Интеллектуальная поддержка процессов контроля и диагностики космических подсистем
Автор: Фраленко Виталий Петрович, Емельянова Юлия Геннадиевна, Шишкин Олег Гарриевич, Лисейцев Антон Егорович
Журнал: Программные системы: теория и приложения @programmnye-sistemy
Рубрика: Математические основы программирования
Статья в выпуске: 4 (43) т.10, 2019 года.
Бесплатный доступ
В настоящей работе проведено исследование предметной области, выполнен обзор существующих разработок в области построения систем мониторинга, контроля и диагностики подсистем космических аппаратов, в том числе, с использованием нейросетевого подхода. Теоретически исследованы пути реализации математического и алгоритмического обеспечения системы контроля и диагностики подсистем космического аппарата.Разработаны методические подходы, способы и методы решения технических задач по построению нейросетевой системы контроля и диагностики подсистем космического аппарата. Применение технологий искусственных нейронных сетей позволяет обнаруживать, классифицировать и прогнозировать ошибки, осуществлять многоуровневую диагностику подсистем космического аппарата и прогнозировать их дальнейшее поведение, тем самым увеличивая эффективность, скорость принятия решений и надежность работы узлов космического аппарата.Представлен метод графического представления временных последовательностей, позволяющий визуально классифицировать радиотехнический сигнал и обнаружить шум в этом сигнале. Предлагается формировать и ранжировать набор значимых признаков путем применения алгоритмов «Add» и «Del».
Космический аппарат, мониторинг, диагностика, прогнозирование, искусственные нейронные сети, интеллектуальная поддержка, когнитивная визуализация, когнитивное представление радиотехнического сигнала
Короткий адрес: https://sciup.org/143169809
IDR: 143169809 | УДК: 004.896:629.7.067 | DOI: 10.25209/2079-3316-2019-10-4-25-75
Intellectual support of processes of control and diagnostics of space subsystems
We study the subject area is carried out, a review of existing developments in the field of constructing monitoring systems, monitoring and diagnostics of subsystems of spacecraft, including using the neural network approach. Theoretical studies was aimed at the implementation of mathematical and algorithmic support for the monitoring and diagnostics system of spacecraft subsystems. Our search for solutions was resulted in methodological approaches and methods for solving technical problems on the construction of a neural network monitoring system and diagnostics of subsystems of the spacecraft. The use of artificial neural network technologies makes it possible to detect, classify and predict errors, carry out multilevel diagnostics of subsystems of the spacecraft and predict their further behavior, thereby increasing the efficiency, speed of decision making and the reliability of the nodes of the spacecraft. The presented method of graphical representation of time sequences allows visual classification of the radio signal and noise detection. We propose to form and rank a set of significant features by applying the Add and Del algorithms.(In Russian).
Список литературы Интеллектуальная поддержка процессов контроля и диагностики космических подсистем
- В. Н. Гущин. Основы устройства космических аппаратов, Машиностроение, М., 2003, , 272 с. ISBN: 9785217013012
- E. Somov, V. Makarov, V. Matrosov. “Diagnosis and reconfiguration of the spacecraft fault tolerant gyromoment control systems” (June 30-July 2, 2009, Samara, Russia), 2009 URL http://lib.physcon.ru/file?id=bc139e20be54.
- С. В. Беневольский, В. И. Майорова, Д. А. Гришко, Н. Н. Ханеня. «Анализ телеметрии с космического аппарата „Юбилейный‟», Наука и образование. Электронный журнал, 2011, №8.
- Y. Hong, J. Changwei. “A research on development in fault diagnosis system of spacecraft”, Proceedings of the Fourth International Symposium SpaceOps '96 (16-20 September 1996, Munich, Germany), European Space Agency, Paris, 1996, pp. 838-843.
- Ю. Г. Емельянова, А. А. Талалаев, В. П. Фраленко, В. М. Хачумов. «Нейросетевой метод обнаружения неисправностей в космических подсистемах». 1 (май 2009, Переславль-Залесский), Изд-во «Университет города Переславля», Переславль-Залесский, 2009, с. 133-143.
