Методические и интеллектуальные средства обнаружения и диагностирования отказов функциональных устройств бортовых систем управления летательных аппаратов. Построение интеллектуальных средств. Ii Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 004.89

Д.Е. Крупейников, В.С. Дрогайцев

МЕТОДИЧЕСКИЕ И ИНТЕЛЛЕКТУАЛЬНЫЕ СРЕДСТВА ОБНАРУЖЕНИЯ И ДИАГНОСТИРОВАНИЯ ОТКАЗОВ ФУНКЦИОНАЛЬНЫХ УСТРОЙСТВ БОРТОВЫХ СИСТЕМ УПРАВЛЕНИЯ ЛЕТАТЕЛЬНЫХ АППАРАТОВ.

ПОСТРОЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ СРЕДСТВ. II

Рассматриваются технологии построения и обучения интеллектуальных систем, и нейронных сетей поддержки методов обнаружения и технического диагностирования отказов функциональных устройств бортовых систем управления летательных аппаратов.

Интеллектуальные системы, нейронные сети, базы данных и знаний, правила принятия решений

D.E. Krupeynikov, V.S. Drogaytsev

METHODS AND SMART TOOLS FOR DETECTING AND DIAGNOSING FAILURES OF FUNCTIONAL DEVICES OF ON-BOARD AIRCRAFT CONTROL SYSTEMS.

CONSTRUCTION OF SMART TOOLS. II

The article considers the technology applied for the construction and education of the intellectual systems, including the neural networks supporting the detection and diagnosis of mechanical failures of functional devices within the on-board control systems of aircrafts.

Intelligent systems, neural networks, data and knowledge base, decision rules

В последнее десятилетия в зарубежной и отечественной практике активно ведутся работы по созданию теоретической базы построения и обучения интеллектуальных систем (ИС) и нейронных сетей (НС) [1], определились отрасли, в которых интеллектуальными средствами достигнуты значительные результаты. Однако следует отметить, что в настоящее время наблюдается потребность в разработке и внедрении в производство прикладных интеллектуальных средств для решения инженерных задач.

Данная работа является развитием публикации [1], посвященной проблеме оценки работоспособности, обнаружения и диагностирования отказов функциональных устройств (ФУ) в процессе их испытания в составе бортовых навигационных систем и систем управления (СУ) силовыми установками летательных аппаратов в условиях воздействия заданной последовательности факторов внешней среды.

Определяющими факторами целесообразности применения ИС и НС для поддержки методов обнаружения и диагностирования отказов ФУ в процессе их испытания в составе СУ заданных классов, являются:

- неопределенность числовых значений показателей нечетких дискретных временных рядов (НДВР), характеризующих техническое состояние ФУ;

- необходимость анализа массивов разнородной по природе информации, представленной в нечетком многомерном пространственно-временном описании;

- неопределенность описаний причинно-следственных связей между отказами ФУ, состояниями их выхода, режимами испытания и воздействующими факторами внешней среды;

- необходимость формирования механизмов вывода и правил принятия решений в условиях неопределенности исходных данных и знаний описания технических состояний ФУ;

- целесообразность распараллеливания формальных процедур, механизмов вывода и правил принятия решений в процессах реализации методов обнаружения и диагностирования отказов в поведении ФУ;

- потребность компьютеризации процессов оценивания работоспособности ФУ, обнаружения и диагностирования отказов в их поведении.

Построение интеллектуальных систем

Информационно-процедурная сущность технологии построения и обучения ИС поддержки метода решения проблемной задачи оценивания работоспособности и обнаружения отказов ФУ и ИС поддержки метода решения проблемной задачи диагностирования отказов в поведении устройств определяется решением задач:

- построение концептуальной модели предметной области;

- минимизация состава и понижение размерности состояний нечетких отношений переменных описания технических состояний ФУ;

- синтез баз данных и знаний ИС поддержки методов решения проблемных задач предметной области.

