CC BY
61УДК 004.8
НЕйРОСЕТЕВОй АНАЛИЗ ДАННЫХ ТЕЛЕМЕТРИЧЕСКОЙ ИНФОРМАЦИИ БОРТОВОЙ АППАРАТУРЫ КОСМИЧЕСКИХ АППАРАТОВ
© 2021 г. Скобцов В.Ю.1, Архипов В.И.2
'Объединённый институт проблем информатики НАН Беларуси (ОИПИ НАН Беларуси) Ул. Сурганова, 6, г. Минск, Беларусь, 220012, e-mail: [email protected]
2Бануба Девелопмент Ул. Интернациональная, 36, г. Минск, Беларусь, e-mail: [email protected]
Цель. Исследование и разработка методики и программных средств машинного автоматизированного анализа данных телеметрической информации бортовой аппаратуры космических аппаратов. Методы. Разработанные программные средства и методика базируются на методах и алгоритмах машинного обучения, нейронных сетей и обработки изображений. Полученные результаты. В статье представлены решения актуальных задач машинного анализа данных телеметрической информации бортовой аппаратуры (Б А) космических аппаратов (КА) с целью выделения состояний её функционирования, анализа надёжности и работоспособности. Разработаны программные средства и методика нейросетевого кластерно-классификационного анализа данных телеметрической информации БА КА на основе применения нейронных сетей типа карты Кохонена и методов обработки изображений. Программные средства реализованы в десктоп- и веб-версиях и имеют гибкую модульную сервис-ориентированную архитектуру. Выводы. Представленные программные средства и методика нейросетевого анализа данных телеметрической информации БА КА были апробированы на реальных данных телеметрической информации БА Белорусского космического аппарата и группировки малых КА АИСТ и показали результаты с доверительной вероятностью не ниже 0,9. Предложенные средства нейросетевого анализа данных телеметрической информации БА КА дают возможность для разработки рекомендаций по повышению показателей её надёжности при проектировании и эксплуатации, определении состояний БА КА, принятия корректных управленческих и эксплуатационных решений наземного комплекса управления КА.
Ключевые слова: нейронная сеть, карта Кохонена, обработка изображений, модульная сервис-ориентированная архитектура, машинный нейросетевой анализ данных телеметрической информации, бортовая аппаратура космических аппаратов.
DOI 10.33950/spacetech-2308-7625-2021-3-111-124
NEURAL NETWORK ANALYSIS OF TELEMETRY DATA OF ON-BOARD EQUIPMENT
OF SPACECRAFT Skobtsov V.Yu.1, Arkhipau V.I.2
1United Institute of Informatics Problems of NAS of Belarus (UIIP)
6 Surganova str, Minsk, 220012, Belarus, e-mail: [email protected]
2Banuba Development 36 Internationalnaya str., Minsk, Belarus, e-mail: [email protected]
Goal. Research and development of methodology and software tools of machine automated analysis of telemetry data of onboard equipment (OE) of spacecraft (SC). Research methods. The developed software tools and methodology are based on the machine learning, neural networks and image processing methods and algorithms. Results. The paper presents solutions for the actual tasks of machine analysis of telemetry data of OE SC with the purpose of detecting the states of its functioning and analyzing the reliability and operability. Software tools and methodology of neural network clustering-classification analysis of OE SC telemetry data based on the application of the neural networks such as the Kohonen SOM and image processing methods have been developed. The software tools were implemented in desktop and web versions and has a flexible modular service-oriented architecture. Conclusion. The presented software tools and the methodology of neural network analysis of OE SC telemetry data were tested on real telemetry data of the Belarusian spacecraft and the SC group AIST and showed the results with a confidence probability value of at least 0.9. The proposed tools of neural network analysis of the OE SC telemetry data make it possible to develop recommendations for improving the indicators of OE SC reliability during design and operation, detecting the OE SC states, making the correct control and operational decisions of the ground control complex.
Key words: neural network, Kohonen SOM, image processing, modular service-oriented architecture, machine neural network telemetry data analysis, onboard equipment of spacecraft.
СКОБЦОВ В.Ю. Архипов В.И.
СКОБЦОв вадим Юрьевич — кандидат технических наук, доцент, ведущий научный сотрудник лаборатории проблем защиты информации ОИПИ НАН Беларуси, e-mail: [email protected]
SKOBTSOv vadim Yurievich — Candidate of Science (Engineering), Associate Professor, Lead research scientist of the Information security problems laboratory at UIIP, e-mail: [email protected]
АРХИПОв вячеслав Игоревич — аналитик данных Бануба Девелопмент, e-mail: [email protected]
ARKHIPAU viachaslau Igorevich — Data scientist at Banuba Development, e-mail: [email protected]
Введение
Одной из важнейших задач на всех этапах жизненного цикла космических аппаратов (КА) является анализ телеметрической информации (ТМИ) с целью определения технического состояния и надёжности бортовой аппаратуры (БА) КА. Важность данной задачи обусловлена прежде всего тем, что одной из основных причин потерь КА являются отказы, сбои и некорректная работа систем БА КА.
