Интеллектуальная поддержка процессов контроля и диагностики космических подсистем

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».

Еще

Космический аппарат, мониторинг, диагностика, прогнозирование, искусственные нейронные сети, интеллектуальная поддержка, когнитивная визуализация, когнитивное представление радиотехнического сигнала

Короткий адрес: https://sciup.org/143169809

IDR: 143169809   |   DOI: 10.25209/2079-3316-2019-10-4-25-75

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.
Еще
Статья научная
SciUp 2024 © 2024 ©