\Ъ\

Рис. 1. Фрагмент концептуальной модели предметной области

Применительно к заданным проблемным задачам способ построения концептуальной модели определяется обоснованием структуры и состава переменных, отражающих на каждом уровне структуры нечеткие отношения переменных к области их числовых значений. В данной постановке структура концептуальной модели может быть отождествлена с семантической моделью описания знаний, представленной

191

направленным графом, вершины которого отражают информационные единицы, а ребра соответствуют связям между информационными единицами, характеризующие семантику нечетких отношений.

На рис. 1 приведен фрагмент двухуровневой (Х1, ^2) структуры концептуальной модели, применительно к проблемным задачам данной предметной области, построенный на основе исходных данных и знаний, определяемых заданными видам НДВР [1], где {У;5}, {^М^} - управляющее воздействие на СУ, ФУ; {Иг}, {@р}, {С;} - конечные подмножества факторов внешней среды, отказов ФУ,

штатных циклов испытания;

п

Vу = и?гг,М;({у^М;"1(£)1^л(£)}'кМ;(£)'дМ;(£))|{^5}'{Дг}_

г

перечень НДВР, формируемых в режиме регистрации в заданных контрольных точках ФУ динамики изменения реакций их составных компонентов на входные управляющие воздействия в условиях

влияния соответствующего фактора внешней среды, здесь Рг’ у - 1-й параметр_/-го ФУ, отражающий числовые значения реакций устройства на входное управляющее воздействия, г = 1, гг - число составных компонентов устройства определяющее трассу навигации реакций в структуре модели ФУ;

^■-ЧОіад) - d-е входное управляющее воздействие, сформированное предшествующим ФУ информационного пути структуры модели СУ; Иг, к = 1,р - ^й фактор внешней среды; КМу - режим функционирования _/-го ФУ; - перечень отказов _/-го ФУ; Ж' - перечень критериев количественной

оценки степени соответствия реакций составных компонентов ФУ заданным требованиям; Д - допус-

ковые ограничения реакций;

п

Ям, = У ПТ" ({^";-1(£)|и/г(£)},КМу(£),дМу(£)) |{К;},{Дг}-

*

конечное подмножество НДВР второго вида, регистрируемых в режиме дискретного изменения соответствующего управляющего воздействия ({С-1^ = 1,гг|) в условиях влияния h-го фактора

внешней среды (Иг); здесь Рг’ у - 1-й параметр _/-го ФУ, регистрируемый в режиме исполнения последовательности входных управляющих воздействий;

<£> = <?Му(о).

а

т

М*'5 ({у;Гг(£)|Иг(£)},К5(£),д5(£))|{^г},{Д;}-

а

конечное подмножество показателей НДВР третьего вида отражающих числовые значения выходных параметров ФУ и СУ, регистрируемых в режиме исполнения последовательности входных управляющих воздействий (^ = 7п) в условиях влияния соответствующего фактора внешней среды задан-

ного перечня (Иг), здесь ?О'5|^ = І.тгг - г-й выходной параметр системы управления, регистрируемый в d-м режиме входного управляющего воздействия;

п

Вг,мг = М уГ'Мг ({грМг-1(0|С;(и-)}'ДмЧ0' СМг(0) 1Ы,{ДЛ -

У(С;(^у)} 'у 4 '

конечное подмножество показателей НДВР четвертого вида, регистрируемых в режиме исполнения г-го штатного цикла испытания СУ в условиях имитации заданной последовательности факторов внешней среды, представляющих числовые значения выходных параметров ФУ, здесь ^д.^.)} - числовые значения г-го параметра 1-го ФУ в режиме реализации г-го штатного цикла испытания СУ, в условиях воздействия 7-го фактора внешней среды;

в п

в"от=ии{5Г'",({г»",-1(і)|С,(и)}'кМ,(і)'9"'(())'

вп

ии

УО'5 ({УаМг(0|С;(и)}'Д5(0, С5(0) К^ЛДдЛ

I 1

конечное подмножество показателей НДВР пятого вида, регистрируемых в режиме исполнения заданной последовательности штатных циклов испытания СУ в условиях имитации перечня факторов

внешней среды; , {У^} - области числовых значений показателей НДВР, определяющие ис-

ходную информационную основу метода технического диагностирования ФУ.