Большое количество информации, поступающей и накапливающейся в специализированных банках данных с КА, может быть эффективно использовано для совершенствования анализа надёжности, работоспособности и определения технического состояния КА и его подсистем. в связи с тем, что данные о функционировании КА, включающие ТМИ, представляют собой разнородные нерегулярные многомерные данные, актуальными являются исследование, разработка и применение методик и алгоритмов, которые позволяют анализировать такого рода данные с возможностью извлечения из них полезной информации и последующего построения с их использованием кластерно-классификационных и прогностических моделей машинного обучения для анализа надёжности и работоспособности, определения технического состояния КА и принятия корректных управляющих и эксплуатационных решений.
в современных условиях для решения перечисленных задач, обеспечения требуемой степени автономности, качества и оперативности управления такими сложными объектами как КА необходимо выполнить комплексную автоматизацию процессов оценивания и многомодельного анализа данных ТМИ, показателей надёжности БА КА. Однако, в большинстве случаев на практике автоматизация выполнена, в лучшем случае, лишь частично, и многое делается зачастую вручную, на базе эвристических правил [1, 2]. При этом в соответствии с ГОСТ РО 1410-002-2010 [3] и Стратегией цифровой трансформации ракетно-космической отрасли до 2025 г. и перспектив до 2030 г. (одобрена на научно-
техническом семинаре № КШ-672-пр госкорпорации «Роскосмос») важной задачей является создание так называемой системы информации о техническом состоянии и надёжности космических комплексов и входящих в их состав изделий [4].
Таким образом, задачи интеллектуального и машинного автоматизированного анализа данных ТМИ БА КА с целью определения технического состояния КА и дальнейшего анализа надёжности являются актуальными и востребованными. При этом разработка и применение методов анализа данных ТМИ КА на основе технологии и методов машинного обучения позволяют на новом научно-техническом, теоретическом и прикладном уровнях решить поставленную задачу и повысить эффективность принимаемых управленческих и эксплуатационных решений наземного комплекса управления (НКУ) КА.
С целью решения данных актуальных задач в рамках программы Союзного государства «Мониторинг СГ» и партнёрских проектов Объединенного института проблем информатики НАН Беларуси (ОИПИ) и Санкт-Петербургского института информатики и автоматизации РАН (СПИИРАН) был разработан экспериментальный образец комплекса программных средств и методик для анализа показателей надёжности БА малых КА и машинного анализа данных ТМИ БА малых КА [5, 6].
Нейросетевой
кластерно-классификационный анализ данных ТМИ БА КА
Одними из основных составляющих комплекса являются программный модуль (ПМ) машинного анализа данных (МАД) и методика, лежащая в его основе. Их назначение анализ данных о состоянии функционирования БА КА на основе данных ТМИ: предобработка данных ТМИ, отбор существенных признаков, выделение потенциальных состояний анализируемых устройств путём кластеризации/классификации и прогнозная оценка среднего количества отказов/сбоев по кластерам/классам-состояниям устройства и всему временному ряду ТМИ [7].
Программный модуль МАД представляет собой многокомпонентную структуру, в состав которой входит группа компонентов нейросетевого кластерно-классификационного анализа данных ТМИ БА КА.
Ключевые компоненты и этапы нейросетевого кластерно-классификацион-ного анализа данных ТМИ БА КА представлены ниже.
Компонент предобработки данных
Компонент предобработки данных формирует таблицу векторов, подготовленных на основе данных ТМИ. Полученные векторы необходимы для работы группы компонентов кластеризации/классификации нейросетевого анализа данных. В результате работы компонента с одной стороны выполняется сглаживание шумов, с другой стороны — усиление и стабилизация переходов, свидетельствующих об изменении состояния системы (рис. 1).
Экспериментально установлено, что данные, прошедшие предобработку, проявляют большую стабильность с точки зрения непрерывного пребывания в определённых кластерах: увеличивается среднее время непрерывного пребывания в кластере-состоянии, снижается вероятность перехода в другой кластер-состояние.
Исходные данные ТМИ являются временным рядом, который можно представить как матрицу X = (х), где 1-я строка X. является анализируемым вектором показателей ТМИ в ¿-й момент времени, индекс ] соответствует ]-му показателю ТМИ в ¿-м векторе X¿. После выполнения предобработки в соответствии с приводимыми ниже правилами преобразования компонентов векторов X¿ исходной матрицы мы получаем матрицу предобработанных данных У = (у).
К каждому каналу данных х^ — компоненту вектора X¿ исходных данных ТМИ — может быть применено заданное пользователем правило предобработки.
