ntvНаучно-технический вестник информационных технологий, механики и оптикиScientific and Technical Journal of Information Technologies, Mechanics and Optics2226-14942500-0373Университет ИТМО10.17586/2226-1494-2023-23-4-828-835ntv-229Research ArticleМАТЕМАТИЧЕСКОЕ И КОМПЬЮТЕРНОЕ МОДЕЛИРОВАНИЕMODELING AND SIMULATIONПодход к формированию обобщенных параметров технического состояния сложных технических систем c использованием нейросетевых структурApproach to the generalized parameters formation of the complex technical systems technical condition using neural network structureshttps://orcid.org/0000-0002-6755-5700МальцевГ. Н.MaltsevG. N.

Мальцев Георгий Николаевич — доктор технических наук, профессор, профессор

sc 66002715766

Санкт-Петербург, 197198

Georgy N. Maltsev — D.Sc., Full Professor

sc 66002715766

Saint Petersburg, 197198

vka@mil.ruhttps://orcid.org/0000-0001-9721-2453ЯкимовВ. Л.YakimovV. L.

Якимов Виктор Леонидович — доктор технических наук, доцент, профессор

sc 57194512292

Санкт-Петербург, 197198

Victor L. Yakimov — D.Sc., Associate Professor, Professor

sc 57194512292

Saint Petersburg, 197198

vka@mil.ruВоенно-космическая академия имени А.Ф. МожайскогоРоссияMozhasky Military Aerospace AcademyRussian Federation202315122024234828835Copyright © Мальцев Г.Н., Якимов В.Л., 20242024Мальцев Г.Н., Якимов В.Л.Maltsev G.N., Yakimov V.L.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://ntv.elpub.ru/jour/article/view/229

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.

A variant of the generalized parameters process forming of the complex technical systems technical condition is considered. This approach is relevant for modern robotic systems equipped with built-in telemetry tools. The proposed approach to the generalized parameters formation is based on heterogeneous telemetry parameters weighted summation using information about structural and functional relationships in a complex technical system, followed by digital low[1]frequency fltering of the weighted summation results. This solution makes it possible to increase the complex technical systems technical condition reliability assessment by the values of generalized parameters in the external control loop. The form of generalized parameter representation in the technical condition gradations, which corresponds to the normal functioning, emergency situations and complex technical system partially operational state, is chosen. A multilevel hierarchical model of the generalized parameters formation of the complex technical systems technical condition on the basis of telemeasurements based on a variety of neural network structures allowing to take into account the nonlinear nature of the parameters being telemetered and the mutual infuence between them has been developed. The model uses a variety of digital low-frequency flters that reduce the level of disturbances in the generalized parameters time series. The occurrence of disturbances is associated with the uncertainty of changes in the values of the telemetered and generalized parameters near the tolerance limits set by experts with expanded gradations according to technical condition. Information about the limits of tolerances characterizes not only the situations of regular and non-standard functioning, but also the complex technical systems partially operational state. The results of the generalized parameters formation of the spacecraft onboard system technical condition using multilayer neural networks, Kolmogorov–Gabor polynomials and digital fltering methods are presented. The advantages of using multilayer neural networks and median flters in the developed model are shown. The use of generalized parameters will signifcantly reduce the information load on the transmission channels of telemetry information as well as the means of its processing and analysis in the external control loop. The proposed solutions based on the basic operations of weighted summation and nonlinear transformation can be effectively implemented on promising vector-matrix and tensor processors that support their execution at the hardware level.

