CC BY
5УДК 629.7.018
ГРНТИ 55.47.81
ИНТЕЛЛЕКТУАЛИЗАЦИЯ ПРОЦЕССА РАЗРАБОТКИ ПОЛЕТНЫХ ЗАДАНИЙ НА ИСПЫТАТЕЛЬНЫЕ ПОЛЕТЫ С ПРИМЕНЕНИЕМ СЕТЕВЫХ И НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ
А.С. СОЛДАТОВ, кандидат технических наук, доцент
Государственный летно-испытательный центр имени В.П. Чкалова (г. Щелково)
Д.В. МИТРОФАНОВ, кандидат педагогических наук, доцент
ВУНЦВВС «ВВА имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж)
А.А. ОСИПОВ
Государственный летно-испытательный центр имени В.П. Чкалова (г. Щелково)
В статье представлены выводы из анализа проблемных вопросов информационного обеспечения процесса разработки полетных заданий на испытательные полеты. Предложена архитектура информационного хранилища нормативно-технической документации, построенная на основе концепции облачных хранилищ. Приведено описание трехуровневой облачной системы маршрутизации пользовательских запросов, обеспечивающей многопользовательский доступ к информационному хранилищу нормативно-технической документации. При описании системы маршрутизации пользовательских запросов предложено использование таких информационно-сетевых решений как «ГосОблако» и RSNet. Обоснована необходимость реализации функции интеллектуального поиска при разработке информационного хранилища. Определены технические и программные решения, позволяющие реализовать интеллектуальный поиск во всем объеме информационного хранилища. Предложена архитектура дополнительного программного обеспечения, реализующего функцию интеллектуального поиска в информационном хранилище. В основе дополнительного программного обеспечения предложено использование вычислительных моделей нейронных сетей. Описаны способы работы различных вычислительных моделей, их преимущества и недостатки. Обоснована необходимость применения в дополнительном программном обеспечении информационного хранилища вычислительной модели предварительно обученной нейронной сети по типу модели BERT. Описан основной принцип работы вычислительной модели BERT и преимущества ее применения. Сделаны выводы об актуальности рассматриваемой проблемы и предложенных технических решений.
Ключевые слова: информационное хранилище, полетное задание, летные испытания, интеллектуализация, система маршрутизации.
Введение. Летные испытания современных авиационных комплексов (АК) неразрывно связаны с получением, обработкой и хранением больших объемов нормативно-технической и организационно-правовой информации [1]. Одной из задач летных испытаний, требующей обращения к указанным видам информации, является подготовка полетного задания (ПЗ) на испытательный полет. В процессе подготовки ПЗ анализируется большое количество технической и нормативно-технической документации, представленной как в бумажной, так и в электронной форме. Зачастую такие информационные источники слабо структурированы и имеют значительный объем, что существенно затрудняет поиск необходимых сведений и увеличивает время подготовки ПЗ. Процесс усложняется тем, что информация об одном и том же объекте поиска может содержаться одновременно в нескольких разнотипных документах или в одном документе, но в разных его частях. В таких условиях при составлении ПЗ возникают предпосылки к возникновению ошибок и неточностей, связанные с человеческим
фактором, так как важные технические сведения составитель ПЗ может не найти в полном объеме или не учесть [2]. Такие ошибки отражаются на качестве выполнения экипажем летного эксперимента, а также могут повлиять на безопасность выполнения испытательного полета.
Актуальность. Указанных недостатков можно избежать посредством формирования электронного информационного хранилища, обеспечивающего оперативный доступ к любой технической и нормативно-технической документации и выполнение интеллектуального поиска необходимых сведений во всем информационном объеме хранилища [3]. Под интеллектуальным поиском подразумевается семантический анализ исследуемого текста, проводимый с целью определения смысловой нагрузки и взаимосвязи каждой его значимой единицы (слова, предложения, абзаца...) и последующей выдачи по запросу совокупности значимых единиц исследуемого текста, объединённых семантикой, схожей тексту пользовательского запроса [4, 5].