Индекс нектора ТМИ а)
40 60
Индекс вектор;) ТМИ
б)
Рис. 1. Графики предобработки данньх: а — «сырые» данные; б — после предобработки
Как результат имеем предобрабо-танные векторы У. данных ТМИ. Реализуются следующие правила предобработки компонентов вектора X. исходных данных ТМИ:
• перенос без изменений;
• последнее ненулевое изменение
Хп - Ъ 1
2 1/'
Уц ~ { ХИ Х(ъъ - 1)/ 1 > 1' ХИ * Х(ЪЪ - 1)/
у., Ъ >1, х.. = х,.
' у (I- 1)
• сглаженное фильтром Баттерворта 1-го порядка абсолютное значение второй производной сигнала
Уд ^
0,5(х1; + хз;) - х2Г г = 1, 2
У(г- 1); + а(0,5(Х(,-1); + Х(г + 1);) - X - У (г- 1,Х ^ > 2,
где а — параметр сглаживания, принимающий значения от 0 (отсутствие сглаживания) до 1 (сглаживание до константы);
• возведение в степень у.. = хр,
"'у у'
где р — показатель степени;
• среднее значение по набору нескольких локальных минимумов приращений исходных данных;
• среднее значение по набору нескольких локальных максимумов приращений исходных данных.
Для вычисления последних двух функций преобразования используется следующая структура данных: очередь фиксированной длины Ь, соответствующей необходимому количеству локальных максимумов или минимумов, соответственно. Сначала очередь заполняется значениями разности первого и второго элементов х^. - хх.. По мере обработки данных (начиная со второго элемента) вычисляются значения приращений: А. = х. - х(1 - ^ При выполнении условия локального
экстремума — (А. > А. - ^ Л (Д. > А. + ^
для локального максимума или (А. < А. - ^ Л (Д. < А.+1) для локального
минимума — обновляется соответствующая очередь. Выходные значения рассчитываются как арифметическое среднее по соответствующей очереди.
К различным компонентам (каналам) х. векторов X. ТМИ могут применяться как различные, так и одинаковые правила предобработки. В программной реализации предусмотрена возможность задания до 1 000 правил преобразования компонентов х. векторов X. ТМИ. На основе проведённой покомпонентной предобработки данных ТМИ получается предобра-ботанный массив векторов У = (у1), который подаётся в качестве входного на следующую группу компонентов нейросетевого анализа данных.
Компоненты нейросетевого кластерно-классификационного анализа
Компоненты нейросетевого кластерно-классификационного анализа: построение карты Кохонена, кластеризация пространства и набор данных по карте Кохонена. Они выполняют кластеризацию/классификацию предобработанных предыдущим компонентом векторов данных ТМИ анализируемого устройства на основе применения самоорганизующейся карты Кохонена [8], кластеризации визуального пространства карты межнейронных расстояний методами обработки изображений и кластеризации/ классификации набора данных.
Векторы У. предобработанного массива данных У = (уг>.) подаются как входы на строящуюся карту Кохонена. При этом они могут обрабатываться без нормализации или быть нормализованы двумя следующими способами:
1. Нормализация на стандартное отклонение показателя ТМИ у..:
^ и
у.. - шеапу..
у
]
81с1 у..
]
где п — число наблюдаемых моментов времени показателя ] ТМИ;
2 уа
шеапу..
]
¿-1
]
математическое
] п
ожидание показания датчика _/;
2 у - ^т)2
бТ^ Уу =1- — стандартное
п
отклонение показателя среднего значения.
] ТМИ от
2. Нормализация на максимальное абсолютное отклонение показателя от среднего значения:
у.. - теапу..
¿у { ¿у
Уу тах | у - теапу.. |
'у 1
выполнение предварительной нормализации позволяет выравнивать разнородную шкалу показателей ТМИ, детализировать структуру данных и выделять более мелкие кластеры по сравнению с кластерами на необработанных данных.
Самоорганизующаяся карта Кохонена представляет собой нейронную сеть, способную обучаться без учителя [8]. Нейронная сеть Кохонена состоит из одного входного и одного выходного слоёв (рис. 2). Первый слой содержит т нейронных элементов, соответствующих показателям ТМИ в пред-обработанном векторе Y¿, а нейроны второго слоя расположены на плоскости, образуя матрицу размерностью гхг. Каждый из выходных элементов получает на вход входной вектор предобработанных нормализованных или ненормализованных данных Y¿. Каждой связи приписан некоторый
синаптический вес ш , но при этом
¿р7 1
каждый выходной нейрон соединён и с ближайшими соседями. То есть, на выходной нейрон поступают входные сигналы Y¿ и выходные сигналы соседних нейронов. Таким образом, выходные нейроны упорядочиваются в виде двумерного массива (сетки), вид которой зависит от приложения. Используется прямоугольная четырёх-связная сетка (рис. 3).
