CC BY
3МОДЕЛИРОВАНИЕ СЛОЖНЫХ ОРГАНИЗАЦИОННО-ТЕХНИЧЕСКИХ СИСТЕМ
УДК 621.317 DOI: 10.24412/2782-2141-2024-3-31-41
Математические модели процесса мониторинга технического состояния радиосредств специального назначения
Боговик А. В., Сафиулов Д. М., Шмидт А. А.
Аннотация. Актуальность - современная радиосвязь представляет собой большое количество различных технологических решений, которые позволяют осуществлять прием и передачу необходимой оперативной информации. В военных операциях радиосвязь - это один из основных видов связи, она является неотъемлемым инструментом для передачи тактической и стратегической информации, управления войсками и поддержки коммуникаций на поле боя, при этом качество функционирования средств радиосвязи во многом связано с непрерывным наблюдением (мониторингом) их технического состояния. Цель работы - разработать интегрированный подход к мониторингу технического состояния военных радиосредств с акцентом на превентивную идентификацию предотказного состояния. В связи с этим в статье рассмотрены основные требования к современным радиосредствам специального назначения, а также существующие математические модели для решения задач мониторинга. Методы - в качестве основных выбраны: экспоненциальное распределение, распределение Вейбулла, процесс Орнштейна-Уленбека и скрытые марковские модели. В качестве подтверждения эффективности предложенных моделей для прогнозирования параметров радиосредств специального назначения предложены методы машинного обучения, так как они позволяют учитывать сложные и нелинейные зависимости в данных, эффективно адаптироваться к изменяющимся условиям, а также рекуррентные нейронные сети и алгоритмы градиентного бустинга. Новизна исследования заключается в объединении методов математического моделирования, статистического анализа и алгоритмов машинного обучения для повышения точности прогнозирования отказов радиосредств специального назначения. Результатом работы стала разработка модели, позволяющей эффективно прогнозировать предотказные состояния радиосредств, что подтверждено экспериментальными исследованиями. Практическая значимость заключается в возможности внедрения предложенных методов в системы военной связи для постоянного мониторинга технического состояния радиосредств специального назначения, что позволит предотвратить срывы управления войсками и повысить боеготовность подразделений.
Ключевые слова: алгоритмы машинного обучения, военные радиосредства, математическое моделирование, мониторинг, надежность, предотказное состояние, превентивная идентификация, прогнозирование отказов, радиосвязь, стохастические процессы.
Введение
Современные радиосредства специального назначения (далее - РСН) являются критически важными элементами для обеспечения эффективного управления в различных условиях современных военных операций. Надежность их функционирования напрямую влияет на оперативность передачи необходимой информации и успешность выполнения соответствующих задач. Эксплуатация РСН в экстремальных условиях, таких как воздействия противника, перепады температур, повышенная влажность и влияние агрессивных сред, приводит к ускоренному износу оборудования и повышает вероятность отказов [1].
Постоянный мониторинг технического состояния РСН необходим для предотвращения отказов, сбоев и аномалий в процессе их функционирования. Своевременное выявление предотказных состояний, характеризующихся началом деградации параметров систем РСН, позволяет принять превентивные меры для обеспечения непрерывности связи и поддержания работоспособности их оборудования в критических ситуациях.
Требования к современным радиосредствам специального назначения
Радиосредства специального назначения подразделяются на несколько категорий в зависимости от их функционального предназначения и технических параметров [2].
Тактические радиостанции обеспечивают связь на уровне тактического звена управления от командира мотострелкового отделения до командира мотострелковой дивизии. Они характеризуются компактностью, мобильностью и стойкостью к физическим воздействиям, работают в диапазоне ультракоротких волн (далее - УКВ) и обеспечивают связь на дистанциях до 30 км. Стратегические коммуникационные системы предназначены для связи между командными пунктами оперативных объединений и обеспечивают передачу значительных объемов данных на большие расстояния, используя диапазоны коротких волн (далее - КВ) и спутниковые каналы связи. Спутниковые системы связи предоставляют глобальное покрытие и применяются для передачи данных, голосовой связи и навигации, что требует наличия сложной инфраструктуры и высокотехнологичного оборудования. Каждая категория радиосредств имеет технические особенности, которые определяют подходы к мониторингу их технического состояния и диагностике.
Радиосредства специального назначения должны соответствовать высоко регламентированным требованиям. Надежность, характеризующаяся увеличенным средним временем наработки на отказ, достигается за счет качества компонентов и резервирования критически важных элементов. Устойчивость к помехам обеспечивается применением технологий радиоэлектронной защиты, таких как адаптивные антенны и методы помехоустойчивого кодирования. Безопасность передачи данных реализуется с помощью криптографических методов и протоколов, защищающих информацию от перехвата и несанкционированного доступа. Для эксплуатации в экстремальных условиях радиосредства должны сохранять работоспособность при широком диапазоне температур, влажности и механических нагрузок. Соответствие требованиям надежности и нормативным документам по развертыванию и эксплуатации систем радиосвязи является обязательным для заводов изготовителей и органов военного управления, как на стадии разработки, так и в ходе организации контроля за их функционированием.
Существующие методы мониторинга
Существующие методы мониторинга включают визуальное наблюдение функционирования, периодическое техническое обслуживание и последующую диагностику. На данный момент отсутствует возможность получения полной диагностической информации о техническом состоянии радиосредств специального назначения без их выключения и демонтажа [3]. То есть не предполагается возможным проводить глубокую диагностику работающего оборудования, до его отключения и демонтажа для детального анализа всех компонентов.
Периодическое обслуживание представляет собой выполнение регламентных работ по установленному плану, основанному на среднем времени наработки на отказ, без учета индивидуальных особенностей эксплуатации каждого устройства. Недостатками данного подхода являются отсутствие гибкости, что не позволяет учитывать фактическое состояние радиосредств, риск внезапных отказов между периодами обслуживания, а также высокие эксплуатационные затраты, вызванные преждевременной заменой компонентов.
Последующая диагностика проводится после возникновения сбоя или отклонения в работе, что не позволяет предотвратить отказ, а лишь устраняет его последствия. Основные недостатки включают высокие риски, связанные с возможными серьезными последствиями до обнаружения отказа, время простоя, что неприемлемо в условиях
ведения боевых действий, и повышенные расходы ресурсов на срочный ремонт и замену оборудования.
Следовательно, существующие методы мониторинга не соответствуют современным требованиям по надежности и оперативности [3], и требуют разработки новых превентивных подходов для прогнозирования их технического состояния в процессе функционирования.
Превентивная идентификация предотказного состояния
В общем случае предотказное состояние характеризуется началом деградации параметров системы (РСН), которые еще не приводят к отказу, но указывают на повышенную вероятность его наступления [4]. При этом важно определить ключевые показатели, изменение которых свидетельствуют о начале деградации.
Определим X(t) как вектор параметров системы в момент времени t. Предотказное состояние наступает, если существует такое t0, что для t > t0 выполняется условие:
35 > 0 : ||X(t)-X^|| >5, (1)
где Хном - номинальные значения параметров, ||-|| - норма в соответствующем пространстве.
Статистический анализ позволяет выявить закономерности в возникновении отказов и определить критические параметры. Рассматриваются функции распределения времени до отказа и интенсивности отказов.
Функция интенсивности отказов X(t) определяется как:
/ч P(t < T < t + At|T > t) X (t ) = lim —-!--, (2)
V ' At^0 At
где T - случайная величина времени до отказа.
Таким образом, превентивная идентификация направлена на прогнозирование отказов РСН путем непрерывного мониторинга их параметров. С этой целью могут применяться различные методы. Наиболее предпочтительным методом с точки зрения его простоты и эффективности является анализ временных рядов. Он позволяет исследовать изменения параметров системы во времени и выявлять закономерности, предшествующие сбоям. Хотя этот метод менее сложен по сравнению с другими, он обеспечивает достаточную точность для раннего обнаружения аномалий и прогнозирования отказов, что делает его удобным для применения в реальных условиях мониторинга. Анализ временных рядов включает использование методов автокорреляции и спектрального анализа, позволяющих выявлять аномалии в параметрах системы. Стохастическое моделирование основывается на применении марковских процессов и процессов восстановления для оценки вероятности наступления отказа. Дополнительно применяются алгоритмы машинного обучения, которые, используя исторические данные, прогнозируют вероятность возникновения будущих отказов. Сочетание этих подходов может позволить эффективно проводить превентивную диагностику и снижать вероятность возникновения отказов РСН путем раннего обнаружения деградации параметров.