Однако при реализации такого хранилища возникает ряд трудностей. Во-первых, всю имеющуюся нормативно-техническую документацию в бумажной форме необходимо преобразовать в электронный вид, а также своевременно оцифровывать и добавлять в хранилище все вновь разрабатываемые документы. Во-вторых, для осуществления возможности интеллектуального поиска, над информационным хранилищем требуется надстройка дополнительного программного обеспечения, реализующего алгоритмы решения NLP-задач (Natural Language Processing, обработка естественного языка). Задача оцифровки документации и их актуализации может быть решена административными методами, что не влечет за собой трудностей с технической точки зрения. Напротив, реализация интеллектуального поиска сведений в информационном хранилище является сложной технической задачей, актуальной не только для обеспечения процесса разработки ПЗ на испытательные полеты, но и для реализации концепции единого информационного пространства обеспечения летных испытаний в целом [6-8].
Особенности построения и организации работы информационного хранилища нормативно-технической документации. По форме содержания ПЗ можно разделить на две части - структурированную и неструктурированную. В структурированной части ПЗ содержится информация о номере пункта программы испытаний, точках маршрута полета, составе экипажа, взлетной массе, массе заправляемого топлива и т.д. Указанная информация является исходной при составлении ПЗ и может храниться в табличном виде. Неструктурированная часть ПЗ содержит порядок действий экипажа в полете, описание взаимодействия членов экипажа, опасные факторы при выполнении полета, меры безопасности в полете и т.д. Эти сведения находятся в нормативно-технической документации и могут составлять до 80 % от общего содержания ПЗ. В свою очередь, нормативно-техническую документацию можно условно разделить на несколько групп: нормы летной годности; руководства по летной эксплуатации; государственные стандарты; нормативно-техническая документация системы общих технических требований и т.д.
Учитывая рассмотренные особенности, электронное информационное хранилище целесообразно реализовать в виде группы баз данных (БД), разделенных по кластерному принципу. При этом для хранения исходной информации, необходимой для составления структурированной части ПЗ, оправдано использование БД, построенной на основе реляционной модели данных (SQL БД) [9]. Такая модель позволяет оперировать математическим аппаратом реляционной алгебры и теории множеств, что позволяет производить над элементами БД теоретико-множественные операции и тем самым существенно упростить анализ хранящейся информации. Напротив, информация, представленная в виде нормативно-технической документации, не может быть строго структурирована, как того требует реляционная модель данных, поэтому ее целесообразно хранить в БД, организованной на нереляционных моделях (NoSQL БД). Следуя принципу кластеризации, для каждой группы нормативно-технической документации необходимо формировать отдельную БД, ориентированную на хранение определенного вида документов. Такой подход оправдан
удобством администрирования информационного хранилища, оптимальным использованием оперативной памяти вычислительной системы при обращении к БД, а также простотой реализации общей архитектуры информационного хранилища.
Важным требованием к информационному хранилищу является организация распределенного многопользовательского доступа. Такое требование определяется тем, что специалисты, вырабатывающие предложения в содержание ПЗ, зачастую являются сотрудниками различных, территориально разнесенных предприятий авиационной промышленности и не имеют возможности постоянного присутствия на летных испытаниях. Кроме того, в своей работе специалисты используют только нормативно-техническую документацию, хранящуюся на их предприятиях, которая может быть устаревшей или не достаточно полной. Это создает предпосылки к увеличению времени подготовки ПЗ, разночтениям информации и, как следствие, возникновению фактических ошибок и неточностей в содержании ПЗ. Организация единого информационного хранилища с общим удаленным доступом позволит специалистам на своих рабочих местах использовать один и тот же комплект нормативно-технической документации, являющийся наиболее полным и актуализированным, что позволит избежать указанных выше недостатков.
Для организации многопользовательского доступа к информационному хранилищу предлагается реализовать трехуровневую облачную систему маршрутизации пользовательских запросов на основе закрытой глобальной сети (рисунок 1).
