируется на поверхность клетки.

    В настоящее время зарегистрированы три молекулярные причины дефицита MHC класса I:

    Дефицит TAP 1 или TAP 2 — Гомозиготные мутации в TAP 1 и TAP 2 были зарегистрированы в семи и пяти семьях соответственно. Все мутации приводят к преждевременному стоп-кодону и усеченному нефункциональному белку. Белки TAP критически важны для пептидной нагрузки молекул HLA класса I.

    Дефицит тапасина — Сообщалось об одном пациенте с мутацией тапасина.На момент постановки диагноза у этого пациента был хронический гломерулонефрит в течение 10 лет. У нее не было никаких серьезных инфекций, кроме инфекции опоясывающего герпеса.

    ОЦЕНКА

    Шаг 1. Оценка иммунитета

    -CBC с дифференциальным подсчетом субпопуляций
    -лимфоцитов с помощью проточной цитометрии (CD3, CD4, CD8, CD19, CD16 / 56) Экспрессия
    -MHC класса I (HLA-A, B, C) с помощью проточной цитометрии
    пролиферация Т-клеток к митогенам (PHA)
    — Функциональный анализ клеток NK
    — Уровни IgG, IgA, IgM
    — Уровни специфических антител к антигенам вакцины (если старше 6 месяцев)
    — Рентген грудной клетки

    Абсолютное количество лимфоцитов (ALC) следует рассчитывать на основе общего анализа крови (количество лейкоцитов, умноженное на процентное содержание лимфоцитов).Пациенты с дефицитом MHC класса I обычно имеют нормальный ALC.

    Может присутствовать низкое количество Т-лимфоцитов CD8. Количество CD4, CD3, B-клеток и NK-клеток в норме.

    Экспрессия

    MHC класса I по данным проточной цитометрии будет заметно снижена или отсутствовать.

    Пролиферация Т-клеток до митогенов обычно нормальная.

    Сообщалось о снижении функции NK-клеток у пациентов с дефицитом MHC класса I.

    Сообщалось как об уменьшении, так и повышении изотипов иммуноглобулинов.

    Реакция на вакцину обычно нормальная.

    Шаг 2: секвенирование генов


    Генетическое тестирование на TAP1, TAP2, TAPBP

    Тестирование этих генов в настоящее время доступно только в специализированных исследовательских центрах.

    УПРАВЛЕНИЕ

    Основа терапии — агрессивное лечение инфекций соответствующими противомикробными препаратами.Некоторые пациенты получили пользу от терапии ВВИГ, несмотря на отсутствие гуморального иммунодефицита. Профилактическая терапия антибиотиками также может помочь уменьшить инфекцию.

    Язвы на коже следует обрабатывать антисептиками местного действия. Иммуносупрессивные препараты (стероиды, метотрексат, циклоспорин, циклофосфамид, азатиоприн и т. Д.) Гранулематозных поражений кожи привели к ухудшению кожных и легочных проявлений, и их следует избегать. Иммуномодулирующая терапия (интерферон альфа и гамма) неэффективна при лечении кожных язв.

    HSCT не рассматривался для этого заболевания, поскольку экспрессия MHC класса I не ограничивается гемопоэтическими клетками. Например, отсутствие экспрессии MHC I в тимусе не может быть исправлено с помощью HSCT.

    РЕСУРСОВ

    Диагностические ресурсы

    CHOP Digeorge Panel (проточная цитометрия класса I по MHC) — Несмотря на название, это не тест для диагностики 22q11.2 удаления. Скорее, это панель расширенной проточной цитометрии лимфоцитов, которая оценивает следующие поверхностные маркеры в дополнение к подсчету Т-клеток, В-клеток и NK-клеток:

    Экспрессия MHC класса II (HLA-DR)
    Экспрессия MHC класса I (HLA-A, B, C)
    CD45RA и CD45RO (наивные Т-клетки и Т-клетки памяти)
    CD132 (общая гамма-цепь)

    Литературные ресурсы


    1. Циммер 2005

    Дефицит MHC класса I — клинические и иммунологические аспекты (обзор)


    4 Аттестация в классе | Разработка оценок для научных стандартов нового поколения

    , учащиеся средней школы участвуют в споре по поводу основных дисциплинарных идей в науках о Земле.Как и в предыдущем примере, формирующая оценочная деятельность — это больше, чем просто первоначальный вопрос, задаваемый учащимся; он также включает обсуждение, которое следует из ответов учеников на него и решений учителей о том, что делать дальше после того, как она завершит обсуждение.

    В этом упражнении, которое также проводится в рамках одного занятия, учитель структурирует беседу о том, как движение воды влияет на отложение поверхностных и подземных материалов.Эта деятельность включает основные дисциплинарные идеи (аналогичные системам Земли в NGSS) и вовлекает студентов в практические занятия, включая моделирование и построение примеров. Это также требует от студентов рассуждать о моделях взаимодействия геосферы и гидросферы, что является примером пересекающейся концепции, относящейся к системам и системным моделям. 9

    Учителя используют технологию кликера в классе, чтобы задавать вопросы с несколькими вариантами ответов, которые тщательно разработаны, чтобы выявить идеи учащихся, связанные с движением воды.Эти вопросы были протестированы в классах, и варианты ответов отражают общие идеи учащихся, в том числе особенно проблемные. В ходе дискуссий как в малых группах, так и в классе студенты выстраивают и оспаривают возможные объяснения процесса осаждения. Если учащимся трудно разработать объяснения, учителя могут направить учащихся к занятиям, призванным улучшить их понимание, например к интерпретации моделей отложения поверхностных и подземных материалов.