Математические модели для решения задач мониторинга
Для обеспечения надежного и непрерывного функционирования радиосредств критически важно своевременно обнаруживать и прогнозировать возможные отказы. Это требует применения эффективных математических моделей, которые позволяют анализировать процессы отказов, динамику параметров системы и скрытые состояния оборудования.
Существуют различные типы моделей, используемых в мониторинге и диагностике технического состояния РСН:
1. Статистические модели отказов, такие как экспоненциальное распределения и распределение Вейбулла, которые описывают время до отказа компонентов. Они позволяют количественно оценивать надежность оборудования и учитывать различные режимы отказов.
2. Стохастические процессы, в частности процесс Орнштейна-Уленбека, применяемые для моделирования динамики изменения критических параметров с учетом случайных воздействий. Эти модели важны для прогнозирования поведения системы и своевременного обнаружения отклонений от нормы.
3. Скрытые марковские модели (далее - СММ), используемые для анализа последовательностей наблюдений, где истинные состояния системы не могут быть напрямую измерены. СММ позволяют идентифицировать скрытые состояния, такие как предотказное состояние, и принимать превентивные меры.
Для моделирования времени до отказа РСН при условии постоянной интенсивности отказов X широко применяется экспоненциальное распределение. Основное предположение данной модели заключается в том, что вероятность отказа системы в любой момент времени не зависит от ее возраста, то есть процесс является независимым.
Функция плотности вероятности отказа будет иметь вид:
/ (г) = ХеЛ г > 0, (3)
где / (г) - плотность вероятности отказа в момент времени г, X - постоянная интенсивность отказов.
Функция надежности ^(г), определяющая вероятность безотказной работы [4] до момента времени г, выражается как:
Я(г) = е-1'. (4)
Среднее время наработки на отказ (ЫТТЕ) для экспоненциального распределения вычисляется как:
мтт = Е [т ] = | г/ (г уг
0
Дисперсия времени до отказа:
Var [Т ] = Е [Т2 ]-( Е [Т ])2
1 X'
1
X2
(5)
(6)
Интенсивность отказов является постоянной и не зависит от времени - Х(г) = X. Распределение Вейбулла [5] является более универсальным и позволяет моделировать различные режимы отказов, учитывая изменение интенсивности отказов со временем. Функция плотности вероятности отказа:
/ (г) = А г р-1е ^ п
где п - параметр масштаба, Р - параметр формы. Функция надежности:
t > 0,
(7)
R(t) = e
Интенсивность отказов:
X(t)=¿ю=Л t e-1
R(t) n"
Среднее время наработки на отказ (МТТК):
(
MTTF = пГ
1 + -
(8) (9)
(10)
где Г() - гамма-функция.
Интерпретация параметра формы Р:
p
P
в < 1: интенсивность отказов уменьшается со временем (характерно для периода приработки, называемого иногда периодом «детских» или ранних отказов);
в = 1: модель сводится к экспоненциальному распределению с постоянной интенсивностью отказов;
в > 1: интенсивность отказов увеличивается со временем (характерно для износа и старения оборудования).
В системах мониторинга применение распределения Вейбулла позволяет адаптировать модели прогнозирования отказов к реальным условиям эксплуатации и более точно оценивать надежность оборудования.
Следующей математической моделью, широко применяемой для моделирования динамики критических параметров оборудования, которые стремятся к некоторому среднему значению под воздействием случайных факторов, используется процесс Орнштейна-Уленбека. Этот стохастический процесс используется для моделирования динамики параметров системы, которые стремятся к некоторому среднему значению ц с наличием случайных флуктуаций.
Стохастическое дифференциальное уравнение (СДУ):
dXt = 0(ц - Х^ + cdWt, (11)
где Х, - значение параметра в момент времени t, 0 > 0 - скорость возврата к среднему ц, ц -среднее (долгосрочное) значение параметра, а - интенсивность случайных воздействий, dWt - дифференциал винеровского процесса.
