Застосування нейронних мереж у задачі налагодження параметрів авіаційного двигуна ТВ3-117 у польотних режимах Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 629.765

Ю.М. ШМЕЛЬОВ, С.1 ВЛАДОВ, О Ф. КРИШАН, С.Д. ГВОЗД1К

Кременчуцький льотний коледж Нацюнального авiацiйного унiверситету

ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ У ЗАДАЧ1 НАЛАГОДЖЕННЯ ПАРАМЕТР1В АВ1АЦ1ЙНОГО ДВИГУНА ТВ3-117 У ПОЛЬОТНИХ РЕЖИМАХ

Предметом вивчення в cmammi е методи i моделi контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3-117. Метою е розробка ттелектуально' системи контролю i дiагностики техтчного стану авiацiйного двигуна ТВ3-117, одтею з вирiшуваних завдань яmi е налагодження параметрiв його технiчного стану в режимi реального часу. Завдання: розробка методiв i алгоритмiв налагодження параметрiв технiчного стану авiацiйного двигуна ТВ3-117 в польотних режимах на базi нейромережево' технологи. Використовуваними методами е: методи теори ймовiрностей i математично' статистики, методи нейротформатики, методи теори тформацшних систем та обробки даних. Отримат так результати: процес налагодження параметрiв авiацiйного двигуна ТВ3-117 легко формалгзуеться у нейромережевому базиа; для обчислення необхiдного значення дiаметра реактивного сопла можна скористатися регулювально' криво', побудовано' на основi навчання нейронно' мережi за результатами попереднх випробувань авiацiйного двигуна ТВ3-117. Наукова новизна отриманих результатiв полягае в наступному: дiстав подальший розвиток нейромежевий метод налагодження параметрiв авiацiйного двигуна ТВ3-117, заснований на навчанш нейронно'1'мережi на експериментальних даних, вимiряних на реальному авiацiйному двигунi ТВ3-117, або даних, отриманих за його математичноi моделi, дозволяе ефективно i яюсно вирШувати задачi налагодження параметрiв технiчного стану авiацiйного двигуна ТВ3-117.

Ключовi слова: авiацiйний двигун, нейронна мережа, технiчний стан, налагодження параметрiв.

Ю.Н. ШМЕЛЕВ, С.И. ВЛАДОВ, А.Ф. КРЫШАН. С.Д. ГВОЗДИК

Кременчугский летный колледж Национального авиационного университета

ПРИМЕНЕНИЕ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧЕ ОТЛАДКИ ПАРАМЕТРОВ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННОГО ДВИГАТЕЛЯ ТВ3-117

В ПОЛЕТНЫХ РЕЖИМАХ

Предметом изучения в статье являются методы и модели контроля и диагностики технического состояния авиационного двигателя ТВ3-117. Целью является разработка интеллектуальной системы контроля и диагностики технического состояния авиационного двигателя ТВ3-117, одной из решаемых задач которой является настройка параметров его технического состояния в режиме реального времени. Задачи: разработка методов и алгоритмов настройки параметров технического состояния авиационного двигателя ТВ3-117 в полетных режимах на базе нейросетевой технологии. Используемыми методами являются: методы теории вероятностей и математической статистики, методы нейроинформатики, методы теории информационных систем и обработки данных. Получены следующие результаты: процесс отладки параметров авиационного двигателя ТВ3-117 легко формализуется в нейросетевом базисе; для вычисления необходимого значения диаметра реактивного сопла можно воспользоваться регулирующей кривой, построенной на основе обучения нейронной сети по результатам предыдущих испытаний авиационного двигателя ТВ3-117. Научная новизна полученных результатов состоит в следующем: получил дальнейшее развитие нейросетевой метод отладки параметров авиационного двигателя ТВ3-117, основанный на обучении нейронной сети на экспериментальных данных, измеренных на реальном авиационном двигателе ТВ3-117, или данных, полученных по его математической модели, позволяет эффективно и качественно решать задачи отладки параметров технического состояния авиационного двигателя ТВ3-117.

Ключевые слова: авиационный двигатель, нейронная сеть, отладка параметров.

