CC BY
22ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ АНАЛИЗА НА ПРИМЕРЕ ОБРАБОТКИ ИНФОРМАЦИИ, ПОЛУЧАЕМОЙ С РАКЕТ-НОСИТЕЛЕЙ ТИПА «СОЮЗ» В ПРОЦЕССЕ ПУСКА
Вайнтрауб Анатолий Изидорович,
к.в.н., доцент, заместитель главного конструктора Акционерного общества «Научно-инженерный центр Санкт-Петербургского электротехнического университета», г. Санкт-Петербург, Россия, wai@nicetu.spb.ru,
Беляев Сергей Алексеевич,
к.т.н., доцент, советник заместителя
генерального директора по развитию Акционерного общества
«Научно-инженерный центр Санкт-Петербургского электротехнического университета»,
г. Санкт-Петербург, Россия,
beliaev@nicetu.spb.ru,
Жукова Наталья Александровна,
к.т.н., доцент, начальник отдела Акционерного общества
«Научно-инженерный центр Санкт-Петербургского электротехнического университета», г. Санкт-Петербург, Россия, 1 nazhukova@mail.ru
АННОТАЦИЯ
Интеллектуальный анализ данных предназначен для системной обработки и анализа разнотипной информации с измерительных и информационных средств и может быть использован в автоматизированной экспертной системе телеметрической информации, в связи с необходимостью обработки большого объема данных при проведении оперативного анализа. Рассматриваются этапы технологии обработки информации с измерительных и информационных средств информации и интеллектуального анализа получаемой информации. Обосновывается состав системы обработки измерительной информации и интеллектуального анализа, состоящий из ядра системы и подсистемы обработки данных, при этом ядро системы реализует организационный уровень функционирования системы в целом, а подсистема обработки данных выполняет процесс обработки и анализа. Применение интеллектуального подхода позволяет решить ряд задач: структуризации и формализации накопленной измерительной информации (описание данных и получаемых с использованием методов интеллектуального анализа знаний об измерительной информации, интеграция новых данных и знаний с уже существующими); системного анализа измерительной информации (анализ новых данных с учетом накопленных данных и знаний при наличии набора измерительных данных по одному элементу); совместного анализа всего набора данных. Показано, что применение интеллектуального подхода позволяет решить ряд задач анализа летно-технических характеристик ракет-носителей и сопутствующей наземной космической инфраструктуры. Приводится описание примеров применения методов интеллектуального анализа данных при обработке измерительной информации для ракет-носителей типа «Союз», а именно: при обработке констант; при анализе динамических характеристик, в том числе в процессе развития аварийной ситуации; при анализе временной последовательности событий. Сделан вывод том, что использование методов интеллектуального анализа данных дает возможность автоматизировано, оперативно и наглядно проанализировать выполнение циклограмм и других процессов, связанных с контролем наступления тех или иных событий, а также повысить достоверность получаемых результатов измерительной информации.
Ключевые слова: интеллектуальный анализ; телеметрическая информация; измерительные и информационные средства; ракета-носитель, стартовый комплекс
Для цитирования: ВайнтраубА.И., Беляев С.А., ЖуковаН.А. Применение интеллектуальных методов анализа на примере обработки информации, получаемой с ракет-носителей типа «союз» в процессе пуска // I-methods. 2017. Т. 9. №. 4. С. 11-25.
1. Методика интеллектуального анализа измерительной информации
Интеллектуальный анализа измерительной информации используется для выявления скрытых закономерностей или зависимостей между переменными, характеризующими результаты измерений каких-либо процессов в технических или естественных системах, в том числе, когда измерения представлены большими массивами данных.
Системы интеллектуального анализа позволяют определить состояние анализируемого технического объекта, сделать заключение о качестве его функционирования, дать рекомендации по поиску и устранению неисправностей или определить состояние анализируемой системы.
Система интеллектуального анализа входит составной частью в систему обработки измерительной информации и интеллектуального анализа.
Система обработки измерительной информации и интеллектуального анализа состоит из ядра системы и подсистемы обработки данных.
Ядро системы реализует организационный уровень функционирования системы в целом. В ее основу положена онтологическая модель, описывающая исследуемые технические объекты и природные явления, и набор процедур обработки и анализа данных, взаимодействие между которыми осуществляется через механизм правил.
Подсистема обработки данных выполняет процесс обработки и анализа, используя при этом следующие методы: предварительная обработка - используются вейвлет-технологии, позволяющие очищать сигнал с неизвестной динамикой изменения на фоне шума с неизвестными и меняющимися статистическими параметрами, выявлять скрытые компоненты в исходном составном сигнале, проводить спектральный анализ случайных процессов с высокой точностью;
системный анализ - для анализа данных используются методы сегментации, кластерного анализа, классификации, поиска ассоциативных зависимостей, секвенциального анализа и методы распознавания образов.
Применение систем обработки измерительной информации и интеллектуального анализа позволяет автоматизировать процесс обработки данных и повысить достоверность получаемых результатов измерительной информации.
Технология обработки измерительной информации и интеллектуального анализа выполняется поэтапно, в каждом из которых решаются определенные задачи. Этап 1. Очистка измерений от шума: оценка достоверности результатов измерений состояний технических и естественных систем со сложной динамикой, автоматический поиск и отбраковка недостоверных измерений;
очистка сигналов с неизвестным законом изменения от шума, статистические параметры которого меняются неизвестным образом;
выявление скрытых компонент в составном сигнале.
Этап 2. Оценка состояния контролируемого объекта по результатам анализа измерительной информации в режиме реального времени и по завершению измерений:
построение информационной модели контролируемого объекта и оценка соответствия его измеренного состояния данным информационной модели;
анализ контролируемого объекта на соответствия заданным режимам функционирования.
