CC BY
18
УДК 681.518.5
DOI: 10.24412/2071-6168-2022-10-9-14
СТРУКТУРНО-СТОХАСТИЧЕСКАЯ ВЫЧИСЛИТЕЛЬНАЯ МОДЕЛЬ КОНТРОЛЯ ТЕХНИЧЕСКОГО СОСТОЯНИЯ БОРТОВЫХ СИСТЕМ КОСМИЧЕСКИХ АППАРАТОВ
Е.В. Копкин, А.Ю. Иваню
Статья посвящена формированию структурно-стохастической вычислительной модели контроля технического состояния бортовых систем космических аппаратов. Актуальность исследований обусловлена необходимостью повышения достоверности контроля технического состояния бортовых систем космических аппаратов в условиях увеличения их количества, усложнения и модернизации их элементов, а также возрастания интенсивности потока измерительной информации, подлежащей комплексной обработке и анализу. Все эти факторы указывают на необходимость применения информационно-аналитических систем, основанных на современных методах диагностирования и поддержки принятия решений, которые обеспечат идентификацию и парирование нештатных ситуаций, вызванных отказами агрегатов, значительно раньше, чем станут проявляться возможные их последствия. Научная новизна предлагаемого аппарата заключается в использовании стохастического оператора, который обеспечит требуемую оперативность и достоверность контроля технического состояния, а также учет сопутствующей неполноты и искаженности телеметрической информации. Практическая значимость работы заключается в том, что использование предложенного подхода повысит качество результатов оценивания технического состояния космических аппаратов в условиях искажений телеметрической информации. Повышение достоверности контроля технического состояния бортовых систем космических аппаратов позволит своевременно предпринять действия по предотвращению нештатных ситуаций, возникающих на борту космического аппарата, а также сохранить возможность управления космическим аппаратом в различных условиях обстановки.
Ключевые слова: техническое состояние, структурно-стохастические вычислительные модели, О-сети, телеметрическая информация, формальные грамматики.
Современное состояние объектов ракетно-космической техники характеризуется высоким уровнем их организации, наличием в составе довольно сложных устройств и агрегатов, а также сложными функциональными связями между ними. Важность задач, решаемых космическими средствами (КСр), требует высокой надежности работы бортовых систем (БС), входящих в их состав. Контроль качества функционирования КСр неразрывно связан с обработкой огромного количества разнородных информационных сообщений о техническом состоянии (ТС) БС ракет-носителей (РН) и космических аппаратов (КА). В связи с этим возникает необходимость проведения целого комплекса мероприятий, направленных на повышение надежности КСр. Основными из них являются обнаружение отказов БС и анализ причин их появления.
На данном этапе развития космической техники особую актуальность приобретает решение оперативных диагностических задач, обеспечивающих эффективную эксплуатацию дорогостоящей аппаратуры. Рост сложности КА, увеличение источников информации, учет их динамических свойств, возросшие требования к точности и объективности принимаемых решений поставили вопрос об автоматизации процесса диагностирования [1].
Для реализации данного подхода требуется применение информационно-аналитических систем, основанных на современных методах идентификации состояний сложных технических объектов (СТО) (которыми являются БС КА) и поддержки принятия решений. Применение таких систем не только минимизирует влияние «человеческого фактора» и увеличивает скорость принятия решения, но и позволяет значительно снизить нагрузку на средства обработки и анализа телеметрической информации (ТМИ) и операторов этих средств.
Актуальность исследований обусловлена повышением требований к боеготовности и боеспособности КСр, производством новых поколений и типов КА, усложнением динамики их функционирования и применения, возрастанием требований к информативности, достоверности, полезности диагностической информации и оперативности анализа ТС. Ещё одной проблемой является существенная неопределённость исходной ТМИ, вызванная неоднородностью, неполнотой, избыточностью и разнообразием смыслового содержания [2,3]. Все это указывает на важность исследований, направленных на создание моделей и алгоритмов оперативной обработки, учитывающих особенности ТМИ БС КА и позволяющих функционировать программно-аппаратным комплексам автоматизированного анализа (АА) ТМИ в масштабе времени, близком к реальному.