Y.M. SHMELOV, S.I. VLADOV, O.F. KRISHAN, S.D. GVOZDIK

Kremenchug Flight College of National Aviation University

APPLICATION OF NEURAL NETWORKS IN THE PROBLEM OF SETTING

OF THE PARAMETERS OF THE AVIATION ENGINE TV3-117 IN FLIGHT MODES

The subject of the study in the article are methods and models for identifying the technical state of the aircraft engine TV3-117. The aim is the development of an intelligent system for identifying the technical state of

the aircraft engine TV3-117, one of the solved tasks is the diagnosis of its technical status in real time. Tasks: development of methods and algorithms for diagnosing the technical state of the aircraft engine TV3-117 in flight modes based on neural network technology. The methods used are: methods of probability theory and mathematical statistics, methods of neuroinformatics, methods of information systems theory and data processing. The following results were obtained: the process of debugging the parameters of the aviation engine TV3-117 is easily formalized in the neural network basis; to calculate the required value of the jet nozzle diameter, you can use the control curve based on the training of the neural network based on the results of previous tests of the TB3-117 aircraft engine. The scientific novelty of the results is as follows: the neural network method of debugging the parameters of the aviation engine TV3-117, based on training the neural network on experimental data measured on a real aircraft engine TV3-117, or data obtained from its mathematical model, has made it possible to effectively and efficiently solve problems of debugging the parameters of the technical state TV3-117 aircraft engine.

Keywords: aviation engine, neural network, technical condition, debugging parameters.

Постановка проблеми

У даний час сучасний авiацiйний газотурбшний двигун (ГТД), у тому числ i ТВ3-117, i його системи управлшня, е складною динамiчною системою. Правильшсть i безпека функцюнування такого об'екта вимагають постшного та безперервного аналiзу його параметрiв. Класифжащя та розтзнавання клаав сташв динамiчного об'екта необхдт для узгодження стратеги оптимального управлшня iз його станом. Ефектившсть контролю стану авiацiйного двигуна ютотно залежить вщ ймовiрностi правильного розтзнавання його техшчного стану, що безпосередньо впливае на яшсть систем управлiння експлуатацiею двигуна, що в шнцевому пiдсумку визначае економiчнiсть i безпеку польотiв.

Створення авiацiйних газотурбiнних двигунiв 5-6 поколiнь призводить до ускладнення конструкцп об'екта та збшьшення кiлькостi контрольованих параметрiв, аналiз яких людиною-оператором пов'язаний з численними помилками контролю та прийняття ршень.

Дослiдження в областi створення автоматизованих систем контролю та дiагностики техшчного стану авiацiйних двигунiв показують недостатню обгрунтованiсть застосування систем, заснованих лише на одному з вщомих методiв дiагностики, оск1льки жоден з методiв не е унiверсальним та абсолютно надшним. Очевидно, що подiбнi системи контролю та дiагностики, побудоваш на основi одного класифiкатора, не зможуть у повнiй мiрi задовольнити зростаючi вимоги, що пред'являються до дiагностики двигунiв. 1снуе калька напрямшв, що визначають пiдвищення ефективностi бортових технологш контролю стану авiацiйних двигушв. Основним напрямком слiд вважати iнтелектуалiзацiю процесiв обробки шформацп [1-7] з залученням нейромережевих методiв, як1 здатш забезпечити пiдвищення якостi бортових алгоритшв контролю та дiагностики технiчного стану авiацiйного двигуна.

Нейроннi мереж1 вщ класичних методiв вiдрiзняються швидкодiю, ушверсальшстю, гнучк1стю у застосуваннi, а також здатшсть до загально! шформацп, висока робасшсть до зовнiшнiх вiдгукiв i здатнiсть до прогнозування. При цш актуальнiй проблемi на сьогоднiшнiй день е комплексна дiагностика авiацiйного двигуна, в тому чи^ й ТВ3-117, на базi моделей нейронних мереж, яка включае задачу налагодження параметрiв його технiчного стану.

Аналiз останшх дослiджень i публiкацiй

Створення шформацшних систем контролю i дiагностики техшчного стану авiацiйних двигунiв дослiджуються в роботах В. Г. Августиновича, A. M. Ахмедзянова, I. А. Бiргера, B. I. Васильева, Х. С. Гумерова, В. Т. Дедеша, Н. Г. Дубравського, I. В. Егорова, C. B. Стфанова, В. Н. Сфанова, Ю. С. Кабальнова, В. Г. Кримського, Г. Г. Куликова, Д. Ф. Самбiрського, М. М. Сиротша, А. П. Тунакова, В. Т. Шепеля, С. В. Жернакова, О. Ф. Машошина тощо [1-6].