Этап 3. Анализ аномальных ситуаций и его использование в прогнозировании развития аномальных ситуаций, возникающих в процессе функционирования контролируемого объекта:
- выявление момента и локализации места возникновения аномальной ситуации;
- определение возможных причин возникновения аномальной ситуации, формирование сценариев развития предсказанных аномальных ситуаций и определение возможных вариантов их предупреждения.
Этап 4. Прогнозирование поведения контролируемого объекта:
- определение возможной эволюции состояния объекта на основе его информационной модели;
- определение необходимости внепланового технического обслуживания объекта на основе анализа его текущего состояния.
2. Применение систем интеллектуального анализа для анализа контролируемых параметров ракет-носителей типа «Союз» и систем наземного технологического оборудования стартовых комплексов
Интеллектуальный анализ данных (ИАД) предназначен для системной обработки и анализа разнотипной информации с измерительных и информационных средств и может быть использована в автоматизированной экспертной системе телеметрической информации (АЭС ТМИ) в связи с необходимостью обработки большого объема данных при проведении оперативного анализа.
Источниками информации о состоянии ракеты-носителя (РН) «Союз-2» и наземного технологического оборудования стартового комплекса (СК) являются:
НПРС - наземная приемно-регистрирующей система;
НАСУ - наземная аппаратура системы управления;
СИУЗ - система измерения уровня заправки РН;
НИУКСИ - наземный информационно-управляющий комплекс системы измерений;
АСУ ТО - автоматизированная система управления технологическим оборудованием.
В рамках данной работы интеллектуализация рассматривается в трех направлениях.
1)Организация процесса анализа данных осуществляется на концептуальном уровне, т.е. на уровне понятий, знаний о понятиях и отношений между понятиями. Подобная организация позволяет проводить анализ на трех уровнях (данных, знаний о конкретном понятии, знаний о группе понятий предметной области) и перейти к автоматическому режиму работы. Для обеспечения предлага-
емого уровня требуется разработать модель знаний предметной области в форме онтологии верхнего уровня и базу знаний. Использование онтологии обеспечивает единый, основанный на принятых стандартах, подход к описанию семантики понятий предметной области.
2)Использование методов интеллектуального анализа данных. Под методами интеллектуального анализа данных понимается набор методов анализа данных и методов извлечения знаний из данных, работа которых основывается на использовании накопленных ранее знаний и осуществляется, как правило, в автоматическом, реже в полуавтоматическом режимах. К данной группе методов, в первую очередь, относятся методы, применяемые в рамках технологии Data Mining (статистические методы, сегментация, кластерный анализ, классификация, секвенциальный анализ, ассоциация).
Применение методов интеллектуального анализа позволяет в статическом режиме анализировать большие объемы накопленных данных без непосредственного участия эксперта с целью извлечения знаний и заполнении и/или коррекции базы знаний и осуществлять поиск оптимальных параметров для различных методов с учетом имеющихся данных, а в динамическом режиме осуществлять оперативную обработку данных на основе имеющихся знаний.
3)Наличие механизмов анализа данных и работы со знаниями в ручном режиме. К механизмам «ручного» анализа данных относятся методы OLAP и методы когнитивной графики.
Применение интеллектуального подхода позволяет решить ряд задач:
1)структуризация и формализация накопленной измерительной информации (описание данных и получаемых с использованием методов интеллектуального анализа знаний об измерительной информации, интеграция новых данных и знаний с уже существующими);
2)системный анализ измерительной информации (анализ новых данных с учетом накопленных данных и знаний; при наличии набора измерительных данных по одному элементу совместный анализа всего набора данных).
Ниже приведены основные направления применения системного анализа данных:
формирование описания предметной области; ведение базы знаний (БЗ); исследование исходных данных; анализ накопленных данных; обработка и контроль новых данных; поддержка принятия решений на основе результатов обработки;
Формирование описания предметной области. В рамках формирования описания предметной области выделяются следующие сценарии:
Формирование структуры описания предметной области. Формирование структуры описания предметной области осуществляется путем задания структуры онтологии - классов, отношений, свойств и создания кон-
кретных экземпляров классов - индивидов. Эксперт с использованием специализированного редактора онтологии создает класс \ отношение \ свойство \ индивид. Полученные в результате класс \ отношение \ свойство \ индивид сохраняются в онтологии. Для создания индивида должна быть сформирована структура онтологии, то есть, созданы классы, отношения, свойства.
Декомпозиция онтологии. Декомпозиция онтологии осуществляется следующим образом: формируется запрос по выбранным пользователем компонентам для декомпозиции. Результаты запроса сохраняются в файл формата owl.
Интеграция сторонних онтологий. Интеграция сторонней онтологии осуществляется следующим образом: выбирается онтология для интеграции, к существующей онтологии добавляется пространство имен выбранной онтологии и результаты сохраняются в текущей онтологии.
Наполнение описания предметной области. Наполнение описания предметной области осуществляется путем задания значения выбранному свойству, полученные результаты сохраняются в онтологии. Причем для наполнения онтологии должна быть сформирована структура онтологии, то есть, созданы классы, отношения, свойства, и созданы индивиды.
Импорт онтологий. Эксперт выбирает файл с онтологией, осуществляет импорт онтологии.
Экспорт онтологии. Эксперт сохраняет описание онтологии в выбранный файл формата owl.
