CC BY
32
УДК 004.8
МОДЕЛИРОВАНИЕ УДАРНОЙ ИСПЫТАТЕЛЬНОЙ УСТАНОВКИ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ
СЕТЕЙ
Я.Н. Гусеница, А.В. Малахов, Д.И. Старовойтов, А.А. Панина
Обоснован метод моделирования ударной испытательной установки на основе искусственных нейронных сетей. Построена нейросетевая модель, которая в отличие от существующих моделей, учитывает слабо формализованные параметры демпфирующих прокладок ударной испытательной установки. Структура нейросетевой модели представлена в виде многослойного персептрона, состоящего из 8 элементов во входном слое, 17 элементов и 136 синаптических связей в промежуточном слое, 1 элемента и 17 синаптических связей в выходном слое. Для структуры разработанной модели получена функция активации, которая может трактоваться как функция распределения вероятности того, что значения выходных параметров ударной испытательной установки соответствуют значениям регулируемых параметров. Разработан алгоритм обучения, который в отличие от существующих алгоритмов, учитывает особенности структуры и функции активации нейросетевой модели испытательной установки. Проведено оценивание адекватности нейросетевой модели ударной испы-татательной установки. Оценка показывает, что адекватность модели ударной испытательной установки определяется высоким значением математического ожидания и низким значением среднего квадратичного отклонения вероятности того, что значения выходных параметров ударной испытательной установки соответствуют значениям регулируемых параметров. Приведено описание программной реализации нейросетевой модели ударной испытательной установки. В заключение указана ее область применения.
Ключевые слова: испытания, ударная испытательная установка, нейросетевая модель, многослойный персептрон, логистическая функция.
Обеспечение требуемого качества продукции различного назначения реализуется на всех стадиях ее жизненного цикла, начиная от замысла и заканчивая выведением из эксплуатации. Важное место здесь отводится испытаниям, которые позволяют получать объективную информацию о качестве продукции. Наличие и анализ такой информации является необходимым условием для принятия обоснованных решений о выделении возможных экономических, временных и людских ресурсов на доработку продукции.
Испытания продукции проводятся с учетом будущих условий ее эксплуатации. Такими условиями являются механические, климатические, радиационные и другие факторы, способные вызвать частичное или полное снижение качества продукции [1].
Среди механических факторов наиболее вероятными являются удары, которые могут быть вызваны неосторожным обращением с продукцией во время эксплуатации, хранения или транспортирования. Для воспроизведения ударов используются различное испытательное оборудования, одним из которых является ударная испытательная установка «ТИРА шок 4110М».
Основу «ТИРА шок 4110М» составляет рабочий стол, к которому закрепляется испытываемая продукция. В процессе проведения испытаний рабочий стол с испытываемой продукцией поднимается, а затем свободным падением и (или) силой натяжения пружины падает на подвижный упор. В результате чего испытываемая продукция
подвергается воздействиям ударных нагрузок, значения которых определяются пиковым ударным ускорением и длительностью импульса. Значения перечисленных параметров записываются в постоянное запоминающее устройство, расположенное на пульте управления и измерения, и могут быть соотнесены с требуемыми значениями аналогичных параметров, взятых из технических условий на продукцию.
Для достижения требуемых значений пикового ударного ускорения и длительности импульса осуществляется регулировка параметров частоты повторения ударов, высоты падения, силы натяжения пружины и количества ударов. Кроме того, параметры ударных нагрузок зависят от устанавливаемых на рабочий стол демпфирующих прокладок, различающихся между собой материалом (войлок и резина) и толщиной. Однако из-за отсутствия рекомендаций по регулировке значений перечисленных параметров в программах и методиках испытаний все параметры устанавливаются интуитивно, что свидетельствует о низкой достоверности результатов испытаний. Это, в свою очередь, может привести в процессе испытаний к риску превышения потенциальных уровней ударопрочностей, удароустойчивости и ударостойкости испытываемой продукции, а, следовательно, и к возможности ее разрушения.
Следовательно, задача, связанная со снижением риска разрушения испытываемой продукции с использованием ударной испытательной установки является весьма актуальной.