Решение СДУ позволяет прогнозировать поведение параметра и оценивать вероятность выхода за допустимые пределы:
X = + ц (1 - е-(И ) + ае-01e0tdWs. (12)
0
Математическое ожидание: Дисперсия:
E[Xt] = ц +(Xo - (13)
_2
^аг [ X, ] = 20(1 - в-20О. (14)
Автокорреляционная функция:
Согт[Х, X] = е"01™ (15)
Применение в мониторинге технического состояния элементов РСН включает моделирование температуры компонентов, при котором температура стремится к равновесному значению с учетом внешних воздействий. Также применяется моделирование дрейфа параметров, что позволяет учитывать тенденцию параметра возвращаться к нормальному значению после отклонения.
Пример применения.
Рассмотрим, как процесс Орнштейна-Уленбека может быть применен для моделирования температуры транзистора в радиосредстве. Температура транзистора является критическим параметром, который влияет на его производительность и долговечность. В процессе работы температура транзистора подвергается случайным колебаниям из-за изменений в нагрузке, окружающей среде и других факторов. При этом наблюдается тенденция возвращения температуры к некоторому среднему значению после отклонений, что соответствует свойствам процесса Орнштейна-Уленбека.
Допустим, температура транзистора в радиосредстве описывается процессом Орнштейна-Уленбека с параметрами: 0 = 0,05, ц = 70°С, а = 2°С.
Начальное значение Х0 = 80°С.
Тогда математическое ожидание температуры в момент времени
Е[Х] = 70 + (80-70)е-0 = 70 + 10е-0,05 (16)
При t = 20 часов:
E[X20] = 70 + 10e-1 ~ 70 + 10 • 0,3679 ~ 73,68°C. (17)
Дисперсия температуры:
92 4
Var fX201 =-(l - e 2 0,05 20) = — (1 - e-2) = 40(1 - 0,1353) « 34,59. (18)
L J 2 • 0,05v ' 0,1
Стандартное отклонение:
oX20 Var fX20 ] ^734,59 - 5,88°С. (19)
Это позволяет оценить вероятность того, что температура превысит критическое значение.
Для эффективного прогнозирования состояния РСН и диагностики их компонентов целесообразно использовать математический аппарат, основанный на скрытых марковских моделях. Эти модели позволяют анализировать последовательности наблюдений, в которых истинные состояния системы скрыты и не могут быть напрямую измерены. Основные компоненты СММ:
- множество скрытых состояний S = {s1, s2, ..., sn};
- множество возможных наблюдений V = {v1, v2, ..., vm};
- матрица переходов A = [aj], где аj = P(sj\si);
- матрица вероятностей наблюдений B = [bj(k)], где bj(k) = P(vk\Sj);
- вектор начальных вероятностей п = [п.], где п. = P(s;).
Задача прогнозирования: по наблюдениям O = (op o2, ..., oT) определить наиболее вероятную последовательность скрытых состояний Q = (q q2, ..., qT).
Для решения этой задачи предпочтительнее использовать алгоритм Витерби, так как он позволяет сделать наиболее вероятное предположение о последовательности состояний СММ на основе последовательности наблюдений. Шаги алгоритма Витерби:
1) Инициализация
51(0 = пА<01), ^1(0 = 0, i = 1, 2, ..., N. (20)
2) Рекурсия (для t = 2, 3, ..., T)
5 (j) = S [5t-1 (i) aj ] bj (ot), ^t(j) = arg 1n.ax [5t-1 (i) aj ]. (21)
3) Терминация
P" = max 5T (i), qT = arg max 5T (i). (22)
1<i<N 1 W T 1<i<N T V '
4) Обратный ход (для t = T - 1, T - 2, ..., 1)
qt* = У1+1 (qt+1*) (23)
При этом:
51(i) - наибольшая вероятность пути, ведущего в состояние s. в момент времени t; ^1(i) - индекс состояния, из которого пришли в состояние Sj в момент времени t. Пример применения.
Предположим, система имеет три состояния: s1 - нормальное функционирование; s2 - предотказное состояние; s3 - отказ. И наблюдения:
v1 - нормальные значения параметров; v2 - отклонения параметров; v3 - критические значения.
