Метод оценивания характеристик цифровых моделей киберфизических систем на основе множественного регрессионного анализа результатов их применения


DOI: 10.34759/trd-2023-131-19

Авторы

Минаков Е. П.*, Привалов А. Е.*, Бугайченко П. Ю.*

Военно-космическая академия имени А.Ф. Можайского, Санкт-Петербург, Россия

*e-mail: vka@mil.ru

Аннотация

Внедрение цифровых технологий в область управления сложными техническими системами привело к появлению концепций киберфизических систем (КФС) и цифровых двойников (ЦД). Основным элементом ЦД является цифровая модель КФС. Требования к характеристикам цифровых моделей подтверждаются в ходе испытаний, верификации и валидации, для обеспечения которых решаются задачи обоснования перечня характеристик цифровой модели и разработки методов их оценивания. В статье обоснован выбор полноты и достоверности цифровой модели в качестве ее целевых характеристик. Предложен метод их оценивания по характеристикам точности оценок свойств КФС, полученных с применением цифровой модели, и весовых коэффициентов, определяемых с применением множественного регрессионного анализа результатов применения цифровой модели. Метод основан на анализе целевой функции КФС, за счет чего критерий, используемый при оценивании достоверности, приобретает явный физический смысл. Предложенный метод может быть использован для решения задач структурного и параметрического синтеза ЦД, а также анализа эффективности их функционирования на всех этапах жизненного цикла КФС. Результатом этапа обучения являются аналитические модели характеристик КФС, которые могут быть использованы в оптимизационных алгоритмах без существенных требований к вычислительным ресурсам. Обучающая выборка может пополняться в процессе функционирования ЦД, что повышает точность оценивания характеристик ЦМ на различных этапах жизненного цикла КФС. Адекватность метода подтверждается приведенным в статье примером оценивания характеристик цифровой модели системы управления угловым движением с двигателями-маховиками.

Ключевые слова:

цифровая модель, цифровой двойник, квалиметрия моделей, множественный регрессионный анализ