    Когда учащиеся приступят к этому занятию, они только что завершат ряд исследований выветривания, эрозии и отложений, которые являются частью учебной программы по исследованию систем Земли. 10 У студентов будет возможность построить физические модели этих явлений и сформулировать гипотезы о том, как вода будет перемещать осадочные породы, используя таблицы потоков. 11 Учитель начинает задание по формирующей оценке с проецирования на экран вопроса о процессе смещения, предназначенного для проверки понимания учащимися выполненных заданий: см. Рис. 4-3.Учащиеся выбирают свои ответы с помощью кликеров.

    ___________

    9 Конкретная основная идея NGSS аналогична MS-ESS2.C: «Как свойства и движение воды формируют поверхность Земли и влияют на ее системы?» Ближайшее ожидание производительности NGSS — это MS-ESS2-c: «Постройте объяснение, основанное на доказательствах того, как геолого-геологические процессы изменили поверхность Земли в различных временных и пространственных масштабах».

    10 Эта учебная программа для учащихся средних школ была разработана Американским институтом геонаук.Для получения дополнительной информации см. Http://www.agiweb.org/education/ies [июль 2013 г.].

    11 Таблицы потоков представляют собой модели потоков, расположенных в больших ящиках, заполненных осадочным материалом и наклоненных так, чтобы вода могла течь через них.

    генетических вариантов SARS-CoV-2 — что они означают? | Вакцинация | JAMA

    В ходе пандемии тяжелого острого респираторного синдрома, вызванного коронавирусом 2 (SARS-CoV-2), клинические, научные круги и общественное здравоохранение были вынуждены отреагировать на новые генетические варианты вируса.Каждый из них вызвал волну внимания средств массовой информации, ряд реакций научного сообщества и призывы правительств либо «сохранять спокойствие», либо принимать немедленные контрмеры. В то время как многие ученые изначально скептически относились к значимости изменения D614G, появление нового «британского варианта» — линии B.1.1.7 — вызвало широкую озабоченность. Понимание того, какие варианты имеют отношение и почему, требует понимания эволюции вируса и геномной эпидемиологии SARS-CoV-2.

    Мутации, варианты и распространение

    Мутации возникают как естественный побочный продукт репликации вируса. 1 РНК-вирусы обычно имеют более высокую скорость мутаций, чем ДНК-вирусы. Однако коронавирусы совершают меньше мутаций, чем большинство РНК-вирусов, потому что они кодируют фермент, который исправляет некоторые ошибки, допущенные во время репликации.В большинстве случаев судьба вновь возникшей мутации определяется естественным отбором. Частота тех, которые дают конкурентное преимущество в отношении репликации вируса, передачи или ухода от иммунитета, будет увеличиваться, а те, которые снижают вирусную пригодность, как правило, отбираются из популяции циркулирующих вирусов. Однако частота мутаций также может увеличиваться и уменьшаться из-за случайных событий. Например, «эффект основателя» возникает, когда ограниченное количество отдельных вирусов создает новую популяцию во время передачи.Мутации, присутствующие в геномах этих вирусных предков, будут доминировать в популяции независимо от их влияния на вирусную приспособленность. Такое же взаимодействие естественного отбора и случайных событий формирует эволюцию вируса внутри хозяев, в сообществах и в разных странах.

    Хотя термины мутация , вариант и штамм часто используются взаимозаменяемо при описании эпидемиологии SARS-CoV-2, различия важны. Мутация относится к фактическому изменению последовательности: D614G представляет собой замену аспарагиновой кислоты на глицин в положении 614 гликопротеина шипа.Геномы, различающиеся по последовательности, часто называют вариантами . Этот термин несколько менее точен, потому что 2 варианта могут отличаться одной или несколькими мутациями. Строго говоря, вариантом является штамм , если он имеет явно другой фенотип (например, различие в антигенности, трансмиссивности или вирулентности).

    Оценка нового варианта SARS-CoV-2 должна включать оценку следующих вопросов: Достиг ли вариант известности в результате естественного отбора или случайных событий? Если данные свидетельствуют о естественном отборе, какие мутации выбираются? Каково адаптивное преимущество этих мутаций? Какое влияние эти мутации оказывают на трансмиссивность и распространение, антигенность или вирулентность?

    Мутация D614G в спайковом гликопротеине SARS-CoV-2 была впервые обнаружена на значительном уровне в начале марта 2020 года и распространилась на глобальное доминирование в течение следующего месяца. 2 Мутация первоначально возникла независимо и одновременно охватила несколько географических регионов. Эта очевидная конвергентная эволюция наводила на мысль о естественном отборе и адаптивном преимуществе D614G. Однако последующие усилия по секвенированию выявили мутацию D614G в вирусах в нескольких провинциях Китая в конце января. Это повысило вероятность того, что глобальное распространение этой мутации могло быть результатом случайных событий-основателей, когда вирусы, несущие 614G, просто случайно инициировали большинство событий ранней передачи в нескольких местах.

    Эта правдоподобная нулевая гипотеза заставила многих представителей эволюционного сообщества усомниться в том, что мутация D614G была адаптивной, несмотря на данные in vitro, показывающие ее влияние на связывание с рецептором. Недавний популяционный генетический и филодинамический анализ более 25000 последовательностей из Великобритании показал, что вирусы, несущие 614G, действительно, по-видимому, распространяются быстрее и засевают более крупные филогенетические кластеры, чем вирусы с 614D. 3 Размер эффекта был скромным, и различные модели не всегда достигли статистической значимости.Совсем недавно дополнительные исследования на животных моделях показали, что вирусы 614G передаются более эффективно. 4 , 5

    Что касается вспышек SARS-CoV-2, которые начали возникать на норковых фермах в Нидерландах и Дании в конце весны и начале лета 2020 года. 6 Геномное и эпидемиологическое расследование ранней вспышки в Нидерландах продемонстрировало, что норка встречается от человека, а от норки к норке. , а норка передается от человека к человеку. 7 В начале ноября 2020 года власти Дании сообщили о 214 случаях заболевания коронавирусом человека 2019 года (COVID-19), связанных с норковыми фермами. Многие последовательности SARS-CoV-2 из Нидерландов и датских вспышек имели мутацию Y453F в рецептор-связывающем домене спайка, что могло опосредовать повышенное сродство связывания с ACE2 норки (ангиотензин-превращающий фермент 2). Одиннадцать человек из датской вспышки имели вариант, названный кластером 5, который имел 3 дополнительные мутации в спайке (del69_70, I692V и M1229I).Первоначальное исследование 9 образцов сыворотки выздоравливающего человека показало умеренное и статистически значимое снижение нейтрализующей активности против вирусов кластера 5 (в среднем 3,58 раза; диапазон 0-13,5). Очевидная адаптация SARS-CoV-2 к норкам, тем не менее, вызывала беспокойство, потому что продолжающаяся эволюция вируса в резервуаре животных потенциально может привести к повторяющимся вторичным событиям нового SARS-CoV-2 от норки к людям и другим млекопитающим. По этой причине многие страны увеличили усилия по надзору и в некоторых случаях внедрили крупномасштабную выбраковку (т.е. выборочный убой) норки на фермах.

    Lineage B.1.1.7 и N501Y

    Линия B.1.1.7 (также называемая 501Y.V1) представляет собой филогенетический кластер, который быстро распространяется в юго-восточной Англии 8 (рисунок). Он накопил 17 определяющих клон мутаций до его обнаружения в начале сентября, что предполагает значительный объем предшествующей эволюции, возможно, у хронически инфицированного хозяина.По состоянию на 28 декабря 2020 года на этот вариант приходилось примерно 28% случаев инфекции SARS-CoV-2 в Англии, и популяционные генетические модели предполагают, что он распространяется на 56% быстрее, чем другие линии. 9 В отличие от D614G, который, вероятно, выиграл от ранних случайных событий, линия B.1.1.7 расширилась, когда случаи SARS-CoV-2 были широко распространены, и, по-видимому, достигла доминирования, превзойдя существующую популяцию циркулирующих вариантов. Это убедительно свидетельствует о естественном отборе вируса, который более передается на популяционном уровне.В то время как меры общественного здравоохранения, такие как маски, физическое дистанцирование и ограничения на большие скопления людей, должны оставаться эффективными, борьба с более заразным вариантом, вероятно, потребует более строгого применения и повсеместного принятия этих мер.

    Рисунок. Распространение нового варианта SARS-CoV-2

    A, Филогенетическое дерево, показывающее взаимосвязь линии B.1.1.7 (20B / 501Y.V1, оранжевая ветвь и кончики) с другими циркулирующими линиями. Длинная ветвь этой линии отражает тот факт, что она накопила значительное количество мутаций до того, как была обнаружена.B, Частота циркуляции линий передачи во времени. Линии выделены цветом, как на дереве, а линия B.1.1.7 (20B / 501Y.V1) показана оранжевым цветом.

    Восемь мутаций линии B.1.1.7 относятся к гликопротеину шипа, включая N501Y в рецепторном связывающем домене, делецию 69_70 и P681H в сайте расщепления фурином. Все эти мутации могут влиять на связывание ACE2 и вирусную репликацию. Прогнозируется, что варианты с шипами 501Y имеют более высокое сродство к человеческому ACE2, а другой вариант, также с мутацией N501Y, быстро распространяется в Южной Африке.Влияние этих мутаций на антигенность в настоящее время неясно.

    Антигенность и эффективность вакцины

    Геномный надзор за вариантами SARS-CoV-2 в основном сосредоточен на мутациях в шиповом гликопротеине, который опосредует прикрепление к клеткам и является основной мишенью для нейтрализующих антител. Существует большой интерес к вопросу о том, опосредуют ли мутации гликопротеина спайка ускользание от антител хозяина и потенциально могут ли они снизить эффективность вакцины, поскольку спайк является основным вирусным антигеном в современных вакцинах.На этом этапе сильный отбор варианта на уровне популяции, вероятно, не управляется антителами хозяина, потому что нет достаточного количества иммунных индивидуумов, чтобы систематически продвигать вирус в заданном направлении. Напротив, если у варианта есть одна или несколько мутаций в шипе, которые увеличивают трансмиссивность, он может быстро вытеснить и заменить другие циркулирующие варианты. Поскольку современные вакцины вызывают иммунный ответ на весь спайковый белок, есть надежда, что эффективная защита все еще может иметь место, несмотря на некоторые изменения в антигенных сайтах в вариантах SARS-CoV-2.

    Разделение причины и следствия важно при оценке данных о нейтрализации антителами вариантов спайков. Независимо от того, почему были выбраны мутации, разумно ожидать, что многие мутации в спайке могут повлиять на нейтрализацию сывороткой выздоравливающих. Поэтому важно учитывать как величину изменения нейтрализации, так и количество проанализированных образцов сыворотки. Другая проблема заключается в том, что вирусные гликопротеины подвержены эволюционным компромиссам.Иногда мутация, которая усиливает одно вирусное свойство, такое как связывание с рецептором, может снизить другое свойство, такое как ускользание антитела хозяина. Действительно, недавние данные свидетельствуют о том, что это может относиться к D614G. 10 Возможно, что мутации в spike, которые «полезны» для вируса прямо сейчас, также могут сделать его менее подходящим в контексте иммунитета на уровне популяции в будущем. Определение этой динамики и их потенциального влияния на эффективность вакцины потребует широкомасштабного мониторинга эволюции SARS-CoV-2 и иммунитета хозяина в течение длительного времени.