Матрица переходов A и матрица эмиссий B заданы. Имея последовательность наблюдений O, можно использовать алгоритм Витерби для определения вероятного момента перехода системы в предотказное состояние.
Практическое применение алгоритма Витерби заключается в следующем:
- диагностика состояния системы позволяет определить скрытые состояния на основе наблюдаемых параметров [5];
- прогнозирование отказов позволяет определить раннее обнаружение перехода в предотказное состояние и дает возможность принять превентивные меры [6, 7];
- алгоритм эффективен при обработке длинных последовательностей наблюдений, что критически важно для реального времени мониторинга РСН.
Таким образом, разработка математических моделей для мониторинга технического состояния радиосредств является ключевым элементом в повышении надежности и эффективности их функционирования. При этом модели на основе экспоненциального и вейбулловского распределений позволяют количественно оценивать надежность оборудования и прогнозировать вероятность отказов, учитывая различные режимы работы и условия эксплуатации. Применение процессов Орнштейна-Уленбека дает возможность моделировать динамику изменения критических параметров с учетом случайных воздействий, что важно для своевременного обнаружения отклонений от нормы. Использование скрытых марковских моделей и алгоритма Витерби обеспечивает эффективный анализ последовательностей наблюдений и позволяет идентифицировать скрытые состояния системы, такие как предотказное состояние, с высокой точностью. Все эти модели в совокупности создают основу для современных систем мониторинга, способных в реальном времени обнаруживать и прогнозировать потенциальные отказы, что является критически важным для обеспечения непрерывности и надежности систем связи специального назначения.
Экспериментальные исследования
Для подтверждения эффективности рассмотренных выше моделей был проведен эксперимент с участием 100 радиостанций тактического звена управления. В течение 6 месяцев осуществлялся непрерывный сбор данных о параметрах функционирования (табл. 1).
Таблица 1 - Статистические характеристики параметров
Параметр Среднее (ц) Стандартное отклонение(о) Коэффициент вариации (CV)
Мощность выходного сигнала (Вт) 48 2,5 5,2 %
Уровень шума (дБ) 4 0,8 20 %
Температура (°С) 78 3,2 4,1 %
Напряжение питания (В) 12 0,6 5 %
Частота ошибок (%) 0,5 0,1 20 %
Данные собирались с частотой 1 раз в 10 минут и хранились в централизованной базе данных для последующего анализа.
Корреляционный анализ продемонстрировал, что повышение температуры и уровня шума связано с увеличением частоты ошибок, что свидетельствует о возможном переходе системы в предотказное состояние.
Для прогнозирования параметров системы целесообразнее применять методы машинного обучения, так как они позволяют учитывать сложные и нелинейные зависимости в данных, а также эффективно адаптироваться к изменяющимся условиям. Методы, такие как рекуррентные нейронные сети и алгоритмы градиентного бустинга [8], обеспечивают высокий уровень гибкости и точности, что делает их предпочтительным выбором для анализа и предсказания динамики параметров.
Для прогнозирования были выбраны нижеприведенные алгоритмы, позволяющие учитывать специфические особенности данных:
- рекуррентные нейронные сети (далее - ЯНЫ), которые наиболее подходят для анализа временных рядов [9];
- долговременная краткосрочная память (далее - LSTM), являющаяся разновидностью ЯНЫ и обладающая способностью запоминать долгосрочные зависимости;
- алгоритмы градиентного бустинга (далее - XGBoost), поскольку они эффективны при работе с табличными данными и позволяют выявлять нелинейные зависимости.
В процессе обучения и тестирования данные были разделены на обучающую (70 %) и тестовую (30 %) выборки. Для настройки параметров моделей использовалась кросс-валидация. Результаты применения указанных методов машинного обучения [10] оценивались с использованием метрик, приведенных в табл. 2.
Таблица 2 - Результаты применения методов машинного обучения
Алгоритм Точность Полнота Точность предсказания F1-мера
RNN 90 % 88 % 89 % 88,5 %
LSTM 95 % 93 % 94 % 93,5 %
XGBoost 92 % 90 % 91 % 90,5 %
Модель LSTM показала наилучшие результаты, что свидетельствует о ее способности эффективно обрабатывать временные зависимости в данных.
