Система встроенного технического диагностирования, резервирования и прогнозирования технического состояния бортового оборудования воздушных судов на основе методов машинного обучения

Авторы

Савчук А. Д.^*, Савченко А. Ю., Миронов С. А., Букирёв А. С.^**

Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина», ВУНЦ ВВС «ВВА», 394064, Воронежская обл., г. Воронеж, ул. Старых Большевиков, д. 54 а

*e-mail: atsavchuk@mai.education
**e-mail: bukirev@inbox.ru

Аннотация

Обоснована необходимость повышения глубины локализации отказов бортового оборудования воздушных судов с применением методов машинного обучения. Разработана система встроенного технического диагностирования, резервирования и прогнозирования технического состояния, основанная на взаимодействии с мультиплексным каналом информационного обмена. Ключевые особенности системы включают: алгоритм автоматического определения параметров обучения для каждого контролируемого элемента на этапе диагностики; использование рекуррентной нейронной сети с долгой краткосрочной памятью для прогнозирования состояния; механизм динамического резервирования отказавших элементов.

Ключевые слова:

Обоснована необходимость повышения глубины локализации отказов бортового оборудования воздушных судов с применением методов машинного обучения. Разработана система встроенного технического диагностирования, резервирования и прогнозирования технического состояния, основанная на взаимодействии с мультиплексным каналом информационного обмена. Ключевые особенности системы включают: алгоритм автоматического определения параметров обучения для каждого контролируемого элемента на этапе диагностики; использование рекуррентной нейронной сети с долгой краткосрочной памятью для прогнозирования состояния; механизм динамического резервирования отказавших элементов