    Автор, ответственный за переписку: Адам С. Лауринг, доктор медицины, доктор философии, Отделение инфекционных болезней, Отделение внутренней медицины и Отделение микробиологии и иммунологии, Мичиганский университет, 1150 Вт, Медицинский центр, доктор, MSRB1 5510B, Анн-Арбор, Мичиган 48109- 5680 ([email protected]).

    Опубликовано в Интернете: 6 января 2021 г. doi: 10.1001 / jama.2020.27124

    Исправление: В эту статью 15 февраля 2021 г. было внесено исправление, чтобы исправить заголовок «Спайк N453Y и норка» на правильную замену Y453F.

    Раскрытие информации о конфликте интересов: Д-р Лауринг сообщил о получении личных гонораров от Санофи в качестве консультанта по осельтамивиру и гриппу, а также личных гонораров от компании «Рош» в качестве члена руководящего комитета клинического испытания балоксавира и гриппа, помимо представленных работ. О других раскрытиях информации не сообщалось.

    2.Корбер Б. Фишер WM, Gnanakaran S, и другие; Sheffield COVID-19 Genomics Group. Отслеживание изменений в спайке SARS-CoV-2: свидетельство того, что D614G увеличивает инфекционность вируса COVID-19. Ячейка . 2020; 182 (4): 812-827.e19. DOI: 10.1016 / j.cell.2020.06.043 PubMedGoogle ScholarCrossref 3.Volz E, Hill V, МакКрон JT, и другие; Консорциум COG-UK. Оценка влияния спайковой мутации D614G SARS-CoV-2 на трансмиссивность и патогенность. Ячейка . 2020; S00420315373.PubMedGoogle Scholar5.Hou YJ, Чиба S, Halfmann P, и другие. Вариант SARS-CoV-2 D614G демонстрирует эффективную репликацию ex vivo и передачу in vivo. Наука . 2020; 370 (6523): 1464-1468. DOI: 10.1126 / science.abe8499PubMedGoogle Scholar7.Oude Munnink BB, Сиккема RS, Nieuwenhuijse DF, и другие. Передача SARS-CoV-2 на норковых фермах от человека к норке и обратно человеку. Наука . 2020; eabe5901. DOI: 10.1126 / science.abe5901 PubMedGoogle Scholar9.Davies Н.Г., Барнард RC, Джарвис CI, и др. Оценка трансмиссивности и тяжести нового варианта SARS-CoV-2, вызывающего озабоченность, 202012/01 в Англии. CMMID. Препринт опубликован онлайн 23 декабря 2020 г. Обновлено 31 декабря 2020 г. doi: 10.1101 / 2020.12.24.2024882210.Weissman D, Аламе M-G, де Сильва Т, и другие. Спайковая мутация D614G увеличивает чувствительность SARS CoV-2 к нейтрализации. Клеточный микроб-хозяин . 2020; S1

    Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%) Точность тестирования в случае 1 (%) Точность тестирования в случае 2 (%)

    20 82.67 68,17 93,50 63,00
    30 83,83 75,50 95,67 85,67
    40 96,33 80,83 99,67 77,83
    60 99,00 86,67 98,83 77,50
    99542 70 88,17 99,50 88,00
    80 98,83 89,50 98,50 86,83
    99,83 88,33 99,83 86,67
    110 100,00 87,83 99,83 87.50
    120 100,00 89,17 100,00 89,67
    130 100,00
    100,00 84,67 100,00 86,00
    150 100,00 84.17 100,00 86,33
    160 99,83 77,83 100,00 79,67
    17047 905 905 905 99,67 66,50 100,00 67,50
    190 99,17 72,67 99,50 70,67

    282030634X.PubMedGoogle Scholar

    Сестра Каллиста Рой: адаптационная модель сестринского дела

    Познакомьтесь с биографией сестры Каллисты Рой и адаптационной моделью сестринского дела в этом исследовании Руководство по теории сестринского дела .

    Биография Каллисты Рой

    Сестра Каллиста Л. Рой (родилась 14 октября 1939 г.) — теоретик медсестер, профессор и писатель. Она известна своей новаторской работой по созданию адаптационной модели сестринского дела.

    Образование и карьера

    Каллиста Рой получила степень бакалавра медсестер в колледже Маунт-Сент-Мэри в Лос-Анджелесе в 1963 году и степень магистра медсестер в Калифорнийском университете в 1966 году.

    После получения степени медсестры Рой начала свое социологическое образование, получив степень магистра социологии в 1973 году и докторскую степень по социологии в 1977 году в Калифорнии.

    Во время работы над получением степени магистра Рой на семинаре с Дороти Э. Джонсон предложили разработать концептуальную модель сестринского дела. Рой работал педиатрической медсестрой и заметил большую жизнестойкость детей и их способность адаптироваться к серьезным физическим и психологическим изменениям.Впечатленный этой адаптацией, Рой работал над подходящей концептуальной основой для ухода за больными.

    Она разработала основные концепции модели, когда была аспирантом Калифорнийского университета с 1964 по 1966 год.

    В 1968 году она начала применять свою модель, когда колледж Маунт-Сент-Мэри принял адаптационные рамки в качестве философской основы учебной программы для медсестер.

    Рой был адъюнкт-профессором и заведующим кафедрой сестринского дела в колледже Маунт-Сент-Мэри до 1982 года, а в 1983 году получил звание профессора как в колледже Маунт-Сент-Мэри, так и в Портлендском университете.Она помогла инициировать и преподавала в летней магистерской программе в Портлендском университете.

    Сестра Каллиста Рой. Фото: Бостонский колледж

    Она была научным сотрудником Роберта Вуда Джонсона в Калифорнийском университете в Сан-Франциско с 1983 по 1985 год в качестве клинической медсестры в области нейробиологии. За это время она исследовала вмешательства медсестер для когнитивного восстановления при травмах головы и влияние моделей медсестер на принятие клинических решений.