Ведение базы знаний. В рамках ведения базы данных выделяются следующие сценарии:
Формирование базы знаний. Эксперт формирует решающие правила с использованием понятий предметной области, сохраняет результаты в базу знаний (БЗ), либо получает правила для редактирования из БЗ, редактирует или удаляет правила. Для созданных / измененных правил осуществляется проверка на соответствие используемых понятий понятиям предметной области, результаты работы сохраняются в БЗ. Анализ результатов автоматизированного наполнение базы знаний. Эксперт просматривает знания, полученные с использованием методов интеллектуального анализа данных, и сохраняет информативные решающие правила в базу знаний, остальные удаляются.
Экспорт сформированных знаний. Эксперт сохраняет знания в выбранный файл в формате swrl. Причем необходимо наличие заполненной базы знаний.
Импорт знаний. Пользователь выбирает файл с решающими правилами и сохраняет знания в БЗ.
Исследование исходных данных. В рамках исследования исходных данных выделяются следующие сценарии:
Формирование выборок данных. Эксперт осуществляет выбор данных из онтологии, проводит анализ данных и на основе результатов анализа формирует схемы обработки данных. Схемы обработки используются в процессе работы подсистемы при анализе данных и результатов
обработки. Причем необходимо наличие сформированной онтологии. Проверка сформированных гипотез. Эксперт формирует текст запроса (гипотезу) в терминах понятий предметной области. Осуществляется проверка используемых пользователем понятий на соответствие понятиям предметной области. На основе запроса формируется запрос к онтологии. Полученный результат представляется собой утверждение о подтверждении/не подтверждении гипотезы и набор данных, на основе которого было сделано соответствующее заключение. Причем необходимо наличие сформированной и заполненной онтологии.
Аналитическая обработка данных. Эксперт выбирает из онтологии данные для анализа, выбранные данные визуализируются. Анализ данных осуществляется, как правило, с целью выявления зависимостей. Причем необходимо наличие сформированной онтологии.
Анализ накопленных данных. В рамках анализа накопленных данных выделяются следующие сценарии:
Статистическая обработка данных. Эксперт получает данные из онтологии, а затем использует один из вариантов статистической обработки. Причем необходимо наличие сформированной онтологии.
Интеллектуальный анализ данных - определение динамики изменения данных в рамках одного или нескольких сеансов измерений. Эксперт получает схему обработки и данные за определенный период времени из онтологии. Осуществляется сопоставление описаний данных за выбранный период с использованием алгоритмов секвенциального анализа, определяется динамика изменения данных с использованием методов прогнозирования временных рядов, сопоставление изменений с мероприятиями, проводимыми с объектом анализа. По результатам анализа может быть уточнена онтология предметной области. Причем необходимо наличие заполненной онтологии.
Выявление зависимостей в данных. Эксперт выбирает схему обработки и данные из онтологии, осуществляется поиск закономерностей в данных в рамках одного или нескольких сеансов измерений на основе использования алгоритмов ассоциации, результат визуализируется в виде трехмерной гистограммы. Результаты поиска зависимостей представляются в виде набора ассоциативных правил. Эксперт определяет информативные решающие правила, которые сохраняются в базу знаний. Причем необходимо наличие сформированной базы данных и заполненной онтологии.
Формирование кластеров данных и определение ключевых признаков кластеров. Эксперт загружает исходные данные в соответствии со схемой обработки, в качестве исходных данных берется один или несколько сеансов измерений. Эксперт задает настройки алгоритма кластеризации и выполняет кластерный анализ. Результаты сохраняются в онтологию, осуществляется поиск ключевых признаков кластеров с использованием алгоритмов классификации.
Полученные результаты сохраняются в онтологию. Причем необходимо наличие заполненной онтологии и базы знаний. Обработка и контроль новых данных. В рамках обработки и контроля новых данных выделяются следующие сценарии:
Определение степени соответствия новых данных накопленным данным и/или эталонным описаниям. Эксперт получает новые данные и выбирает для их обработки схему обработки, формируется с использованием методов интеллектуального анализа данных описание новых данных, полученное описание сопоставляется с эталонным описанием и/или с обобщенным описанием, построенным по накопленным данным. По результатам анализа эксперт делает заключение о надежности и безопасности элементов анализа. Причем необходимо наличие заполненной онтологии.
Определение показателей несоответствия данных нового сеанса измерений накопленным данным или эталонным описаниям, определение моментов возникновения несоответствий. Сценарий аналогичен предыдущему, сопоставление с эталонным и/или обобщенным описанием происходит на уровне сегментов (фрагментов) данных. Причем необходимо наличие заполненной онтологии.
Поддержка принятия решений на основе результатов обработки. В рамках поддержки принятия решений на основе результатов обработки выделяются следующие сценарии:
Формирование новых знаний на основе существующих с использованием логического вывода. Эксперт, используя механизм поддержки принятия решений, осуществляет логический вывод новых знаний на основе новых фактов и существующих знаний, взятых из базы знаний. Причем необходимо наличие сформированной базы знаний.
Определение текущего состояния анализируемого элемента на основе решающих правил, поиск причин несоответствия типовому состоянию и рекомендации по их устранению. Эксперт заносит факты о текущих показателях исследуемого элемента, с использованием механизма поддержки принятия решений осуществляется проверка на соответствие текущего состояния анализируемого элемента типовому, если состояние не соответствует типовому, осуществляется логический вывод на основе решающих правил, в случае, если соответствующие знания найдены в базе знаний, результаты выдаются эксперту в форме рекомендаций по устранению несоответствий. Причем необходимо наличие сформированной базы знаний.