Аналiз робiт у данiй обласп показуе [1-6], що iснуючi у даний час алгоритми i програми, що реалiзують цей процес, не позбавлеш недолiкiв, серед яких основними е:

- вщсутшсть ушверсально1 методики, що реалiзуе дану задачу (бшьшстъ пiдприемств галузi орiентуеться на власш розробки);

- вимоги наявностi великих обсяпв апрюрно1 i апостерюрно1 шформацп по парку двигунiв;

- призначення жорстких допусков для кожного налаштованого параметра;

- значнi часовi витрати на процес налагодження параметрiв двигуна, пов'язаш з необхiднiстю вирiшення оптимiзацiйноl задачi: мiнiмiзацiя функцiоналу як1сть / час тощо.

Також варто вщзначити, що уа працi у данш областi присвяченi газотурбiнним двигунам, яш установленi на лiтаках, наприклад [7]. У силу вщмшностей конструктивних особливостей авiацiйних вертолiтних та лiтакових двигушв, застосування штелектуальних методiв для розв'язку задачi контролю i дiагностування, а, отже, i налагодження параметрiв техшчного стану авiацiйного двигуна ТВ3-117 i його систем, е актуальною науково-практичною задачею [8].

Формулювання мети дослвдження

Метою роботи е доказ можливосп застосування яшсних нейромережевих моделей, побудованих на основi експериментальних даних в якосп моделi iндивiдуального авiацiйного двигуна ТВ3-117 для розв'язку задачi налаштування параметрiв його технiчного стану.

Викладення основного матерiалу дослiдження

З метою усунення зазначених вище недолМв в данiй пропонуеться метод виршення задачi налагодження параметрiв авiацiйного двигуна ТВ3-117, заснований на використанш нейромережевих технологш. Особливiсть постановки i виршення ще1 задачi полягае в тому, що при побудовi нейронно! мереж1, як i ранiше, використовуеться лише експериментально отримана iнформацiя, в той час як класичш методи виршення дано! задачi [1-6] вимагають застосування середньостатистичних математичних моделей двигунiв, опису фiзики протiкаючих процесiв тощо.

Для двигуна ТВ3-117 в якосп дiагностичних ознак використовуеться iнформацiя по 17 параметрам двигуна (у даному приклащ застосовано 10 параметрiв) [9] - вщхилення Аи* - частоти обертання компресора; AGB - витрати повиря через двигун; АР* й АТ1 * - тиску i температури повiтря на входi в двигун; АР* й АТ* - тиску i температури газу за компресором; АР* й АТ* - тиску i температури повiтря за турбшою компресора; АР* й АТ* - тиску i температури палива на входi в двигун.

Припустимо, що параметри вiдрегульованого, нормально функцiонуючого двигуна у просторi параметрiв, що контролюються (наприклад, на площинi параметрiв Р2 i Т4

див. рис. 1) вцщоввдають

заданому номiнальному режиму роботи двигуна: Р2 = Р2ном , Т4 = Т4ном .

Будемо вважати, що характеристики парку справних двигушв для тих же вимiряних показнишв можуть вiдрiзнятися й дають деякий розкид щодо зазначено! номшально1 точки, утворюючи елшс (у багатовимiрному просторi - елшсо1д) розсiювання. Вихiд робочо! точки за меж1 цього елшса вiдповiдае аномальним змiнам параметрiв iндивiдуального двигуна. Тодi метою налагодження параметрiв двигуна е повернення точки, що «випала», в ел1пс (елшсо1д) шляхом плавного регулювання елементiв конструкцп двигуна, наприклад, шляхом коригування площi критичного перерiзу соплового апарату двигуна Fс (або дiаметра сопла В) [10].