    С 1987 года по настоящее время Рой начала работать на недавно созданной должности теоретика-ординатора в Школе медсестер Бостонского колледжа, где она преподает докторантуру, магистратуру и аспирантуру.

    В 1991 году она основала Бостонское исследование адаптации в обществе медсестер (BBARNS), которое позже будет переименовано в Ассоциацию адаптации Роя.

    Другая научная работа Роя включает концептуализацию и измерение процесса совладания и разработку философской основы для модели адаптации и эпистемологии медсестер.

    Рой принадлежит сестрам святого Иосифа Каронделетского.

    Адаптация модели сестринского дела

    Адаптивная модель сестринского дела Каллисты Рой была разработана сестрой Каллистой Рой в 1976 году.Известная теория сестринского дела направлена ​​на объяснение или определение предоставления сестринского дела. Согласно ее теории, модель Роя рассматривает человека как набор взаимосвязанных систем, которые поддерживают баланс между этими различными стимулами. Адаптивная модель сестринского дела обсуждается ниже.

    Завод Модель адаптации Роя (3-е издание)

    Старшая Каллиста Рой опубликовала множество публикаций, включая книги и журнальные статьи, по теории медсестер и другим профессиональным темам. Ее произведения переведены на многие языки мира.

    Рой и ее коллеги из Roy Adaptation Association подвергли критике и синтезировали первые 350 исследовательских проектов, опубликованных на английском языке, на основе ее адаптационной модели.

    Ее самая известная работа посвящена адаптационной модели ухода Роя.

    Опубликованные работы
    1. Рой, С. К. (2014). Создание теории среднего уровня: от доказательств к практике. Нью-Йорк, штат Нью-Йорк: Спрингер.
    2. Рой, С.С., и Харрингтон, А. (2013). Исследование на основе адаптационной модели Роя: глобальный взгляд.Создание теории среднего диапазона: от доказательств к практике (стр. 355-365). Нью-Йорк, штат Нью-Йорк: Спрингер.
    3. Рой, С. К. (2013). С точки зрения американского медсестры-теоретика на человека и на благо общества: доктор Каллиста Рой (стр. 3), Кристина Монфорте, RN, MSN, доктор философии (ред.), Каталония: Международный университет Каталонии (UIC).
    4. Рой, С. К., Бароне, С. Х. (2013). Педагогические материалы для создания теорий среднего уровня: доказательства для практики. В С.К. Рой (ред.). Создание теории среднего уровня: от доказательств к практике.Нью-Йорк, штат Нью-Йорк: Спрингер.
    5. Рой, С. К. (2011). Исследования, основанные на модели адаптации Роя: последние 25 лет. Ежеквартальное издание «Медсестринское дело», 24 (4), 312-320.
    6. Рой, С. К. (2011). Расширение модели адаптации Роя для удовлетворения меняющихся глобальных потребностей. Ежеквартальное издание «Медсестринское дело», 24 (4), 345-351.
    7. Сенешак П. М., Рой С. К. (2010). Модель адаптации сестры Каллисты Рой, В книге М. Паркер и М. Смит (ред.), Теории сестринского дела и практика сестринского дела (изд., Стр. 40-страничная рукопись). Филадельфия, Пенсильвания: F.А. Дэвис.
    8. Джонс, Д. А., Рой, С. К., К. А. (2013). Марджори Гордон Живая легенда. NANDA — Международный журнал сестринской терминологии и классификации, 21 (2), 2.
    9. Маккарри, М.С., Хантер Ревелл, С., и Рой, К. (2010). Знания на благо человека и общества: объединение философии, дисциплинарных целей, теории и практики. Философия сестринского дела, 11 (1), 42-52.
    10. Рой, К. (2009). Модель адаптации Роя, 3-е издание. Река Аппер Сэдл, штат Нью-Джерси: Prentice-Hall Health.
    11. Бароне С., Рой К. и Фредериксон К. (2008). Инструменты, использованные в исследовании, основанном на модели адаптации Роя: обзор, критика и дальнейшие направления. Ежеквартально по медсестринскому делу. 21 (4), 353-362.
    12. Рой, К. (2007). Обновление из будущего: размышления о теоретике Каллисте Рой. Ежеквартальное издание «Медсестринское дело», 20 (2), 113-116.
    13. Рой, старший К. и Джонс, Д. (редакторы). (2007). Развитие медсестринских знаний и клиническая практика. Нью-Йорк, штат Нью-Йорк: Спрингер.
    14. Джонс, Д.А., Рой, К.А., и Авант, К. (2010). Марджори Гордон, живая легенда. НАДА — Международный журнал терминологии и классификации сестринского дела, 21 (2), 80-81.
    15. Рой, К. (2010). Оценка и модель адаптации Роя. (М. Ито, Пер.). Журнал Японского общества сестринской диагностики, 15 (1), 35-41.
    16. Рой С.С. и Доулатшахи М. (2010). Вперед. В глоссарии концепций сестринского дела и теорий сестринского дела (стр. 2-3). Тегеран, Иран: Издательский центр медицинских наук.
    17. Рой, С.К., Жан, Л. (2010). Модель адаптации сестры Каллисты Рой и ее применение. В М. Паркер и М. Смит (ред.), Теории сестринского дела и практика сестринского дела, 3-е издание (стр. 167-181). Филадельфия, Пенсильвания: Ф.А. Дэвис.
    18. Рой, К. (2010). Сестринская практика и исследования, основанные на адаптационной модели Роя. Вестник колледжа Святой Марии, 5-13.
    19. Рой, К. (2010). Мысли теоретика. Обзор адаптации Роя, 13 (1), 5.
    20. Рой, К. (2009). Вперед. В Дж. Катлиффе, К.Гиркас и Х. Маккенна (ред.), Модели медсестер: применение на практике. Лондон. Великобритания: Quay Books.
    21. Рой, К., и Солодюк, Дж. (2009). Глобальная конференция медсестер, сфокусированная на знаниях на благо людей и общества с размышлениями доктора философии. студенты. Информационный бюллетень Международной сети докторантуры по сестринскому делу (INDEN), 8 (1), 5-6.
    22. Рой, К., Ветселл, М.В., и Фредериксон, К. (2009). Модель адаптации Роя и исследования: глобальная перспектива. Ежеквартальное издание «Медсестринское дело», 22 (3), 209-211.
    23. Рой, К. (2009). Мысли теоретика. Ежеквартальное издание «Медсестринское дело», 12 (1), 4.
    24. Рой, К. (2009). Оценка и модель адаптации Роя. Японский журнал медсестер, 29 (11), 5-7.
    25. Рой, К. (2008). Проблемы и теория: общая картина. Ежеквартально по медсестринскому делу. 21 (2), 138-139.
    26. О’Коннор, А. и Рой, К. (2008). Выбросы электростанций и здоровье населения. Американский журнал медсестер. 108 (2), 62-70.
    27. Маги, Т. и Рой, К.(2008). Прогнозирование поведенческих проблем школьного возраста: роль факторов риска в раннем детстве. Педиатрический уход, 34 (1), 37-43.
    28. Уиллис Д., Грейс П. и Рой К. (2008). Главный объединяющий центр дисциплины: содействие гуманизации, значению, выбору, качеству жизни и умиранию. Достижения в области сестринского дела. (31) 1. только онлайн: www.advancesinnursingscience.com
    29. Чайпут П. и Рой К. (2007). Психометрическое тестирование тайской версии шкалы обработки совладания и адаптации — краткой формы (TCAPS-SF).Тайский журнал Совета медсестер, 22 (3), 29-39.
    30. Рой, К. (2007). Обновление из будущего: размышления о теоретике Каллисте Рой. Ежеквартальное издание «Медсестринское дело», 20 (2), 113-116.
    31. Рой, К. (2007). Модель адаптации Роя: исторические и философские основы. У Марии Элизы Морено и др. (Ред.) Приложение Del Model Adaptacion en el Ciclo Vital Humano, 2-е издание. Чиа, Колумбия: Университет Ла Сабана.
    32. Рой, К. (2007). Фундаментальная история и философия модели адаптации Роя.В Guitierrez, M. DC (Ed.) Adaptacion y Cuidado en el ser Humano: Una Vision de Enfermeria. Богота: от редакции El Manual Moderno, Universidad de la Sabana, 1-12.
    33. Рой К. и Линдендолл Н. (2006). Определение международного консенсуса по наставничеству в докторантуре. Журнал исследований в области сестринского дела, 11 (4), 345-353.
    34. Моргилло-Фриман, С. и Рой, К. (2005). Когнитивно-поведенческая терапия и модель адаптации Роя: обсуждение теоретической интеграции. В S.M. Фриман и А.Фриман (ред.), Когнитивно-поведенческая терапия в сестринской практике. Нью-Йорк: Springer Publishing Company, 3–27.
    35. Рой, К. и Грей, М. (2005). Роль супервайзера / наставника. В Ketefian, S. & McKenna, H.P. (Ред.). Докторантура в области сестринского дела с международными перспективами. Нью-Йорк: Рутледж.
    36. Рой, К. (2003). Размышления об исследованиях в области сестринского дела и адаптационной модели Роя. Японский журнал Igaju-syoin, 36 (1), 7-11.
    37. Виттемор Р. и Рой К. (2002). Адаптация к сахарному диабету: синтез теории.Ежеквартальное издание «Медсестринское дело», 15 (4), 311-317.