Выявление ситуаций, аналогичных текущему состоянию объекта. Эксперт задает факты, система осуществляет поиск аналогичных ситуаций. Результаты возвращаются эксперту с указанием времени, условий, особенностей аналогичной ситуации и описанием технических решений, которые были приняты. Причем необходимо наличие сформированной базы знаний.
3. Описание примеров применения методов интеллектуального анализа данных при обработке измерительной информации
3.1. Пример применения методов интеллектуального анализа данных при обработке констант
Для проверки были взяты результаты замера давлений в баках компонентов топлива РН «Союз-2» при предстартовых проверках на стартовом комплексе пл. 43-4 при подготовке к пуску в 2004 году. Параметры давлений в баках перекиси водорода, горючего, окислителя и азота соответственно именуются как ДБП, ДБГ, ДБО и ДБА. Индекс соответствует имени соответствующего блока РКН. Будучи представлены в виде таблицы даже за несколько сеансов контроля, они представляют собой данные, заметно трудные для восприятия и анализа.
Таблица 1
Давление в баках перекиси водорода
Дата Режим ДБПа ДБПб ДБПв ДБПг ДБПд
'02-1104' '0015.1' 0.0967 0.0741 0.0347 0.0255 0.0223
'04-1104' '0022.1' 0.0511 0.0744 0.0348 0.0256 0.0223
'05-1104' '0009.1' 0.0511 0.0744 0.0348 0.0255 0.0224
'05-1104' '0014.1' 0.0888 0.0743 0.0347 0.0254 0.0223
'26-1004' '00131' 0.0808 0.0734 0.0346 0.0276 0.0225
'27-1004' '00071' 0.0774 0.0725 0.0346 0.0277 0.0229
'27-1004' '00161' 0.0747 0.0727 0.0345 0.0279 0.1519
Таблица 2
Давление в баках горючего
Дата Режим ДБГа ДБГб ДБГв ДБГг ДБГд ДБГи
'02-1104' '0015.1' 0.0927 0.0786 0.0868 0.0648 0.0873 0.1353
'04-1104' '0022.1' 0.0926 0.0789 0.0869 0.0648 0.0874 0.1357
'05-1104' '0009.1' 0.0922 0.0787 0.0869 0.0648 0.0872 0.1357
'05-1104' '0014.1' 0.0921 0.0786 0.0866 0.0648 0.0869 0.1353
'26-1004' '00131' 0.1565 0.0785 0.0863 0.0650 0.0912 0.1356
'27-1004' '00071' 0.1565 0.0785 0.0860 0.0656 0.0913 0.1336
'27-1004' '00161' 0.1525 0.0788 0.0850 0.0657 0.0912 0.1317
Если представить эти данные в графическом виде, то простота восприятия также не будет достигнута (рис. 1), причем на формирование такого представления требуется значительное время.
Проведение же кластеризации по отдельным сеансам (рис. 2) дает наглядное представление об отклонениях в значениях отдельных давлений. А применение кластеризации сразу ко всем данным из приведенных таблиц сразу же выделяет сеансы контроля, в которых отдельные давления по своим значениям отличаются от совокупности всех остальных.
Таблица 3
Давление в баках азота
Дата Режим ДБАа ДБАб ДБАв ДБАг ДБАд
'02-1104' '0015.1' 0.2675 0.0423 0.1007 0.0989 0.0278
'04-1104' '0022.1' 0.1989 0.0425 0.1008 0.0992 0.0279
'05-1104' '0009.1' 0.1971 0.0421 0.1008 0.0490 0.0279
'05-1104' '0014.1' 0.1718 0.0414 0.0372 0.0487 0.0278
'26-1004' '00131' 0.2670 0.1011 0.1032 0.0995 0.0319
'27-1004' '00071' 0.2645 0.1010 0.1026 0.0995 0.0320
'27-1004' '00161' 0.2622 0.1010 0.1032 0.0994 0.0319
Таблица 4
Давление в баках окислителя
Дата Режим ДБОа ДБОб ДБОв ДБОг ДБОд ДБОи
'021104' '0015.1' 0.0733 0.0972 0.1310 0.0636 -0.4057 0.1049
'041104' '0022.1' 0.0740 0.0975 0.0708 0.0635 -0.4057 0.1052
'051104' '0009.1' 0.0745 0.0976 0.1311 0.0636 -0.4057 0.1028
'051104' '0014.1' 0.0736 0.0975 0.1075 0.0635 -0.4057 0.1025
'261004' '00131' 0.0770 0.0951 0.1132 0.0777 -0.4057 0.3897
'271004' '00071' 0.0761 0.0943 0.1132 0.0780 -0.4053 0.3884
'271004' '00161' 0.0736 0.0945 0.1131 0.0876 -0.4054 0.3897
При этом оценка отклонений от такой совокупности, т.е масштабирование, сравнение и группирование всех суммарных данных проводится автоматически. Эксперт только производит выборку данных из базы (таблицы), и автоматически получает результат анализа с указанием какие параметры и на каких сеансах имеют отклонения от стандартного сочетания параметров.
о; 02 «Г - и л " 1 (2 11 03 -
ЛП Л1 ы 0« 02 44 «в — и « 00 П № ■И оо 42-
4*
0 лоте лшв □ ышл ЯШ Ш <1 шш Я НЙМ-1
02 □ 2 аз а ог к •г
ПО <11 00 <М 60 00 сг ■кв
■аз с -аг 12
41 « Л4
Э 2000М 1 ню 1) ш Л1Д01 ( гшо о яилс с ш<а
ы ог с: м |}Г
твтт п Ин Щ
«0 4)2 -<Н 0.« и •а? во I: ** 00 04 П]
«4 ■он !_ и 64
С мясо С МОМ дно нию о жп 1 мм
«г <Ю яг а! ск 0 2 <М агГ 0 *« <01 ог 00 ю 44 и о
во <1? 04 —
00 «И и
) дин) м 0 ШЮйй Ж№ 0 ЛИГИ о мппг 0 шп
2.11,04 411.04 5.11.0+ 5.11.04 2i.ll.04 27.11,(4 27.11,М
Рис. 1. Графическое представление результатов контроля отдельных константных параметров за несколько сеансов измерений
Рис. 2. Результаты контентно-адаптивной обработки константных параметров сложных технических объектов космического назначения
3.2. Пример применения методов ИАД при анализе динамических характеристик.