Рисунок 1 - Система маршрутизации пользовательских запросов
На нижнем уровне системы располагаются рабочие места специалистов, объединенные в рабочие группы по территориальному признаку (в рамках одного предприятия, одного структурного подразделения и т.д.). Рабочие места внутри группы связанны локальной вычислительной сетью (LAN) посредством коммутаторов. Средним уровнем системы маршрутизации является глобальная вычислительная сеть (WAN), организованная между рабочими группами. WAN объединяет все предприятия и структурные подразделения в закрытую глобальную вычислительную сеть и обеспечивает защищенный доступ к информационному хранилищу (верхний уровень). Закрытая WAN может быть построена на основе существующей телекоммуникационной сети RSNet (Российский государственный сегмент сети Интернет). Для выполнения требований подключения реализуемой WAN к RSNet между первым и вторым уровнем системы маршрутизации предусмотрено использование сертифицированных органами ФСБ и ФСТЭК криптошлюзов на базе технологии VIPNet VPN совместно с межсетевыми экранами [10, 11].
Применение технологии ViPNet VPN при организации защищенных WAN имеет ряд преимуществ: отсутствует проблема взаимодействия разнотипного сетевого оборудования пользователей сети, в том числе реализующих статическую и динамическую трансляцию адресов и портов; существует возможность раздельной фильтрации потоков трафика, что предоставляет дополнительную возможность организации разграничения прав пользователей сети; поддерживается возможность межсетевого взаимодействия, что позволяет подключать к закрытой WAN неограниченное количество рабочих групп пользователей; наличие в каждой программной компоненте межсетевого экрана и системы контроля сетевой активности, что дает дополнительную защиту информации и возможность анализировать активность пользователей сети. Таким образом, применение названных технологий позволит обеспечить многопользовательский защищенный доступ к информационному хранилищу с любого рабочего места, подключенного к защищенной WAN.
При реализации подобной системы маршрутизации само информационное хранилище целесообразно создавать как облачное хранилище внутри глобальной сети. Рассматриваемое облачное хранилище должно работать по модели обслуживания PaaS (Platform-as-a-service). Указанная модель подразумевает то, что информационное хранилище физически будет развернуто на сторонних высокопроизводительных отказоустойчивых серверах, обслуживаемых провайдером и подключенных к закрытой глобальной сети, а за корректную работу и администрирование самого хранилища будет отвечать его владелец. В качестве владельца информационного хранилища может выступать группа штатных системных администраторов одного или нескольких испытательных центров авиационной промышленности. В качестве провайдера облачных сервисов, позволяющего безопасно хранить на своих серверах конфиденциальную информацию, может выступать ГЕОП «ГосОблако» (Государственная единая облачная платформа), предоставляющая возможность шифрования хранящихся данных криптостойкими алгоритмами, сертифицированными ФСБ и ФСТЭК.
Важным преимуществом модели обслуживания PaaS является то, что она предоставляет возможность размещения на высокопроизводительных серверах совместно с информационным хранилищем надстройки дополнительного программного обеспечения, требуемого для реализации функции интеллектуального поиска информации. Это исключает необходимость установки дополнительного программного обеспечения на рабочие места специалистов и существенно снижает системные требования к их персональным компьютерам. Для обеспечения надежности и отказоустойчивости самого информационного хранилища необходимо предусмотреть периодическое резервное копирование данных на внешний (не подключенный к закрытой WAN) сервер.
Функция интеллектуального поиска в информационном хранилище нормативно-технической документации. Реализация интеллектуального поиска во всем информационном объеме хранилища нормативно-технической документации связана с рядом существенных
трудностей: необходима разработка дополнительного программного обеспечения, способного решать NLP-задачи обработки и семантического анализа текста; к программно-аппаратному комплексу, на который будет установлено дополнительное программное обеспечение, должны предъявляться высокие системные требования, вследствие значительных вычислительных мощностей, необходимых для решения NLP-задач.
