CC BY
12
9. Агеев П.А., Удальцов Н.П., Заика П.В. Способ выявления характеристик взаимосвязности размещения объектов в оперативном построении войск // Известия тульского государственного университета. Технические науки», 2021. Вып. 6. С. 164-170.
Удальцов Николай Петрович, профессор, канд. воен. наук, преподаватель, Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С. М. Буденного,
Агеев Павел Александрович, канд. воен. наук, доцент, pol18deligne@rambler.ru, Россия, Санкт-Петербург, Военная академия связи имени Маршала Советского Союза С. М. Буденного
STRUCTURAL-FUNCTIONAL MODEL OF MANIFESTABILITY OF MONITORING OBJECTS N.P. Udalzov, P.A. Ageev, I.U. Ulanov, A.A. Donchenko
The article discusses the main stages of the manifestation of monitoring objects in various physical fields (environments), described in the above structural and functional model, which allows you to create dynamically changing standards of monitoring objects, taking into account masking measures.
Key words: masking, monitoring, manifestation, object, model, physical and geographical conditions, natural and climatic conditions.
Udalzov Nikolay Petrovich, candidate of military sciences, lecturer, docent, Russia, Sankt-Petersburg, Military Academy of Telecommunications named after Marshal of the Soviet Union S.M. Bydyonny,
Ageev Pavel Aleksandrovich, candidate of military sciences, docent, pol18deligne@rambler.ru, Russia, Sankt-Petersburg, Military Academy of Telecommunications named after Marshal of the Soviet Union S.M. Bydyonny
УДК 681.518.5
DOI: 10.24412/2071-6168-2023-4-285-295
МЕТОДИКА КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ БОРТОВОЙ АППАРАТУРЫ ОБЪЕКТОВ РАКЕТНО-КОСМИЧЕСКОЙ ТЕХНИКИ С ФОРМИРОВАНИЕМ ПРИЗНАКОВ СОСТОЯНИЙ НА ОСНОВЕ НЕЙРОСЕТЕВОГО АНАЛИЗА ТЕЛЕМЕТРИРУЕМЫХ
ПРОЦЕССОВ
А.И. Лоскутов, В.А. Клыков, А.Н. Татаренков, Ю.В. Перелыгин, А.Р. Мурдагулов
Рассматривается вопрос разработки методики контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники, на основе нейросетевого анализа телеметрируе-мых процессов, позволяющей минимизировать ложноположительные заключения о наличии неисправности в бортовой аппаратуре. В рамках решения представленной задачи осуществлена декомпозиция на подзадачи фильтрации телеметрируемых параметров и классификации по модельным видам технического состояния. В качестве математического инструмента, применяемого для уменьшения вероятности ложного отказа, при разработке методики контроля, предлагается использовать нейросетевой подход. Для уменьшения неопределенности связанной с нестационарностью функции выхода бортовой аппаратуры ракетно-космической техники предлагается обучение нейронной сети динамике поведения телеметрируемых параметров при переходных процессах в различные моменты времени. Представлена методика контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники с формированием признаков состояний на основе нейросетевого анализа телеметрируемых процессов.
Ключевые слова: контроль, техническое состояние, бортовая аппаратура, ракетно-космическая техника, нейронные сети.
Введение. На современном этапе развития ракетно-космической техники (РКТ) наблюдаются тенденции к увеличению ее функционала, формированию способности автономной, самостоятельной работы, что, в свою очередь, приводит к усложнению бортовой аппаратуры и увеличению объемов решаемых задач бортовой аппаратуры (БА) в каждый момент времени. На этом фоне особенно остро встаёт вопрос решения задачи контроля технического состояния БА объектов РКТ.
