CC BY
17
MODEL OF A PUBLIC CONNECTION CONTROL SYSTEM FUNCTIONING UNDER THE CONDITIONS OF APPLICATION OF HIGH-PRECISION WEAPONS
Yu.A. Gagarin
The article discusses a model of an element of a combined-arms formation control system (CS OS), functioning in conditions of the use of high-precision weapons (WTO) on elements of a combined-arms formation control system (CS OS). As an element of the CS OS, a field mobile control point (FCCU) OS was selected. OS is considered on the example of a motorized rifle brigade (MSBR). The purpose of developing the model is to determine the probabilistic and temporal characteristics of the enemy's WTO impact, which will make it possible to form the initial data for taking measures to protect the OSPP.
Key words: control system, precision weapons, field mobile control point, survivability, stochastic networks.
Gagarin Yuri Aleksandrovich, graduate student, lecturer, gagarin1987.58@,mail.ru, Russia, St. Petersburg, Federal State Treasury Military Educational Institution of Higher Professional Education «Military Academy of Communications» of the Ministry of Defense of the Russian Federation
УДК 681.5.017
DOI: 10.24412/2071-6168-2021-10-336-341
ПОВЫШЕНИЕ ТОЧНОСТИ ПРОГНОЗА ТЕХНИЧЕСКОГО СОСТОЯНИЯ РЛС ЗА СЧЕТ ИЗМЕНЕНИЯ ЧАСТОТЫ КОНТРОЛЯ
А.Ю. Перлов, Е.И. Минаков, В.А. Панкратов, К.В. Львов, А.В. Григорьев
В статье разработан адаптивный алгоритм прогнозирования технического состояния РЛС. Определена оптимальная модель машинного обучения для прогнозирования технического состояния РЛС, а также найдена оптимальная, с точки зрения точности прогноза, частота сбора данных технического состояния.
Ключевые слова: РЛС, контрольно-диагностическая система, прогнозирование, машинное обучение.
Введение и постановка задачи. В последнее время в мировой промышленности в вопросах, связанных с организацией эксплуатации устройств и систем, взят вектор на переход к предиктивному облуживанию. В основе данного подхода лежит использование методов машинного обучения, которые позволяют выявлять закономерности в процессе функционирования изделия за счет анализа ретроспективных и текущих данных, полученных с датчиков аппаратуры изделия и прогнозировать на их основе отказы и характеристики надежности. К настоящему времени предложено множество моделей и методов для решения задачи прогнозирования отказов промышленного оборудования [1-3]. Частота сбора данных технического состояния, формирующих обучающую выборку, также может влиять на точность прогноза отказов
[4].
В данной работе рассмотрены модели машинного обучения для прогнозирования временных рядов на примере показаний датчиков температуры блоков усиления мощности (БУМ), установленных в РЛС.
Цель исследования заключается в повышении точности прогноза технического состояния ИУС за счет разработки алгоритма, учитывающего частоту опроса структурных элементов РЛС.
Для построения алгоритма необходимо решить следующие задачи:
- сформировать обучающие выборки для выбранных алгоритмов прогноза, изменяя параметры контроля технического состояния (частоту опроса технического состояния)
- при помощи сформированных выборок оценить влияние параметров контроля тех. состояния на точность получаемого прогноза на фиксированном интервале.
- сформулировать критерии для адаптивного алгоритма прогноза.
336
Формирование обучающей выборки о техническом состоянии. Современные РЛС включают в себя передающие радиоэлектронные комплексы (далее РЭК), являющихся критически важными элементами, с точки зрения обеспечения тактико-технических характеристик (ТТХ) изделия. Самым массовым и теплонапряженным компонентом передающего РЭК является блок усиления мощности (БУМ). Во избежание выхода из строя аппаратуры РЛС, в состав станции входит контрольно-диагностическая система (КДС), которая в том числе контролирует БУМ, а также заносит в базу данных информацию о техническом состоянии системы [5].