Средствами первого уровня иерархии структуры концептуальной модели (А^) на основе анализа нечетких отношений переменных и обучающих выборок, сформированных в результате моделирования заданного перечня отказов в поведении ФУ в условиях воздействия факторов внешней среды критичных к отказам. Решается задача, связанная с выявлением информационно-значимых показателей НДВР в последовательности штатных циклов испытания СУ, обладающих обнаруживающими свойствами применительно к допустимому перечню отказов ФУ.

На втором уровне иерархии концептуальной модели (А2) в результате анализа нечетких отношений модели представленных информационно-значимыми показателями НДВР принятых видов к

областям их числовых значений (|^Мг’^|, {?г5’^}) определяются показатели НДВР, обладающие разделительными свойствами применительно к допустимому перечню отказов ФУ.

В процессе решения задач на первом и втором уровнях концептуальной модели по усмотрению пользователя понижается до требуемого уровня неопределенность нечетких отношений показателей НДВР к областям их числовых значений и повышается до заданного уровня достоверность обнаружения отказов ФУ и диагностирования отказов в их поведении.

Конечные результаты задач, решаемых на первом и втором уровнях концептуальной модели, составляют исходную базу данных и знаний для построения исходной структуры модели диагностирования отказов ФУ. В данной постановке отличительная особенность исходной структуры модели диагностирования отказов от известных моделей состоит в причинно-следственном объединении требуемых составов информационно-значимых показателей НДВР, входных управляющих воздействий, штатных циклов испытания и факторов внешней среды критичных к допустимому перечню отказов, обеспечивающих техническое диагностирование отказов ФУ с заданной глубиной и уровнем достоверности.

Адекватность концептуальной модели процессам обнаружения и диагностирования отказов в поведении ФУ в данной постановке определяется результатами моделирования состояний ФУ и требуемыми объемами обучающих выборок, формируемых в условиях имитации допустимого перечня отказов и последовательности факторов внешней среды в режиме испытания заданного перечня штатных циклов испытания СУ.

В качестве формального аппарата обработки нечетких отношений, представленных состояниями концептуальной модели, в плане перевода данных в знания при построении ИС используется аппарат теории множеств и кванторы: V - для всех; 3 - существует.

В работе процесс обучения ИС базируется на использовании формальных процедур методов решения заданных проблемных задач предметной области и сводится к определению правил формирования механизма нечеткого логического вывода, представленного базой данных и знаний соответствующей ИС. При этом формальные процедуры используются в качестве источников извлечения и способов преобразования знаний, обеспечивающих достижение целей в объеме проблемных задач.

Способ организации базы данных и знаний ИС поддержки метода оценки работоспособности и обнаружения отказов ФУ в результате перевода данных в знания определяется соблюдением логических условий вида:

а 9

I £

Vt, 0; 3^(0.К^'(0.......^'(0; У*(0...У*(0;

И1(0<..., И^(£); ..., С,,..., С^; ..., ^г; Д1(..., Дг ^

я я я

БСКО = {[У^1Мги....иу^мги.............иу^], (1)

г г г

яяя

[У^и......иувгУй5и.и у5гГ7^]}|{^г}{Д7} = < 5,0 >,

ггг

где БСКО - базовый состав координат информационно значимых показателей НДВР на осях пространственно-временной модели, обеспечивающих оценивание работоспособных состояний ФУ и обнаружение отказов в их поведении;

- заданный перечень НДВР, показатели которых отождествлены соответственно с входными параметрами ФУ СУ, здесь уМг, У^ Ц = 1, р, й = 1, т - числовые значения информационнозначимых показателей НДВР в многомерном параметрическом пространстве, характеризующие степень соответствия выходных параметров ФУ СУ требованиям ТЗ и ТУ и обеспечивающие обнаружение отказов в их поведении; и(£) - входные управляющие воздействия; УМу, У5 - выходные параметры ФУ СУ; Г - информационные пути в структурах моделей ФУ; G - перечень штатных циклов испытания СУ; < 5, 0 > - означает, что сформированный состав показателей НДВР обеспечивает оценку работоспособных состояний (5) и обнаружение заданного перечня отказов (0) ФУ.

Состав переменных и логическое содержание базы данных и знаний данной ИС (1) составляют исходную основу для синтеза базы данных и знаний ИС поддержки метода технического диагностирования отказов ФУ. Информационная, процедурная и логическая сущность, которой определяется зависимостью вида:

vt, 0; зи^О.и„(0; у"'(0 у";(0; У5(0 У*(0;

И^(0...%(0;Сі ^

я я я

БСКО = {[У^У^П......пу^у.^п пу^а (2)

і і і

яяя

[УЯіУ*П.........пу^у/п.П У^іУ^]}|{^£}{Д.} = < 5,0і >,

І і і где БСКО - базовый состав координат числовых значений информационно-значимых показателей НДВР в многомерном параметрическом пространстве, обеспечивающих диагностирование ФУ; 0і -означает диагностируемость допустимого перечня отказов ФУ средствами базы данных и знаний ИС.

Логическая организация переменных базы данных и знаний ИС (2) определяет структуру модели диагностирования отказов ФУ. Процесс обучения ИС в рассматриваемой постановке регламентируется заданным составом формализованных процедур методов решения проблемных задач предметной области, реализуемых средствами ИС.

Построение и обучение нейронной сети под предметную область Предпосылки использования НС в процессах оценивания работоспособности, обнаружения и диагностирования отказов ФУ определяются таким свойствами, как распараллеливание алгоритмов в процедурах достижения целей, обучение на ограниченных объемах выборок, принятие решений в условиях неопределенности и неполноты исходных данных и знаний, возможность минимизации алгоритмов анализа технических состояний ФУ и принятие решений.

Технология построения и обучения НС под предметную область требует решение трех задач. Одна из которых связана со структурно-функциональным синтезом сети, определяющим обоснование внутренней структуры модели сети, алгоритма ее функционирования и способа обучения. Вторая задача предполагает параметрический синтез, процедурная и информационная сущность которого определяется принципом формирования эталонных образов, распознаваемых нейронами и слоями сети, определения числовых значений, весовых коэффициентов и алгоритмами построения функций активации. Третья задача связанна с обоснованием логических механизмов вывода и правил принятия решений средствами нейронов и скрытых слоев сети применительно к частным и конечным целям, достигаемых в рамках заданных проблемных задач предметной области.

Применительно к решениям проблемных задач оценивания работоспособности, обнаружения и диагностирования отказов ФУ на рис. 2 приведена структурная организация модели НС отражающая навигацию от входного к выходному слоям сети формальных процедур распознавания эталонных образов, формирования функций активации и реализации механизмов и правил принятия решений.

В принятой концепции процессы построения и обучения НС базируются на основе адаптации формальных процедур методов решения проблемных задач, баз данных и знаний ИС поддержки методов, включающих механизмы вывода и правила принятия решений, что способствует сокращению временных циклов построения и обучения сетей и повышению достоверности принимаемых ими решений.

Предполагается, что во времени НС функционирует в темпе регистрации протоколов наблюдения, представленных числовыми значениями показателей НДВР заданных видов, показателями внешней среды и результатами штатных циклов испытания СУ с учетом динамики изменения характерных показателей НДВР в предыстории, обнаруживаемых и хранимых в процессе исполнения заданной последовательности штатных циклов испытания СУ.

иВі^І’ВД.ОМ.сМ ййВі^(йг)|Т(Е),0(р).<ї(і)

□-

ивіУ“|¥(1)10(1)1Ч(1) Нч ииВі?“(йг)І¥(Е),А(р),Ч(1)

□-

иВіУпм|її(1),а«^И н" ииВіУпМ(гг)Іїї(Е),С(р),ЧИ

□-

ІИЬ

Ові^им.о^.ча) иивіУ1в(й1)|¥(Е),(}(р)1Ч(1)

. „ і і

о-

иВі^аддіші) НГ иивіу]0(й1)|¥(Е)1(}(р)1ч(і)

І ^ 1 і

о-

йВіУІІ¥(і),сі(іШі) нт иивіу]в(й1)|т{Е).(}(р).ч(0

• - 1 і

чг

п к 8 Л /-(МІ

П(ииВ;УчМ(йг))|(101...1) ^

Ч г 1_______________________>

т Ь g

ГКШВіУ;3 (ЙО) 1(010...1)