Р*

Р

2 ном

Елшс розаювання

1ндив1 дуальний двигун

Процес налагодження

Т

-►Т*

Рис. 1. Елiпс розмювання параметрiв двигуна ТВ3-117

Розв'язання дано1 задачi на основi методу статистичного моделювання [11-13] передбачае виконання наступнш послiдовностi крок1в:

- у процеа експериментальних дослiджень (в ходi стендових випробувань) видiляються параметри, як1 максимально впливають на процес налагодження: тяга Япр, температура газу за компресором (перед турбшою) Т2, питома витрата палива Суд.пр;

- визначаеться виконання умови знаходження перелiчених параметрiв у полi допуску:

(Япр )н < Япр <(Япр).;

(Т2пр )н < Т2пр < (Т2пр )в ;

(СудпР )н < Суд.пр < (Суд.пр )в

*

де iндекси «н» i «в» вказують вщповщно нижню i верхню допустимi меж1 зазначених параметрiв;

т*

- визначаються параметри RS, 12В, Суд^ середньостатистичного за парком двигуна;

- формуеться цiльова функцiя:

I=К - )2+(т1Р - т^) +(

с - с

1 уд.пр уд.прЗ

)2;

(2)

де значения параметрiв в дужках приведенi до вщносних (безрозмiрних) значень: к =

к

к

- Т

гр* _ 2пр Т2пр = '

с

Т

2пр тах

Суд.пр

уд.пр

уд.пр тах

- знаходиться таке значения змшними параметрами (у даному випадку, дiаметра реактивного сопла D, при якому досягаеться мiнiмум цшьово! функцп (2), при виконаннi обмежень (1).

Розв'язання дано! задачi у нейромережевому базисi може бути представлено у виглядi тако! послiдовностi крошв:

- формування навчально! вибiрки за результатами випробувань парку двигунiв;

- визначення меж змiни змiнними параметрами Dн <Л < De;

- побудова нейромережево! моделi середньостатистичного двигуна, вхшними параметрами яко! е величина дiаметра реактивного сопла Б , а виходами - параметри двигуна К , Т2* , С. ;

- побудова регулювально! криво! I = /(Б), де I - цшьова функщя (нев'язка) (2); Б =

т: Б

Б„

вшносне значення дiаметра реактивного сопла;

- обчислення АЛ = D - Dопm, де АЛ - необхшна поправка, на яку необхiдно змшити дiаметр реактивного сопла iндивiдуального двигуна; Л - дiаметр реактивного сопла двигуна; Лопт - оптимальне значення дiаметра Л, вiдповiдне мiнiмуму цшьово! функцп (2);

- уточнення значень параметрiв вiдрегульованого двигуна , Т2* , С^ для скоригованого

значення дiаметра реактивного сопла Л = Лопт.

Нейронна мережа збертае iнформацiйний «портрет» середньостатистичного двигуна на одному

з режимiв його роботи (наприклад, II крейсерському) i при подачi на !! вхiд значення Б обчислюе

значення наведених параметрiв Ягр , Т*пр , Судмр .

На рис. 2 наведена схема НС, що реалiзуе вищеописаний алгоритм.

Б

К

С

уд

Рис. 2. Структура нейронноТ мережi

Дана мережа зберiгае iнформацiйний «портрет» середньостатистичного двигуна на одному з

режимiв його роботи (наприклад, максимальному) i при подачi на !! вхiд значення Б обчислюе значення

наведених параметрiв К , Т2* 1 Суд .

В якосп архiтектури нейронно! мереж1 приймалась тришарова мережа прямого поширення. Графiк змши помилки навчання нейронно! мереж1 в залежносп вiд числа нейронiв прихованого шару

наведено на рис. 3, звщки випливае, що помилка навчання нейронное' мереж1 мшмальна при числi нейронiв прихованого шару, що дорiвнюе 3.

Як навчальну вибiрку будемо використовувати результати льотних випробувань авiацiйного двигуна ТВ3-117 на II крейсерському режимi роботи (щ = Я1тах) представленi в табл. 1.