Нейросетевая модель ударной испытательной установки
Для решения поставленной задачи в настоящее время могут быть использованы имеющиеся математические модели, на основе которых реализована ударная испытательная установка. Но анализ данных моделей показывает, что они являются неадекватными реальному процессу испытаний на воздействия ударных нагрузок. Прежде всего, это связано с наличием у них определенных ограничений и допущений. В частности, не формализованы, а значит и не учитываются параметры демпфирующих прокладок. Поэтому, выходом из сложившейся ситуации является разработка модели, адекватной реальному процессу испытаний на воздействия ударных нагрузок.
Адекватность является мерой объективного соответствия модели познаваемому объекту исследования и характеризуется тем, насколько полно в модели отражены основные закономерности предметной области [3].
Основной закономерностью проведения испытаний на воздействия ударных нагрузок с использованием ударной испытательной установки «ТИРА шок 4110М» является зависимость максимума ударного ускорения и длительностью импульса от параметров: материала и толщины демпфирующей прокладки; высоты стола; силы натяжения пружины; количества ударов; частоты повторения ударов.
Данная закономерность может учитываться в нейросетевых моделях, которые имитируют некоторые аспекты работы человеческого мозга.
Важнейшими достоинствами нейросетевых моделей являются: реализация принципа последовательного принятия решений (после каждого ряда связей принимается решение, сколько сигналов и в каких комбинациях нужно пропустить в следующий ряд), способность к кусочно-линейному, нелинейному и многосвязному разделению пространства признаков (в зависимости от числа слоев), а также наличие оригинальных алгоритмов обучения, не требующих хранения больших объемов информации
[7, 8].
Одним из необходимых этапов разработки нейросетевой модели ударной испытательной установки является формирование обучающей выборки. Для реализации данного этапа выделено пространство признаков ударной испытательной установки, которые наиболее важны. В качестве таких признаков выступают регулируемые и выходные параметры ударной испытательной установки «ТИРА шок 4110М», имеющие следующие значения:
- материал демпфирующей прокладки
(0, если войлок;
Х1 = Ь
[1, если резина;
- толщина демпфирующей прокладки [0; 0,08], м;
- высота стола [0,001; 1,2], м;
- сила натяжения пружины [0; 10000], м/с2;
- количество ударов[1; 1000000];
- частота повторения ударов [0; 3], Гц.
- пиковое ударное ускорение [0; 10000], м/с2;
- длительность импульса [0, 15], мс.
Для перечисленных параметров разработана структура нейросетевой модели ударной испытательной установки, определяющая вид нейронной сети, количество слоев, искусственных нейронов в каждом слое, а также необходимых связей между ними. В качестве вида нейронной сети выбран многослойный персептрон, который является наиболее распространенным на практике. Число слоев и искусственных нейронов в слоях определяются сложностью функции, которую должен аппроксимировать пер-септрон. Так, например, один нейрон разделяет плоскость на две полуплоскости. В то же время два слоя уже могут отображать симплексы, т.е. выпуклые плоскости, ограниченные гиперплоскостями. А при помощи трех слоев можно определить произвольную область значений параметров [9]. По этой причине выбрана трехслойная нейронная сеть, которая позволяет решать широкий спектр задач аппроксимации, в том числе и для моделирования ударной испытательной установки [4].
Количество нейронов во входном слое равно числу соответственно регулируемых и выходных параметров ударной испытательной установки. Для вычисления числа нейронов в скрытом слое используется теорема Колмогорова, которая утверждает, что любая функция п переменных может быть представлена как суперпозиция одномерных 2п+1 функций. Другими словами, нет никакого смысла выбирать количество элементов в промежуточном слое большим, чем удвоенное число входных параметров, т. е.
#<2-#вх+1, (1)
где N - количество элементов в промежуточном слое; Ывх - количество входных параметров.
Подставляя в выражение (1) количество параметров настройки ударной испытательной установки, получаем
N<2-8+1=17.
В свою очередь, число синоптических связей двухслойного персептрона можно определить по следующим простейшим формулам:
Мвх=^^х, - для промежуточного слоя, (2)
Мвых=№^ых, - для промежуточного слоя, (3)
где ^ых - количество выходных параметров.
Откуда имеем
Мвх=17-8=136.
Мвых=17-1=17.