    Награды и награды

    Старшая Каллиста Рой получила множество наград за свою работу и вклад в профессию медсестры.

    В 2007 году Американская академия медсестер и Ассоциация зарегистрированных медсестер Массачусетса присвоили Рою Living Legend .

    Рой также является членом Sigma Theta Tau, и в 1981 году она получила Национальную премию учредителя за выдающиеся достижения в области внедрения профессиональных стандартов сестринского дела.

    Среди ее достижений — звание почетного доктора гуманитарных наук в колледже Альверно в 1984 году, почетное звание доктора в Университете Восточного Мичигана (1985 год) и в основном в колледже Св. Джозефа (1999 год).

    Она также получила награду American Journal of Nursing Book of the Year за the Roy Adaptation Model Essentials .

    Другие ее награды и награды:

    • 2013 — Премия выдающегося выпускника, епископ Конати / Средняя школа Девы Марии Лоретто
    • 2013 — почетная докторская степень, Университет Святого Семейства
    • 2013 — Премия выпускников за профессиональные достижения, UCLA
    • 2013 — Отличник медсестер, Университет Антиокии, Медельин, Колумбия
    • 2011 — Ежеквартальный специальный выпуск «Медсестринское дело», посвященный работе Каллисты Рой, Vol.24, Чис. 4 октября 2011 г.
    • 2011 — Награда за образец плаката старшему научному сотруднику факультета, Центр исследований в области медсестер Ивонн Л. Манн и Комитет по медсестринским исследованиям, Массачусетская больница общего профиля
    • 2011 — Премия Sigma Mentor Award, Sigma Theta Tau International Alpha Chi Глава
    • 2010 — Картинная галерея теоретиков Университета Южной Алабамы, Университет Алабамы
    • 2010 — введен в Зал славы медсестер-исследователей, первый класс, Sigma Theta Tau International, Honor Society of Nursing
    • 2010 — «Шестьдесят, которые сделали мир лучше», Школа медсестер Калифорнийского университета в Лос-Анджелесе, 6-я годовщина
    • 2010 — Призывник, Зал славы международных медсестер-исследователей Sigma Theta Tau
    • 2007 — Премия Американской академии медсестер Living Legend

    Адаптационная модель ухода Каллисты Рой

    Адаптационная модель сестринского дела — известная теория сестринского дела, цель которой объяснить или дать определение положениям медсестринского дела.Согласно ее теории, модель сестры Каллисты Рой рассматривает человека как набор взаимосвязанных систем, которые поддерживают баланс между различными стимулами.