Рис. 2. Самоорганизующаяся карта Кохонена
Рис. 3. Прямоугольная четырёхсвязная сетка
В процессе обработки поступающих на вход данных ТМИ на этапе обучения сеть настраивается таким образом, что нейроны, реагирующие на близкие образцы данных, меняют свои веса так, что тоже становятся близкими с точки зрения заданной метрики. Таким образом, порядок или близость во входном пространстве данных ТМИ сохраняется и в выходном слое карты Кохонена. В разработанном компоненте для построения карты Кохонена основной метрикой является евклидова, но реализованы также метрики Маха-ланобиса и корреляционная.
Отметим, что внутрислойные связи играют важную роль в процессе обучения, так как корректировка весов происходит только в окрестности того элемента, который наилучшим образом откликается на очередной вход. Выигрывает тот нейрон в выходном слое карты Кохонена, вектор весовых синаптических коэффициентов Wk которого является ближайшим по используемой метрике ко входному вектору данных Y¿. При этом корректируются веса не только нейрона-победителя, но и его ближайшего окружения. Выбирается к-й нейрон-победитель, для которого заданная метрика удовлетворяет следующему условию:
Ур = 1, 2, ... гхг: ^ - < \№р - Ул. (1)
На текущем шаге обучения предъявляется вектор-образ Y¿. Веса нейрона-победителя к и веса его соседей изменяются по формуле:
Wk(0 = Wk(í - 1) +
+ а(^(Мк, Np)(Y¿ - Wk(í - 1)), (2)
где а(€) — коэффициент обучения, константный или монотонно убывающий с каждой последующей итерацией параметр скорости обучения (т. е. определяющий приближение значения вектора весовых синаптиче-ских коэффициентов Wk и его соседей к наблюдению; чем больше шаг, тем меньше уточнение); Np)
убывающая функция влияния на соседние нейроны ^го нейрона-победителя, определённая на заданной сетке нейронов в зависимости от расстояния между ними в соответствии с используемой метрикой.
При этом используется функция Гаусса
g(Nk, Np) = e-|N - Np||2/2-(t)2,
(3)
где
INk
NpII
нейроном-победителем Nk
расстояние между
k
и нейрона сетке
его окрестности
радиус окрестности
нами из
N ; с(0 p
нейрона-победителя. Положение каждого нейрона в матрице характеризуется его координатами Nk = (ik, jk);
N = (i , j ).
p 4 pJp/ ^
Благодаря этому правилу образы, близкие во входном пространстве признаков, отображаются в образы, близкие в выходном слое на сетке.
Таким образом, алгоритм построения самоорганизующейся карты Кохонена можно описать следующей последовательностью шагов.
1. Инициализируются весовые коэффициенты w нейронной сети выбором из линейного пространства, натянутого на две главные компоненты набора входных данных Y.
2. Задаётся начальное значение радиуса окрестности радиусом c(t) в момент времени t = 0.
3. Подаётся входной образ yi на нейронную сеть, и для каждого нейронного элемента матрицы вычисляется расстояние между входным образом и весовыми векторами нейронных элементов слоя карты на основе выбранной метрики ||wp - YJ|.
4. выбирается нейрон-победитель Nk, ближайший к входному образу, для которого выполняется условие (1).
5. Для нейронов из заданной окрестности, определяемой радиусом o(t), вычисляется функция влияния (3).
6. Для нейрона-победителя Nk и нейронов из заданной окрестности осуществляется модификация векторов весовых синаптических коэффициентов (2).
7. Повторяется процедура, указанная в п. 3, для всех входных образов. Увеличивается на единицу квант времени, уменьшается радиус области притяжения, и процесс повторяется, начиная с п. 3.
Обучение производится до получения желаемой степени согласования между весовыми и входными векторами.
На основе вышеописанного алгоритма по предобработанным нормализованным данным телеметрической информации Y строится карта Кохо-нена с заданным размером гхг. На основе матрицы весовых коэффициентов w полученной карты Кохонена строится карта межнейронных расстояний
wd = (wd), где wd = max||N..
ч ч ч
N.. ||, т. е.
определяется как максимум расстояния между векторами весовых синап-тических коэффициентов текущего нейрона и восемью нейронами из его окрестности радиуса с.
Далее для получения меток кластеров анализируемых данных ТМИ используются изображение карты межнейронных расстояний, каждая точка которой соответствует максимальному расстоянию между соответствующим нейроном и его восемью соседями в построенной карте Кохонена, и список координат в пространстве карты Кохонена для точек анализируемых данных.
Кластерная структура данных хорошо просматривается на изображении карты межнейронных расстояний размером 200x200 (рис. 4). Таким образом, сеть обобщает предобработанные данные ТМИ, выделяя в пространстве данных кластерную структуру.