Как было указано выше, проблема наличия значительных вычислительных мощностей может быть решена путем размещения программного обеспечения на высокопроизводительных серверах провайдера облачного хранилища ГЕОП «ГосОблако». Для эффективной и надежной работы самого программного обеспечения при его разработке предполагается использование вычислительных моделей нейронных сетей. К основным типам вычислительных моделей, используемых при решении NLP-задач, можно отнести такие модели как CNN (Convolutional Neural Network, сверточные нейронные сети), RNN (Recurrent Neural Network, рекуррентные нейронные сети) и модели типа Transformer. Последняя вычислительная модель представляется наиболее прогрессивной, поскольку ее применение показывает лучшие результаты при решении задач обработки и анализа больших обьемов текстовой информации [12, 13]. Отличительной особенностью вычислительных моделей типа Transformer является их способность обрабатывать получаемую на входе (энкодере) последовательность данных параллельно, а не последовательно, как это делают CNN и RNN модели. Это существенно ускоряет процесс обучения нейронной сети и позволяет ей эффективно работать с большими объемами данных. Кроме того, в моделях Transformer реализован механизм self-attention («внимание на себя»), который позволяет обращаться в любой момент времени к любому элементу обрабатываемой последовательности данных без необходимости хранить промежуточные шаги обработки, как это реализовано в RNN моделях.
Благодаря механизму self-attention модель Transformer может эффективно определять семантику текста, подаваемого на ее вход в виде последовательности слов S состоящей из n слов
S — F(xu х2, х3,...,хк,..., хп).
(1)
Смысл отдельно взятого слова Хк определяется на основе его взаимосвязи с каждым словом последовательности, таким образом, на выходе энкодера нейронной сети анализируемое слово представляется в виде вектора
хк = К (*1 X Хк (Х2\..., хк (х^ ),1, хк (хк+1),..., хк (хп) } .
(2)
Длина вектора Xk равна количеству слов во входной последовательности S, а каждый его
элемент является «отображением» (весовым коэффициентом) исходного слова на слово последовательности, порядковый номер которого равен индексу элемента вектора. Весовой коэффициент количественно выражает степень взаимосвязи слов исследуемого текста по одному из имеющихся признаков и может принимать значения в диапазоне [0,1]. Благодаря возможности модели Transformer параллельно обрабатывать исходные данные, для одного и того же слова на выходе энкодера может формироваться несколько векторов Xk , отражающих его взаимосвязь с другими словами по различным признакам. Суммирование весовых коэффициентов полученных векторов ^ (Xk). позволяет наиболее точно и полно описать
значение анализируемого слова в тексте. После проведения описанных манипуляций со всеми словами исходного текста нейронная сеть сравнивает вычисленные значения весовых коэффициентов с полученными в процессе ее обучения и делает вывод о семантике анализируемого текста. Благодаря указанным особенностям нейронная сеть, построенная на
основе вычислительной модели Transformer, соответствует требованиям, предъявляемым к программному обеспечению, создаваемому для реализации функции интеллектуального поиска текстовой информации [15, 16].
Наиболее распространенной предварительно обученной вычислительной моделью типа Transformer, используемой для обработки естественного языка и текстовых данных, является модель BERT (Bidirectional Encoder Representations from Transformers, двунаправленная нейронная сеть-кодировщик), разработанная в 2018 году учеными из Google [17-19]. Отличительной особенностью модели BERT является ее возможность двунаправленного «внимания» при анализе текстовой последовательности, то есть работа, как с левосторонним, так и с правосторонним контекстом, что существенно улучшает качество определения семантики анализируемого текста. Кроме того, модель BERT является предварительно обученной на большом русскоязычном корпусе лингвистических данных и имеет открытый код, что значительно упрощает ее использование.
Таким образом, дополнительное программное обеспечение, реализующее функцию интеллектуального поиска в информационном хранилище, может быть разработано на основе предварительно обученной нейронной сети по типу модели BERT (рисунок 2) и иметь следующую архитектуру: обработчик пользовательских запросов; модуль формирования ответа на запрос; модуль анализа структурированных данных; модуль анализа неструктурированных данных [20-22].
Рисунок 2 - Архитектура программного обеспечения, реализующего функцию интеллектуального поиска
информации
Обработчик пользовательских запросов распределяет полученные запросы на две группы: запросы по исходным данным (структурированная часть ПЗ); запросы по нормативно-технической документации (неструктурированная часть ПЗ). Далее, в зависимости от распределения, текстовый запрос поступает на вход модулей анализа данных, где происходит его окончательная обработка и формирование выборки необходимых данных из информационного хранилища. Сформированные выборки поступают на модуль формирования ответа на запрос, где происходит окончательное составление текстового ответа и передача его к пользователю через обработчика запросов.