    Модель адаптации Роя была впервые представлена ​​в литературе в статье, опубликованной в 1970 г. в номере Nursing Outlook под названием «Адаптация: концептуальная основа для медсестер». В том же году адаптационная модель сестринского дела Роя была адаптирована в школе Маунт-Сент-Мэри в Лос-Анджелесе, Калифорния.

    Модель

    Роя была придумана, когда теоретик сестринского дела Дороти Джонсон предложила своим ученикам разработать концептуальные модели медсестер во время семинара.Модель сестринского дела Джонсона послужила толчком для разработки модели адаптации Роя.

    Модель

    Роя включала концепции теории восприятия на уровне адаптации известного американского психолога-психолога Гарри Хельсона, Системную модель Людвига фон Берталанфи и определение системы Анатоля Рапопорта.

    Во-первых, рассмотрим концепцию системы применительно к человеку. Рой рассматривает человека в целостной перспективе. Отдельные аспекты частей действуют вместе, образуя единое существо.Кроме того, как живые системы люди находятся в постоянном взаимодействии со своим окружением. Между системой и окружающей средой происходит обмен информацией, материей и энергией. Характеристики системы включают входы, выходы, элементы управления и обратную связь.

    Допущения
    Научные предположения
    • Системы материи и энергии продвигаются к более высоким уровням сложной самоорганизации.
    • Сознание и смысл конструктивны для интеграции человека и окружающей среды.
    • Осознание себя и окружающей среды коренится в мышлении и чувствах.
    • Люди своими решениями несут ответственность за интеграцию творческих процессов.
    • Мышление и чувство опосредуют действия человека.
    • Системные отношения включают принятие, защиту и поощрение взаимозависимости.
    • Люди и земля имеют общие закономерности и неразрывные отношения.
    • Преобразования человека и окружающей среды создаются в сознании человека.
    • Интеграция смыслов человека и окружающей среды приводит к адаптации.
    Философские предположения
    • Люди имеют взаимоотношения с миром и Богом.
    • Человеческий смысл уходит корнями в конвергенцию омега-точки вселенной.
    • Бог глубоко раскрывается в разнообразии творения и является общей судьбой творения.
    • Люди используют человеческие творческие способности осознания, просвещения и веры.
    • Люди несут ответственность за процессы создания, поддержания и преобразования Вселенной.

    Основные концепции модели адаптации

    Ниже приведены основные концепции модели адаптации Каллисты Рой, включая определение метапарадигмы медсестер, как это определено теорией.

    Человек

    «Человеческие системы обладают способностями к мышлению и чувствам, основанными на сознании и значении, благодаря которым они эффективно приспосабливаются к изменениям в окружающей среде и, в свою очередь, влияют на окружающую среду».

    Согласно Рою, люди — целостные существа, которые находятся в постоянном взаимодействии со своим окружением.Люди используют систему адаптации, как врожденную, так и приобретенную, чтобы реагировать на раздражители окружающей среды, которые они испытывают. Человеческие системы могут быть отдельными людьми или группами, такими как семьи, организации и все глобальное сообщество.

    Окружающая среда

    «Условия, обстоятельства и влияния, окружающие и влияющие на развитие и поведение людей или групп, с особым учетом взаимности человека и ресурсов здоровья, включая фокусные, контекстные и остаточные стимулы.”

    Окружающая среда определяется как условия, обстоятельства и влияния, которые влияют на развитие и поведение человека как адаптивной системы. Окружающая среда — это стимул или вход, который требует от человека адаптации. Эти стимулы могут быть положительными или отрицательными.

    Рой разделил эти стимулы на фокальные, контекстные и остаточные. Фокусные стимулы — это стимулы, которые противостоят системе человека и требуют наибольшего внимания. Контекстные стимулы характеризуются как остальные стимулы, присутствующие вместе с фокусными стимулами и способствующие их действию. Остаточные стимулы — это дополнительные факторы окружающей среды, присутствующие в ситуации, но эффект которых неясен. Это может включать предыдущий опыт использования определенных стимулов.

    Здоровье

    «Здоровье — это не свобода от неизбежности смерти, болезней, несчастий и стрессов, а способность грамотно с ними справиться».

    Здоровье определяется как состояние, при котором люди могут постоянно приспосабливаться к раздражителям. Поскольку болезнь — это часть жизни, здоровье является результатом процесса, в котором здоровье и болезнь могут сосуществовать.Если человек сможет продолжать целостную адаптацию, он сохранит здоровье, чтобы достичь полноты и единства внутри себя. Если они не могут соответствующим образом адаптироваться, это может отрицательно сказаться на целостности человека.

    Сестринское дело

    «[Целью ухода является] содействие адаптации отдельных лиц и групп в каждом из четырех адаптивных режимов, тем самым способствуя здоровью, качеству жизни и достойной смерти».

    В модели адаптации медсестры являются помощниками в адаптации.Они оценивают поведение пациента для адаптации, способствуют положительной адаптации, улучшая взаимодействие с окружающей средой и помогая пациентам положительно реагировать на стимулы. Медсестры устраняют неэффективные механизмы выживания и в конечном итоге приводят к лучшим результатам.

    Адаптация

    Адаптация — это «процесс и результат, посредством которого думающие и чувствующие люди как отдельные лица или группы используют сознательное понимание и выбор для создания интеграции человека и окружающей среды».

