CC BY
23
Секция ««Математические методы моделирования, управления и анализа данных»
УДК 519.8
НАСТРОЙКА НЕЙРОСЕТЕВОГО ПРЕДИКТОРА МОДИФИЦИРОВАННЫМ КООПЕРАТИВНЫМ БИОНИЧЕСКИМ АЛГОРИТМОМ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ ПРОЦЕССА ДЕГРАДАЦИИ СОЛНЕЧНЫХ БАТАРЕЙ КОСМИЧЕСКОГО АППАРАТА
В. Ю. Афанасьев
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева
Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
E-mail: afanasyev.vik@gmail.com
Описано решение задачи прогнозирования процесса деградации солнечных батарей космического аппарата с помощью нейросетевого предиктора, настраиваемого модифицированным кооперативным бионическим алгоритмом. Было установлено, что предлагаемый метод демонстрирует лучшие результаты, чем разработанные ранее аналоги.
Ключевые слова: солнечные батареи, прогнозирование деградации, нейронная сеть, бионические алгоритмы оптимизации.
NEURAL NETWORK PREDICTOR ADJUSTMENT BY MODIFIED COOPERATIVE
BIO-INSPIRED ALGORITHM FOR SPACECRAFT SOLAR ARRAYS DEGRADATION
FORECASTING
V. U. Afanasyev
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation E-mail: afanasyev.vik@gmail.com
In this paper, solving of the spacecraft solar arrays degradation forecasting problem with the neural network predictor adjusted by modified cooperative bio-inspired algorithm is described. It was established that proposed method demonstrates better results than earlier applied analogues.
Keywords: solar arrays, degradation forecasting, neural network, bionic algorithms of optimization.
Главным источником электроэнергии космических аппаратов (КА) являются солнечные батареи (БС). Стремление продлить время жизни КА значительно ужесточило требования к надежности и ресурсу БС. Уменьшение деградации характеристик БС могло бы привести к выполнению этих требований. В связи с тем, что проведение натурных экспериментов для построения модели влияния внешних факторов на характеристики БС не представляется возможным, наиболее подходящим инструментом для прогнозирования процесса деградации БС являются методы интеллектуального анализа данных, в частности, рассматриваемые в данной работе искусственные нейронные сети (ИНС).
Использование ИНС осложненно необходимостью довольно точной настройки их весовых коэффициентов, от которой зависит эффективность работы классификатора. На данный момент с этой целью используются различные методы оптимизации, в том числе бионические алгоритмы [1].
В данной работе настройка нейронных сетей осуществлялась с помощью модификации алгоритма COBRA [2], основанного на коллективной работе пяти бионических алгоритмов, в котором стайный алгоритм заменен на алгоритм поиска косяком рыб (FSS) [3]. Данная модификация алгоритма позволила повысить эффективности его работы [4].
От специалистов ОАО ИСС (г. Железногорск) была получена база данных, в настоящий момент представляющая собой полигон для испытания методов интеллектуального анализа данных. В ней были представлены результаты наблюдений за внешними факторами и техническими характеристиками БС КА за трехлетний период функционирования на орбите, предобработанные в дальнейшем специальным образом. В итоге были предоставлены результаты измерения параметров солнечных батарей в полёте: 7 входных признаков (например, интегральный флюенс протонов различной интенсивности) и 4 выходных (ток короткого замыкания и т. п.).
Актуальные проблемы авиации и космонавтики - 2016. Том 1
Нейросетевая модель строилась следующим образом: генерировались 4 нейросети (одна нейро-сеть на каждый выходной параметр), которые затем обучались на одной части выборки, а потом тестировались на другой. Структура используемых нейронных сетей: полносвязный персептрон, один скрытый слой с тремя нейронами.
Исследования показали, что наиболее точный результат прогнозирования достигался с использованием пороговой функции активации на нейронах:
f ( x) =
-1,x <-0.75, x +1,-0,75 < x < 0,75, 1, x > 0,75.
Ошибка или точность прогнозирования для каждой нейронной сети оценивалась по следующему критерию:
-=11 - ^
5 Ш , у' - у.
' -'шах ]
где 5 - объем выборки; т - число выходов; у - истинный выход; о - выход модели. Полученные результаты приведены в таблице.
Результаты прогнозирования
Метод Относительная ошибка, %
ANN + structure 5,32
ANN + COBRA (3) 5,35
SVM + COBRA 5,68
ANN + COBRA (FSS) 4,99
В таблице для сравнения также приведены результаты, полученные ранее с помощью:
1. Нейронных сетей с настраиваемой в процессе выполнения программы структурой -ANN + structure.
2. Нейронных сетей с заранее заданной структурой (1 скрытый слой с тремя нейронами, все функции активации сигмоидальные) - ANN + COBRA (3).
3. Машин опорных векторов, настраиваемых алгоритмом COBRA.
По результатам можно сделать вывод, что нейронная сеть, настраиваемая с помощью предложенной модификации алгоритма COBRA (FSS), справляется с решением задачи прогнозирования лучше аналогов.
Направлением дальнейшего развития похода к решению задачи прогнозирования деградации солнечных батарей космического аппарата может быть применение многокритериальных подходов [5], позволяющих осуществлять выбор эффективных предикторов по нескольким критериям одновременно (точность, надежность, вычислительная сложность и др.), а также переход к ансамблям предикторов [6], позволяющих повысить точность прогнозирования.
Библиографические ссылки
1. Akhmedova S., Semenkin E. Co-operation of biology related algorithms meta-heuristic in ANN-based classifiers design // Proceedings of the 2014 IEEE Congress on Evolutionary Computation, CEC 2014. 2014. С. 867-872.
2. Akhmedova S., Semenkin E. Co-operation of biology related algorithms // 2013 IEEE Congress on Evolutionary Computation, CEC 2013. 2013. С. 2207-2214.
3. Bastos-Filho; Lima Neto, et al. Fish School Search: An Overview. In: CHIONG, Raymond (Ed.). Nature-Inspired Algorithms for Optimisation. Series: Studies in Computational Intelligence. Vol. 193. Pp. 261-277. Berlin : Springer, 2009.
Секция «Математические методы моделирования, управления и анализа данных»
4. Афанасьев В. Ю., Ахмедова Ш. А. О модификации коллективного бионического метода оптимизации // Проспект свободный - 2016 : электрон. сб. материалов Междунар. конф. студентов, аспирантов и молодых ученых. 2016.
5. Akhmedova S., Semenkin E. Ann-based classifiers automatically generated by new multi-objective bionic algorithm // ICINCO 2015 - 12th International Conference on Informatics in Control, Automation and Robotics, Proceedings 12. 2015. С. 310-317.
6. Akhmedova S., Semenkin E. Data mining tools design with co-operation of biology related algorithms // Lecture Notes in Computer Science. 2014. Т. 8794. С. 499-506.
© Афанасьев В. Ю., 2016