Описываемые алгоритмы будут проиллюстрированы на примере карты Кохонена размером 200 на 200 точек. На рис. 5 приведены исходная карта межнейронных расстояний для тестового набора данных (рис. 5, а) и цепочка её преобразований (рис. 5, б-е).
ш ■
Г £ А
Ь г
Рис. 4. Визуальная карта распределения межнейронньх расстояний: 1 — основные кластеры; 2 — субкластеры; 3 — выбросы данных
Для поиска внутренних областей кластеров используется процедура пороговой сегментации-кластеризации [9]:
каждая точка карты межнейронных расстояний сравнивается с некоторым пороговым значением; точки, значения которых ниже порога, помечаются флагом 1, остальные — флагом 0. Набор точек, соответствующих точкам карты межнейронных расстояний с маркировкой 0 или 1, представляет собой бинарное множество данных — результат пороговой сегментации, так называемая маска пороговой сегментации (рис. 5, б).
Полученная маска пороговой сегментации подвергается нелинейной фильтрации: для всех точек маски, не примыкающих к границам, рассматривается окрестность точек, координаты которых не более чем на единицу отличаются от координат рассматриваемой точки. Значение рассматриваемой точки заменяется на значение медианы значений точек окрестности. Процедура проводится для эффективного устранения случайных выбросов на маске пороговой сегментации (рис. 5, в).
а)
б)
в)
г)
д)
е)
Рис. 5. Этапы обработки изображения карты межнейронных расстояний с целью выделения сегментов — кластеров/классов: а — изображение карты межнейронных расстояний; б — результат пороговой сегментации карты; в — результат фильтрации маски пороговой сегментации карты; г — результат выделения связных компонент фильтрованной маски пороговой сегментации карты; д — фильтрованная маска пороговой сегментации, наложенная на карту межнейронных расстояний; е — кластерные метки для всех точек карты
Следующим этапом метода является автоматическое маркирование точек обработанной маски пороговой сегментации метками кластеров. На этом же этапе автоматически вычисляется количество кластеров. Соседние точки обработанной маски, имеющие значение 1, получают одинаковую метку кластера. Точки, имеющие значение 1, между которыми нельзя построить путь, проходящий только по маркированным точкам, принадлежат к разным связным компонентам и получают разные метки кластеров. Для выделения связных компонент применяется метод растущих регионов [10, 11], использующий структуру данных «очередь». На рис. 5, г приведены множества кластерных меток для внутренних областей кластеров тестового набора данных.
Далее необходимо распространить эти метки на все точки карты с учётом вероятных границ кластеров. На рис. 5, д приведена фильтрованная маска пороговой сегментации, наложенная на карту межнейронных расстояний. Высокие значения яркостей карты расстояний определяют вероятные границы кластеров, маркированные внутренние области метки кластеров. Распространение меток на остальные точки осуществляется с использованием процедуры водораздела [11]. Метки распространяются на соседние точки с учётом не только соседства, но и яркостей карты межнейронных расстояний. В первую очередь маркируются менее яркие точки. Перед выполнением процедуры водораздела значения яркостей квантуются. В рассматриваемых примерах использовалось 1 000 уровней квантования. Процедура водораздела схожа с процедурой растущих регионов. Вместо одной очереди используется упорядоченный набор очередей, каждая из которых соответствует квантованному уровню яркости карты межнейронных расстояний. На рис. 5, е приведён результат применения всех этапов метода к карте межнейронных расстояний тестового набора данных.
Каждая точка предобработанного набора данных после выполнения алгоритма кластеризации-обучения карты
Кохонена имеет релевантную точку карты и получает соответствующую ей кластерную метку.
Этап кластеризации является при этом этапом обучения на обучающей выборке данных. При анализе тестовых данных полученные сегменты-кластеры рассматриваются как классы, и процесс распределения векторов предобработанной ТМИ по построенным кластерам становится процессом классификации. Соответственно, этапы построения карты Кохонена и выделения кластеров-сегментов не выполняются, так как используются структуры, полученные на этапе обучения.
компонент прогнозирования
Финальным этапом нейросетевого анализа на основе применения карты Кохонена и методов обработки изображений является компонент прогнозирования, который выполняет оценку значений среднего количества отказов или недостоверных показаний на заданный период времени для выделенных кластеров-состояний и всего набора данных как индикатора надёжности или работоспособности анализируемого оборудования БА КА [7].
Алгоритм прогнозирования состоит из двух этапов. На первом этапе алгоритма формируется список значений количества отказов по всем возможным периодам, определённым на заданной последовательности данных. На следующем этапе вычисляются значения среднего количества отказов как по полному списку, так и по подспискам с учётом значений меток кластеров/классов. Ниже на рис. 6 приведён алгоритм в виде блок-схемы.