    Внутренние процессы
    Регулятор

    Подсистема регулятора — это физиологический механизм выживания человека.Организм пытается адаптироваться через регуляцию наших телесных процессов, включая нейрохимическую и эндокринную системы.

    Cognator

    Подсистема когнитора — это психический механизм преодоления трудностей человека. Человек использует свой мозг, чтобы справиться с ситуацией, используя адаптивные режимы самооценки, взаимозависимости и ролевой функции.

    Четыре адаптивных режима Схематическое изображение адаптивных систем человека Роя. Нажмите, чтобы увеличить.

    Четыре адаптивных режима подсистемы — это то, как проявляются механизмы регулятора и когнитора; Другими словами, они являются внешними проявлениями вышеупомянутых и внутренних процессов.

    Физиолого-физический режим

    Физические и химические процессы вовлечены в функции и деятельность живых организмов. Это реальные процессы, запускаемые подсистемой регулятора.

    Основная потребность этого режима состоит из потребностей, связанных с оксигенацией, питанием, элиминацией, активностью и отдыхом, а также защитой. Сложные процессы этой модели связаны с органами чувств, жидкостями и электролитами, неврологической и эндокринной функцией.

    Режим групповой идентичности самооценки

    В этом режиме цель совладания с ситуацией — обрести чувство единства, то есть целеустремленность во вселенной, и чувство целостности личности. Это включает в себя образ тела и собственные идеалы.

    Ролевой режим

    В этом режиме основное внимание уделяется первичным, вторичным и высшим ролям, которые человек занимает в обществе, и знанию своего положения как члена общества.

    Режим взаимозависимости

    Этот режим направлен на достижение целостности в отношениях через дарение и получение любви, уважения и ценности.Это достигается за счет эффективного общения и отношений.

    Уровни адаптации
    Интегрированный процесс

    Различные режимы и подсистемы соответствуют потребностям среды. Обычно это стабильные процессы (например, дыхание, духовная реализация, успешные отношения).

    Компенсационный процесс

    Когнатор и регулятор сталкиваются с проблемами в связи с потребностями окружающей среды, но работают над их удовлетворением (например,г., горе, выход на новую работу, компенсаторное дыхание).

    Взломанный процесс

    Режимы и подсистемы неадекватно отвечают требованиям окружающей среды (например, гипоксия, неразрешенная потеря, жестокие отношения).

    Шестиступенчатый процесс сестринского дела

    Роль медсестры в модели адаптации состоит в том, чтобы манипулировать стимулами, удаляя, уменьшая, увеличивая или изменяя стимулы для пациента.

    1. Оцените поведение, проявленное в четырех адаптивных режимах.
    2. Оцените стимулы, классифицируйте их как фокусные, контекстные или остаточные.
    3. Сделайте заключение или медсестринский диагноз об адаптивном состоянии человека.
    4. Поставьте цель способствовать адаптации.
    5. Осуществлять вмешательства, направленные на управление раздражителями.
    6. Оцените, достигнута ли адаптивная цель.

    Анализ

    В качестве одного из слабых мест теории, что ее применение требует времени, применение модели к чрезвычайным ситуациям, требующим быстрых действий, является трудным для завершения, человек мог бы завершить весь процесс адаптации без преимущества получения полной оценки для тщательного ухода. вмешательства.

    Адаптивные ответы могут различаться у каждого человека и могут занимать больше времени по сравнению с другими. Таким образом, контроль медсестер может быть затруднен к моменту выписки пациента.

    В отличие от Левина, хотя последний занимался адаптацией, Рой сосредоточился на самой адаптивной системе в целом. Каждая концепция была связана с механизмами выживания каждого человека в процессе адаптации.

    Когда человек демонстрирует неэффективную реакцию во время процесса адаптации, роли медсестер четко не обсуждались.Суть концепции заключалась в том, чтобы способствовать адаптации, но ничего не говорилось о предотвращении и устранении дезадаптации.

    Сильные стороны модели адаптации Роя
    • Модель адаптации Каллисты Рой предполагает влияние множества причин в ситуации, что является сильной стороной при общении с многогранными людьми.
    • Последовательность концепций в модели Роя следует логически. В представлении каждой из ключевых концепций постоянно повторяется идея адаптации для сохранения целостности.Каждая концепция была определена оперативно.
    • Концепции модели Роя изложены относительно просто.
    • Основным преимуществом модели является то, что она помогает медсестрам использовать навыки наблюдения и проведения собеседований при проведении индивидуальной оценки каждого человека. Концепции модели Роя применимы во многих медицинских учреждениях.

    Слабые стороны
    • Кропотливое применение модели требует значительных затрат времени и усилий.
    • Модель
    • Роя состоит из множества элементов, систем, структур и множества концепций.

    См. Также

    Вам также могут понравиться следующие руководства по теории сестринского дела:

    Список литературы
    1. Уиллс М. Эвелин, МакИвен Мелани (2002). Теоретические основы сестринского дела. Филадельфия. Липпинкотт Уильямс и Уилкинс.
    2. Эндрю, Х.А. и Рой, К. (1991). Обзор физиологического режима. В Джордж, Дж. (Ред.). Сестринские теории: основа профессиональной сестринской практики. Норуолк, Коннектикут: Appleton & Lange.
    3. Рой, К. и Маклеод, Д. (1981) Теория личности как адаптивная система. В Джордж, Дж. (Ред.). Сестринские теории: основа профессиональной сестринской практики. Норуолк, Коннектикут: Appleton & Lange.
    4. Рой, К. и Адрюс, Х.А. (1999). Модель адаптации Роя (2-е изд.). В McEwen, M. и Wills, E. (Ed.). Теоретические основы сестринского дела.

      Добавить комментарий

      Ваш адрес email не будет опубликован. Обязательные поля помечены *