Для проверки были взяты результаты замера давлений продувок магистралей горючего РН «Союз-2» при предстартовых проверках на стартовом комплексе пл. 43-4 при подготовке к пуску в 2004 году.
Просмотр графиков изменения давлений продувок по пяти заправочным магистралям не дает представления о различиях в поведении параметров (рис. 3). Только при большом увеличении (рис. 4) можно выявить расхождения в поведении аналогичных по сути параметров.
Применение таких методов ИАД как автоматическая сегментация и последующая кластеризация позволяют сразу выявить в каждом сеансе параметры, изменения во времени которых отличаются от остальных (рис. 5).
Получив такую автоматизированную интегральную оценку, эксперт может целенаправленно приступать к де-
тальному анализу непосредственно в системах и устройствах, на которые ему было подсказано примененными методами ИАД.
Пример применения методов ИАД при анализе динамических характеристик в ходе исследования аварийных ситуаций
Для проверки были взяты результаты телеметрического контроля бортовых систем двигателей боковых блоков Б-Д РН «Союз-У» на начальном этапе аварийного пуска в 2002 году. Просмотр графиков всех параметров для аналогичных блоков Б-Д РН (рис. 6) может только при детальном увеличении выявить расхождения в поведении параметров (рис. 7 верхние графики). Применение методов ИАД позволяет без просмотра графиков, проведя автоматизированную сегментацию и последующую кластеризацию выявить все параметры, поведение которых отличалось от аналогичных как в этом
Сслнс (Ю9
у -0,101 37(8017п 124221 ^□1*11
а та ш 50
30 я 10 0 1
-Г - -1 -1 к
о ииосо авгао зпжи «юго Шап отобг|
П'ПТ: II 1НН| М|1И|1 1 ■ПИЦ.1И Ч--11
- =1 _1
1 Г
1
с
- —
1
Гиг л ЦЫПЯ
шга -м«) икт Яш гаю ш*х
Сеян с 014
4^1 42 ЙИЕ2!
г
19 1
0
11МГ а |111»Ш.г П 4ЛГМ1 ЯГ ¥10 1ИИГ- ШПГГП ?птлп
45
Ш 43 42 41
1ЖИОО 110000 1ЕОСОО 160000 (170000 190000 130000 20ОС 00
"ПЙгв - ■ лиге.п |ми пмг»тыл г) пмп тип.21 —1—|Ь
J
Рис. 4. Графики давления продувок магистралей горючего и детальное представление их фрагментов, содержащих отклонения
Рис. 3. Графики давления продувок магистралей горючего «Союз-2» 5.11.04
Рис. 5. Результаты контентно-адаптивной обработки переходных процессов для давления продувок магистралей горючего
Рис. 6. Графики некоторых параметров блоков Б-Д, измеренные при аварийных ситуациях
13) за 1
! Ji.i l
^30
710 / * У
1« с
я
* -4 г с
500 (¡0
| 1
<00 111 1
350 • ' V
300 | й
г»
* ч г 0
ВПР
т 240 210
Ч
180 1Я> №
12» Г
4 /
90
4 4 2
дто
Рис. 7. Фрагменты графиков параметров блоков Б-Д непосредственно перед аварийной ситуацией и результаты их контентно-адаптивной обработки
лрь шыг с руае&ь^н ьгрегшми дачоо и ыж-гоо
Рис. 8. Детальный анализ ситуации с использованием схемы размещения датчиков на борту РН
пуске, так и в предыдущих пусках РН «Союз-У» (рис. 7 нижние диаграммы). Кроме того, результаты автоматизированной сегментации позволяют определить время начала расхождений по отдельным параметрам, т.е. представить динамику развития аварийной ситуации. В рассматриваемом случае расхождения начались еще за 3 секунды до старта РН.
После получения списка параметров, поведение которых отличалось от аналогичных и временных характеристик таких отклонений эксперт может приступать к детальному анализу ситуации, используя схемы размещения датчиков на борту РН (рис.8). На рисунке помечены датчики, выявленные в результате применения ИАД. Анализ показывает, что авария произошла в системе подачи перекиси водорода для работы ТНА двигателя блока Д РН.
3.3 Пример применения методов ИАД при анализе временной последовательности событий.
Для проверки были взяты результаты контроля циклограммы пуска РН «Союз-2» при подготовке к пускам в 2004, 2006 и 2008 году. Например:
ВННб (В) (0) - момент выхода зуба изделия из нижних направляющих блока Б (0).
ВОГб (В) (0) - момент выхода оголовков несущих ферм из карманов изделия блока Б (0).
ГКа (В) (0) - главная команда на включение двигателя блока А (0).
К Исп. НАДДУВ (В) (0) - исполнение команды НАДДУВ (0).
КД1а (В) (0) - исполнение команды «Предварительная ступень» - замыкание контактов ПРМ КД1 блока А (0).