- Ю. Г. Емельянова, К. А. Константинов, С. В. Погодин, А. А. Талалаев, И. П. Тищенко, В. П. Фраленко, В. М. Хачумов. «Нейросетевая система контроля датчиков углов ориентации и дальности космического аппарата», Программные системы: теория и приложения, 2010, №1, с. 45-59.
- M. S. Mousavi. Neural network-based fault diagnosis of satellites formation flight, Concordia University, Canada, 2013, 241 pp.
- V. Ganchenko, A. Doudkin, A. Inyutin, Y. Marushko, L. Podenok, R. Sadykhov. “Neural network software diagnosis system of telemetry data”. 1 (12-14 September 2013, Berlin, Germany), 2013, pp. 376-380.
- DOI: 10.1109/IDAACS.2013.6662710
- A. Valdes, K. Khorasani, M. Liying. “Dynamic neural network-based fault detection and isolation”, Lecture Notes in Computer Science, vol. 5553, Springer, Berlin-Heidelberg, 2009, , pp. 780-793.
- DOI: 10.1007/978-3-642-01513-7_85 ISBN: 978-3-642-01513-7
- A. Wander, R. Forstner. “Innovative fault detection, isolation and recovery strategies on-board spacecraft: state of the art and research challenges”, Deutscher Luft- und Raumfahrtkongress (10-12 September 2012, Estrel Berlin, Germany), 281268 URL http://www.dglr.de/publikationen/2013/281268.pdf.
- S. Montenegro, W. Hu. “Detection of actuator faults for an attitude control system using neural network”, International Journal of Aerospace and Mechanical Engineering, 4:11 (2010), pp. 1284-1290.
- В. Л. Якимов, А. И. Лоскутов, А. В. Назаров. «Максимизация энтропии входов и выходов многослойной нейронной сети при моделировании процессов функционирования бортовой аппаратуры космического аппарата», Нейроинформатика, 2011, №3, с. 141-147.
- Z. Q. Li, L. Ma, K. Khorasani. “Neural network-based faults detection and isolation for attitude control subsystem of satellites” (22-25 May 2006, Berlin, Germany), European Space Agency-Publications ESA SP, vol. 630, 10B-3 10B-3.
- А. К. Дмитриев. «Принципы алгебраического агрегирования в задачах диагностирования сложных технических систем», Известия высших учебных заведений. Приборостроение, 40:8 (1997), с. 5-13.
- В. В. Кудрявцев, В. А. Белозеров. «Достоверность диагностирования технического состояния сложных систем», Известия высших учебных заведений. Приборостроение, 40:8 (1997), с. 38-48.
- Ю. И. Журавлев. «Об алгебраических методах в задачах распознавания и классификации», Распознавание. Классификация. Прогноз. Математические методы и их применение, т. 1, Наука, М., 1989, с. 9-16.
- C. L. Scofield, D. L. Reilly. “Into silicon: real time learning in a high density RBF neural network”. I (8-12 July 1991, Seattle, WA, USA, USA), 1991, , pp. 551-556.
- DOI: 10.1109/IJCNN.1991.155237 ISBN: 0-7803-0164-1
- R. Adhikari, R. K. Agrawal. An introductory study on time series modeling and forecasting, LAP LAMBERT Academic Publishing, 2013, , 67 pp.
- ISBN: 9783659335082
- S. Spiegel. Time series distance measures: segmentation, classification and clustering of temporal data, Berlin, 2015, 211 pp. (in English).
- G. Lesti, S. Spiegel. “A sliding window filter for time series streams” (September 18-22, 2017, Skopje, Macedonia), CEUR Workshop Proceedings, vol. 1958, 2017, 12 pp.
- H. S. Hota, R. Handa, A. K. Shrivas. “Time series data prediction using sliding window based RBF neural network”, International Journal of Computational Intelligence Research, 13:5 (2017), pp. 1145-1156.
- C. Olah. Understanding LSTM Networks, 2015 URL https://colah.github.io/posts/2015-08-Understanding-LSTMs/.