В свою очередь, модуль анализа неструктурированных данных может иметь в своем составе такие программные компоненты как: преобразователь текста запроса; нейронная сеть (модель BERT); формирователь текста ответа; модуль предварительной выборки. Логика работы модуля анализа неструктурированных данных следующая - получив пользовательский запрос, содержащий в себе, как правило, текст цели летного эксперимента, программный модуль преобразует его в последовательность слов Si и посредством алгоритмов обработки текстовых данных, заложенных в нейронной сети (модель BERT), определяет смысл содержания текста запроса. На основе полученных результатов модуль предварительной выборки формирует группу текстовых документов, подходящих по содержанию пользовательскому запросу, и формирует из них последовательность слов S2. Данная последовательность подается на вход нейронной сети, где происходит ее разбиение на абзацы текста и затем поабзацный семантический анализ.
Суть анализа заключается в том, чтобы сравнить смысл содержания пользовательского запроса и обрабатываемого текстового абзаца, то есть отобразить одну последовательность на другую S2 ^ Si. Если смысл текста абзаца в значительной степени совпадает с пользовательским запросом, то формирователь текста ответа заносит текст абзаца в словарь с пометкой документа, откуда он был взят, и всей ссылочной информацией, содержащейся в тексте абзаца (таблицы, рисунки и т.д.). После сканирования всех документов из предварительной выборки, полученный словарь передается в модуль формирования ответа на запрос для конечного оформления текста ответа. Таким образом, реализуется функция интеллектуального поиска информации во всем объеме информационного хранилища нормативно-технической документации.
Главной особенностью описанного процесса является его ориентированность на семантику запроса, а не на простую схожесть слов как при обычном поиске. Кроме того, реализуя описанную логику, удастся существенно снизить риск возникновения технических ошибок при составлении ПЗ, связанных с недостаточно подробным описанием или упущением необходимой информации в тексте ПЗ.
Выводы. Разработка информационного хранилища нормативно-технической документации, необходимой для составления ПЗ, является важной частной задачей автоматизации летных испытаний. Предложенные в статье технические решения разработки программного обеспечения и построения архитектуры информационного хранилища, основанные на применении сетевых и нейросетевых технологий, позволят решить указанную задачу, а также обеспечат простоту их внедрения в существующую систему летных испытаний. Стоит отметить, что дальнейшее развитие предложенных решений позволит не ограничивать область применения информационного хранилища лишь составлением ПЗ, а расширить ее на все этапы и процессы летных испытаний, организуя их всеобъемлющее информационное обеспечение.
СПИСОК ЛИТЕРАТУРЫ
1. Ронжин А.Л., Солдатов А.С. Информационная система валидации цифрового двойника летательного аппарата при проведении летных испытаний // Политранспортные системы: материалы XII Международной НТК: в 3 ч. Ч. 1 / Сиб. гос. ун-т путей сообщения. Новосибирск, 2022. С. 117-123.
2. Осипов А.А. Анализ факторов, влияющих на безопасность полетов, при разработке полетных заданий на испытательные полеты // Проблемы безопасности полетов. 2023. № 9. С. 3-11.
3. Яблочников Е.И., Фомина Ю.Н., Саломатина А.А. Компьютерные технологии в жизненном цикле изделия. СПб.: СПбГУ ИТМО, 2010. 188 с.
4. Багдасарян Р.Х., Матвеева А.С., Лосева Е.С. Использование искусственного интеллекта в документообороте // Наука. Техника. Технологии (политехнический вестник). 2023. № 2. С. 26-29.
5. Аверкин А.Н. Объяснимый искусственный интеллект как часть искусственного интеллекта третьего поколения // Речевые технологии. 2023. № 1. С. 4-10.
6. Тобин Д.С., Голосовский М.С., Богомолов А.В., Баландов М.Е. Особенности организации испытаний программного обеспечения киберфизических систем с использованием технологий Интернета вещей // Математические методы в технологиях и технике. 2022. № 9. С. 110-114.
7. Щербаков И.В. Анализ возможностей автоматизированного тестирования программного обеспечения с применением технологий Индустрии 4.0 // Известия Тульского государственного университета. Технические науки. 2023. № 7. С. 611-616.