Рис. 10. Результаты контентно адаптивной обработки выполнения однотипных событий для систем стартового комплекса и РКН
КД3б (В) (0) - исполнение команды «Промежуточная ступень» - размыкание контактов ПРМ КД3 блока Б (0).
КД5 (В) (0) - исполнение главной команды на включение двигателя блока А - размыкание контактов ПРМ КД5 (0).
КЗ (В) (0) - команда «Зажигание» (0). К Исп. НАДДУВ (В) (0) - исполнение команды НАДДУВ (0).
КК4а (В) (0) - сигнал с контактов клапана «О» блока А
(0).
КНД (В) (0) - команда «Ключ на дренаж» (0). КП (С) (0) - контакт подъема (0). КП4б (В) (0) - срабатывание ПРМ КП4 блока Б (0). НАДДУВ (В) (0) - команда «Наддув» (0).
ОПКи (В) (0) - отрыв пневмоколодки блока третьей ступени (0).
ОХКи (В) (0) - отрыв холодной колодки блока третьей ступени (0).
ПРК (В) (0) - команда «Промежуточная ступень» блоков Б-Д (0).
ПРМбак (В) (0) - суммарное срабатывание ПРМ наддува всех баков изделия (0).
ПРМпрод (В) (0) - команда на включение и выключение продувки (0).
ПУСК (В) (0) - команда «Пуск» (0).
РПб-в (В) (0) - момент размыкания шарового замка силового пояса между блоками Б-В (0).
Применение методов ИАД позволяет получить суммарную картину совпадения времен выполнения циклограммы подготовки к пуску по всем трем пускам РН
■50
Атрибуты
■ ПРМпрод ■ КНД+ наддав* Кисп Наддув ПРМбак ОГКи ОЧКи ■ Пуск ■ КЗ ■ КГ146+ яти* КП4г+ »МП4д* ■ КК4а ■ КК40 иКК4в ■ КК4г КК4д КД1а КД16 КД18 ХД1г
■ КД1Д ИПРК 1КД30 ■ КДЭв ВКДЗг ИКДЗд ГК КД5а ГРПб-В РП8-Г РПг-Д РГТд-6
■ В0Г6 ■ БОГв ВОПг вОГд ( ВННб ВННв ВННг ■ ВННд ■ кп
Рис. 9. Результаты контентно адаптивной обработки моментов прохождения отдельных команд циклограмм для РКН по нескольким пускам
«Союз-2», проведенным на 1 ГИК. Совместный анализ автоматически показал, что циклограммы пусков 2 и 3 очень близки друг к другу, а циклограмма пуска 1 от них отличается. Метод дает возможность оценить характер различий.
На рис. 9 в виде гистограммы приведены в обобщенном результаты отклонения (запаздывания или опережения) моментов циклограммы пуска 1 от двух других.
В рамках анализа циклограммы всех пусков имеется возможность оценить выполнение однотипных событий на аналогичных системах стартового комплекса и ракеты. Так анализ показал, что например, момент размыкания шарового замка силового пояса между блоками Г и Д на всех пусках отличается от остальных аналогичных замков (рис. 10а). Это может быть связано с отклонениями в функционировании стартового оборудования.
Если для параметра исполнение команды «Предварительная ступень» - замыкание контактов ПРМ КД1 блока А отличается от таких же параметров блоков Б-Г по понятным причинам различия в конструкции центрального и боковых блоков РН (рис. 10б), то различие в выполнении команды «Промежуточная ступень» - размыкание контактов
ПРМ КД3 блоков Б - Д (рис. 10в) или момент выхода зуба изделия из нижних направляющих блоков Б - Д (рис. 10г) дает эксперту информацию для более детального анализа выполнения этих операций проведения пуска.
Оценки выполнения однотипных событий на аналогичных системах стартового комплекса и ракеты показали, что например, момент размыкания шарового замка силового пояса между блоками Г и Д на всех пусках отличается от остальных аналогичных замков (рис. 10 а). Группа параметров, отмеченных красным цветом, была идентифицирована экспертами, как группа, содержащая параметры с ожидаемым поведением. Параметр, отмеченный синим цветом, был отнесен к отдельной группе. Экспертная оценка показала, что это связано с отклонениями в функционировании стартового оборудования.
Также отклонения были выявлены для параметра исполнения команды «Предварительная ступень» - замыкание контактов ПРМ КД1 блока А. Однако, это отклонение было исключено из рассмотрения системой. Наблюдаемое отличие этого параметра от таких же параметров блоков Б-Г объяснимо различиями в конструкции центрально-
го и боковых блоков РН (рис. 10 б). К другим значимым отличиям, которые были выявлены, относятся различие в выполнении команды «Промежуточная ступень» - размыкание контактов ПРМ КД3 блоков Б - Д (рис. 6.16 в) и момент выхода зуба изделия из нижних направляющих блоков Б - Д (рис. 10 г ). Полученные в результате контент-но-адаптивной обработки данные дали экспертам основу для более детального анализа выполнения этих операций.
Выводы: 1) В рассматриваемой задаче синтез контент-но адаптивных процессов позволил обеспечить системный анализ многомерных временных данных в условиях, когда взаимодействуют несколько сложных технических объектов. При этом оценка состояния дается по каждому из вовлеченных объектов.
2) Использование методов ИАД дает возможность автоматизировано, оперативно и наглядно проанализировать выполнение циклограмм и других процессов, связанных с контролем наступления тех или иных событий.
Литература
1. Рассел С., Норвиг П. Искусственный интеллект: современный подход. 2-е изд. М.: Вильямс, 2006. 1408 с.
2. Цветков В.Я., Розенберг И.Н.Интеллектуальные транспортные системы. LAP LAMBERT Academic Publishing GmbH & Co. KG, Saarbrücken, Germany 2012. 297 с.