І 1 і

чг

Чш п Е 8 Л пм:

1 П(иивіУ“(йг))|(ш...о) Чі

ч г і_____________________

т Ь §

П(иив1¥/(й1))|(ооо...і)

] 1 і

ПерЬыП Выходноп

скрытый слоа слой I

Вторст скрытно. слой

Выходной слой II

Рис. 2. Структурная организация элементов нейронной сети

Входной слой НС (рис. 2) определяется локальными векторами переменных, представленных конечными подмножествами НДВР (1, 2), перечнем факторов внешней среды {И^} и последовательностью штатных циклов испытания {бу} применительно к допустимому подмножеству отказов ФУ {@г}.

В рассматриваемой постановке перечень внутренних слоев модели сети определен числом проблемных задач предметной области. Состав нейронов первого скрытого слоя сети регламентируется перечнями выходных параметров ФУ и СУ, представляемых последовательностями временных рядов.

В структуре модели НС каждый нейрон первого и второго скрытых слоев представляет собой простейший процессор, распознающий эталонный образ и формирующий соответствующую функцию активации согласно заданной программе.

На входы нейронов первого скрытого слоя сети (рис. 2) отождествляемых с выходными параметрами ФУ | д = 1, п. и СУ Яу5 | _/ = 1, т, поступают эталонные образы, определяемые последовательностями НДВР заданных видов:

У | И(0, С(0,0(0^, ^у В^5 | И(0, С(0,0(0 ^

регламентируемых в процессе исполнения штатных циклов испытания СУ в условиях имитации факторов внешней среды (Иу, б;), здесь д = 1,п - число выходных параметров ФУ,_/ = 1, т - число выходных параметров системы управления, г - число видов НДВР. Весовые коэффициенты синоптических связей определяются условием:

1, еслиу^у"! И(0,С(0,0(0 ея«

і

я

0, еслиУ^У" | ^(0,С(0.0(0 €

(3)

Кс =

а

1, если^^у;-5 І И(0,С(0,0(0 Є

I

9

(4)

0, если^^у-5 | ^(0,С(0.0(0 2

- область многомерного параметрического пространства распределения числовых значений показателя НДВР за пределами допусковых ограничений.

Распознавание эталонных образов нейронами первого скрытого слоя сети заключается в отображении пространства признаков, представленного показателями НДВР, показателями состояний внешней среды и результатами исполнения штатных циклов испытания, в пространство решений в виде функций активации, характеризующих класс неработоспособных состояний обладающих свойствами обнаружения отказов ФУ. При этом каждым нейроном этого слоя выполняется нечеткое правило вида, если хотя бы один показатель заданного перечня НДВР в заданных условиях превысил допус-ковые условия и весовые коэффициенты синоптических связей согласно условий (3, 4) принимают числовые значения «1», то нейрон формирует функцию активации, отражающую неработоспособное состояние соответствующего ФУ. Если данное условие не соблюдается, то весовые коэффициенты принимают числовые значения равные «0», что соответствует работоспособным состоянием ФУ.

Согласно содержанию базы данных и знаний ИС (1) числовые значения функции активации (рис. 2), формируемых нейронами первого скрытого слоя сети на основе регистрации и анализа эталонных образов, представленных показателями НДВР, регистрируемых на выходах ФУ и СУ определяются зависимостями, соответственно:

ии

г і I 9

ии

Вг?"(гг)| И(Й),С(р),0, (5)

^ В;У;5(гг)|И(Н),С(р),0, (6)

_ г

где г, Ь, р - вектора признаков, показателей выходных параметров ФУ и СУ, внешней среды и штатных циклов испытания СУ; ц = 1,/с, 7 = 1, и/ - число выходных параметров ФУ СУ; символ «л» -отражает измеренное числовое значение показателя НДВР (выходного параметра).

По результатам анализа функций активации (5, 6) сетью принимаются решения или ФУ СУ являются работоспособными {5;}, или в их поведении имеют место один или несколько отказов {@^}. Здесь і = 1, р - число ФУ в составе соответствующей СУ, _/ = 1, р - число отказов в поведении ФУ.

Функции активации, формируемые нейронами первого скрытого слоя составляют информационную основу эталонных образов, распознаваемых нейронами второго скрытого слоя сети, образуемых на основе распознавания эталонных образов (5, 6) и правил принятия решений, определяемых

базой данных и знаний ИС (2), согласно состава НДВР заданных видов, характеризуются зависимо-

стями вида, на примере р-го ФУ (рис. 2):

п / К 9

к*№) ||и(р),с(р-),огм, (7)

П(ии

9 \ г і т ( I 9

п(ии

; V г і

М5Й) ||И(р),С(р-),0гм, (8)

где ц = 1, //, ] = 1, и/ - соответственно, число выходных параметров ФУ и СУ.

В процессе функционирования НС каждым нейроном второго скрытого слоя реализуется нечеткое правило, если функции активации, формируемые нейронами первого скрытого слоя идентифицируются в соответствующей кодовой комбинации показателей НДВР, определяемых моделью диагностирования отказов ФУ, то функция активации, формируемая нейроном констатирует факт диагностирования отказа соответствующего ФУ, в остальных случаях нейрон оказывается пассивным.

Таким образом, каждый нейрон первого скрытого слоя в процессе функционирования сети всегда является активным (возбужденным), а каждый нейрон второго скрытого слоя является активным только в ситуации диагностирования соответствующего отказа.

Выходной слой НС представлен двумя слоями, соответственно выходной слой I, определяемый функциями активации первого скрытого слоя, характеризует работоспособные состояния ФУ (5), а выходной слой II отражает результаты диагностирования в их поведении {$;}.

В работе способы и алгоритмы обучения ИС и НС на стадии их построения реализованы, главным образом, в направлении приведения нечетких описаний средствами НДВР ФУ, состояний внешней среды и результатов исполнения штатных циклов испытаний ФУ в составе СУ к частично нечетким, а также в направлении понижения уровня неопределенности переменных в механизмах вывода и правилах принятия решений по достижению частных и конечных целей в объеме проблемных задач предметной области. При этом методы, способы и алгоритмы обучения условно характеризуются тремя этапами. На первом из них в результате моделирования физических образцов ФУ в условиях имитации заданного перечня отказов в их поведении и имитации факторов внешней среды критичных к отказам на основе анализа обучающих выборок выявляются причинно-следственные связи между переменными применительно к отказам и агрегируются информационно-значимые НДВР, обладающие обнаруживающими и разделительными свойствами относительно заданного перечня отказов ФУ. На втором этапе синтезируются базы данных и знаний ИС, организуется и минимизируется исходная структура модели диагностирования отказов ФУ, составляющие логический формализм правил принятия решений. Третий этап связан с синтезом эталонных образов, с определением числовых значений весовых коэффициентов, с формированием функций активации механизмов вывода и правил принятия решений средствами НС.

Рассмотренные в работе методы, способы и алгоритмы построения и обучения ИС и НС обеспечения процессов оценивания работоспособности ФУ, обнаружения и диагностирования отказов в их поведении являются управляемыми пользователем в плане достижения требуемой полноты описания технического состояния ФУ, глубины диагностирования отказов и заданной достоверности принятия решений.

1. Крупейников Д.Е. Методические и интеллектуальные средства обнаружения и диагностирования отказов функциональных устройств бортовых систем управления летательных аппаратов. I / Д.Е. Крупейников, В.С. Дрогайцев // Вестник СГТУ. 2013. № 1 (69). С. 180-190.

ЛИТЕРАТУРА

Дрогайцев Валентин Серафимович -

доктор технических наук, профессор кафедры «Автоматизация и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.

Valentine S. Drogaytsev -

Dr. Sc., Professor

Department of Automation and Technological Process Control,

Gagarin Saratov State Technical University

Крупейников Денис Евгеньевич -

аспирант кафедры «Автоматизация

Denis E. Krupeynikov -

Postgraduate

Department of Automation and Technological Processes Control,

Gagarin Saratov State Technical University

и управление технологическими процессами» Саратовского государственного технического университета имени Гагарина Ю.А.

Статья поступила в редакцию 04.11.12, принята к опубликованию 20.02.13