8. Bogomolov A.V., Osipov A.A., Soldatov A.S. Flight Mode Recognition Algorithms that Provide Validation of the Digital Twin of an Aircraft During Flight Tests // Cyber-Physical Systems Engineering and Control. Studies in Systems, Decision and Control, vol 477 / In: Kravets A.G., Bolshakov A.A., Shcherbakov M.V. Springer, Cham, 2023. P. 75-86.
9. Осипов Д.Л. Технологии проектирования баз данных. М.: ДМК Пресс, 2019. 498 с.
10. Подройко Е.В., Лисецкий Ю.М. Сетевые технологии: эволюция и особенности // Математические машины и системы. 2020. № 2. С. 14-29.
11. Летфуллин И.Р. Стандарты и технологии беспроводных сетей связи ближнего радиуса действия // Труды МАИ. 2022. № 124. C. 38-41.
12. Бородин Г.Д. Краткий обзор и классификация искусственных нейронных сетей // Известия Тульского государственного университета. Технические науки. 2021. № 11. С. 45-53.
13. Каракаев А.Б., Трапезникова Д.А. Обзор актуальных исследований в области применения искусственных нейронных сетей в электротехнике // Научные труды КубГТУ. 2023. № 2. С. 113-125.
14. Строева Е.Н., Тонких А.А. Методы формальной верификации искусственных нейронных сетей: обзор существующих подходов // International Journal of Open Information Technologies. 2022. Т. 10. № 10. С. 21-29.
15. Аверкин А.Н., Ярушев С.А. Обзор исследований в области разработки методов извлечения правил из искусственных нейронных сетей // Известия Российской академии наук. Теория и системы управления. 2021. Т. 6. № 6. С. 106-121.
16. Буркутпаева А.Р., Бакасов Б.Т. Использование технологий Big Date в сфере гражданской авиации // Вестник академии гражданской авиации. 2021. № 1 (20). С. 141-144.
17. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L.U., Polosukhin I. Attention is all you need // Advances in neural information processing systems. 2017. Vol. 30. P. 1-15.
18. Солдатов А.С. Концепция создания перспективной информационно-измерительной системы для летных испытаний авиационной техники с применением технологий индустрии 4.0 // Воздушно-космические силы. Теория и практика. 2021. № 20. С. 167-177. [Электронный ресурс]. Режим доступа: http://www.vva.mil.ru/Izdaniay/VKS-teoriya-i-praktika (дата обращения 10.12.2023).
19. Гусенков А.М., Ситтикова А.Р. Применение машинного обучения к задаче генерации поисковых запросов // Электронные библиотеки. 2021. Т. 24. № 2. С. 272-293.
20. Свидетельство о государственной регистрации базы данных № 2023621859 Российская Федерация. База данных информационного обеспечения процесса разработки полетных заданий на испытательные полеты / Солдатов А.С., Осипов А.А. № 2023621324: заявл. 08.05.2023: опубл. 07.06.2023.
21. Тобин Д.С., Богомолов А.В., Голосовский М.С. Организация испытаний программного обеспечения для различных моделей его жизненного цикла // Математические методы в технологиях и технике. 2021. № 7. С. 132-135.
g' и
22. Солдатов А.С., Осипов А.А. Функциональная модель автоматизированной системы подготовки полетных заданий на испытательные полеты // Известия Тульского государственного университета. Технические науки. 2023. № 5. С. 41-47.
REFERENCES
1. Ronzhin A.L., Soldatov A.S. Informacionnaya sistema validacii cifrovogo dvojnika letatel'nogo apparata pri provedenii letnyh ispytanij // Politransportnye sistemy: materialy XII Mezhdunarodnoj NTK: v 3 ch. Ch. 1 / Sib. gos. un-t putej soobscheniya. Novosibirsk, 2022. pp.117-123.
2. Osipov A.A. Analiz faktorov, vliyayuschih na bezopasnost' poletov, pri razrabotke poletnyh zadanij na ispytatel'nye polety // Problemy bezopasnosti poletov. 2023. № 9. pp. 3-11.