сложная техническая систематехническое состояниетелеметрируемые параметрыобобщенный параметрнейронные сетицифровая фильтрацияtechnical systemtechnical conditiontelemetric parametersgeneralized parameterneural networksdigital flteringReferencesПоспелов Д.А. Ситуационное управление: теория и практика. М.: URSS, 2021. 288 с.Pospelov D.A. Situational Management: Theory and Practice. Moscow, URSS Publ., 2021, 288 p. (in Russian)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.2020.3045745Song Y., Peng Y., Liu D. Model-based health diagnosis for lithium-ion battery pack in space applications. IEEE Transactions on Industrial Electronics, 2021, vol. 68, no. 12, pp. 12375–12384. https://doi.org/10.1109/TIE.2020.3045745Ritter 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/machines9120361Ritter N., Straub J. Implementation of hardware-based expert systems and comparison of their performance to software-based expert systems. Machines, 2021, vol. 9, no. 12, pp. 361. https://doi.org/10.3390/machines9120361Лоскутов 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.057-063Loskutov A.I., Klykov V.A. Identifcation and technical diagnostics of onboard equipment of autonomous spacecrafts based on bijective transformations of the set of diagnostic features. Testing. Diagnostics, 2016, no. 4, pp. 57–63. (in Russian). https://doi.org/10.14489/td.2016.04.pp.057-063Мозгалевский А.В., Гаскаров Д.В. Техническая диагностика (непрерывные объекты): учебное пособие для вузов. М.: Высшая школа, 1975. 207 c.Mozgalevskii A.V., Gaskarov D.V. Technical Diagnostics (Continuous Objects). Moscow, Vysshaja shkola Publ., 1975, 207 p. (in Russian)Якимов В.Л., Панкратов А.В. Алгоритм формирования диагностических признаков бортовых динамических систем на основе показателя Херста // Труды МАИ. 2015. № 83. С. 23.Yakimov V. L., Pankratov A. V. Algorithm of diagnostic signs formation for onboard dynamic systems based on Hurst index. Trudy MAI, 2015, no. 83, pp. 23. (in Russian)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.2022.21.5Yakimov V., Maltsev G. Hybrid network structures and their use in diagnosing complex technical systems. Informatics and Automation, 2022, vol. 21, no. 1, pp. 126–160. (in Russian). https://doi.org/10.15622/ia.2022.21.5Мальцев 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.56.5Maltsev G.N., Nazarov A.V., Yakimov V.L. The study of the diagnosing of automatic spacecraft on-board equipment using a discrete-event simulation model. SPIIRAS Proceedings, 2018, no. 1(56), pp. 95–121. (in Russian). https://doi.org/10.15622/sp.56.5Duer 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/en14092719Duer 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, vol. 14, no. 9, pp. 2719. https://doi.org/10.3390/en14092719Кузьмин А.Б. Достоверность допусковых методов контроля сложных технических систем // Автоматика и телемеханика. 1987. № 10. С. 59–65.Kuz’min A.B. Credibility of tolerance complex industrial system monitoring methods. Avtomatika i Telemekhanika, 1987, no. 10, pp. 59–65. (in Russian)Горбань А. Обобщенная аппроксимационная теорема и вычислительные возможности нейронных сетей // Сибирский журнал вычислительной математики. 1998. Т. 1. № 1. С. 12‒24.Gorban A. Generalized approximation theorem and computational capabilities of neural networks. Sibirskij zhurnal vychislitel’noj matematiki, 1998, vol. 1, no. 1, pp. 12‒24. (in Russian)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/S1060992X17010064Marushko E.E., Doudkin A.A. Ensembles of neural networks for forecasting of time series of spacecraft telemetry. Optical Memory and Neural Networks, 2017, vol. 26, no. 1, pp. 47–54. https://doi.org/10.3103/S1060992X17010064Fayemi 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/en13225873Fayemi O., Di Q., Zhen Q., Wang Y. Adaptive processing for EM telemetry signal recovery: Field data from sichuan province. Energies, 2020, vol. 13, no. 22, pp. 5873. https://doi.org/10.3390/en13225873Liu W., Dou Z., Wang W., Liu Y., Zou H., Zhang B., Hou S. Shortterm 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/app8091603Liu W., Dou Z., Wang W., Liu Y., Zou H., Zhang B., Hou S. Shortterm load forecasting based on elastic net improved GMDH and difference degree weighting optimization. Applied Sciences, 2018, vol. 8, no. 9, pp. 1603. https://doi.org/10.3390/app8091603Jung 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/s10994-020-05920-5Jung J., Sael L. Fast and accurate pseudoinverse with sparse matrix reordering and incremental approach. Machine Learning, 2020, vol. 109, no. 12, pp. 2333–2347. https://doi.org/10.1007/s10994-020-05920-5

The authors declare that there are no conflicts of interest present.