Проведенная валидация на независимой выборке данных подтвердила эффективность моделей. Модель LSTM смогла предсказать 93 % предотказных состояний за 24 часа до их фактического наступления, что свидетельствует о высокой точности прогнозирования.
Заключение
В рамках проведенного исследования разработаны математические модели мониторинга состояния функционирования радиосредств специального назначения, ориентированные на раннюю диагностику предотказных состояний. С учетом сложных эксплуатационных условий, характерных для использования радиосредств в современных военных операциях, таких как разнообразие географических зон, экстремальные метеорологические условия и строгие требования к безопасности передачи данных, предложенный подход объединяет методы математического моделирования, статистического анализа и алгоритмы машинного обучения.
Применение стохастических моделей, включая функции Вейбулла и процессы Орнштейна-Уленбека, позволило более точно описать процессы деградации параметров РСН в экстремальных условиях эксплуатации. Алгоритмы машинного обучения, особенно глубокие нейронные сети, доказали свою эффективность в анализе больших объемов данных и выявлении скрытых закономерностей, предвещающих возможные отказы [8-10].
Экспериментальные исследования подтвердили высокую точность и надежность разработанной модели в прогнозировании предотказных состояний. Это обеспечивает возможность своевременного принятия превентивных мер, предотвращения срывов в управлении войсками и повышения общей боеготовности подразделений.
Практическое внедрение предложенных математических моделей и методов в системы военной связи позволит обеспечить постоянный мониторинг технического
состояния РСН, повысить их надежность и эффективность функционирования. Это особенно важно в тактическом и оперативно-тактическом звеньях управления, где непрерывность и качество связи напрямую влияют на успешность выполнения боевых задач.
Литература
1. Боговик А. В., Сафиулов Д. М., Шмидт А. А. Модели для анализа прогнозируемых воздействий на систему мониторинга техники связи на узле связи пункта управления оперативного объединения // IX Межвузовская научно-практическая конференция «Проблемы технического обеспечения войск в современных условиях». Труды конференции: Сборник материалов. СПб.: ВАС, 2024. С. 14-21.
2. Дворников С. В., Калинин В. И., Чудаков А. М. Системы радиосвязи военного назначения. Учебник: в 2 частях. Часть 1: Радиостанции малой мощности. Санкт-Петербург: Военная академия связи, 2014. 304 с.
3. Боговик А. В., Сафиулов Д. М. Проблемы организации мониторинга телекоммуникационного оборудования узлов связи пунктов управления оперативного объединения и пути их решения // Известия Тульского государственного университета. Технические науки. 2024. № 5.С. 196-198.
4. Сугак Е. В. Прикладная теория надежности: учебник для вузов: в 3 частях. Часть 3: Испытания и контроль. Санкт-Петербург: Лань, 2022. 288 с.
5. Шмидт А. А., Косырев А. В. Анализ научно-методического аппарата диагностики и контроля, мониторинга и прогнозирования технического состояния военной техники связи // Техника средств связи. 2023. № 4 (164). С. 81-92.
6. Будко П. А., Шмидт А. А., Голюнов М. В., Сафиулов Д. М. Прогнозирование технического состояния в системе технического обеспечения связи и автоматизированных систем управления // IX Межвузовская научно-практическая конференция «Проблемы технического обеспечения войск в современных условиях». Труды конференции: Сборник материалов. СПб.: ВАС, 2024. С. 40-44.
7. Будко П. А., Шмидт А. А., Голюнов М. В., Сафиулов Д. М. Анализ методов прогнозирования технического состояния средств радиосвязи // IX Межвузовская научно-практическая конференция «Проблемы технического обеспечения войск в современных условиях». Труды конференции: Сборник материалов. СПб.: ВАС, 2024. С. 45-49.
8. Морозова В. И. Прогнозирование методом машинного обучения // Молодой ученый. 2022. № 21 (416). С. 202-204.
9. Пономарева К. А. Применение искусственных нейронных сетей при решении задач прогнозирования // Наука без границ. 2020. № 1(41). С. 42-47.