Схема сбора данных БУМ с помощью КДС показана на рис. 1.
Высокая степень цифровизации современных РЛС позволяет сделать КДС реконфигу-рируемой. Реконфигурация — это управление частотой сбора данных для повышения точности прогноза. Изначально задано, что КДС собирает данные непрерывно путем запроса на выдачу технического состояния аппаратуры раз в 20 сек.
Данные о техническом состоянии, полученные с помощью КДС, содержат следующую информацию: дата и время записи, режим работы блоков, состояние работы генераторов, передатчиков и приемников, а также столбцы с температурами передатчиков. Объём выборки -500000 записей.
Режимы работы РЛС отличаются друг от друга значением скважности зондирующих сигналов, подаваемых на блоки, что обуславливает их температурную динамику. Под одним отсчетом понимается интервал записи технического состояния КДС равный 20 сек.
Результаты прогнозирования. В задачах машинного обучения, после выбора модели машинного обучения и обучения этой модели, наступает важный этап тестирование. Для оценки качества моделей была выбрана метрика R2 (коэффициент детерминации) на основании его широкой применяемости в подобных задачах [6].
Перейдем к рассмотрению регрессионных моделей, а после выбора лучшей модели проведём эксперимент по влиянию периода на точность, все модели обучим на частоте записи технического состояния (далее ТС) в 20 секунд.
Рассмотрим XGB Regressor и Random Forest Regressor [7-8]. На рис. 2а и 2б показаны результат работ моделей. Точность прогнозирования по метрике R2 = 0.65 для XGB Regressor, а для Random Forest Regressor R2 = 0.34 По результатам метрик и по графикам сделать вывод о том, что данная модель XGB Regressor лучше справилась с предсказанием отказа.
По оси абсцисс представленны отсчёты снятия ТС системы,а по оси ординат метка класса. 1 значит, что система работает, 0 значит отбратное. Далее на всех рисунках оси абсцисс и ординат следуют той же логике.
На практике, период сбора данных может изменяться. Вопрос о том, каким образом период сбора информации может повлиять на точность прогноза является важным, потому что слишком частый сбор данных о ТС состоянии РЛС может быть и не нужен, и будет излишний
раз нагружать систему сбора данных, а также время вычисление прогноза и обучения модели может быть довольно большим и не будет поспевать за частым сбором данных. Поэтому для решения этой проблемы был проведен следующий эксперимент, в котором, будем обучать модель XGB Regressor данными о техническом состоянии с частотой сбора в 20, 40,80, 160,320 и 640 секунд, оценивая при этом точность и время предсказания.
10
0.6 S
0.2
1 1 1
• - Предсказанные значения Истинные значения
- Пред • Исти ска ■шь занные знач ie значения ения
5000 1ЮОО 15000 20000 25000 30000 35000
5000 ÜOOOO 15000 20000 25000 30000 35000 В
Рис. 2. Действительные и предсказанные значения на тестовой выборке моделями МО, ось абсцисс - отсчёты снятия ТСРЛС на тестовой выборке, ось ординат - состояние работы РЛС. а) XGB Regressor б) Random Forest Regressor
1. Частота записи ТС = 20 и 40 с. На рис. 3а и 3б представлены реальные и предсказанные значения для состояния работоспособности системы, при этом точность прогноза при частоте записи ТС раз в 20 секунд по метрики R2 = 0.65, а для частоты записи раз в 40 секунд R2 = 0.75. Горизонт прогнозирования составляет 20 отсчётов.
1 1 1
■- Предска • ИстинHb занные значения je значения
0 5000 ЮООО 15000 20000 25000 30000 35000
п
12 1 0 0.8 0.6 ' 0.4 0.2 0.0
1 | |
1 тг 1 INI1 1
• Истинныеэ начен и и
2500 5000 750 0 10000 12500 15000 17500
Рис. 3. Действительные и предсказанные значения на тестовой выборке при частоте записи: а) ТС = 20 секунд б) ТС = 40 секунд
Таким образом, более высокая точность прогноза достигается при частоте опроса раз в
40 сек.