3. Yablochnikov E.I., Fomina Yu.N., Salomatina A.A. Komp'yuternye tehnologii v zhiznennom cikle izdeliya. SPb.: SPbGU ITMO, 2010. 188 p.
4. Bagdasaryan R.H., Matveeva A.S., Loseva E.S. Ispol'zovanie iskusstvennogo intellekta v dokumentooborote // Nauka. Tehnika. Tehnologii (politehnicheskij vestnik). 2023. № 2. pp. 26-29.
5. Averkin A.N. Ob'yasnimyj iskusstvennyj intellekt kak chast' iskusstvennogo intellekta tret'ego pokoleniya // Rechevye tehnologii. 2023. № 1. pp. 4-10.
6. Tobin D.S., Golosovskij M.S., Bogomolov A.V., Balandov M.E. Osobennosti organizacii ispytanij programmnogo obespecheniya kiberfizicheskih sistem s ispol'zovaniem tehnologij Interneta veschej // Matematicheskie metody v tehnologiyah i tehnike. 2022. № 9. pp. 110-114.
7. Scherbakov I.V. Analiz vozmozhnostej avtomatizirovannogo testirovaniya programmnogo obespecheniya s primeneniem tehnologij Industrii 4.0 // Izvestiya Tul'skogo gosudarstvennogo universiteta. Tehnicheskie nauki. 2023. № 7. pp. 611-616.
8. Bogomolov A.V., Osipov A.A., Soldatov A.S. Flight Mode Recognition Algorithms that Provide Validation of the Digital Twin of an Aircraft During Flight Tests // Cyber-Physical Systems Engineering and Control. Studies in Systems, Decision and Control, vol 477 / In: Kravets A.G., Bolshakov A.A., Shcherbakov M.V. Springer, Cham, 2023. pp. 75-86.
9. Osipov D.L. Tehnologii proektirovaniya baz dannyh. M.: DMK Press, 2019. 498 p.
10. Podrojko E.V., Liseckij Yu.M. Setevye tehnologii: 'evolyuciya i osobennosti // Matematicheskie mashiny i sistemy. 2020. № 2. pp. 14-29.
11. Letfullin I.R. Standarty i tehnologii besprovodnyh setej svyazi blizhnego radiusa dejstviya // Trudy MAI. 2022. № 124. pp. 38-41.
12. Borodin G.D. Kratkij obzor i klassifikaciya iskusstvennyh nejronnyh setej // Izvestiya Tul'skogo gosudarstvennogo universiteta. Tehnicheskie nauki. 2021. № 11. pp. 45-53.
13. Karakaev A.B., Trapeznikova D.A. Obzor aktual'nyh issledovanij v oblasti primeneniya iskusstvennyh nejronnyh setej v 'elektrotehnike // Nauchnye trudy KubGTU. 2023. № 2. pp. 113-125.
14. Stroeva E.N., Tonkih A.A. Metody formal'noj verifikacii iskusstvennyh nejronnyh setej: obzor suschestvuyuschih podhodov // International Journal of Open Information Technologies. 2022. T. 10. № 10. pp. 21-29.
15. Averkin A.N., Yarushev S.A. Obzor issledovanij v oblasti razrabotki metodov izvlecheniya pravil iz iskusstvennyh nejronnyh setej // Izvestiya Rossijskoj akademii nauk. Teoriya i sistemy upravleniya. 2021. T. 6. № 6. pp. 106-121.
16. Burkutpaeva A.R., Bakasov B.T. Ispol'zovanie tehnologij Big Date v sfere grazhdanskoj aviacii // Vestnik akademii grazhdanskoj aviacii. 2021. № 1 (20). pp. 141-144.
17. Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A.N., Kaiser L.U., Polosukhin I. Attention is all you need // Advances in neural information processing systems. 2017. Vol. 30. pp. 1-15.
18. Soldatov A.S. Koncepciya sozdaniya perspektivnoj informacionno-izmeritel'noj sistemy dlya letnyh ispytanij aviacionnoj tehniki s primeneniem tehnologij industrii 4.0 // Vozdushno-kosmicheskie
sily. Teoriya i praktika. 2021. № 20. pp. 167-177. fElektronnyj resurs]. Rezhim dostupa: http://www.vva.mil.ru/Izdaniay/VKS-teoriya-i-praktika (data obrascheniya 10.12.2023).