10. Вьюгин В. В. Математические основы машинного обучения и прогнозирования. М.: 2013, 2018. 484 с.
References
1. Bogovik A.V., Safiulov D. M., Schmidt A. A. Modeli dlya analizaprognoziruemy"x vozdejstvij na sistemu monitoringa texniki svyazi na uzle svyazi punkta upravleniya operativnogo ob " "edineniya [Models for the analysis of predicted impacts on the monitoring system of communication equipment at the communication node of the control point of the operational association]. IX Interuniversity scientific and practical conference «Problems of technical support of troops in modern conditions». Proceedings of the conference. Collection of materials. St. Petersburg. Military Academy of Communications, 2024. Pp. 14-21. (In Russian).
2. Dvornikov S. V., Kalinin V. I., Chudakov A.M. Sistemy radiosvyazi voennogo naznacheniya [Military radio communication systems. Studies in 2 parts. Part 1: Low-power radio stations]. St. Petersburg. Military Academy of Communications, 2014. 304 p. (In Russian).
3. Bogovik A. V., Safiulov D. M. Problemy" organizacii monitoringa telekommunikacionnogo oborudovaniya uzlov svyazi punktov upravleniya operativnogo ob " "edineniya i puti ix resheniya [Problems of organization of monitoring of telecommunication equipment of communication nodes of control points of
ТЕХНИКА СРЕДСТВ СВЯЗИ
№ 3 (167) - 2024
the operational association and ways of their solution]. Proceedings of Tula State University. Technical sciences. 2024. No. 5. Pp. 196-198. (In Russian).
4. Sugak E. V. Prikladnaya teoriya nadezhnosti: uchebnik dlya vuzov: v 3 chastyax. Chast' 3: Ispy'taniya i kontrol' [Applied theory of reliability. Textbook for universities in 3 parts. Part 3. Testing and control]. St. Petersburg. Lan, 2022. 288 p. (In Russian).
5. Schmidt A. A., Kosyrev A. V. Analysis of the scientific and methodological apparatus for diagnostics and control, monitoring and forecasting of the technical condition of military communications equipment. Means of Communication Equipment. 2023. No 4 (164). Pp. 81-92. D0I:10.24412/2782-2141-2023-4-81-92 (In Russian).
6. Budko P. A., Schmidt A. A., Golyunov M. V., Safiulov D. M. Prognozirovanie texnicheskogo sostoyaniya v sisteme texnicheskogo obespecheniya svyazi i avtomatizirovanny'x sistem upravleniya [Forecasting the technical condition in the system of technical support of communications and automated control systems]. IX Interuniversity scientific and practical conference «Problems of technical support of troops in modern conditions». Proceedings of the conference. Collection of materials. St. Petersburg. Military Academy of Communications, 2024. Pp. 40-44. (In Russian).
7. Budko P. A., Schmidt A. A., Golyunov M. V., Safiulov D. M. Analiz metodov prognozirovaniya texnicheskogo sostoyaniya sredstv radiosvyazi [Analysis of methods for predicting the technical condition of radio communications equipment]. IX Interuniversity scientific and practical conference «Problems of technical support of troops in modern conditions». Proceedings of the conference. Collection of materials. St. Petersburg. Military Academy of Communications, 2024. Pp. 45-49. (In Russian).
8. Morozova V. I. Prognozirovanie metodom mashinnogo obucheniya [Forecasting by machine learning]. Young Scientist. 2022. No 21 (416). Pp. 202-204. (In Russian).
9. Ponomareva K. A. Primenenie iskusstvenny'x nejronny'x setej pri reshenii zadach prognozirovaniya [The use of artificial neural networks in solving forecasting problems]. Science without borders. 2020. No 1(41). Pp. 42-47. (In Russian).
10. Vyugin V. V. Matematicheskie osnovy' mashinnogo obucheniya i prognozirovaniya [Mathematical foundations of machine learning and forecasting]. Moscow. 2013, 2018. 484 p. (In Russian).
Боговик Александр Владимирович - кандидат технических наук, профессор. Профессор кафедры технического обеспечения связи и автоматизации Военной академии связи. Область научных интересов: мониторинг информационных ресурсов; сбор и обработка информации. Тел.: +7 (812) 247-98-42, E-mail: [email protected].