Компонент прогнозирования работает в двух режимах — обучения и тестирования. Первый этап — это этап обучения, в котором предварительно необходимо выполнить работу всех компонентов нейросетевого анализа данных и получить результаты расчёта среднего количества отказов по всей выборке и по кластерам/ классам-состояниям за заданный период времени. Или же можно перейти на вкладку автоматического режима и выполнить всю цепочку сразу, не меняя параметров.
Рис. 6. Блок-схема алгоритма прогнозирования
Второй этап — это тестовый этап, в котором необходимо отключить режим обучения и выполнить для соответствующей тестовой выборки компонент предобработки данных, компонент кластеризации/ классификации набора данных на сегментированной карте межнейронных расстояний соответствующей обучающей выборки, компонент расчёта значения среднего количества отказов. Таким образом классифицируется предобра-ботанный набор тестовых данных на обученной карте Кохонена и оценивается среднее число отказов/сбоев по классам и по всей выборке. Действия также можно выполнить покомпонентно или в автоматическом режиме. Расчёты на этапах обучения и теста необходимо выполнять для идентичных периодов прогнозирования.
В результате работы оцениваются значения среднего числа отказов/сбоев для тестовой выборки. При этом выводится оценка корректности рассчитанных прогнозных значений в виде доверительной вероятности. Эксперименты на реальных данных ТМИ БА КА размерностью сотни тысяч векторов показали уровень доверительной вероятности не ниже 0,9, которая рассчитывалась на основании статистического ¿-критерия Стьюдента.
Программная реализация
Группа программных компонентов нейросетевого анализа данных ТМИ БА КА, как и весь комплекс программных средств, реализована в двух версиях: десктоп- и веб-версии. При разработке применена модульная сервис-ориентированная архитектура на основе подхода, предложенного коллегами из СПИИРАН [12], который был переработан и адаптирован авторами под архитектуру белорусского сегмента: алгоритмическая часть программных компонент реализована как набор консольных приложений, которые затем «обёрнуты» в десктоп-или веб-оболочки, реализуя таким образом соответствующие сервисы (рис. 7).
Десктоп-версия предназначена для использования на локальных рабочих станциях. Веб-версия предназначена
для удалённой работы пользователя через веб-интерфейс и интегрирована как распределённый белорусский сегмент в программно-моделирующий комплекс российского сегмента СПИИРАН [5, 6].
Рис. 7. Схема модульной сервис-ориентированной архитектуры программных компонентов
Взаимодействие между российским и белорусским сегментами возможно двумя путями [5, 6]:
• путём обращения программных средств российского сегмента с помощью соответствующего SOAP/XML (SOAP — Simple Object Access Protocol — протокол обмена структурированными сообщениями в распределённой вычислительной среде / XML — extensible Markup Language — расширяемый язык разметки) или REST/JSON (Representational State Transfer — архитектурный стиль взаимодействия компонентов распределённого приложения в сети / JavaScript Object Notation — формат обмена данными в распределённых системах, основанный на JavaScript) запроса к программным средствам белорусского сегмента, выполнения расчётов белорусскими программными компонентами и передачи средствами веб-запросов результатов в российский сегмент для дальнейшего использования (рис. 8);
• путём использования разработанного многозадачного веб-интерфейса белорусского сегмента распределённого комплекса и запуска соответствующих программных компонентов, как дополняющих функционально российский комплекс (рис. 8).
В программный модуль МАД и, соответственно, в программные компоненты нейросетевого анализа данных ТМИ Б А КА интегрирован программный модуль 2D- и 3-О-визуализации результатов анализа данных [7].
Пол ь;ю нате лыжи й иеб-иитерфейс
REST/¡SON
1 Веочч'рнер
L_ с установленной
pep ни спой шили й
SOAP/XML
Бсб-ссрвер с установленными всб-ссрвисал(и
Рис. 8. Общая схема взаимодействия российского и белорусского сегментов
заключение
Представленные программные средства и методика нейросетевого анализа данных ТМИ Б А КА были апробированы авторами на обработанных данных ТМИ отдельных подсистем БА Белорусского космического аппарата [7], а также группировки МКА «АИСТ» Самарского национального исследовательского университета имени академика С.П. Королёва [13]. Результаты тестирования авторами разработанных программных средств и методики показали прогнозные результаты с доверительной вероятностью не ниже 0,9. Нейросетевой анализ данных ТМИ систем БА КА средствами разработанного программного и методического обеспечения (кластерно-классификационный анализ, оценка среднего количества отказов) даёт инструмент и данные для разработки рекомендаций по повышению показателей её надёжности при проектировании и эксплуатации, определения состояний БА КА, принятия корректных управленческих и эксплуатационных решений НКУ КА.
Список литературы
1. Охтилев М.Ю., Соколов Б.В., Юсупов Р.М. Интеллектуальные технологии мониторинга и управления
структурнои динамиком сложных объектов. М.: Наука, 2006. 410 с.