Структурно-стохастическая вычислительная модель контроля технического состояния. Многоаспектность и сложность задач, возлагаемых на КСр, обусловили резкое возрастание объемов информации, поступающей в центры управления средствами выведения и полетами КА. Для того чтобы в этих условиях эффективность применения КСр не только не снижалась, а при некоторых условиях и возрастала, необходимо повысить качество функционирования всех подсистем автоматизированной системой управления (АСУ) КСр, участвующих в процессе их запуска и управления [4].
Отличительной особенностью КСр является необходимость осуществления АСУ целого комплекса управляющих воздействий, направленных на решение целевых задач. Поэтому управляющие воздействия в рассматриваемой предметной области можно назвать технологическим процессом, осуществляемым по управляющему алгоритму, а процесс контроля ТС можно соотнести с контролем за состоянием вычислительного процесса (при его автоматизированном оценивании) [5]. При наблюдении за состоянием КСр на самом деле производится наблюдение за нужными параметрами вычислительного процесса - входными и выходными операндами используемых вычислительных модулей - и проверяется соответствие их значений заранее заданным эталонным значениям. Таким образом, при оценивании ТС КСр на самом деле производится наблюдение за вычислительным процессом, поскольку посредником между объектом управления и органом, принимающим решение, является вычислительная система.
Одной из формальных моделей, позволяющих описывать такого рода сложно формализуемые вычислительные процессы и способных достаточно полно описывать процесс получения оценок ТС, явились G-модели, которые были разработаны в рамках систем искусственного интеллекта (ИИ).
G-моделью, полностью задающей вычислительную модель (ВМ) контроля ТС БС КСр, называется кортеж [6]:
мо = ( х, Км, Рм, Ам), где
X = | / = 1,..., и} - конечное множество параметров ТС, характеризующих процессы на борту объекта контроля. Природа каждого из параметров, входящих в Х, может иметь произвольную природу, поддающуюся наблюдению: это может быть и конечное символьное множество - алфавит, и множество целых чисел (как конечное, так и бесконечное), и континуальное множество действительных чисел; Км -
конечное множество отношений на множестве параметров из X; Рм - конечное множество предикатов, предметными переменными в которых являются элементы из Х; Ам - отображение Км ^ Рм , ставящее в соответствие каждому отношению из Км элемент из Рм .
Программа вычислений, реализующая некоторый алгоритм АА ТМИ, может быть задана G-сетью, которая определяется на основе понятий G-модели и потоковых схем программ и сочетает в себе необходимые положительные свойства, присущие как одним, так и другим. Кроме того, G-сеть адекватно объединяет в себе управляющую и информационную структуру, свойственные схемам программ вычислений. Таким образом, синтезировав G-сеть по известной G-модели и заданной цели анализа, можно получить схему (операторное описание) программы АА ТМИ [6].
Синтезируемые на основе G-модели программные комплексы позволяют оценивать состояния СТО с применением методов теории распознавания образов. В реальной ситуации состояние БС КСр характеризуется значениями её телеметрируемых параметров (ТМП). Таким образом, можно говорить о том, что оценивание состояния БС есть ни что иное, как автоматизированное распознавание состояния через текущие значения её ТМП. В таком случае, об оценивании состояния БС КСр можно говорить в терминах классической задачи теории распознавания образов, которая по своей содержательной сути сводится к отнесению распознаваемого объекта к одному из классов состояний. В рамках традиционной прикладной интерпретации задачи оценивания ТС БС распознаваемый объект представляется в виде набора значений её ТМП, а ТС - это класс, к которому необходимо отнести распознаваемый объект.
Теория распознавания образов является наиболее распространенной теоретической практикой частных (локальных) задач оценки ТС. В рамках этой теории ядром используемых методов распознавания является отнесение распознаваемого объекта (в нашем случае ТС) к одному из классов. Множество классов может быть не только частью всего множества объектов распознавания, но и их объединением. В конечном счете, однако, решение о том, принадлежит ли объект к определенному классу, принимается с использованием решающего правила, которое включает в себя разделение всего набора объектов.