Из литературы [1] известно, что под контролем технического состояния (ТС) понимается проверка соответствия значений параметров бортовой аппаратуры объектов ракетно-космической техники требованиям технической документации и определение на этой основе одного из заданных видов технического состояния в данный момент времени. Отметим, что несмотря на постоянно совершенствующиеся
285
методы контроля бортовых систем объектов РКТ одной из наиболее актуальных проблем в настоящий момент является наличие так называемых ошибок в принятии решения о виде технического состояния БА. Так, например, для современных КА данный показатель в некоторых случаях может достигать до 20 процентов от общего количества нештатных ситуаций [2]. Данный факт характеризует несовершенство существующих моделей, методов и методик, применяемых при решении задачи контроля ТС бортовой аппаратуры объектов РКТ, с одной стороны, и необходимость достижения требуемого уровня достоверности и оперативности определения вида технического состояния БА объектов РКТ в процессе штатной эксплуатации с другой стороны. Обозначенное противоречие является фундаментальным в рассматриваемой предметной области и требует скорейшего разрешения. Исходя из этого возникает необходимость разработки новых подходов к решению задачи контроля БА объектов РКТ с точки зрения минимизации ошибок контроля.
В свою очередь, уменьшение вероятности принятия неправильного решения в определении вида технического состояния объекта РКТ является основным направлением совершенствования систем контроля объектов РКТ.
Постановка задачи разработки методики контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники с формированием признаков состояний на основе нейросетевого анализа телеметрируемых процессов. Известно [3], что при решении задачи контроля ТС ошибки можно классифицировать на ложный отказ (ошибки первого рода) и пропуск неисправности (ошибки второго рода). Необходимо отметить, что последствия для данных видов ошибок будут различными. Так, например, если ложный отказ только увеличивают объём восстановительных работ, то пропуск неисправности влечет за собой аварийное повреждение оборудования. С практической точки зрения пропуск неисправности является более «трагичным» для эксплуатации бортовой аппаратуры объектов РКТ чем ложный отказ, однако последний оказывается более массовым. В свою очередь, природа появления ошибок в рамках рассмотренных классов имеет индивидуальный характер, что, безусловно, будет определять парадигму борьбы с ними. Другими словами, вопросы как ложноположитель-ного, так и ложноотрицательного решения требуют отдельного рассмотрения в контексте нахождения способа минимизации вероятности ошибочного суждения о виде технического состояния бортовой аппаратуры объектов РКТ.
В данной работе предлагается к рассмотрению подход к минимизации ложноположительного заключения о наличии неисправности в бортовой аппаратуре объектов РКТ на основе разработки методики контроля с формированием признаков состояния. В общем случае природа появления ложного отказа может быть описана следующим образом: датчик в определенных условиях эксплуатации может подвергаться воздействию не только измеряемой величины, но и других физических воздействий, именуемых влияющими (возмущающими) факторами, к которым чувствителен датчик и его система коммутации. Вариации этих паразитных воздействий могут привести к изменениям выходного электрического сигнала датчика и появлению соответствующей погрешности измерений [4]. Необходимо отметить, что в ряде источников [4] данная погрешность называется аномальной. В свою очередь система контроля может обрабатывать аномальные (недостоверные) данные и принимать на их основе ошибочное решение. Особенно заметно это может быть в условиях переходных процессов БА объектов РКТ.
Для решения данной задачи в работе будет предложена методика контроля технического состояния бортовой аппаратуры объектов РКТ с формированием признаков состояний, на основе применения основных принципов машинного обучения (нейронных сетей).
Исходя из обозначенного, постановка задачи разработки методики контроля ТС БА объектов РКТ может быть представлена следующим образом.
Дано:
1. Функция выхода /-ой БА объекта РКТ фгБА, / =1,п, с формальной точки зрения представляющая собой отображение вида:
БА БА; ч БА,- (1)
ф/ : 4} ^ Ук - (1)
где дБА/,}=1,1 - }-ое текущее (наблюдаемое) техническое состояние /-ой БА объекта ракетно-космической техники д}е QБА,', к=1 ,г ;
уБА/, к=1,5 - к-ый вектор телеметрируемых параметров (уБА/- ук,ук,...,укт}-г0 наблюдаемого
технического состояния /-ой БА объекта РКТ.
В свою очередь отметим, что Ут е Y•Б]Аи, где Y•БАи - множество телеметрируемых параметров /-ой БА.
2. Уравнение наблюдения /-ой БА объекта РКТ:
утс= к (г, д]А/, V,), (2)
где V,, 5=1,к - 5-ый вектор возмущающих воздействий (V, ^,v2,...,Vs1^j), V, е V, V - множество
возмущающих воздействий при штатной эксплуатации БА объектов РКТ; у* - с-ая реакция /-ой БА объ-
екта ракетно-космической техники при qБА> е , к=1,r и возмущающем воздействии v,; т - время
проведения контроля ,-ой БА РКТ.