3. Штанько С. В., Жукова Н. А. Схемы аутентификации данных и пользователей в распределенных информационных системах // Известия СПбГЭТУ «ЛЭТИ». Сер. Информатика, управление и компьютерные технологии. 2012. № 8. С. 46-51.
4. Водяхо А.И., Жукова Н.А. Архитектурный подход к построению адаптивных интеллектуальных систем анализа многомерных измерений параметров пространственно соотнесенных объектов. СПб.: Изд-во СПбГЭТУ «ЛЭТИ». 2014. 228 с.
5. Витол А.Д., Дерипаска А.О., Жукова Н. А., Соколов И.С. Технология адаптивной обработки измерительных данных. СПб.: Изд-во СПбГЭТУ «ЛЭТИ». 2012. 200 с.
6. Назаров, А.В., Козырев Г.И., Шитов И.В. Современная телеметрия, в теории и на практике.
Наука и техника. СПб, 2007. 672 с.
7. Васильев А.В., Витол А.Д., Жукова Н. А. Определение семантического состава группового телеметрического сигнала // Известия СПбГЭТУ «ЛЭТИ». Сер. Информатика, управление и компьютерные технологии. 2010. № 10. С. 18-23.
8. Жукова Н.А. Соколов И. С., Экало А.В. Метод нечеткого сравнения телеметрических параметров на основе алгоритмов интеллектуального анализа данных // Известия СПбГЭТУ «ЛЭТИ». Сер. Информатика, управление и компьютерные технологии. 2013. № 9. С.25-29.
9. Витол А.Д., Тристанов А.Б., Жукова Н. А. Алгоритм сегментации кусочно-постоянных телеметрических параметров // Вестник КРАУНЦ. Физ.-мат. науки. 2010. Т. 1. № 1. С. 46-53.
10. Жукова Н. А. Организация систем адаптивной обработки и анализа многомерных измерений параметров пространственно соотнесенных объектов на основе интеллектуальных ГИС // Сборник трудов П-ой межд. научно — практической конференции «Актуальные проблемы современной науки». (Ставрополь, п. Домбай, 13-16 марта 2013). Ставрополь: Изд-во СевКавГТУ 2013. С. 12-14.
11. Водяхо А.И., Жукова Н. А. Адаптивные алгоритмы выявления чрезвычайных ситуаций в условиях ледовой обстановки // Известия СПбГЭТУ «ЛЭТИ». Сер. Информатика, управление и компьютерные технологии. 2014. № 10. С. 15-21.
12. Загоруйко Н. Г. Прикладные методы анализа данных и знаний. Новосибирск: ИМ СО РАН, 1999. 270 с.
13. Загоруйко Н. Г., Елкина В. Н., Лбов Г. С. Алгоритмы обнаружения эмпирических закономерностей. Новосибирск: Наука, 1985. 110 с.
14. Загоруйко Н. Г. Методы распознавания и их применение. М.: Сов. Радио, 1972. 208 с.
15. Купершток В. Л., Миркин Б. Г., Трофимов В. А. Сумма внутренних связей как показатель качества классификации // Автомат. и телемех. 1976. № 3. С. 133-141.
THE APPLICATION OF INTELLECTUAL ANALYSIS METHODS
ON THE BY THE EXAMPLE OF INFORMATION PROCESSING OBTAINED
FROM THE SOYUZ-TYPE LAUNCH VEHICLE DURING LAUNCH.
Anatolii I. Vaintraub,
St-Peterburg, Russia, wai@nicetu.spb.ru
Sergei A. Beliaev,
St-Peterburg, Russia, beliaev@nicetu.spb.ru
Natal'ia A. Zhukova
St-Peterburg, Russia, nazhukova@mail.ru
ABSTRACT
Intellectual data analysis is intended for system processing data and analysis of diverse information from measuring and informational means and and can be used in automated expert system of telemetric information in connection with of processing data of a large volume for rapid analysis. Steps of technology processing information measuring and informational means and intellectual analysis of obtained data are regarded. The structure of the system processing measurement information and intellectual analysis, that consist of the core of the system and subsystem of data processing, are substantiated. The core of the system implements the organizational level of functioning of the overall system and processing subsystem performs the data processing and analysis. The use of intellectual approach helps to solve a number of tasks: structuring and formalization of accumulated measure data ( description of data and, obtained by the method of intellectual analysis, knowledge about measure information, integration of new data and knowledge with already existing); of system analysis of measure information (analysis of new data taking into account accumulated data and knowledge in the presence of a set of measure data related to one item), joint analysis of the whole dataset. It is demonstrated that use of intellectual approach allows to solve a number of tasks of the analysis of the flight performance of launch vehicles and concomitant ground-based space infrastructure. Description of examples of use of intellectual data analysis methods while processing measure information for Soyuz-type launch vehicles are shown, precisely: while processing constants; while analysing dynamic characteristics including an emergency situation; while analysing time sequence of events. The conclusion is that the use of data mining techniques gives the possibility of automated, quickly and visually analyze the execution of cyclogrammes and other processes related to control the occurrence of certain events, and increase the reliability of the results of the measuring information.
Keywords: data mining; telemetry information; measuring and information tools; the launch vehicle; launch complex.
References
1. Rassel S., Norvig P. Iskusstvennyj intellekt: sovremennyjpodhod [Artificial Intelligence: A Modern Approach]. 2nd ed. Prentice Hall, 2002. 1408 p.
2. Cvetkov V.Ja., Rozenberg I.N. Intellektual'nye transportnye sistemy [Intelligent transport systems]. Germany, Saarbrücken: LAP LAMBERT Academic Publ. GmbH & Co. KG, 2012. 297 p.
3. Shtan'ko S.V, Zhukova N.A, Shemy autentifikacii dannyh i pol'zovatelej v raspredelennyh informacionnyh sistemah [Data and user authentication schemes in distributed information systems]. Izvestiya SPbGETU «LETI». Informatika, upravlenie i kompjuternye tehnologii. 2012. No. 8. Pp. 46-51. (In Russian)
4. Vodjaho A.I., Zhukova N.A. Arhitekturnyj podhod k postroeniju adaptivnyh intellektual'nyh sistem analiza mnogomernyh izmerenij parametrov prostranstvenno sootnesennyh ob'ektov [An architectural approach to building adaptive intelligent systems analysis of the multidimensional measurement of spatially related objects]. Sankt-Petersburg: The First Electrotechnical University Publ., 2014. 228 p. (In Russian)
5. Vitol A.D., Deripaska A.O., Zhukova N.A., Sokolov I.S. Tehnologija adaptivnoj obrabotki izmeritel'nyh dannyh [Technology for adaptive processing of measurement data]. Sankt-Petersburg: The First Electrotechnical University Publ., 2012. 200 p. (In Russian)
6. Nazarov A.V., Kozyrev G.I., Shitov I.V. Sovremennaja telemetrija, v teorii i na praktike [Modern telemetry in theory and in
practice]. Sankt-Petersburg: Nauka i tehnika, 2007. 672 p. (In Russian)
7. Vasil'ev A.V., Vitol A.D., Zhukova N.A. Opredelenie semanticheskogo sostava gruppovogo telemetricheskogo signala [Determination of the semantic composition of the group telemetric signal]. Izvestiya SPbGETU«LETI». Informatika, upravlenie i kompjuternye tehnologii. 2010. No. 10. Pp. 18-23. (In Russian)
8. Zhukova N.A. Sokolov I.S., Jekalo A.V. Metod nechetkogo sravnenija telemetricheskih parametrov na osnove algoritmov intellektual'nogo analiza dannyh [Method of fuzzy comparison of telemetric parameters based on data mining algorithms]. Izvestiya SPbGETU «LETI». Informatika, upravlenie i kompjuternye tehnologii. 2013. No. 9. Pp. 25-29. (In Russian)
9. Vitol A.D., Tristanov A.B., Zhukova N.A. Algoritm segmentacii kusochno-postojannyh telemetricheskih parametrov [Algorithm for segmentation of piecewise constant telemetry parameters]. Vestnikkamchatka regional association "educational-scientific center". Fiziko-matematicheskie nauki. 2010. Vol. 1. No. 1. Pp. 46-53. (In Russian)
10. Zhukova N.A. Organizacija sistem adaptivnoj obrabotki i analiza mnogomernyh izmerenij parametrov prostranstvenno sootnesennyh obektov na osnove intellektual'nyh GIS [Organization of adaptive processing and analysis of multidimensional measurements of spatially related objects based on intelligent GIS]. SbornikdokladovIIMezhdunarodnoi nauchno-prakticheskoi konferencii [The collection of reports of the 2nd International scientific - practical conference "Actual problems of modern science", Stavropol', p. Dombaj, March 13-16 2013]. Stavropol': The North-Caucasus Federal University Publ., 2013. Pp. 12-14. (In Russian)
11. Vodjaho A.I., Zhukova N.A. Adaptivnye algoritmy vyjavlenija chrezvychajnyh situacij v uslovijah ledovoi obstanovki [Adaptive algorithms of emergency situations detection in ice conditions]. Izvestiya SPbGETU «LETI». Informatika, upravlenie i kompjuternye tehnologii. 2014. No. 10. Pp. 15-21. (In Russian)
12. Zagorujko N.G. Prikladnye metody analiza dannyh i znanij [Applied methods of data and knowledge analysis]. Novosibirsk: Sobolev Institute of Mathematics Publ., 1999. 270 p. (In Russian)
13. Zagorujko N.G., Elkina V.N., Lbov G.S. Algoritmy obnaruzhenijajempiricheskih zakonomernostei [Algorithms for detecting empirical patterns]. Novosibirsk: Nauka, 1985. 110 p. (In Russian)
14. Zagorujko N.G. Metody raspoznavanija i ih primenenie [Methods of detection and their application]. Moscow: Sovetskoe Radio, 1972. 208 p. (In Russian)
15. Kupershtok V.L., Mirkin B.G., Trofimov V.A. Summa vnutrennih svjazej kak pokazatel' kachestva klassifikacii [The sum of internal links as an indicator of classification quality]. Avtomat. i telemeh [Automation and telemechanics]. 1976. No. 3. Pp. 133-141. (In Russian)
Information about authors:
Vaintraub A.I., PhD, Docent, Deputy chief designer of Joint-stock company Research and Engineering Center of Joint-stock company Research and Engineering Center of Saint-Petersburg Electro-Technical University
Beliaev S.A., PhD, Docent, adviser of Deputy General Director to Development of Joint-stock company Research and Engineering Center of Saint-Petersburg Electro-Technical University
Zhukova N.A., PhD, Docent, Head of Department of Joint-stock company Research and Engineering Center of Saint-Petersburg Electro-Technical University
For citation: Vaintraub A.I., Beliaev S.A., Zhukova N.A. The application of intellectual analysis methods on the by the example of information processing obtained from the soyuz-type launch vehicle during launch. I-methods. 2017. Vol. 9. No. 4. Pp. 11-25. (In Russian)