19. Gusenkov A.M., Sittikova A.R. Primenenie mashinnogo obucheniya k zadache generacii poiskovyh zaprosov // 'Elektronnye biblioteki. 2021. T. 24. № 2. pp. 272-293.
20. Svidetel'stvo o gosudarstvennoj registracii bazy dannyh № 2023621859 Rossijskaya Federaciya. Baza dannyh informacionnogo obespecheniya processa razrabotki poletnyh zadanij na ispytatel'nye polety / Soldatov A.S., Osipov A.A. № 2023621324: zayavl. 08.05.2023: opubl. 07.06.2023.
21. Tobin D.S., Bogomolov A.V., Golosovskij M.S. Organizaciya ispytanij programmnogo obespecheniya dlya razlichnyh modelej ego zhiznennogo cikla // Matematicheskie metody v tehnologiyah i tehnike. 2021. № 7. pp. 132-135.
22. Soldatov A.S., Osipov A.A. Funkcional'naya model' avtomatizirovannoj sistemy podgotovki poletnyh zadanij na ispytatel'nye polety // Izvestiya Tul'skogo gosudarstvennogo universiteta. Tehnicheskie nauki. 2023. № 5. pp. 41-47.
О Солдатов А.С., Митрофанов Д.В., Осипов А.А., 2024
Солдатов Алексей Сергеевич, кандидат технических наук, доцент, заместитель начальника испытательного центра по испытательно-методической и научно-исследовательской работе, Государственный летно-испытательный центр имени В.П. Чкалова (г. Щелково), Россия, 141103, Московская область, городской округ Щелково, территория аэродрома Чкаловский, стр.б, soldat_11@mail.ru.
Митрофанов Дмитрий Викторович, кандидат педагогических наук, доцент, докторант, Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж), Россия, 394064, г. Воронеж, ул. Старых Большевиков, 54А, mitrofanovd@mail.ru.
Осипов Александр Андреевич, инженер-испытатель, Государственный летно-испытательный центр имени В.П. Чкалова (г. Щелково), Россия, 141103, Московская область, городской округ Щелково, территория аэродрома Чкаловский, стр.6, AlAndr2263@gmail.com.
UDK 629.7.018
GRNTI 55.47.81
INTELLECTUALIZATION OF THE PROCESS OF DEVELOPMENT OF FLIGHT
TASKS FOR TEST FLIGHTS USING NETWORK AND NEURAL NETWORK
TECHNOLOGIES
A.S. SOLDATOV, Candidate of Technical Sciences, Associate Professor
V.P. Chkalov State Flight Test Center (Shchelkovo)
D.V. MITROFANOV, Candidate of Pedagogical Sciences, Associate Professor
MESC AF «N.E. Zhukovsky and Y.A. Gagarin Air Force Academy» (Voronezh)
A.A. OSIPOV
V.P. Chkalov State Flight Test Center (Shchelkovo)
The article presents the conclusions from the analysis of problematic issues of information support of the process of development of flight tasks for test flights. The architecture of information storage of normative and technical documentation based on the concept of cloud storage is proposed. The description of a three-level cloud-based system of routing user requests that provides multiuser access to the information storage of normative and technical documentation is given. When describing the system of routing user requests the use of such information-network solutions as «Gosoblako» and RSNet is proposed. The necessity of intellectual search function realization in information storage development is substantiated. Technical and program solutions that allow to realize the intellectual search in the whole volume of information storage are defined. The architecture of additional software realizing the function of intellectual search in the information storage is proposed. The use of computational models of neural networks is proposed as the basis of additional software. The methods of operation of various computational models, their advantages and disadvantages are described. The necessity of using in the additional software of the information storage the computational model of the pre-trained neural network according to the BERT model type is justified. The basic principle of operation of the BERT computational model and advantages of its application are described. Conclusions are drawn about the relevance of the problem under consideration and the proposed technical solutions.
Keywords: information storage, flight task, flight tests, intellectualization, routing system.