3. Классы параметров Yg, r=1,v, а g - отношение эквивалентности над уСс е yJMH, с = l, b, то есть с формальной точки зрения дано решение задачи классификации на множестве телеметрируемых параметров и соотнесения полученных классов по видам технического состояния:
БА,-ч ( БА, , БА,- / k\ БА,- (3)
Е(Ук ,) = \ек \ек =М(Ус), Ук , е Yf (3)
где е,А' е Е - k-ый модельный вид технического состояния ,-ой БА объекта ракетно-космической техники; / - оператор соотнесения фактор-множества Yg над Y—m к модельному виду технического состояния ,-ой БА объекта ракетно-космической техники; ук - с-ый параметр k-го вектора ТМП ,-ой БА объекта РКТ;
3. Количественный показатель эффективности контроля О^Агр БА объектов РКТ (достоверность). В свою очередь известно [5], что достоверность с формальной точки зрения определяется следующим образом:
ОБА = 1 - (р + P ) (4)
контр V-1 ло пн 4 '
гдеРло- ошибка первого рода (ложный отказ), Рпн- ошибка второго рода (пропуск неисправности).
В качестве ограничений определим, что оператор (3) будет инъективен на QБА,-. Поясним данное ограничение следующим образом. В общем случае уравнение наблюдения (2) относительно решения не имеет, ввиду наличия неизвестного параметра v,, однако теоретико-функциональный анализ
свойств оператора (3) позволяет получить определенные сведения об искомом состоянии рассматриваемой системы [6]. В свою очередь, инъективность выражения (3) наиболее полно будет отражать условия, связанные с появление ложноположительных решений о виде технического состояния БА объектов РКТ. Исходя из вышеизложенного, состояние БА будет определяться некоторым непрерывным оператором к-1 [6]:
qf* = к-1( у;, v,), (5)
который сопоставляет классу допустимых возмущений некоторое множество [6]:
G(у; ,V) = \qБА' \ q,А, = к-1(ус*, v,), v, е V j е QБА,, (6)
представляющее собой некоторый образ класса возмущений в пространстве состояний и содержащее искомое состояние системы [6].
В свою очередь, отметим, что оператор (5) является композицией двух отображений а и
Р- :
к-1 = а°ф~1, (7)
где а - отображение, формализующее процесс устранения аномальных ошибок в рамках рассмотренной природы их появления. р"1 - отношение обратное функции выхода (1).
В рамках формулируемой постановки задачи а может быть представлено отображением вида:
а:ус*^ Укс, (8)
Требуется: разработать методику контроля М^Ар в рамках создания специального математического обеспечения системы контроля БА объектов РКТ, обеспечивающей максимальные показатели достоверности контроля оБАлр, за счет минимизации вероятности появления ошибок первого рода а
при определении вида технического состояния.
С формальной точки зрения данная постановка может быть представлена следующим образом:
ук е у,
БА БА, ч БА,
ф,- : qr ^ у- ■
(9)
мБАт1(к-1,фба): Р -;->mm ^ D-^ ^ max.
контр v 5 т, s ло ,V) контр
-О
С =М(УС)
у'= к (т, дБА\ у).
Необходимо отметить, что решение поставленной задачи, в рамках разработки методики (9) условно может быть реализовано в два этапа. На первом этапе должно быть решено уравнение (2) отно-
287
сительно qБАi за счет нахождения оператора (8). С практической точки зрения данная задача может быть
интерпретирована как задача аппроксимации телеметрируемых процессов в условиях наличия аномальных ошибок. На втором этапе должна быть решена задача классификации (3), то есть отнесения наблюдаемого состояния объекта к одному из заданных видов модельных ТС. Схематично реализацию данных этапов можно представить следующим образом (рис.1)
I I
I
Ус\ Фильтрация телеметрируемых iyki 1 L Классификация по видам технического состояния
г 1 * k а:Ус ^ Ус 1 1 Е(уБА0 = {еБА,|еБА,=М yk), УкБА^4
I этап 1 1 II этап
к
БА, k
Рис. 1. Схема решения представленной задачи
Таким образом в основе разработки методики контроля БА объектов РКТ с целью минимизации ложноположительного принятия решения о виде технического состояния должен быть положен формальный инструмент, позволяющий найти экстремум целевой функции (9). В работе предложен подход контроля технического состояния на основе нейросетевого анализа телеметрируемых процессов и формирования признаков состояний бортовой аппаратуры.