2. Частота записи ТС = 80, 160, 320,640 с. При таких частотах записи результаты ухудшается, сами результаты представлены в таблице. Уменьшается точность прогноза, а время прогнозирования уменьшается не существенно, порядка 100 мс при уменьшение прогнозируемой выборки в 2 раза.
Характеристики вычислителя, используемого расчета времени вычисления прогноза: SSD 240 Гб, GT 730 2 ГБ, Intel-Core I5-6400, 16 Гб ОЗУ.
На рис. 4 представлены графики анализа изменения точности и времени прогнозирования состояния работы РЛС от частоты записи технического состояния. Таким образом по графикам на рис. 4 и по таблице можно сделать вывод о том, что лучшей частотой с точки зрения точности и времени вычисления прогноза является сбор данных раз в 40 с.
338
Оценка точности при разных частотах записи ТСРЛС
Частота отчёта Точность прогнозирования (доля правильных ответов, значение метрики R2) Время вычисления прогноза
Каждые 20 секунд (1; 0.65) 866 мс
Каждые 40 секунд (1; 0.75) 605 мс
Каждые 80 секунд (0.8; 0.54) 540 мс
Каждые 160 секунд (0.4; 0.53) 450 мс
Каждые 320 секунд (0.4; 0.52) 424 мс
Каждые 640 секунд (0.33; 0.52) 490 мс
воо
700
600
| 500
400
21
30
Ш-
0 40
100 160 200 300 400 Частота записи ТС
500
600
Рис. 4. График времени вычисления прогноза от частоты съёма ТС РЛС
Изменяя частоту опроса ТС было выявлено, что частота съёма ТС раз в 40 секунд является наилучшей с точки зрения обеспечения времени вычисления прогноза.
На рис. 5 для наглядности представлена зависимость повышения точности прогнозирования от частоты съёма ТС РЛС, что подтверждает вывод о том, что частота сбора данных раз в 40 секунд, наилучшая с точки зрения точности.
0.10 -0.05 -0.000.05 -0.10 -0.15 -0.20 -
О 100 200 300 400 500 600
Чатота записи ТС
Рис. 5. График изменения точности прогнозирования от частоты съёма ТС РЛС
В результате, экспериментальным путём, изменяя итеративно частоту опроса ТС РЛС было определено оптимальной значение частоты с точки зрения точности и времени вычисления прогноза. Однако, такой подход не всегда рационален, ввиду временных затрат на ручной перебор частот. Поэтому в работе предложен адаптивный алгоритм, при использовании которого достигается подбор периода снятия ТС РЛС происходит в автоматическом режиме.
Схема разработанного алгоритма представлена на рис. 6.
Первый этап данного алгоритма создание обучающей выборки с определенной частотой записи. После прогноза по определенной выборке, оценивается точность прогноза (95 процентов), и при недостаточной точности изменяется частота опроса. Обозначения на алгоритме: ЭК - элемент контроля, Кг - коэффициент готовности, характеризующий надёжность РЛС.
339
Основным критерием алгоритма является оценка точности прогноза, вычисляемая по метрике И2, дискрет изменения частоты равен 20 секундам, а ограничением перебора частоты является требование по работе алгоритма в режиме реального времени.
Рис. 6. Схема адаптивного алгоритма выбора оптимальной частоты съема данных
для формирования обучающей выборки
Операции разработанного алгоритма могут быть адаптированы к РЛС различного применения за счет использования данных диагностического контроля изделий.
Выводы. Для решения прогноза технического состояния был применён метод машинного обучения XGB Regressor, показавший лучшую точность по сравнению с Random Forest Regressor.
Изменяя период съёма ТС было выявлено, что период съёма ТС раз в 40 секунд является наилучшей с точки зрения повышения и обеспечения точности прогноза, с учётом времени его вычисления. Благодаря изменению частоты сбора ТС РЛС точность прогнозирования отказа РЛС повысилась до значения 0.75 (изначальная точность по метрики R2 была 0.65) и увеличилась на 0.1 от начальных результатов (сбор ТС раз в 20 сек) по метрике R2, к тому же время вычисления прогноза уменьшилось на 0.2 мс.
Создан адаптивный алгоритм определения частоты съема данных для достижение наибольшей точности прогноза. Предложенный в работе алгоритм может быть использован при создании реконфигурируемой по периоду контрольно-диагностической системы.
Работа выполнена при поддержке гранта Президента (№ МК-241.2021.4).
Список литературы
1. Боев С.Ф., Рахманов А.А. Современное состояние и направления совершенствования систем технического обслуживания комплексов специального назначения, ведущих зарубежных военно-промышленных компаний. 2019. 29 с.
2. Чучуева И.А. Модель прогнозирования временных рядов по выборке максимального подобия, 2012. 153 с.
3. Хайкин С. Нейронные сети: полный курс С. 2006. 1104 с.
4. И.Л. Кафтанчиков Проблемы формирования обучающей выборки в задачах машинного обучения. /И.Л. Кафтанчиков, А.В. Паралич. 2020 - 15 с. Текст : электронный
5. Боев С.Ф., Логовский А.С. Управление процессами создания РЛС ДО функционально-блочной структуры // Журнал радиоэлектроники. 2017. №7. С. 12.
6. Себастьян Рашка «Python и машинное обучение» // Себастьян Рашка 2018. 965 с.
7. Susto, G.A. Работа с данными временных рядов в задачах прогнозирования технического обслуживания. // Susto, G.A., &Beghi, A. (2016).
8. A systematic literature review of machine learning methods applied to predictive maintenance / Thyago P. Carvalhoa, Roberto Vitac, Roberto da P. Franciscob, Joäo P. Bastoc, Symone G. S. Alcaláb.
Перлов Анатолий Юрьевич, канд. техн. наук, старший преподаватель, [email protected], Россия, Зеленоград, МПСУНИУМИЭТ,
Минаков Евгений Иванович, д-р техн. наук, профессор, [email protected], Россия, Тула, Тульский государственный университет,
Панкратов Валерий Анатольевич, ведущий инженер, valerqa@gamil. com, Россия, Москва, АО «Радиотехнический институт имени академика А.Л. Минца»,
Львов Кирилл Вячеславович, аспирант, lvov. kv14@physics. msu.ru, Россия, Москва, Московский государственный университет имени М.В. Ломоносова,
Григорьев Александр Викторович, магистрант, sanya. grishov. 84@mail. ru, Россия, Зеленоград, МПСУ НИУ МИЭТ
IMPROVING THE FORECASTING ACCURACY OF THE RADAR STATE BY CHANGING THE MONITORING FREQUENCY
A.Y. Perlov, E.I. Minakov, V.A. Pankratov, K.V. Lvov, A.V. Grigoriev
The article developed an adaptive algorithm for predicting the technical state of the radar. The optimal machine learning model for predicting the technical condition of the radar was identified, and the optimal frequency of collecting technical condition data, in terms of time and forecast accuracy, was also found.
Key words: radar, control and diagnostic system, forecasting, machine learning.
Perlov Anatoly Yurievich, candidate of technical sciences, senior lecturer, [email protected], Russia, Zelenograd, MIET,
Evgeny Ivanovich Minakov, doctor of technical sciences, professor, eminakov@bk. ru, Russia, Tula, Tula State University,
Pankratov Valery Anatolievich, candidate of technical sciences, lead engineer, [email protected], Russia, Moscow, JSC «Radio Engineering Institute named after Academician A.L. Mints»,
Lvov Kirill Vyacheslavovich, postgraduate, [email protected], Russia, Moscow, Moscow State University named after M.V. Lomonosov,
Grigorev Alexander Viktorovich, student, [email protected], Russia, Zelenograd, MPSU NRUMIET