Одним из методов распознавания, которые успешно применяются на практике, являются структурные методы распознавания. Они имеют ряд преимуществ [7]:
- структурные методы используют непосредственно структуру распознаваемых объектов, поэтому они получили широкое распространение в распознавании сложных изображений;
- отсутствие сложности и громоздкости применяемых математических методов, по сравнению с дискриминантными методами;
- при использовании структурных методов строится такая формальная конструкция, которая учитывает иерархичность как в рамках строения самого контролируемого объекта, так и по отношению к положению контролируемого объекта относительно отдельных элементов структуры одного или нескольких уровней иерархии. Это свойство позволяет более естественно решать задачу построения описания распознаваемого объекта. Конечный пользователь, формирующий такую конструкцию, оперирует такими категориями, как отношения между объектами внешнего мира, которых может насчитываться десятки и сотни тысяч, в то время как типов отношений - сотни.
Система автоматно-лингвистического анализа, в которой использовались формальные грамматики (ФГ) и конечные автоматы в качестве математических моделей явлений и процессов явилась ярким примером применения методов этого типа распознавания [8].
Однако, применительно к исследуемой предметной области такие модели имеют и недостатки, основным из которых является отсутствие учета неопределённости исходной ТМИ, вызванной неоднородностью, неполнотой, избыточностью и разнообразием смыслового содержания.
Основным источником искажений входной (измеряемой) информации, поступающей на вход операторов схем анализа, являются одиночные искажения данных. Это подтверждается исследованиями, проведенными специалистами - экспертами в течение длительного процесса эксплуатации существующей системы автоматизированной обработки ТМИ - предварительного этапа, готовящего данные для проведения непосредственно АА ТМИ. А низкая достоверность результатов АА вынуждает проводить повторный анализ и, как правило, уже ручными средствами, что резко снижает оперативность получения результатов анализа.
Отклонения оценок значений измеряемых параметров ТС, а также вычисляемых - как функций случайных величин от истинных значений, - может происходить по двум причинам.
Во-первых, такими причинами являются факторы, возникающие в процессе сбора ТМИ, т.е. при получении измеряемых значений на самом объекте управления, передаче сформированных данных по каналу связи, при приеме и пересылке этих данных потребителю. Это могут быть ошибки датчиков, шумовые и преднамеренные помехи в канале связи и т.п. Все эти искажения, называемые инструментальными, могут быть оценены такой мерой верности оценок, как инструментальная достоверность.
Во-вторых, недостоверность (неопределенность) оценок параметров ТС определяется несовершенством программно-аппаратных средств формирования значений, измеряемых (а значит, и вычисляемых) параметров ТС. Такое несовершенство проявляется в необоснованном выборе состава измеряемых параметров, интервалов опроса в отдельных каналах и др., которые оцениваются методической достоверностью.
Количественно названные факторы, имеющие, как правило, случайную природу, могут быть оценены с помощью вероятностно-статистических или стохастических показателей. Одним из таких стохастических показателей, способным учитывать в целом неопределенность и искаженность данных, является показатель достоверности оценок параметров ТС. В зависимости от конкретных условий и целей проведения АА ТМИ могут быть выбраны различные показатели достоверности результатов распознавания ТС.
Для решения указанной выше проблемы предлагается использовать комбинированные методы распознавания, а именно объединить структурные и стохастические вычислительные модели. Синтез перечисленных выше методов обеспечит наибольший эффект от применения процедуры распознавания.
Суть предлагаемых структурно-стохастических ВМ, заключается в комбинировании в рамках одной модели всех возможностей структурных и стохастических (статистических) моделей. Они совмещают в себе достоинства структурных моделей по возможностям априорного описания предметной области для оценивания ТС БС КА и их экономичности к ресурсам с достоинствами дискриминантных -стохастических моделей, позволяющих наиболее полно учитывать неопределенность ТМИ и влияние возможных искажений.
Основой для предлагаемых моделей служат структурные ВМ. Каждая структурная ВМ описывается некоторым счетным множеством ФГ и языков Ь = \Ь }. Причем, каждый язык представляет собой такое множество слов в алфавите, которые соответствуют единственному (в случае наличия фактор-отображения) значению выходного параметра в алфавите для рассматриваемой ВМ.
В условиях наличия отмеченных выше неопределенностей структурным ВМ необходимо иметь стохастический характер. Для этого используется структурно-стохастическая ВМ в виде стохастической грамматики (СГ). На основе анализа работ, посвященных использованию структурных моделей в теории распознавания образов [9-11], можно сформулировать определение СГ.