Методика контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники с формированием признаков состояний на основе нейросетевого анализа телеметрируемых процессов. Ключевым элементом любой системы контроля является его программно-алгоритмическое обеспечение (ПАО), в свою очередь в основе ПАО должно быть положено специально-математическое обеспечение (СМО). Несовершенство ПАО является следствием несовершенства СМО, которое и приводит к образованию неопределенности при определении вида технического состояния БА объектов РКТ. В свою очередь при разработке математического обеспечения необходимо выбрать инструмент, позволяющий решить поставленную задачу.
Как было отмечено выше, для решения задачи (9) может быть использован нейросетевой анализ телеметрируемых процессов в бортовой аппаратуре объектов РКТ. Возможность применения данного инструмента обусловлена прежде всего математической интерпретацией задач, решаемых на этапе разработки методики контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники с формированием признаков состояний на основе нейросетевого анализа телемет-рируемых процессов.
Исходя из этого целевая функция в выражении (9) может быть скорректирована следующим
образом:
мкБАр(k "Ч ^аПр),фБА, MNJ): PL G(y* ,V) > min ^ ^ max, d0)
где Nanp - нейросетевая структура, предназначенная для решения задачи аппроксимации с целью нахождения решения уравнения (2);
Nkji - нейросетевая структура, предназначенная для решения задачи классификации (3), определения
вида ТС БА объектов РКТ.
Отметим, что в данной работе мы ограничимся общесистемным представлением нейронной сети на основе теоретико-множественного подхода. Исходя из этого структура и тип каждой НС в выражении (10) будет определяться:
^ = ( G^n, Х-'), (11)
где L - количество слоев НС необходимых для выполнения задачи фильтрации (аппроксимации телеметрируемых параметров), индекс п = 1, g определяет положение слоя в структуре сети, а именно входной, промежуточный (несколько промежуточных) или выходной слой; G - количеством нейронов в
структуре НС N^ необходимых для задачи фильтрации; г)п - отношение определяющее количество нейронов G в каждом слое Ln , необходимых для решения задачи фильтрации то есть G = л (Ln )
апр апр апр »n ^ апр '
; , V = 1,6 - отношение, определяющее связи между нейронами О в слоях Ц , необходимых для
решения задачи фильтрации.
Аналогичным образом будет определяться структура НС для задачи классификации:
N =(и О л 5п±(12)
кл \ кл' кл' /р' т /'
где Щл и Окл - количество слоев и нейронов в каждом слое, необходимых для решения задачи классификации соответственно; л , р=1,с - отношения, определяемые на множестве Щл и Окл, аналогичные
по смыслу г]п в выражении (11); , т=1, / - отношение, определяющее связи между нейронами Скл в слоях Цл, необходимых для решения задачи фильтрации.
Как было отмечено ранее, в основе ложноположительных решений о наличии неисправности в БА РКТ положено несовершенство специального математического и программно-алгоритмического обеспечения бортовых систем контроля объектов РКТ, связанного с наличием неопределённости в уравнении (2), особенно проявляющегося при контроле переходных процессов, протекающих в бортовой аппаратуре. Поясним данное утверждение отдельно, наличие неопределенности связано прежде всего с нестационарностью функции выхода (1) БА РКТ в моменты времени переходного процесса и возмущающих воздействий. В свою очередь, система контроля в рамках заданной модели либо не распознает со-
стояния дБА', то есть уравнение (2) решается не верно, либо неправильно соотносит наблюдаемое состо-
яние с заданным модельным ТС. Выходом из сложившейся ситуации может быть переход из пространства телеметрируемых параметров у^ в пространство признаков состояний рБА' '-ой БА объекта ракетно-космической техники с возможностью уменьшения неопределенности. Уместно допустить, что рБА' будет определяться некоторым оператором /, учитывающим нестационарность поведения телеметриру-емого параметра во время переходных процессов:
Ус-а ^ рБА', } = 1П, с=1А (13)
где индекс с-а указывает на то, что не все Ь параметров к-го вектора могут быть использованы для преобразования (13).