Сафиулов Давлет Муратович - соискатель ученой степени кандидата технических наук. Адъюнкт кафедры технического обеспечения связи и автоматизации Военной академии связи. Область научных интересов: мониторинг информационных ресурсов; сбор и обработка информации. Тел.: +7 (812) 247-98-42, E-mail: [email protected].
Шмидт Анна Алексеевна - соискатель ученой степени кандидата технических наук. Адъюнкт кафедры технического обеспечения связи и автоматизации Военной академии связи. Область научных интересов: мониторинг информационных ресурсов; сбор и обработка информации. Тел.: +7 (812) 247-98-42, E-mail: [email protected].
Адрес: 194064, Россия, г. Санкт-Петербург, Тихорецкий пр., д. 3.
Annotation. Modern radio communication represents a large number of different technological solutions that allow the reception and transmission of necessary operational information. In military operations, radio communication is one of the main types of communication, it is an integral tool for
Статья поступила 15 сентября 2024 г.
Информация об авторах
Mathematical models of the process of monitoring the technical condition of special-purpose radio equipment
A. V. Bogovik, D. M. Safiullov, A. A. Schmidt
transmitting tactical and strategic information, managing troops and supporting communications on the battlefield, while the quality offunctioning of radio communications is largely related to the continuous monitoring of their technical condition. In this regard, the article discusses the basic requirements for modern special-purpose radio equipment, as well as existing mathematical models for solving monitoring problems. The main ones are: exponential distribution, Weibull distribution, Ornstein-Uhlenbeck process and hidden Markov models. As a confirmation of the effectiveness of the proposed models for predicting the parameters of special-purpose radio equipment, machine learning methods are proposed, since they allow taking into account complex and nonlinear dependencies in data, effectively adapting to changing conditions, as well as recurrent neural networks and gradient boosting algorithms. The aim of the work is to develop an integrated approach to monitoring the technical condition of military radio equipment with an emphasis on preventive identification of the pre-failure condition. The novelty of the research lies in the combination of mathematical modeling methods, statistical analysis and machine learning algorithms to improve the accuracy of predicting failures of special-purpose radio equipment. The result of the work was the development of a model that makes it possible to effectively predict the pre-failure states of radio equipment, which is confirmed by experimental studies. The practical significance lies in the possibility of introducing the proposed methods into military communications systems for constant monitoring of the technical condition of special-purpose radio equipment, which will prevent disruptions of command and control and increase the combat readiness of units.
Keywords: machine learning algorithms, military radio equipment, mathematical modeling, monitoring, reliability, pre-failure status, preventive identification, failure prediction, radio communications, stochastic processes.
Information about Authors
Alexander Vladimirovich Bogovik - PhD, Professor. Professor at the department of technical support of communication and automation of the Military Academy of Communications. Field of research: information monitoring; data acquisition. Tel.: +7 (812) 247-98-42. E-mail: [email protected].
Davlet Muratovich Safiullov - The postgraduate student at the Department of technical support of communication and automation of the Military Academy of Communications. Field of research: information monitoring; data acquisition. Tel.: +7 (812) 247-98-42. E-mail: [email protected].
Anna Alekseevna Schmidt - The postgraduate student at the Department of technical support of communication and automation of the Military Academy of Communications. Field of research: information monitoring; data acquisition. Tel: +7 (812) 247-98-42. E-mail: [email protected].
Address: Russia, 194064, Saint-Petersburg, Tihoreckiy prospekt, 3.
Библиографическая ссылка на статью:
Боговик А. В., Сафиулов Д. М., Шмидт А. А. Математические модели процесса мониторинга технического состояния радиосредств специального назначения // Техника средств связи. 2024. № 3 (167). C. 31-41. DOI: 10.24412/2782-2141-2024-3-31-41
Reference for citation:
Bogovik A. V., Safiullov D. M., Schmidt A. A. Mathematical models of the process of monitoring the technical condition of special-purpose radio equipment. Means of Communication Equipment. 2024. N 3 (167). Pp. 31-41. (In Russian). DOI: 10.24412/2782-2141-2024-3-31-41