В результате обобщения полученных результатов структура нейросетевой модели ударной испытательной установки будет выглядеть так, как показано на рис. 1.
Для разработанной структуры нейросетевой модели построена функция активации. Данная функция наделяет нейросетевую модель способностью обучаться. Формально функция активации представляет собой математическое выражение, которое ставит в соответствие каждому параметру некоторый весовой коэффициент, характеризующий его степень влияния на конечный результат.
Анализ существующих функций активации показывает, что для многослойных персептронов наиболее приемлемой является логистическая функция (сигмоидальная кривая, функция Ферми). Для случая искусственного нейрона логистическая функция имеет следующее выражение и вид:
где - вес /-го синапса.
У =
1
(4)
- 2 X/ щ
1 + в /_1
Материал демпфирующей прокладки
Толщина демпфирующей прокладки
Высота стола Натяжение рессоры Количество ударов Частота
Длительность импульса
Пиковое ударное ускорение
связей связей
Рис. 1. Структура нейросетевой модели ударной испытательной установки
С учетом того, что нейросетевая модель ударной испытательной установки состоит из нескольких искусственных нейронов, функция активации примет следующий вид:
_ 1
У т V .
(5)
—1
3 _1 - 2 х/щ/у 1 + в 1+_1
где - вес синапса между /-м входным параметров и у -м искусственным нейроном промежуточного слоя; - вес синапса между у -м искусственным нейроном промежуточного слоя и выходным параметром.
При этом выражение (5) может трактоваться как функция распределения вероятности того, что значения выходных параметров ударной испытательной установки соответствуют значениям регулируемых параметров.
Для обучения нейросетевых моделей используются специальные алгоритмы, представленные в табл. 1. Однако разработанные структура и функция активации нейросетевой модели ударной испытательной установки накладывают на их применение определенные ограничения. Вместе с тем, сравнительный анализ существующих алгоритмов позволяет определить прототип для алгоритма обучения модели ударной
п
испытательной установки. В качестве такого прототипа предлагается использовать алгоритм обучения персептрона. Данный алгоритм разработан для обучения однослойных и многослойных персептронов, предназначенных для решения задач классификации, аппроксимации функций, прогнозирования и управления. Кроме того, он обладает достаточной простотой в реализации и требует незначительных изменений для его модификации под конкретную структуру нейросетевой модели [2].
С учетом прототипа, а также особенностей структуры и функции активации разработан следующий алгоритм обучения нейросетевой модели испытательной установки, который включает следующие шаги [2]:
Шаг 1. Присвоить начальным весам персептрона случайные значения.
Шаг 2. Установить допустимую абсолютную погрешность Дд.
Шаг 3. Установить максимальное количество итераций к.
Шаг 4. Провести очередную итерацию обучения нейросетевой модели п=п+1.
Шаг 5. Проверить условие окончания обучения. Если к>п, то необходимо завершить обучение.
Шаг 6. Ввести значения х(п) регулируемых и выходных параметров ударной испытательной установки.
Шаг 7. Рассчитать по формуле (5) у(п).
Шаг 8. Проверить истинность следующего выражения:
Дд>|1-Хп)|. (6)
Шаг 9. Если выражение (6) не выполняется, то необходимо модифицировать веса следующим образом:
/
Г V Л
м>а (п+1) = (п) + х (п)
1 —
1
1 + е 1=1
1
.1 + е 1=1
Vj (п +1) = Vj (п) + wij (п) • (1 — у(п)) ■ у (п).
Перейти к шагу 3.
Шаг 10. Если выражение (2.4) выполняется, то необходимо оставить веса без изменений, т. е.:
Wij(n+1)=Wij(n), У](п+1)=У](п).
Перейти к шагу 3.
Обучение нейросетевой модели реализовано на основе натурного эксперимента с реальной ударной испытательной установкой «ТИРА шок 4110М». При этом использовались не вся генеральная совокупность данных, а только ее часть, приведенная в табл. 2.
В результате обучения получены значения весов Wij для каждого синапса между i-м входом и ^м искусственным нейроном промежуточного слоя, а также весов синапса между ^м искусственным нейроном промежуточного слоя и выходом.