2. Охтилев М.Ю., Мустафин Н.Г., Миллер В.Е., Соколов Б.В. Концепция проактивного управления сложными объектами: теоретические и технологические основы // Известия вузов. Приборостроение. 2014. Т. 57. № 11. С. 7-14.
3. ГОСТ РО 1410-002-2010. Ракетно-космическая техника. Система информации о техническом состоянии и надёжности космических комплексов и входящих в их состав изделий. М.: Стандарт-информ, 2011.
4. Проект стратегии информационных технологий Госкорпорации «Рос-космос». Режим доступа: https://www. roscosmos.ru/25892/ (дата обращения 15.11.2020 г.).
5. Зеленцов В.А., Потрясаев С.А., Соколов Б.В., Скобцов В.Ю., Кореня-ко С.А., Ким Д. С., Вакульчик Е.Н., Куль-бак Л.И., Николаеня Е.Д., Лапицкая Н.В., Саксонов Р.В. Сервис-ориентированный распределённый программный комплекс для оценивания и многокритериального анализа показателей надёжности и живучести бортовой аппаратуры малых космических аппаратов: российский и белорусский сегменты // Материалы V Всероссийской научно-технической конференции с международным участием «Актуальные проблемы ракетно-космической техники» (V Козловские чтения), РКЦ «Прогресс», Самара. 2017. С. 45-56.
6. Зеленцов В.А., Потрясаев С.А., Соколов Б.В., Скобцов В.Ю., Ким Д.С., Вакульчик Е.Н., Николаеня Е.Д., Новоселова Н.В., Саксонов Р.В. Распределённый программный комплекс для оценивания и анализа показателей надёжности и живучести бортовой аппаратуры малых космических аппаратов // Тезисы докладов Шестой международной научно-технической конференции «Актуальные проблемы создания космических систем дистанционного зондирования Земли». М.: АО «Корпорация «ВНИИЭМ», 2018. 146 с.
7. Skobtsov V., Novoselova N., Arhipov V., and Potryasaev S. Intelligent Telemetry Data Analysis of Small Satellites // In: Silhavy R, Senkerik R., Kominkova Oplatkova Z, Prokopova Z, Silhavy P. (eds) Cybernetics and Mathematics Applications in Intelligent Systems. CSOC 2017.
Advances in Intelligent Systems and Computing - Springer International Publishing Switzerland. 2017. V. 574. P. 351-361.
8. Kohonen T. S elf-Organizing Maps. Springer-Verlag, New York, Berlin, Heidelberg, 2001.
9. Bhargavi K., Jyothi S. A survey on threshold based segmentation technique in image processing // International journal of innovative research & development. November, 2014. V. 3. Issue 12. P. 234-239.
10. Savneet Dhaliwal, Abhilasha Jain. A survey on seeded region growing based segmentation algorithms // International Journal of Computer Science and Management Research. June 2013. V. 2. Issue 6.
11. Saparudin Erwin, Nevriyanto Adam, Purnamasari Diah Performance Analysis of Comparison between Region Growing, Adaptive Threshold and Watershed Methods for Image Segmentation // Lecture Notes in Engineering and Computer Science: Proceedings of The International
MultiConference of Engineers and Computer Scientists 2018, 14-16 March, 2018, Hong Kong. P. 157-163.
12. Зеленцов В.А., Миронов А.Н., Павлов А.Н., Пащенко А.Е., Потрясаев С.А., Соколов Б.В., Сорокин Л.А. Программный комплекс для расчёта и многокритериального анализа показателей надёжности и живучести бортовой аппаратуры космических аппаратов: состояние разработки и направления использования // Управление в морских и аэрокосмических системах (УМАС-2016). Материалы 9-ой Мульти-конференции по проблемам управления. 2016. С. 408-415.
13. Волгин С.С., Иванушкин М.А., Кауров И.В., Крестина А.В., Салмин В.В., Сафронов С.Л., Ткаченко И.С. Результаты обработки данных телеметрических измерений, поступающих от группировки малых космических аппаратов «АИСТ» // Космонавтика и ракетостроение. 2019. № 1. С. 80-91.
Статья поступила в редакцию 15.01.2021 г. Окончательный вариант — 15.04.2021 г.
Reference
1. Okhtilev M.Yu., Sokolov B.V., Yusupov R.M. Intellektual'nye tekhnologii monitoringa i upravleniya strukturnoi dinamikoi slozhnykh ob"ektov [Smart technologies for monitoring and controlling structural dynamics of complex objects]. Moscow, Naukapubl., 2006. 410p.
2. Okhtilev M.Yu., Mustafin N.G., Miller V.E., Sokolov B.V. Kontseptsiya proaktivnogo upravleniya slozhnymi ob"ektami: teoreticheskie i tekhnologicheskie osnovy [The concept of proactive controlling of complex objects: theoretical and technological foundations]. Izvestiya vuzov. Priborostroenie, 2014, vol. 57, no. 11, pp. 7-14.