Таблиця 1

Дам по парку двигумв ТВ3-117 (фрагмент навчально'1 вибiрки)_

В Япр п Суд.пр Т2

0,9978 0,9870 0,9712 0,9657

0,9978 0,9937 0,9777 0,9741

0,9921 0,9931 0,9638 0,9652

0,9921 0,9801 0,9831 0,9754

0,9902 0,9914 0,9972 0,9861

0,9921 0,9850 0,9788 0,9691

0,9939 0,9889 0,9690 0,9655

0,9902 0,9855 0,9896 0,9790

0,9939 0,9840 0,9647 0,9604

0,9902 0,9979 0,9896 0,9875

0,9957 0,9896 0,9668 0,9702

0,9976 0,9931 0,9636 0,9668

0,9948 0,9928 0,9668 1,0000

0,9948 0,9867 0,9679 0,9666

0,9939 0,9940 0,9777 0,9761

0,9978 0,9884 0,9571 0,9563

0,9884 0,9943 0,9864 0,9799

0,9967 0,9982 0,9701 0,9668

0,9884 0,9821 0,9799 0,9695

0:006Е | 0:0067 | 0:0066 0:0065 ■я 0.0064

I "

| 0.0063 я

я 0:0062 0:0061 | 0:006

1 4 7 10 13 16 19 22 25 2Е 31 Ктыасть нейрошв у прихованому тщя

Рис. 3. Графи* залежност помилки навчання нейронно'1 мережi вiд числа нейрошв прихованого шару

Найкраща вiдповiднiсть процесу навчання нейронно1 мереж1 забезпечуеться при використанш алгоритму сполучених градiентiв [14].

Параметри «середнього» (середньостатистичного за парком) двигуна наведет у табл. 2, а

залежшсть цшьово1 функцп (2) вщ параметра Б - на рис. 4.

Таблиця 2

Параметри «середнього» за парком двигуна ТВ3-117_

Параметр двигуна Середне значення

К0 0,9878

Т* 20 0,9751

^уд.пр^ 0,9703

Б0 0,9917

<100035

0;0003 | 0:00025

ч и

Я 0,0002 I 0.00015

I

0.0001 0.00005 О

0;9Е7 0;9895 0,992 0,9945 0,997 0;9995 Величина дааметра реактивного сопла

Рис. 4. Залежшсть цшьовоТ функцп в1д д1аметра реактивного сопла

У даному випадку Лопт = 0,9917, = 2,11 • 10-6. Припустимо, що iндивiдуальний двигун мае дiаметр реактивного сопла Б = 0,9945, тодi з графжа на рис. 3 випливае, що ДБ = 0,0026, що екывалентно, у свою чергу, змши площi його реактивного сопла на ДБ = Б^ДБ = 1,5 мм. Налагодженому двигуну (тсля коригування параметра Л) будуть вщповщати параметри, наведенi у табл. 3.

Таблиця 3

Параметри шдив1дуального двигуна п1сля налагодження_

Параметр двигуна Середне значення

К0 0,9864

Т* 20 0,9743

Судпр0 0,9695

Даний нейромережевий метод налагодження параметрiв двигуна ТВ3-117 вiдрiзняеться простотою реалiзацi! i унiверсальнiстю застосування [15, 16].

Висновки

1. У процеа розв'язку задачi налагодження параметрiв авiацiйного двигуна ТВ3-117 визначено,

що:

- процес налагодження параметрiв авiацiйного двигуна ТВ3-117 легко формалiзуеться у нейромережевому базисц

- для обчислення необхiдного значення дiаметра реактивного сопла можна скористатися регулювально! криво!, побудовано! на основi навчання нейронно! мереж1 за результатами попередшх випробувань авiацiйного двигуна ТВ3-117.

2. Перспективами подальшого дослiдження е розробка експертно! системи, одним iз модулiв яко! е модуль налагодження параметрiв авiацiйного двигуна ТВ3-117, яка використовуеться в бортовш системi для контролю i дiагностики технiчного стану двигуна та взаемодiе з системами управлшня двигуном, що дозволяе останньому плавно та своечасно дiяти на виконавчих мехашзмах, з одного боку, з

метою полшшення яшсть управлшня двигуном та його шдсистемами, а з iншого - шдвищення його надiйностi у процеа його експлуатацп.

Список використаноТ л^ератури

1. Бармин И. В. Концепция управления состоянием сложных технических комплексов за пределами плановых сроков эксплуатации / И. В. Бармин, P. M. Юсупов, В. Е. Прохорович // Информационные технологии. - 2000. - №5. - С. 2-7.

2. Машошин О. Ф. Оценка диагностической ценности информации при решении задач в области эксплуатации авиационной техники / О. Ф. Машошин // Научный вестник МГТУ ГА. - 2015. - № 219. - С. 53-56.