Для оценивания адекватности нейросетевой модели ударной испытательной установки рассчитаны среднее квадратичное отклонение и математическое ожидание значения показателя (5) на основе 36 независимых испытаний. Для каждого к-го независимого испытания с использованием нейросетевой модели получена вероятность Ук того, что значения выходных параметров ударной испытательной установки соответствуют регулируемым (рис. 2).
Математическое ожидание вероятности того, что значения выходных параметров ударной испытательной установки соответствуют значениям регулируемым, равно
п
п
У Y 35 99998
M [Y ] = = —2-= 0,999999318792
K 36
Таблица 1
Характеристика алгоритмов обучения
Стратегия Обучающее правило Вид нейронной сети Существующие алгоритмы обучения Задачи
С учителем Коррекция ошибки Однослойный и многослойный персептрон Алгоритм обучения пер-септрона 1. Классификация 2. Аппроксимация функций 3. Прогнозирование 4. Управление
Алгоритмы обратного распространения ошибки
Адаптивный линейный нейрон Алгоритмы АёаИпе и МаёаИпе
Без учителя Соревнование Сеть WTM Алгоритм WTM Классификация
Сеть WTA Алгоритм WTA
Сеть Кохонена Алгоритм Кохонена
Сеть ART АЯТ1, АЯТ2 Классификация
Смешанная Коррекция ошибки Сеть RBF Алгоритм ЯБГ 1. Классификация 2. Аппроксимация функций 3. Прогнозирование 4. Управление
Хебба Сеть Хемминга Алгоритм обучения ассоциативной памяти Классификация
Сеть Хопфилда
Сеть BAM
Сеть PTRN Градиентные алгоритмы обучения
Сеть Эльмана
Больцмана Сеть RBM Алгоритм Больцмана 1. Классификация 2. Аппроксимация функций 3. Прогнозирование 4. Управление
Таблица 2
Данные, использованные^ для обучения нейросетевой модели_
№ п/п материал; толщина, мм высота стола, мм сила натяжения рессоры, м/с2 количество ударов частота повторения ударов, Гц максимальное ударное ускорение, м/с2 длительность импульса, мс
1 резина; 1,5 5 0 10 0,5 24,02 2,95
2 резина; 1,5 10 0 10 0,5 67,16 0,82
3 резина; 1,5 15 0 10 0,5 108,39 0,70
4 резина; 1,5 20 0 10 0,5 142,18 0,65
5 резина; 1,5 25 0 10 0,5 173,04 0,63
6 резина; 1,5 30 0 10 0,5 202,40 0,60
7 резина; 3 5 0 10 0,5 10,92 3,69
8 резина; 3 10 0 10 0,5 52,60 0,98
9 резина; 3 15 0 10 0,5 88,61 0,61
10 резина; 3 20 0 10 0,5 120,33 0,58
11 резина; 3 25 0 10 0,5 146,76 0,57
12 резина; 3 30 0 10 0,5 169,58 0,56
13 войлок; 6 10 0 10 0,5 11,76 7,54
14 войлок; 6 15 0 10 0,5 22,79 6,46
15 войлок; 6 20 0 10 0,5 29,52 5,66
16 войлок; 6 25 0 10 0,5 37,48 5,07
Известия ТулГУ. Технические науки. 2018. Вып. 10 _Окончание таблицы 2
№ материал; высота стола, мм сила натяжения рессоры, м/с2 количество частота повторения ударов, Гц максимальное ударное длительность
п/п толщина. мм ударов ускорение, м/с2 импульса, мс
17 войлок; 6 30 0 10 0,5 44,92 4,82
18 войлок; 12 25 0 10 0,5 10,59 13,08
19 войлок; 12 30 0 10 0,5 14,59 12,77
20 войлок; 12 35 0 10 0,5 18,61 11,93
21 резина; 3 5 2,5 10 0,5 12,21 3,68
22 резина; 3 10 5 10 0,5 57,27 0,70
23 резина; 3 30 5 10 0,5 179,28 0,55
24 резина; 3 35 15 10 0,5 186,42 0,55
25 резина; 3 35 7 10 0,5 245,34 0,53
26 резина; 3 35 7,5 10 0,5 246,08 0,53
146 войлок; 9 15,5 0 10 0,5 12,81 8,8
147 войлок; 3 35,5 5 10 0,5 150 0,9
148 войлок; 6 23 0 10 0,5 40,1 4,9
149 войлок; 3 19,5 0 10 0,5 74,9 2,89
150 войлок; 3 14,5 0 10 0,5 14,21 8,1
151 войлок; 3 14,5 0 10 0,5 15,23 8,36
152 войлок; 3 16 0 10 0,5 71,6 2,27
153 войлок; 3 15,5 0 10 0,5 75 2
Среднее квадратичное отклонение вероятности того, что значения выходных параметров ударной испытательной установки» соответствуют значениям регулируемым, равно
= £(М[Г] - Г,)2 = 1.38745 10-10 = 0,00000199 1015
К 36
0,999998 0,999996 0,999994 0,999992 0,99999 0,999988
1 * -*-*-
V
*
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35
Рис. 2. Результаты моделирования
Следовательно, адекватность нейросетевой модели определяется высоким значением математического ожидания 0,999999318792 и низким значением среднего квадратичного отклонения 0,000001991015 вероятности того, что значения выходных параметров ударной испытательной установки соответствуют регулируемым.