3. GOST RO 1410-002-2010. Raketno-kosmicheskaya tekhnika. Sistema informatsii
0 tekhnicheskom sostoyanii i nadezhnosti kosmicheskikh kompleksov i vkhodyashchikh v ikh sostav izdelii [Rocket and space technology. The system for informing about the health and reliability of space complexes and their constituent elements]. Moscow, Standartinformpubl., 2011.
4. Proekt strategii informatsionnykh tekhnologii Goskorporatsii «Roskosmos» [Draft strategy for information technologies of State Corporation Roscosmos]. Available at: https://www.roscosmos.ru/25892/ (accessed 15.11.2020).
5. Zelentsov V.A., Potryasaev S.A., Sokolov B.V., Skobtsov V.Yu., Korenyako S.A., Kim D.S., Vakul'chik E.N., Kul'bak L.I., Nikolaenya E.D., Lapitskaya N.V., Saksonov R.V. Servis-orientirovannyi raspredelennyi programmnyi kompleks dlya otsenivaniya i mnogokriterial'nogo analiza pokazatelei nadezhnosti i zhivuchesti bortovoi apparatury malykh kosmicheskikh apparatov: rossiiskii i belorusskii segmenty [Service-oriented distributed software package for evaluation and multi-criteria analysis of reliability and durability factors for onboard equipment of small spacecraft: Russian and Belorussian segments]. Materials of the 5th All-Russia scientific and technical conference with international participation Current Problems in Rocket and Space Technology (5th Kozlov Lectures). Samara, RKTs «Progress»publ., 2017. P. 45-56.
6. Zelentsov V.A., Potryasaev S.A., Sokolov B.V., Skobtsov V.Yu., Kim D.S., Vakul'chik E.N., Nikolaenya E.D., Novoselova N.V., Saksonov R.V. Raspredelennyi programmnyi kompleks dlya otsenivaniya
1 analiza pokazatelei nadezhnosti i zhivuchesti bortovoi apparatury malykh kosmicheskikh apparatov [Distributed software package for evaluation and analysis of reliability and durability factors for
onboard equipment of small spacecraft]. Abstracts of the 6th International scientific and technical conference Current Problems in Development of Space Systems for Earth Remote Sensing. Moscow, AO VNIIEM Corporation publ., 2018. 146 p.
7. Skobtsov V., Novoselova N., Arhipov V., Potryasaev S. Intelligent telemetry data analysis of small satellites. In: Silhavy R., Senkerik R., Kominkova Oplatkova Z, Prokopova Z, Silhavy P. (eds). Cybernetics and Mathematics Applications in Intelligent Systems. CSOC 2017. Advances in Intelligent Systems and Computing. Springer, 2017, vol. 574, pp. 351-361.
8. Kohonen T. Self-Organizing Maps. Springer-Verlag, New York, Berlin, Heidelberg, 2001.
9. Bhargavi K, Jyothi S. A survey on threshold based segmentation technique in image processing. International journal of innovative research & development, November 2014, vol. 3, issue 12, pp. 234-239.
10. Savneet Dhaliwal, Abhilasha Jain. A survey on seeded region growing based segmentation algorithms. InternationalJournal of Computer Science and Management Research, June 2013, vol. 2, issue 6.
11. Saparudin E., Nevriyanto A., Purnamasari D. Performance analysis of comparison between region growing, adaptive threshold and watershed methods for image segmentation. Lecture Notes in Engineering and Computer Science: Proceedings of the International MultiConference of Engineers and Computer Scientists, 14-16 March 2018, Hong Kong. P. 157-163.
12. Zelentsov V.A., Mironov A.N., Pavlov A.N., Pashchenko A.E., Potryasaev S.A., Sokolov B.V., Sorokin L.A. Programmnyi kompleks dlya rascheta i mnogokriterial'nogo analiza pokazatelei nadezhnosti i zhivuchesti bortovoi apparatury kosmicheskikh apparatov: sostoyanie razrabotki i napravleniya ispol'zovaniya [Software package for evaluation and multi-criteria analysis of reliability and durability factors for onboard equipment of small spacecraft: development status and prospects for use]. Control in maritime and aerospace systems (UMAS-2016). Materials of the 9th multiconference on control problems Upravlenie v morskikh i aerokosmicheskikh sistemakh (UMAS-2016), 2016, pp. 408-415.
13. Volgin S.S., Ivanushkin M.A., Kaurov I.V., Krestina A.V., Salmin V.V., Safronov S.L., Tkachenko I.S. Rezul'taty obrabotki dannykh telemetricheskikh izmerenii, postupayushchikh ot gruppirovki malykh kosmicheskikh apparatov «AIST» [Results of processing telemetry measurement data received from the constellation of small spacecraft AIST]. Kosmonavtika i raketostroenie, 2019, no. 1, pp. 80-91.