СГ есть кортеж
^ = (88, ^ Л, К ,п к) , где = |А | / = 1,..., п| - счетное (чаще - конечное) множество аксиом СГ; - конечное множество нетерминальных (промежуточных) символов СГ, алфавит нетерминалов; - конечное множество терминальных символов СГ, алфавит терминалов; = | / = 1,...,п| - конечное множество правил вывода (подстановки); л^ - биективное отображение, сопоставляющее каждому элементу алфавита А е его вероятностную меру р е Е :ж5 : ^ Е; пк - биективное отображение, сопоставляющее каждому правилу вывода г е К5 его вероятностную меру р е Е :пк : К5 ^ Е.
Если на СГ не накладывается никаких ограничений на применимость правил вывода (заданием стохастических мер), формируется так называемая характеристическая ФГ для заданной СГ:
О0° = &, ^^ Л, К3}.
Подобно тому, как любая ФГ порождает соответствующей ей формальный язык, так и СГ порождает стохастический язык (СЯ) Ь ) = . Отличительной чертой такого языка является тот факт,
5 £
что каждое его слово а е Ь имеет свою вероятностную меру, а сумма вероятностей всех слов языка
равна единице:
I Р (а5 ) = 1.
а5 еЬ5
Таким образом, структурно-стохастической ВМ называется такая структурная ВМ, реализующая структурный оператор f е G-сети 5о , что для каждого значения х1 е О _ её выходного па-
3 х
раметра имеется СЯ ь£ в алфавите значений ее входных параметров (о х О х х О + )*
к+
В структурно-стохастической ВМ каждому выходному значению х1 е О _ , а значит, и соот-
х
ветствующей ему аксиоме А1 е £5, сопоставлена стохастическая мера Р(х1 ) = Р(А1). Данная стохастическая мера и является показателем достоверности (правдоподобия) к-ого значения выходного параметра х1 , вычисляемого структурно-стохастической ВМ, и определяется как вероятность
р (ху = хк/а5 ) = ак.
Эта величина представляет собой условную вероятность принятия в качестве оценки вычисления выходного параметра х значения х^ е О по структурно-стохастической ВМ при условии, что
1 ] хз
терминальной цепочкой, сформированной в алфавите значений входных параметров этой ВМ из СЯ (О +х О+х ... х О + )*является а5.
1 2 к+
Следовательно, величина соответствует параметру, определяющему достоверность (правдоподобность) результата реализации некоторой ВМ в составе программы АА ТМИ. В связи с этим, за оценку значения выходного параметра ху структурно-стохастической ВМ наиболее предпочтительно
_к „
принять величину х е О , которая соответствует максимальному значению показателя достоверности
3 ху
У
Поскольку, для каждой СГ существует ее характеристическая грамматика, то СГ можно классифицировать по своей порождающей мощности на типы 0, 1, 2, 3.
2. Вычисление достоверности выходных значений структурно-стохастических ВМ
2.1 Определение исхода структурного анализа входного слова
2.2 Вычисление достоверности выходных значений
1. Синтез структурно-стохастических ВМ
1.1 Построение характеристических ФГ для восстанавливаемых СГ (процесс обучения с учителем структурной ВМ)
1.2 Построение непосредственно СГ
3. Определение выходного значения структурно-стохастической _ВМ по решающему правилу_
Основные этапы процесса вычислений при контроле ТС БС КА на основе структурно-стохастических вычислительных моделей
Наиболее востребованными инструментом для реализации данной идеи оказываются математические модели, построенные на основе конечных автоматов (тип 3), которые описывают достаточно широкий класс рассматриваемых явлений (процессов), мощности которого достаточно для формализации большинства ситуаций в выбранной предметной области [12].
В том случае, если некоторый оператор G-сети представлен своей структурно-стохастической ВМ, то при организации вычислений по этой G-сети должна использоваться специальная методика вычисления значения выходного параметра, соответствующего тому или иному ТС БС КА.
Такую методику можно описать последовательностью операций, которая будет отражать основные этапы процесса вычислений при контроле ТС БС КА. Методика на основе структурно-стохастических моделей включает три основных этапа вычисления значения выходного параметра, соответствующего тому или иному техническому состоянию объекта анализа (рисунок).
Таким образом, применение представленной структурно-стохастическая вычислительной модели обеспечит вычисление для каждого возможного вида ТС БС его вероятность, что упростит процесс принятия окончательного решения о виде ТС, а также позволит учесть сопутствующую неполноту и ис-каженность ТМИ.
Заключение. Сегодня не существует универсального подхода к моделированию процесса функционирования объекта анализа, учитывающего все особенности предметной области испытаний и применения КСр. Однако, наиболее перспективными и удовлетворяющими большинству из показателей качества [10] способов моделирования вычислительных процессов, осуществляемых на борту КА являются подходы, использующие комплексные модели вычислительных процессов, которые отражают не только параметрическую классификацию состояний объекта, но также и его состояния с точки зрения связей или степени связности между его параметрами.
Для учета неопределенности исходной ТМИ КА, вызванной неоднородностью, неполнотой, избыточностью и разнообразием смыслового содержания, предлагается воспользоваться многошаговой процедурой, при реализации которой попеременно используется эвристический и статистический подходы. Это позволит самым эффективным образом использовать не только всю имеющуюся априорную информацию, но и организовать рекуррентную процедуру дообучения модели - при обработке дополнительной обучающей информации, содержащей в себе и искаженные значения ТМП.
Использование комплексных моделей вычислительных процессов позволяет, с одной стороны, унифицировать процесс построения алгоритмической имитационной модели, с другой стороны - получить фундаментальные результаты аналитической модели [13]. С учетом этого предпочтительным является использование структурно-стохастических вычислительных моделей, которые обеспечат требуемую оперативность и достоверность контроля ТС, а также учет сопутствующей неполноты и искаженности ТМИ. Применение таких моделей [14] позволит учесть случайные составляющие процесса диагностирования БС КА и подробно описать предметную область при моделировании технологических процессов функционирования БС.
Список литературы
1. Абрамов И.С., Ардентов А.А., Емельянова Ю.Г. Архитектура системы мониторинга и прогнозирования состояния космического аппарата // Программные системы: теория и приложения. 2015. № 2. С. 85-99.
2. Охтилев М.Ю. Обработка структурно-неоднородной телеметрической информации семейств ракет-носителей «Союз-2» на активном участке полета // Информация и космос. 2018. Вып. 2(8). С. 157-162.
3. Каргин В.А., Скороходов А.А. Подход к классификации неоднородностей телеметрической информации ракет-носителей // Авиакосмическое приборостроение. 2015. № 1. С. 94-03.
4. Чикуров В.А., Анализ технического состояния космических средств: учебник / В.А. Чикуров, В.В. Шмелев, Е.В. Копкин, В.В. Мышко, В.В. Алейник. СПб.: ВКА имени А.Ф. Можайского, 2019. 410 с.
5. Швецов А. Н. Распределенные интеллектуальные информационные системы и среды: монография / А. Н. Швецов, А. А. Суконщиков, Д. В. Кочкин [и др.]. Курск: Университетская книга, 2017. 196 с.
6. Охтилев М.Ю. Основы теории автоматизированного анализа измерительной информации в реальном времени. Синтез системы анализ: монография. СПб.: ВКА имени А. Ф. Можайского, 1999. 162 с.
7. Охтилев М.Ю., Соколов Б.В. Новые информационные технологии мониторинга и управления состояниями сложных технических объектов в реальном масштабе времени // Труды СПИИРАН. 2005. Т. 2. № 2. С. 249-265.
8. Петухов Г.Б., Якунин В.И. Методологические основы внешнего проектирования целенаправленных процессов и целеустремленных систем: монография. М.: АСТ, 2006. 504 с.
9. Охтилев М.Ю., Шмелев В.В. Сравнительный анализ структурно-логического подхода к моделированию технологических процессов функционирования ракетно-космической техники // Информационно-управляющие системы. 2016. № 5. С. 35-43.
10. Шмелёв В.В., Охтилев М.Ю. Система показателей качества моделей технологических процессов функционирования ракетно-космической техники // Информационно-управляющие системы. 2016. №6 (85). С. 34-42.
11. Шмелёв В.В., Мануйлов Ю.С. Применение модифицированных сетей Петри к моделированию процесса послеполетного анализа телеметрической информации // Труды МАИ. 2015. № 6. С. 84-91.
12. Максимова Т.М. Теория автоматов и формальных языков: методические указания к выполнению лабораторных работ. СПб.: ГУАП, 2012. 26 с.
13. Балухто А.Н. Искусственный интеллект в космической технике. Состояние. Перспективы применения: монография. М.: Радиотехника, 2021. 440 с.
14. Копкин Е.В., Иваню А.Ю. Применение технологий искусственного интеллекта в процессах контроля и диагностирования бортовых систем космических средств // Авиакосмическое приборостроение. 2022. № 7. С. 42-49.
Копкин Евгений Вениаминович, д-р техн. наук, профессор, [email protected], Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского,
Иваню Анна Юрьевна, адъюнкт, [email protected], Россия, Санкт-Петербург, Военно-космическая академия имени А. Ф. Можайского
STRUCTURAL-STOCHASTIC COMPUTATIONAL MODELS FOR MONITORING THE TECHNICAL CONDITION OF ONBOARD SPACECRAFT SYSTEMS
E.V. Kopkin, A. Y. Ivanyu
The article is devoted to the formation of a structural-stochastic computational model for monitoring the technical condition of onboard spacecraft systems. The relevance of the research is due to the need to increase the reliability of monitoring the technical condition of onboard spacecraft systems in conditions of increasing their number, complexity and modernization of their elements, as well as increasing the intensity of the flow of measuring information subject to complex processing and analysis. All these factors point to the need for the use of information and analytical systems based on modern methods of diagnosis and decision support, which will ensure the identification and parrying of emergency situations caused by failures of aggregates, much earlier than their possible consequences will manifest themselves. The scientific novelty of the proposed device consists in the use of a stochastic operator, which will provide the required efficiency and reliability of monitoring the technical condition, as well as taking into account the accompanying incompleteness and distortion of telemetric information. The practical significance of the work lies in the fact that the use of the proposed approach will improve the quality of the results of assessing the technical condition of spacecraft in conditions of distortion of telemetric information. Increasing the reliability of monitoring the technical condition of spacecraft onboard systems will allow timely actions to be taken to prevent emergency situations occurring on board the spacecraft, as well as to preserve the ability to control the spacecraft in various conditions.
Key words: technical condition, structural-stochastic computational models, G-networks, telemetry information, formal grammars.
Kopkin Evgeny Veniaminovich, doctor of technical sciences, professor, professor of the department, [email protected], Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky,
Ivanyu Anna Yuryevna, adjunct, [email protected], Russia, St. Petersburg, Military Space Academy named after A.F. Mozhaisky
УДК 621.311.26
DOI: 10.24412/2071-6168-2022-10-14-18
АНАЛИЗ ПЕРСПЕКТИВ ПОЛУЧЕНИЯ ЭЛЕКТРОЭНЕРГИИ МЕТОДОМ ГЕНЕРИРОВАНИЯ ЭЛЕКТРИЧЕСКОГО ТОКА С ИСПОЛЬЗОВАНИЕМ ЭНЕРГИИ СОЛНЕЧНОГО ИЗЛУЧЕНИЯ В КАЧЕСТВЕ ИСТОЧНИКА ТЕПЛОВОГО ИЗЛУЧЕНИЯ
А.С. Петрова, Е.И. Устинов, К.А. Амеличева, И.К. Устинов
В статье рассматриваются перспективы получения электроэнергии путём генерирования электрического тока с использованием энергии солнечного излучения. В инфраструктуре современного мира не редко возникает потребность обеспечение электроэнергии индивидуальных строений, расположенных в дали от городского электроснабжения. В связи с этим возникает потребность в создании автономного и возобновляемого источника энергии. Солнечная энергия относиться к возобновляемым энергетическим установкам, солнечная установка улавливает лучистую энергию солнца и переводит её в другие, удобные для использования виды энергии: тепловую или электрическую.
Ключевые слова: солнечная энергия, установка, парогенератор, линзы, электроэнергия.
Солнечная энергия относится к возобновляемым энергетическим источникам. Изобретение относится к солнечной энергетике и может найти применение как в солнечных электростанциях, так и в качестве энергетической установки индивидуального пользования. Указанная установка улавливают лучистую энергии Солнца и переводят ее в другие, удобные для использования виды энергии (например, тепловую или электрическую).