Список источников

1. Мозгалевский, А.В., Калявин В.П., Костанди Г.Г. Диагностирование электронных систем / Под ред. А.В. Мозгалевского. – Л.: Судостроение, 1984. – 224 с.
2. ГОСТ 24029-80. Техническая диагностика. Категории контролепригодности объектов диагностирования. – М.: Издательство стандартов, 1980. – 11 с.
3. Голубец, А.А. Внедрение машинного обучения и искусственного интеллекта в авиационной отрасли с целью повышения безопасности полетов А.А. Голубец // Интернаука. – 2024. – № 41-1(358). – С. 34-36.
4. Применение методов машинного обучения при решении задач технической диагностики / В.Н. Клячкин, И.Н. Карпунина, Ю.Е. Кувайскова, А.С. Хорева // Научный вестник УИ ГА. – 2016. – № 8. – С. 158–161.
5. Кушнирук, А.С. Диагностика моторно-осевых подшипников колесно-моторного блока с нейросетевой эталонной моделью: специальность 05.22.07 «Подвижной состав железных дорог, тяга поездов и электрификация»: диссертация на соискание ученой степени кандидата технических наук / Кушнирук Алексей Сергеевич. – Хабаровск, 2021. – 155 с.
6. Макаров, А.С. Алгоритмы контроля и диагностики систем управления авиационными ГТД на основе нейросетевых моделей и нечеткой логики: специальность 05.13.01 «Системный анализ, управление и обработка информации (по отраслям)»: диссертация на соискание ученой степени кандидата технических наук / Макаров Андрей Сергеевич. – Уфа, 2011. – 207 с.
7. Легконогих, Д.С. Применение нейросетевых технологий в системах диагностики авиационных силовых установок / Д.С. Легконогих // Известия Самарского научного центра Российской академии наук. – 2012. – Т. 14. – № 4-2. – С. 639-643.
8. Добродеев, И.П. Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации: специальность 05.13.01 «Системный анализ, управление и обработка информации (по отраслям)»: диссертация на соискание ученой степени кандидата технических наук / Добродеев Илья Павлович. – Рыбинск, 2010. – 218 с.
9. ГОСТ Р 52070-2003. Интерфейс магистральный последовательный системы электронных модулей. Общие требования. «Издательство стандартов». Москва: Стандартинформ, 2003. 27 с.
10. Вьюгин, В.В. Математические основы машинного обучения и прогнозирования. Изд. 2-е, испр. и доп. М.: МЦНМО, 2018. – 384 с.
11. Свидетельство о государственной регистрации программы для ЭВМ № 2023669933 Российская Федерация. Программа декодирования данных «Манчестер-2» информационно-управляющей системы воздушного судна: № 2023669137: заявл. 15.09.2023: опубл. 22.09.2023 / А.С. Букирёв.
12. Патент № 242787 C1 Российская Федерация, МПК G06F 11/00, G06N 20/00, G05B 23/02. Устройство диагностирования и прогнозирования технического состояния комплекса бортового оборудования воздушных судов на основе методов машинного обучения: № 2025135065: заявл. 08.12.2025: опубл. 10.04.2026 / А.Д. Савчук.
13. Патент № 2816667 C1 Российская Федерация, МПК G06F 11/00, G06N 20/00, G05B 23/02. Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения и устройство для его осуществления: № 2023116413: заявл. 21.06.2023: опубл. 03.04.2024 / А.С. Букирёв, А.Ю. Савченко, С.В. Ипполитов [и др.].
14. Свидетельство о государственной регистрации программы для ЭВМ № 2024692313 Российская Федерация. Программа оценки технического состояния комплекса бортового оборудования на основе прогнозирования контролируемого диагностического параметра с использованием рекуррентной нейронной сети с долгой краткосрочной памятью: № 2024691930: заявл. 24.12.2024: опубл. 27.12.2024 / А.Д. Савчук.
15. Кувайскова, Ю.Е. Применение ансамблевых методов машинного обучения для прогнозирования технического состояния объекта /Ю.Е. Кувайскова // Известия Самарского научного центра Российской академии наук. – 2021. – Т. 23, № 1(99). – С. 111-114.
16. Волков, В.Л. Моделирование процессов и систем в приборостроении: учебное пособие для студентов технических специальностей дневной, вечерней и заочной формы обучения / В.Л. Волков; Арзамасский политехнический институт. – Арзамас: ООО «Ассоциация ученых», 2008. – 143 с.
17. Прогнозирование качества функционирования технического объекта с использованием машинного обучения / М.И. Корнилова, С.В. Бусыгин, В.Н. Ковальногов, В.Н. Клячкин // Надежность и качество сложных систем. – 2023. – № 4(44). – С. 152-158.
18. Bengio, Y., Simard, P., Frasconi, P. Learning Longterm Dependencies with Gradient Descent // IEEE Transactions on Neural Networks. 1994. №2. p. 157 – 166.
19. Wei, W., Li, P. Multi-Channel LSTM with Different Time Scales for Foreign Exchange Rate Prediction. Proceedings of the international conference on Advanced Information Science and System. 2019.
20. Исаев, Г.Г. Интеллектуальные информационные технологии в системах технической диагностики авиационной техники / Г.Г. Исаев, Н.П. Козак // Информационные технологии в образовании: Сборник научных трудов. – Ульяновск: Издатель Качалин Александр Васильевич, 2018. – С. 57-61.
21. Свидетельство о государственной регистрации программы для ЭВМ № 2024664709. Российская Федерация. Программа технического диагностирования информационно-преобразующих элементов боротового оборудования авиационного комплекса на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей «ДИАГНОСТИКА-93»: № 2024662926: заявл. 06.06.2024: опубл. 24.06.2024 / А.С. Букирёв.
22. Федоринов А. Ю. Метод повышения точности и надёжности навигационно-измерительных систем на основе комплексной оптимально-инвариантной фильтрации произвольных сигналов в условиях избыточности устройств обработки информации / А.Ю. Федоринов, Ю.П. Иванов // Труды МАИ. – 2024. – № 139.
23. Букирёв А.С. Способ диагностирования комплекса бортового оборудования воздушных судов на основе машинного обучения / А.С. Букирёв // Труды МАИ. – 2023. – № 133.

Скачать статью