3. Дубровин В. И. Интеллектуальные средства диагностики и прогнозирования надежности авиадвигателей / В. И. Дубровин, С.А. Субботин, A. B. Богуслаев. - Запорожье: Мотор-Сич, 2003. - 279 с.

4. Жернаков С. В. Бортовые алгоритмы контроля параметров ГТД на основе технологии нейронных сетей / С. В. Жернаков, В. И. Васильев, И. И. Муслухов // Вестник УГАТУ. - 2009. -Т. 12. - № 1 (30). - С. 61-74.

5. Дегтярев А. Б. Оперативный контроль параметров аварийного динамического объекта на основе нейросетевых алгоритмов / А. Б. Дегтярев, И. А. Кирюхин // Нейроинформатика. - М.: МИФИ, 2002. Т. 2. - С. 151-158.

6. Жернаков С. В. Контроль и диагностика технического состояния масляной системы ГТД с использованием технологии нейронных сетей / С. В. Жернаков, Н. С. Иванова, Р. Ф. Равилов // Вестник УГАТУ. - 2012. - Т. 16. - № 2 (47). - С. 210-220.

7. Машошин О. Ф. Диагностика авиационной техники / О. Ф. Машошин. - М. : МГТУ ГА, 2007. -С. 104-122.

8. Застосування нейронних мереж у задачi дiагностування техшчного стану авiацiйного двигуна ТВ3-117 у польотних режимах / [Шмельов Ю. М. , Владов С. I., Клiмова Я. Р., Котляров К. Г.] // Вюник Херсонського нацюнального техшчного ушверситету. - Херсон : ХНТУ, 2018. - № 2 (65). - С. 80-90.

9. Застосування нейронних мереж у задачi дiагностування техшчного стану авiацiйного двигуна ТВ3-117 у польотних режимах / [Шмельов Ю. М. , Владов С. I., Клiмова Я. Р., Котляров К. Г.] // Вюник Херсонського нацюнального техшчного ушверситету. - Херсон : ХНТУ, 2018. - № 2 (65). - С. 80-90.

10. Жернаков С. В. Отладка параметров авиационного газотурбинного двигателя на основе нейросетевых технологий / С. В. Жернаков, А. В. Кинарский // Вестник УГАТУ. - 2013. - Т. 17. - № 5 (58). - С. 26-30.

11. Арьков Ю. Г. Об отладке основного контура ТРДФ на форсажных режимах в стендовых условиях / Ю. Г. Арьков, В. П. Алаторцев // Испытания авиационных двигателей. - Уфа : УАИ, 1978. - № 6. - С. 51-59.

12. Статистическое моделирование технологического процесса отладки одновальных ГТД при стендовых испытаниях / [Дегтярев Ю. Д., Алаторцев В. П., Гумеров Х. С., Афанасьев И. П.] // Испытания авиационных двигателей. - Уфа : УАИ, 1982. - № 10. - С. 97-102.

13. Stamatis A. G. Evaluation of gas path analysis methods for gas turbine diagnostics / A. G. Stamatis // Journal of Mechanical Science and Technology. - 2011. - Vol. 25. - Issue 2. - Pp. 469-477.

14. Владов С. И. Применение адаптивного метода обучения нейронной сети для диагностики двигателя вертолета Ми-8МТВ / С. И. Владов, Я. Р. Климова // 1нформацшш технологи: наука, техшка, технолопя, освгга, здоров'я (MicroCAD-2018) : матерiали XXVI Мiжнародноi науково-практично! конференцп, 16-18 травня, 2018 р., Харшв. - Харшв : НТУ «ХП1», 2018. - Ч.1 - С. 14.

15. Жернаков С. В. Применение нейросетей для отладки параметров ГТД в процессе эксплуатации / С. В. Жернаков // Нейрокомпьютеры и их применение : VII Всероссийская конференция с международным участием. - М. : ИПУ, 2001. - С.161-165.

16. Жернаков С. В. Отладка параметров авиационного газотурбинного двигателя на основе нейронных сетей / С. В. Жернаков // Приборы и системы. Управление. Контроль. Диагностика. -М. : Научтехлитиздат, 2003. - № 12. - С. 33-40.