В свою очередь задача соотнесения к модельным видам технического состояния в данном случае будет решаться, в том числе, и над множеством признаков состояний р15А' е р.
Е(уС-а, РБА' ) = {еГ'
еБА' (£, Р БА'), Р БА'
]
]
* " БА
где / - оператор соотнесения с учетом признаков состояний р~ •
Исходя из вышеизложенного обобщенная рис. 1 может быть представлена следующим образом (рис.2).
}
е Р с У
БА' 1
ТМИ
схема
представленная
(14)
на
|__II этап
Рис. 2. Обобщенная схема решения задачи контроля на основе нейросетевого подхода
Необходимо отметить, что неопределенность связанная с нестационарностью функции (1) может быть уменьшена за счет обучения нейронной сети динамике поведения телеметрируемых параметров ук-а при переходных процессах в различные моменты времени t. Другими словами преобразованию
подлежит временной ряд, описывающий динамику поведения телеметрируемого параметра в моменты времени переходных процессов. Исходя из вышеизложенного выражение (13) может быть представлено следующим образом:
/(ЯПр): Е у1а('*<<)■
'=1
(15)
где Е ук ('^ ) - выборка телеметрируемого параметра в дискретные моменты времени .
'=1
Аналогично выражениям (11) и (12) нейронная сеть, предназначенная для преобразования телеметрируемого параметра в моменты времени переходных процессов, может быть представлена следующим образом:
п 5"±'\ (16)
N =1 Цр С
пр Упр' пр'
где Щ О
пр' пр
Л- параметры НС аналогичные выражению (11) и (12), необходимые для выполне-
ния задачи.
В свою очередь отметим, что признак состояния в выражении (15) будет бинарным рБА, = ^ 0,1^, где «1» будет означать, что динамика параметра ук_а в допуске, соответственно «0» аномальное поведение. В такой интерпретации отображение (14) может быть определена как бинарная классификация на основе применения нейронной сети Nпр .
Определяя значения параметров нейронной сети в выражениях (11), (12) и (15), как необходимые для выполнения поставленной задачи, поясним следующее, что с практической точки зрения структура НС будет обусловлена прежде всего значением минимума функционала ошибки Е при обучении каждой из рассмотренной сети. На основании предлагаемого подхода скорректируем целевую функцию (10) при разработке методики контроля технического состояния бортовой аппаратуры объектов РКТ следующим образом:
Е ( Napр)-Е ( Е (
> тт • тт тт
МБА : Р
контр лс
ОД V
->тт:
•АБ
тах,
(17)
где Е (Ж^) - показатель функционала ошибки при обучении НС для задачи фильтрации (аппроксимации телеметрируемых процессов); Е(N ) - показатель функционала ошибки при обучении НС для задачи преобразования телеметрируемого параметра в моменты времени переходных процессов; Е( Nкп) -
показатель функционала ошибки при обучении НС для задачи классификации по модельным видам технического состояния.
Возмущающие
)т воздействия
/щ , 5=1,к у е V
Уравнение наблюдения /-ой БА объекта РКТ
* 1 , БА1 ч
У с = к (7, Ч] 1, ),
Фильтрация параметров I этап
Классификация по модельным видам технического состояния II этап
Нейронная сеть для
классификации к /
Nк¡^ = (Црл' ОклЛр ,8Т)>
Основные положения методики контроля
Рис. 3. Обобщенная схема разработки методики контроля ТС БА объектов РКТ с формированием признаков состояний на основе нейросетевого анализа телеметрируемых процессов
Как можно заметить, из выражения (17) обозначенный ранее частный критерий минимума функционала ошибки каждой НС, при разработке методики контроля БА РКТ, позволит найти экстремум целевой функции (9).
Исходя из вышеизложенного, обобщенная схема разработки методики контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники с формированием признаков состояний на основе нейросетевого анализа телеметрируемых процессов может быть представлена следующим образом (рис.3).
Как видно из рис.3 в основе разработки методики можно выделить несколько основных операций, выполняемых на основе применения нейросетевых структур, а именно фильтрация параметра, формирование признака состояния и классификация по видам технического состояния. Помимо этого, отметим подготовительный этап в методике, связанный с реализацией отображений (1) и (3). Данный этап прежде всего связан с процедурой идентификации, то есть построения математической модели бортовой аппаратуры объекта [7,8].
На основании вышеизложенного, сформулируем методику контроля технического состояния бортовой аппаратуры объектов ракетно-космической техники с формированием признаков состояний на основе нейросетевого анализа телеметрируемых процессов:
1. Подготовительный этап:
1.1. На начальном этапе необходимо осуществить построение функции выхода (1) '-ой бортовой аппаратуры объекта РКТ. Отметим, что на данном этапе производится достаточно большое число экспериментов, связанных с имитацией различных технических состояний объекта, в том числе и неработоспособных, в лабораторных или натурных условиях. В число таких экспериментов входят также наблюдения за реально функционирующими объектами [7].
1.2. Следующим этапом является определение реального (модельного) технического состояния по результатам анализа телеметрируемых процессов через определение фактор-множества Yg и реализацию отображения (3).
2. Этап фильтрации:
2.1. Определение уравнения наблюдения (2) в условиях возмущающих воздействий. С практической точки зрения данная процедура сводится к получению телеметрируемых параметров штатно эксплуатируемой БА РКТ на интервале времени.
2.2. Выбор типа нейронной сети N для задачи фильтрации (аппроксимации телеметрируе-
мых процессов). Необходимо отметить, что для решения данной задачи наиболее уместно использовать сети с прямым распространением сигнала и обратным распространением ошибки [9].
2.3. Выбор структуры нейронной сети N для задачи фильтрации (аппроксимации телемет-
рируемых процессов). Как было отмечено ранее, в работе рассматривается общесистемный принцип описания НС без конкретики применения. Исходя из этого:
2.3.1 Выбор количества слоев НС Цп необходимого для достижения критерия минимума
функционала ошибки Е( N ) при решении задачи фильтрации (аппроксимации телеметрируемых процессов).
2.3.2 Определение отношения пп (количество нейронов С в каждом слое Цп ) необходимого для достижения критерия минимума функционала ошибки при решении задачи фильтрации (аппроксимации телеметрируемых процессов).
2.3.3. Определение отношения 5т±' (связи между нейронами С в слоях Цп ) необходимого
для достижения критерия минимума функционала ошибки при решении задачи фильтрации (аппроксимации телеметрируемых процессов).
2.4 Фильтрация телеметрируемых параметров (аппроксимация телеметрируемого процесса) -определение отображения (8). С практической точки зрения данная процедура сводится к отбраковке аномальных ошибок и выделении исходных компонентов электрического сигнала ук, в результате влияния возмущающих воздействий, на основе применения НС (11).
3. Этап формирования признака состояния:
3.1. Определение телеметрируемых параметров ук-а, учитывающих не стационарность функции выхода (1). Определение данных параметров должно быть произведено на основе сбора статистики условно «нештатной» динамики рассматриваемых процессов.
3.2. Выбор типа нейронной сети Nпр для задачи формирования признака состояния на основе
выделенных параметров ук-а БА РКТ.
3.3. Выбор структуры нейронной сети N для задачи формирования признака состояния. Не вдаваясь в конкретику применения Nпр сформулируем общесистемные принципы построения НС для задачи формирования признака состояния:
3.3.1. Выбор количества слоев НС Цр необходимого для достижения критерия минимума функционала ошибки Е(N ) при формировании признака состояния.
3.3.2. Определение отношения (количество нейронов Gпр в каждом слоеЦр) необходимого для достижения критерия минимума функционала ошибки при формировании признака состояния. Отметим, что исходя из бинарного характера рБА' количество нейронов выходного слоя должно быть равно двум.
3.3.3 Определение отношения 3±' (связи между нейронами Gпр в слоях Цр) необходимого для достижения критерия минимума функционала ошибки при формировании признака состояния.
4. Этап соотнесения параметров у^ и признаков состояния рБА' по модельным видам технического состояния:
4.1. Соотнесение по модельным видам технического состояния отфильтрованных телеметриру-
^ нахождение оператора р на основе применения
нейронной сети (построение нейросетевого классификатора).
4.2. Выбор типа нейронной сети Nlл для задачи классификации на множестве параметров ука и
БА
признаков состояния р~ '.
4.3. Выбор структуры нейронной сети N для задачи формирования признака состояния. Аналогично пунктам 2.3 и 3.3 данной методики сформулируем общесистемные принципы построения НС для задачи классификации.
4.3.1. Выбор количества слоев НС Цл необходимого для достижения критерия минимума
функционала ошибки Е(^л) при решении задачи классификации на множестве параметров у^ и при-
k БА
емых параметров ya и признаков состояния p ' -
знаков состояния
БА,
Pj
4.3.2. Определение отношения / (количество нейронов Gкл в каждом слое Црл) необходимого для достижения критерия минимума функционала ошибки при решении задачи классификации на множестве параметров у^ и признаков состояния рБА'.
4.3.3. Определение отношения 5^' (связи между нейронами Gкл в слояхЦл) необходимого для достижения критерия минимума функционала ошибки при решении задачи классификации на мно-
к КА
жестве параметров уа и признаков состояния р~ '.
5. Принятие решения о виде технического состояния БА РКТ на основе анализа полученной информации. На данном этапе формально определенному модельному технического состоянию ставится в соответствие вполне конкретное решение об его истинном состоянии с учетом вероятностных характеристик, возможных ошибок при контроле, погрешностей выполняемых измерений и возмущающих воздействий.
Возможность применения представленной методики подтверждают результаты моделирования процесса контроля датчиков угловых скоростей (ДУС) системы управления движения (СУД) малого космического аппарата (КА) «Аист-2Д». На рис.4 представлена зависимость среднеквадратического значения погрешности оценивания значений признаков ТС ДУС СУД КА от цикла обучения.
Е
о:5
о:
0.15
005
step
о :о до «i so ion izo но iso iso :оо Рис. 4. Среднеквадратическое значения погрешности оценивания значений признаков ТС ДУС СУД КА от цикла обучения.
292
В качестве входных данных использовались параметры четырех ДУС. Как видно из рис.3 полученные значения погрешности Е на определенных циклах обучения позволяют достаточно точно оценить ТС ДУС и в целом СУД КА. В свою очередь, результаты проведения эксперимента указывают на то, что разработанная методика позволит повысить достоверность определения вида технического состояния бортовой аппаратуры в среднем на 10% по сравнению с существующим подходом (рис.5).
1 -
0,93
Существущий Предлагаемый подход подход
Рис. 5. Диаграмма сравнения значений достоверности контроля ТС приборов СУД КА
Необходимо отметить, что представленные результаты в полной мере отражают возможность применения первого этапа представленной методики контроля, как задачи аппроксимации телеметриру-емых процессов. В свою очередь возможность применения третьего этапа подробно описана в литературе [9]. Указанное подчеркивает возможность практической реализации всей методики в целом при определении вида технического состояния бортовой аппаратуры объектов РКТ на основе нейросетевого анализа телеметрируемых процессов.
Заключение. Как было отмечено ранее, одной из наиболее актуальных проблем в настоящий момент является наличие так называемых ошибок в принятии решения о виде технического состояния БА. Безусловно пропуск неисправности (ошибка 2-го рода) для бортовой аппаратуры объектов РКТ является наиболее катастрофичным при штатной эксплуатации, однако наличие ложного отказа (ошибки 1-го рода) в ряде случаев может привести к не менее трагичным последствиям, особенно если речь идет о выполнении задач по предназначению. Отметим, что поэтапный нейросетевой подход при анализе теле-метрируемых процессов в представленной методике позволяет получить результат контроля с учетом уменьшения вероятности ложного принятия решения о наличии неисправности в БА РКТ, в условиях влияния возмущающих воздействий и наличии не стационарности функции выхода бортовой аппаратуры в моменты времени переходных процессов.
Список литературы
1. ГОСТ 20911-89. Техническая диагностика. Термины и определения. М.: Изд-во стандартов,
1990. 12 с.
2. So Young Kim, Jean-Francois Castet, Joseph H. Saleh, Spacecraft electrical power subsystem: Failure behavior, reliability, and multi-state failure analyses // Reliabillity Engineering and System Safety. 2012. Vol. 98. P. 55-65.
3. Кудрявцев В.В. Основы контроля и диагностики. ВИККИ, 1993. 157 с.