Библиографический список

  1. Системы искусственного интеллекта. Классификация систем искусственного интеллекта. ГОСТ Р 59277–2020. — М.: Стандартинформ, 2021. — 16 с.
  2. Дорожко И.В., Горохов И.А., Кириллов И.А. Методический подход к разработке системы поддержки принятия решений оператора автоматизированной системы управления технологическими процессами на основе динамических байесовских сетей // Труды МАИ. 2022. № 125. URL: https://trudymai.ru/published.php?ID=168195. DOI: 34759/trd-2022-125-23
  3. Матвеев А.В., Махуков А.А. Сопровождающее моделирование в процессе лётных испытаний беспилотных летательных аппаратов // Труды МАИ. 2011. № 45. URL: https://trudymai.ru/published.php?ID=25461
  4. Кабанов А.А., Амосов М.В. VR/AR в изучении, создании и эксплуатации аэрокосмической техники: из макромира в микромир, от наблюдения к действиям // Труды МАИ. 2023. № 128. URL: https://trudymai.ru/published.php?ID=171410
  5. Щекочихин О.В. Современные тенденции управления киберфизическими системами на основе цифровых двойников // Информационно-экономические аспекты стандартизации и технического регулирования. 2021. № 5 (63). С. 33—
  6. Мозохин А.Е., Шведенко В.Н. Методика управления компонентами распределительной электроэнергетической системы при обеспечении качества потребляемой электроэнергии // Научно-технический вестник информационных технологий, механики и оптики. Т. 23. № 2. С. 289–298.
  7. Cai Y., Starly B., Cohen P., Lee Y-S. Sensor data and information fusion to construct digital-twins virtual machine tools for cyber-physical manufacturing // Procedia Manufacturing, 2017, no. 2, pp. 1031–1042. DOI:1016/j.promfg.2017.07.094
  8. Tao F., Qi Q., Wang L., Nee A.Y.C. Digital Twins and Cyber—Physical Systems toward Smart Manufacturing and Industry 4.0: Correlation and Comparison // Engineering, 2019, vol. 5, issue 4, pp. 653–661. DOI:1016/j.eng.2019.01.014
  9. Гусев П.Ю. Автоматизация планирования производственных процессов авиастроительного предприятия с использованием цифрового двойника // Труды МАИ. 2018. № 103. URL: https://trudymai.ru/published.php?ID=101190
  10. ГОСТ Р 57700.37–2021. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения. — М.: Российский институт стандартизации, 2021. — 16 с.
  11. Шмелев В.В., Охтилев М.Ю. Система показателей качества моделей технологических процессов функционирования ракетно-космической техники // Информационно-управляющие системы. 2016. № 6. С. 34–42.
  12. Микони С.В., Соколов Б.В., Юсупов Р.М. Квалиметрия моделей и полимодельных комплексов: монография. — М.: РАН, 2018. — 314 с.
  13. Микони С.В., Соколов Б.В., Юсупов Р.М. Применение алгебраического подхода в квалиметрии моделей и полимодельных комплексов // Шестая всероссийская научно-практическая конференция по имитационному моделированию и его применению в науке и промышленности «Имитационное моделирование. Теория и практика (ИММОД 2013)» (Казань, 16-18 октября 2013): сборник докладов. — Казань: Изд-во ФЭН, 2013. С. 68—
  14. Чуева Е.С. Квалиметрия и анализ качества моделей и полимодельных комплексов // XXI Международная конференция по мягким вычислениям и измерениям (Санкт-Петербург, 23 — 25 мая 2018): сборник трудов. — СПб: Изд-во ЛЭТИ, 2018. Т. 2. С. 529–532.
  15. Бунькова Д.Е. Актуальные методы оценивания качества моделей и полимодельных комплексов // Экономика и управление: проблемы, решения. 2019. Т. 4. № 3. С. 150—
  16. Гусарова Н.Ф. Введение в теорию искусственного интеллекта. — СПб: Университет ИТМО, 2018. — 62 с.
  17. Кремер Н.Ш. Теория вероятностей и математическая статистика. — М.: Изд-во Юнити-Дана. 2004, 573 с.
  18. Glaessgen E.H., Stargel D.S. The Digital Twin Paradigm forFuture NASA and U.S. Air Force Vehicles // Paper for the 53rd Structures, Structural Dynamics, and Materials Conference: Special Session on the Digital Twin, DOI:10.2514/6.2012-1818
  19. Christofi N., Pucel X. A Novel Methodology to Construct Digital Twin Models for Spacecraft Operations Using Fault and Behaviour Trees // 25th International Conference on Model Driven Engineering Languages and Systems (MODELS ’22 Companion), October 23–28, 2022, Montreal. DOI:1145/3550356.3561550
  20. Потюпкин А.Ю. Моделирование функционирования многоспутниковых орбитальных группировок // VIII Международная конференция и молодежная школа «Информационные технологии и нанотехнологии» — ИТНТ-2022 (Самара, 23–27 мая 2022): сборник трудов. — Самара: Самарский национальный исследовательский университет им. акад. С.П. Королева, 2022. — 107 с.
  21. Привалов А.Е. Унифицированная программная платформа для разработки многоагентных моделей орбитальных группировок космических аппаратов // Труды МАИ. 2022. № 123. URL: https://trudymai.ru/published.php?ID=165498. DOI: 34759/trd-2022-123-22
  22. Васильев В.Н. Системы ориентации космических аппаратов. — М.: НПП ВНИИЭМ, 2009. — 310 с.
  23. Калабин П.В., Степанов А.С., Фоминов И.В. Методика синтеза квазиоптимального по быстродействию экстенсивного управления ориентацией динамически несимметричного космического аппарата с использованием двигателей-маховиков // Труды Военно-космической академии имени А. Ф. Можайского. 2022. № 683. С. 57—

Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход