Интеллектуализированная система контроля, диагностики и прогнозирования состояния бортовых систем космических аппаратов


Авторы

Румянцев Н. В.*, Соловьёв С. В.**, Павлов Д. В.***

ПАО «Ракетно-космическая корпорация «Энергия» им. С. П. Королёва», ул. Ленина, д. 4А, г. Королёв, Московская обл., Россия, 141070

*e-mail: rumancevnikita39@gmail.com
**e-mail: sergey.soloviev@scsc.ru
***e-mail: dmitripavlov@inbox.ru

Аннотация

В статье рассмотрено состояние технологий контроля, применяемых в настоящее время при управлении полётом современных космических аппаратов. Сформулированы основные недостатки процесса контроля, которые усиливаются с учётом современных тенденций развития космических программ. Предложена структура интеллектуализированной системы контроля, диагностики и прогнозирования состояния бортовых систем КА, основанная на использовании технологии искусственных нейронных сетей (ИНС), которая включает систему анализа телеметрической информации (ТМИ) с использованием технологии искусственных нейронных сетей (этап применение) и систему синтеза искусственных нейронных сетей, подготовки обучающих и тестовых наборов данных, обучения и создания компьютерных приложений (этап обучение). Для каждой составной части КА предусматривается использование комплекта нейронных сетей на основе единой платформы.

Ключевые слова:

космический аппарат, управление полётом, интеллектуализированная система, искусственный интеллект, искусственные нейронные сети, обучающий набор данных

Библиографический список

  1. Абанин О.И., Соловьев С.В. Содержание и структура задач диагностики аномалий в работе бортовых систем космического аппарата // Инженерный журнал: Наука и инновации. 2019. № 6. DOI: 10.18698/2308-6033-2019-6-1890
  2. Коваленко А.А., Пирогов П.В., Скурский Ю.А., Соловьев С.В., Станиловская В.И. Состояние и перспективы развития технологий управления полетом международной космической станции // Космонавтика и ракетостроение. 2018. № 5 (104). С. 36-47.
  3. Соловьев В.А., Любинский В.Е., Жук Е.И. Текущее состояние и перспективы развития системы управления полетами космических аппаратов // Пилотируемые полеты в космос. 2011. № 2 (2). С. 30–46.
  4. Абрамов Н.С., Талалаев А.А., Фраленко В.П. Интеллектуальный анализ телеметрической информации для диагностики оборудования космического аппарата // Информационные технологии и вычислительные системы. 2016. № 1. С. 64–75.
  5. Абрамов Н.С., Заднепровский В.Ф., Талалаев А.А., Фраленко В.П. Применение искусственных нейронных сетей в задачах контроля и диагностики подсистем космических аппаратов // Современные проблемы науки и образования. 2014. № 3. С. 62.
  6. Лоскутов А.И., Вечеркин В.Б., Шестопалова О.Л. Автоматизация контроля состояния сложных технических систем на основе использования конечно-автоматной модели и нейросетевых структур // Информационно-управляющие системы. 2012. № 2. С. 74-81.
  7. Bakhtadze N., Lototsky V., Pyatetsky V., Lototsky A. Identification Algorithms Basedonthe Associative Search of Analogs and Association Rules // Proc. Int. Conf. Time Ser. Forecast (ITISE 2018), Granada, Spain, 19–21 September, 2018, рр. 783–794.
  8. Балухто А.Н., Романов А.А. Искусственный интеллект в космической технике: состояние, перспективы развития // Ракетно-космическое приборостроение и информационные системы. 2019. Т. 6. № 1. С. 65–75.
  9. Еремин Д.М., Гарцеев И.Б. Искусственные нейронные сети в интеллектуальных системах управления. - М.: МИРЭА, 2004. - 75 с.
  10. Теория управления (дополнительные главы): Учебное пособие / Под ред. Д.А. Новикова. - М.: Ленанд, 2019. - 552 с.
  11. Горожанина Е.И. Нейронные сети. - Самара: ПГУТИ, 2017. – 84 с.
  12. Qu C. et al. Predictive anomaly detection for marine diesel engine based on echo state network and autoencoder // Energy Reports, Elsevier Ltd, 2022, vol. 8, pp. 998-1003. DOI: 10.1016/j.egyr.2022.01.225
  13. Wang H. et al. Anomaly detection for hydropower turbine unit based on variational modal decomposition and deep autoencoder // Energy Reports, Elsevier Ltd, 2021, vol. 7, pp. 938–946. DOI: 10.1016/j.egyr.2021.09.179
  14. Горева Т.И., Порнягин Н.Н., Пюкке Г.А. Нейросетевые модели диагностики технических систем // Вестник Камчатской региональной ассоциации «Учебно-научный центр». 2012. № 1 (4). С. 31–43.
  15. Сай Ван Квонг, Щербаков М.В. Метод прогнозирования остаточного ресурса на основе обработки данных много объектных сложных систем // Прикаспийский журнал: управление и высокие технологии. 2019. № 1 (45). С. 33-44.
  16. Суханов Н.В. Схема управления летательным аппаратом на основе нейронных сетей // Труды МАИ. 2013. № 65. URL: http://trudymai.ru/published.php?ID=36013
  17. Косинский М.Ю., Шатский М.А. Разработка моделей и методики для анализа и прогнозирования надёжности бортовых систем управления космических аппаратов на основе теории нечётких множеств и искусственных нейронных сетей // Труды МАИ. 2014. № 74. URL: http://trudymai.ru/published.php?ID=49315
  18. Дорожко И.В., Осипов Н.А., Иванов О.А. Прогнозирование технического состояния сложных технических систем с помощью метода Берга и байесовских сетей // Труды МАИ. 2020. № 113. URL: http://trudymai.ru/published.php?ID=118181. DOI: 10.34759/trd-2020-113-14
  19. Дорожко И.В., Иванов О.А. Модель системы поддержки принятия решений для диагностирования бортовых систем космического аппарата на основе байесовских сетей // Труды МАИ. 2021. № 118. URL: https://trudymai.ru/published.php?ID=158259. DOI: 10.34759/trd-2021-118-19
  20. Назаров А.В., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. - СПб.: Наука и техника, 2003. – 384 с.


Скачать статью

mai.ru — информационный портал Московского авиационного института

© МАИ, 2000—2024

 Вход