Программная реализация нейросетевой модели ударной испытательной установки осуществлена в среде Microsoft Visual Basic.NET[6]. Программное обеспечение использует библиотеки AxInterop.WMPLib.dll, Interop.ACTIVEXLib.dll, Interop.WMPLib.dll, ADO.NET. Кроме того, программное обеспечение использует базу данных DB_MNST, в которой хранится информация, полученная в процессе обучения нейросетевой модели [5].
Программное обеспечение включает в себя следующие компоненты:
512
- Богш_Мат.уЬ;
- Б§_1хатт§.уЬ;
- Б§_гееошш.уЬ;
- Б§_Ье1р.уЬ;
- Б§_у1ёео.уЬ.
Форма Богш_Ма1п.уЬ представлена на рис. 3. Она исполнена в виде главного меню программного обеспечения и предназначена для вызова остальных компонентов.
Форма Б§_1хатт§.уЬ, приведенная на рис. 4, предназначена для обучения нейросетевой модели и расчет вероятности того, что значения выходных параметров ударной испытательной установки соответствуют значениям регулируемым. В ней же реализуется запись результатов обучения нейросетевой модели в базу данных.
Форма Б§_гееошш.уЬ изображена на рис. 5. Ее назначением является получение рекомендаций по установки регулируемых параметров ударной испытательной установки в программы и методики испытаний. Получение рекомендаций реализуется на основе решения оптимизационной задачи
х = а^шахГ (х)
Д(х)<Дд
где х = {хI}, I = 1, N - вектор регулируемых и выходных параметров ударной испытательной установки «ТИРА шок 4110М», в котором известны длительность импульса х7 и пиковое ударное ускорение Х8; Д(х) - погрешность результатов испытаний.
При этом в качестве ограничения выступает допустимая погрешность результатов испытаний Дд.
Рис. 3. Главное меню программного обеспечения
Форма Б§_Ье1р.уЬ (рис. 6) предназначена для создания окна диалога справочной информации об ударной испытательной установки «ТИРА шок 4110М», демонстрации информации об элементах ударной испытательной установи «ТИРА шок 4110М», вывода диалогового окна Б§_у1ёео.уЬ.
Форма Б§_у1ёео.уЬ предназначена для демонстрации обучающего фильма «Работа ударной испытательной установки «ТИРА шик 4110М». Она приведена на рис. 7.
513
Рис. 4. Окно обучения нейросетевой модели
Рис. 5. Окно получения рекомендаций
Параметры и назначение элементов ударной испытательной установки «ТИРА шок 4110Ms ¡И^Зя!
Регулировка параметров: частоты, высоты падения, силы натяжения пружины и количества ударов осуществляется на пульте измерения и управления Габарита пгршямшего гстройства - Плоишь основания 1« мм. -Высот 850 мм. -Масса 800 кг. Г~ .à и Пульт управления устройством Данные электрического выключения ■ Рабочее напряжение 380/120В. • Количество фаз 3 - Рабочая часгвта (50±1) Ги. • Обшая потребляемая .мощность до : кЕА. Все индикации параметров испытания на управляющем устройстве являются цифровыми
Рис. 6. Окно справочной информации
Видео
Работа ударной испытательной
установки «ТИРА шок 4100М»
Включить | | Стоп
Рис. 7. Окно с обучающим видео
Заключение
Таким образом, предлагаемая нейросетевая модель ударной испытательной установки образцов, в отличие от существующих моделей, учитывает слабо формализованные параметры демпфирующих прокладок. Данная модель может быть использована для выработки рекомендаций по выбору параметров ударной испытательной установки для проведения испытаний на воздействия ударных нагрузок образцов вооружения, военной и специальной техники.
Список литературы
1. Гусеница Я.Н., Кругляк Ю.Л., Петрич Д.О. Техническое обслуживание и ремонт компьютерных систем и комплексов. Основы надежности и эксплуатации компьютерных систем и комплексов: учеб. пособие; под ред. Ю.Л. Кругляка. СПб.: ВКА имени А.Ф. Можайского, 2014. 150 с.
2. Гусеница Я.Н., Кухаришена А. А. Алгоритм обучения нейросетевой модели ударной испытательной установи образцов вооружения военной и специальной техники // Сборник алгоритмов и программ прикладных задач. СПб.: ВКА имени А.Ф.Можайского, 2015. С. 244-253.
3. Бурлов В.Г. Основы моделирования социально-экономических и политических процессов (Методология. Методы). СПб.: Факультет комплексной безопасности СПБГПУ, 2006. 265 с.
4. Гусеница Я.Н., Малахов А.В., Старовойтов Д.И. Выбор структуры нейросе-тевой модели испытательной установки образцов вооружения, военной и специальной техники // СРДР, Сер. Б, вып. 114. М.: ЦВНИ МО РФ, 2016. 10 с.
5. Гусеница Я.Н., Старовойтов Д.И. Компьютерная нейросетевая модель ударной испытательной установки // Материалы конференции военно-научного общества ВКА имени А.Ф. Можайского, 2016. С. 125-136.
6. Гусеница Я.Н., Шерстобитов С.А., Старовойтов Д.И. Компьютерная нейросетевая модель ударной испытательной установки «ТИРА шок 4110М» // Свидетельство о государственной регистрации программы для ЭВМ № 2016612977; дата поступления 18.01.2016, дата регистрации в Реестре программ для ЭВМ 15.03.2016.
7. Пророк В.Я., Гусеница Я.Н., Петрич Д.О. К вопросу контроля и диагностирования автоматизированных систем управления специального назначения на основе нечетких искусственных нейронных сетей // Наукоемкие технологии в космических исследованиях Земли. Т. 5. № 3. 2013. С. 28-33.
515
8. Пророк В.Я., Гусеница Я.Н., Петрич Д.О. Построение системы контроля и диагностирования комплекса средств автоматизации автоматизированных систем управления войсками и оружием на основе нечетких искусственных нейронных сетей // T-Comm: Телекоммуникации и транспорт. Т. 7. № 6. 2013. С. 67-70.
9. Рутковский Л. Методы и технологии искусственного интеллекта. М.: Горячая линия - Телеком, 2010. 520 с.
Гусеница Ярослав Николаевич, канд. техн. наук, начальник лаборатории, yaromir226@ mail.ru, Россия, Анапа, Военный инновационный технополис «ЭРА»
Малахов Александр Владимирович, канд. техн. наук, начальник отдела, sanya-mal 1 @yandex. ru, Россия, Москва, Филиал Главного научного метрологического центра Минобороны России,
Старовойтов Дмитрий Игоревич, заместитель начальника лаборатории-начальник отделения измерительной техники, trail. 95@ mail.ru, Россия, Смоленск, 314 лаборатория измерительной техники,
Панина Александра Александровна, инженер лаборатории, [email protected], Россия, Анапа, Военный инновационный технополис «ЭРА»
SIMULATION OF A SHOCK TEST SET BASED ON ARTIFICIAL NEURAL NETWORKS Ya.N. Gusenitsa, A. V. Malakhov, D.I. Starovoytov, A.A. Panina
The paper substantiates a method for simulating a shock test set based on artificial neural networks. A neural network model was built, which, unlike existing models, takes into account the weakly formalized parameters of the damping pads of a shock test set. The structure of the neural network model is represented as a multilayer perceptron consisting of 8 elements in the input layer, 17 elements and 136 synaptic connections in the intermediate layer, 1 element and 17 synaptic connections in the output layer. For the structure of the developed model, an activation function was obtained, which can be interpreted as a distribution function of the probability that the values of the output parameters of the impact test set correspond to the values of the adjustable parameters. A learning algorithm has been developed, which, unlike existing algorithms, takes into account the structure and activation functions of the neural network model of the test facility. The assessment of the adequacy of the neural network model of a shock test facility was carried out. The assessment shows that the adequacy of the model of the shock test set is determined by the high value of the expectation and the low value of the standard deviation of the probability that the values of the output parameters of the shock test set correspond to the values of the adjustable parameters. A description of the software implementation of the neural network model of a shock test set is given. In conclusion, its scope is indicated.
Key words: tests, shock test set, neural network model, multilayer perceptron, logistic function.
Gusenitsa Yaroslav Nikolaevich, candidate of technical sciences, head of testing laboratory, yaromir226@ mail.ru, Russia, Anapa, Military Innovation Technopolis «ERA»
Malakhov Alexander Vladimirovich, candidate of technical sciences, head of department, sanya-mal 1 @yandex. ru, Russia, Moscow, 1 Branch of the Main scientific metrolog-ical center of the Ministry of Defence of the Russian Federation,
516
Starovoytov Dmitry Igorevich, deputy head of the laboratory, head of the measuring equipment department, trall. 95@,mail. ru, Russia, Smolensk, 314 laboratory of measuring equipment,
Panina Alexandra Alexandrovna, test laboratory engineer, [email protected], Russia, Anapa, Military Innovation Technopolis «ERA»
УДК 519.8
ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПЛАНИРОВАНИЯ ДЕЯТЕЛЬНОСТИ КОСМОДРОМА В ИНТЕГРИРОВАННОЙ АВТОМАТИЗИРОВАННОЙ
СИСТЕМЕ УПРАВЛЕНИЯ
А.Е. Привалов, Г.В. Дудалев, М.А. Александров
Рассматриваются модели планирования деятельности космодрома на уровнях абстрагирования с применением ERP-, APS-, MES- и SCADA- систем, а также модель взаимодействия различных уровней для обеспечения согласованности их функционирования. Предлагается структура стратифицированной модели функционирования космодрома под управлением интегрированной автоматизированной системы управления.
Ключевые слова: космодром, автоматизированная система управления.
В настоящее время одной из наиболее существенных тенденций в развитии системы управления космодромом является комплексная автоматизация процесса управления. Интегрированная автоматизированная система управления (АСУ) рассматривается на четырех уровнях, каждый из которых выполняет собственные задачи [1, 2].
Нижний уровень представлен АСУ технологическими процессами, основу которого составляет SCADA-системы, выполняющие функции автоматизации сбора, обработки, передачи, хранения и отображения информации, разработки автоматических и автоматизированных систем технологическим оборудованием ракетно-космического комплекса. Второй уровень представляет собой АСУ подготовки и пуска, являющейся MES-системой, выполняющей функции управления процессом подготовки и пуска РКН от прибытия составных частей РКН на космодром до применения по назначению.
Третий уровень автоматизации предназначен для управления всеми ресурсами и информацией космодрома. Основой данного уровня является ERP-система, в задачи которой входят укрупненное планирование и управление эксплуатацией космических средств космодрома, а также планирование и управление всеми видами ресурсов (трудовых, материальных, финансовых). Верхний (четвертый) уровень анализа результатов подготовки и пуска РКН представляет собой OLAP-систему, предназначенную для обработки, систематизации и анализа всей информации по результатам подготовки и пуска РКН.
На каждом уровне интегрированной АСУ (кроме верхнего, на котором планирования, по сути не осуществляется) реализуется собственная концепция планирования, отличающаяся различной степенью детализации и абстрагирования. В связи с этим актуальной является задача обеспечения согласованности планов различных уровней иерархии и оценивания их качества.