- A. Sorjamaa, J. Hao, N. Reyhani, Y. Ji, A. Lendasse. “Methodology for long-term prediction of time series”, Neurocomputing, 70:16-18 (2007), pp. 2861-2869.
- DOI: 10.1016/j.neucom.2006.06.015
- C. Hamzaebi, D. Akay, F. Kutay. “Comparison of direct and iterative artificial neural network forecast approaches in multi-periodic time series forecasting”, Expert Systems with Applications, 32:2, Part 2 (2009), pp. 3839-3844.
- DOI: 10.1016/j.eswa.2008.02.042
- H. Cheng, P.-N. Tan, J. Gao, J. Scripps. “Multistep-ahead time series prediction”, Lecture Notes in Computer Science, vol. 3918, Springer-Verlag, Berlin-Heidelberg, 2006, , pp. 765-774.
- DOI: 10.1007/11731139_89 ISBN: 978-3-540-33207-7
- D. M. Kline. “Methods for multi-step time series forecasting with neural networks”, IGI Global, 2004, pp. 226-250.
- DOI: 10.4018/978-1-59140-176-6.ch012
- G. Bontempi, S. B. Taieb. “Conditionally dependent strategies for multiple-step-ahead prediction in local learning”, International Journal of Forecasting, 27:3 (2011), pp. 689-699.
- DOI: 10.1016/j.ijforecast.2010.09.004
- J. M. Matias. “Multi-output nonparametric regression”, Lecture Notes in Computer Science, vol. 3808, 2005, , pp. 288-292.
- DOI: 10.1007/11595014_29 ISBN: 978-3-540-30737-2
- Ю. Г. Емельянова, Н. Е. Теплоухова. «Моделирование и когнитивно-графическое представление радиотехнических сигналов в системах обучения эксплуатирующего персонала», Авиакосмическое приборостроение, 2011, №9, с. 21-30.
- В. Ф. Заднепровский, Ю. Г. Емельянова, А. А. Талалаев, И. П. Тищенко, В. П. Фраленко, В. М. Хачумов, В. М. Ватутин, Н. Е. Теплоухова. «Состав инструментальных программных средств для моделирования работы и когнитивно-графического представления информации радиотехнических систем на базе суперкомпьютера семейства „СКИФ‟», Труды IV Всероссийской научно-технической конференции «Актуальные проблемы ракетно-космического приборостроения и информационных технологий» (15-17 июня 2011 г., Москва, Россия), Радиотехника, М., 2012, , с. 282-292.
- ISBN: 978-5-88070-023-3
- Р. Лайнос. Цифровая обработка сигналов, 2-е изд., ООО «Бином-Пресс», М., 2006, , 656 с.
- ISBN: 978-5-9518-0355-9
- В. К. Слока. Вопросы обработки радиолокационных сигналов, Книга по требованию, М., , 254 с.
- ISBN: 978-5-458-46960-9
- С. И. Баскаков. Радиотехнические цепи и сигналы, Классика инженерной мысли: радиотехника, 4-е изд., исправл. и доп., Ленанд, М., 2016, , 528 с.
- ISBN: 978-5-9710-2464-4
- Н. Г. Загоруйко. Прикладные методы анализа данных и знаний, ИМ СО РАН, Новосибирск, 1999, , 270 с.
- ISBN: 5-86134-060-9
- О. В. Жвалевский. «Отбор информативных признаков: постановка задачи и методика ее решения», Труды СПИИРАН, 2017, №4, с. 416-426.
- MathNet: http://mi.mathnet.ru/trspy294
- M. V. Khachumov. “Distances, metrics and cluster analysis”, Scientific and Technical Information Processing, 39:6 (2012), pp. 310-316.
- DOI: 10.3103/S0147688212060020
- B. Larsen, C. Aone. “Fast and effective text mining using linear-time document clustering”, In KDD ’99: Proceedings of the fifth ACM SIGKDD international conference on Knowledge discovery and data mining, 1999, pp. 16-22.
