Меню
Публикации
2023
2022
2021
2020
2019
2018
2017
2016
2015
2014
2013
2012
2011
2010
2009
2008
2007
2006
2005
2004
2003
2002
2001
Главный редактор

НИКИФОРОВ
Владимир Олегович
д.т.н., профессор
Партнеры
doi: 10.17586/2226-1494-2023-23-4-828-835
УДК 629.7.017.1
Подход к формированию обобщенных параметров технического состояния сложных технических систем c использованием нейросетевых структур
Читать статью полностью

Язык статьи - русский
Ссылка для цитирования:
Аннотация
Ссылка для цитирования:
Мальцев Г.Н., Якимов В.Л. Подход к формированию обобщенных параметров технического состояния сложных технических систем c использованием нейросетевых структур // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 4. С. 828–835. doi: 10.17586/2226-1494-2023-23-4-828-835
Аннотация
Введение. Рассмотрен процесс формирования обобщенных параметров технического состояния сложных технических систем. Данный подход актуален для современных робототехнических комплексов, оснащенных встроенными средствами телеизмерений. Метод. Предложенный подход к формированию обобщенных параметров основан на взвешенном суммировании разнородных телеметрируемых параметров с использованием информации о структурных и функциональных связях в сложной технической системе с последующей цифровой низкочастотной фильтрацией результатов взвешенного суммирования. Такое решение позволяет повысить достоверность оценки технического состояния сложных технических систем по значениям обобщенных параметров во внешнем контуре управления. Основные результаты. Выбрана форма представления обобщенного параметра в виде градаций технического состояния, которое соответствует штатному функционированию, нештатным ситуациям и частично-работоспособному состоянию сложной технической системы. Разработана многоуровневая иерархическая модель формирования обобщенных параметров технического состояния сложной технической системы по данным телеизмерений на основе множества нейросетевых структур, позволяющих учесть нелинейный характер телеметрируемых параметров и взаимное влияние между ними. В модели применены множества цифровых низкочастотных фильтров, снижающих уровень возмущений во временных рядах обобщенных параметров. Возникновение возмущений связано с неопределенностью изменения значений телеметрируемых и обобщенных параметров вблизи границ допусков, задаваемых экспертами при расширенном количестве градаций технического состояния. Сведения о границах допусков характеризуют не только ситуации штатного и нештатного функционирования, но и частично-работоспособное состояние сложных технических систем. Представлены результаты формирования обобщенных параметров технического состояния бортовой системы космического аппарата с использованием многослойных нейронных сетей, полиномов Колмогорова–Габора и методов цифровой фильтрации. Показаны преимущества использования в разработанной модели многослойных нейронных сетей и медианных фильтров. Обсуждение. Использование обобщенных параметров позволит значительным образом снизить информационную нагрузку на каналы передачи телеметрической информации, а также средства ее обработки и анализа во внешнем контуре управления. Предлагаемые решения на основе базовых операций взвешенного суммирования и нелинейного преобразования могут быть эффективно реализованы на перспективных векторно-матричных и тензорных процессорах, поддерживающих их выполнение на аппаратном уровне.
Ключевые слова: сложная техническая система, техническое состояние, телеметрируемые параметры, обобщенный параметр, нейронные сети, цифровая фильтрация
Список литературы
Список литературы
- Поспелов Д.А. Ситуационное управление: теория и практика. М.: URSS, 2021. 288 с.
- Song Y., Peng Y., Liu D. Model-based health diagnosis for lithium-ion battery pack in space applications // IEEE Transactions on Industrial Electronics. 2021. V. 68. N 12. P. 12375–12384. https://doi.org/10.1109/TIE.2020.3045745
- Ritter N., Straub J. Implementation of hardware-based expert systems and comparison of their performance to software-based expert systems // Machines. 2021. V. 9. N 12. P. 361. https://doi.org/10.3390/machines9120361
- Лоскутов А.И., Клыков В.А. Идентификация и техническое диагностирование бортовой аппаратуры автономных космических аппаратов на основе биективного преобразования множества диагностических признаков // Контроль. Диагностика. 2016. № 4. С. 57–63. https://doi.org/10.14489/td.2016.04.pp.057-063
- Мозгалевский А.В., Гаскаров Д.В. Техническая диагностика (непрерывные объекты): учебное пособие для вузов. М.: Высшая школа, 1975. 207 c.
- Якимов В.Л., Панкратов А.В. Алгоритм формирования диагностических признаков бортовых динамических систем на основе показателя Херста // Труды МАИ. 2015. № 83. С. 23.
- Якимов В.Л., Мальцев Г.Н. Гибридные сетевые структуры и их использование при диагностировании сложных технических систем // Информатика и автоматизация. 2022. Т. 21. № 1. С. 126–160. https://doi.org/10.15622/ia.2022.21.5
- Мальцев Г.Н., Назаров А.В., Якимов В.Л. Исследование процесса диагностирования бортовой аппаратуры автоматических космических аппаратов с использованием дискретно-событийной имитационной модели // Труды СПИИРАН. 2018. № 1(56). С. 95–121. https://doi.org/10.15622/sp.56.5
- Duer S., Valicek J., Paś J., Stawowy M., Bernatowicz D., Duer R., Walczak M. Neural networks in the diagnostics process of low-power solar plant devices // Energies. 2021. V. 14. N 9. P. 2719. https://doi.org/10.3390/en14092719
- Кузьмин А.Б. Достоверность допусковых методов контроля сложных технических систем // Автоматика и телемеханика. 1987. № 10. С. 59–65.
- Горбань А. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1. № 1. С. 12‒24.
- Marushko E.E., Doudkin A.A. Ensembles of neural networks for forecasting of time series of spacecraft telemetry // Optical Memory and Neural Networks. 2017. V. 26. N 1. P. 47–54. https://doi.org/10.3103/S1060992X17010064
- Fayemi O., Di Q., Zhen Q., Wang Y. Adaptive processing for EM telemetry signal recovery: Field data from sichuan province // Energies. 2020. V. 13. N 22. P. 5873. https://doi.org/10.3390/en13225873
- Liu W., Dou Z., Wang W., Liu Y., Zou H., Zhang B., Hou S. Short-term load forecasting based on elastic net improved GMDH and difference degree weighting optimization // Applied Sciences. 2018. V. 8. N 9. P. 1603. https://doi.org/10.3390/app8091603
- Jung J., Sael L. Fast and accurate pseudoinverse with sparse matrix reordering and incremental approach // Machine Learning. 2020. V. 109. N 12. P. 2333–2347. https://doi.org/10.1007/s10994-020-05920-5