4. Лоскутов А.И. Телеметрия: учебник / А.И. Лоскутов, А.А. Бянкин, Г.И. Козырев, А.Н. Саку-лин, В.И. Кондратюк, В.П. Обрученков; под общ. ред. А.И. Лоскутова. СПб.: ВКА имени А.Ф. Можайского, 2017. 342 с.
5. Кочелаев Ю.С. Автоматизированные испытательные комплексы. Выпуск 3. Оптимизация алгоритмов автоматизированного тестового контроля. МО СССР, 1992. 118 с.
6. Калинин В.Н. Теоретические основы системных исследований: учебник. СПб.: ВКА имени А.Ф. Можайского, 2016. 293 с.
7. Мышко В.В., Кравцов А.Н., Копкин Е.В., Чикуров В.А. Теоретические основы и методы оптимизации анализа технического состояния сложных систем: монография. СПб.: ВКА имени А.Ф. Можайского, 2013. 303 с.
8. Дмитриев А.К., Юсупов Р.М. Идентификация и техническая диагностика: учебник. МО СССР, 1987. 521 с.
9. Лоскутов А.И. Нейросетевой подход к контролю технического состояния бортовой радиоэлектронной аппаратуры изделий ракетно-космической техники в условиях многозначности функции выхода / А.И. Лоскутов, А.В. Назаров, В.А. Клыков, Е.А. Ряхова, А.В. Столяров // Вестник НПО им. С.А. Лавочкина М.: НПО им. С.А. Лавочкина, 2021. №1(51). С. 52-53.
Лоскутов Андрей Иванович, д-р техн. наук, профессор, начальник кафедры, vka@mil.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
Клыков Владимир Алексеевич, канд. тенх. наук, преподаватель, Россия, Санкт-Петербург, Военно-космическая академия имени А.Ф. Можайского,
293
Татаренков Артем Николаевич, адъюнкт, kraktatar@mail.ru, Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
Перелыгин Юрий Владимирович, адъюнкт, Россия, Санкт-Петербург, Военно-космическая академия имени А.Ф. Можайского,
Мурдагулов Артур Радикович, ведущий специалист, ssiims@rambler. ru, Россия, Самара, АО РКЦ «Прогресс»
TECHNIQUE FOR MONITORING THE TECHNICAL CONDITION OF THE ONBOARD OF ROCKET AND SPACE TECHNOLOGY OBJECTS WITHN THE FORMATION OF STATES BASED ON NEURAL NETWORK ANALYSIS OF TELEMETERED PROCESSES
A.I. Loskutov, V.A. Klykov, A.N. Tatarenkov, Y.V. Perelygin, A.R. Murdagulov
The issue of developing a technique for monitoring the technical condition of the onboard equipment of rocket and space technology objects, based on a neural network analysis of telemetered processes, is considered, which allows minimizing false positive conclusions about the presence of a malfunction in the onboard equipment. As part of the solution of the presented problem, decomposition into subtasks offiltering the telemetered parameters and classification by model types of technical condition was carried out. It is proposed to use a neural network approach as a mathematical tool used to reduce the probability of a false failure when developing a control technique. To reduce the uncertainty associated with the non- stationarity of the output function of the onboard equipment of rocket and space technology, it is proposed to train the neural network in the dynamics of the behavior of the telemetered parameters during transients at different points in time. A technique for monitoring the technical condition of the onboard equipment of rocket and space technology objects with the formation of state signs based on a neural network analysis of telemetered processes is presented.
Key words: control, technical condition, onboard equipment, rocket and space technology, neural
networks.
Loskutov Andrey Ivanovich, doctor of technical sciences, professor, head of the department, vka@mil.ru, Russia, St. Petersburg, A.F. Mozhaisky Military Space Academy,
Klykov Vladimir Alekseevich, candidate of technical sciences, lecturer, Russia, St. Petersburg, A.F. Mozhaisky Military Space Academy,
Tatarenkov Artem Nikolaevich, adjunct, kraktatar@mail. ru, Russia, St. Petersburg, A.F. Mozhaisky Military Space Academy,
Perelygin Yuri Vladimirovich, adjunct, Russia, St. Petersburg, A.F. Mozhaisky Military Space Academy,
Murdagulov Arthur Radikovich, leading specialist, Russia, Samara, JSC SRC «Progress»
