Гибридные сетевые структуры и их использование при диагностировании сложных технических систем
Ключевые слова:
сложная техническая система, техническое диагностирование, гибридная сетевая структура, байесовская сеть, стохастическое обучениеАннотация
Предложен подход к техническому диагностированию сложных технических систем по результатам обработки телеметрической информации внешней системой контроля и диагностирования с использованием гибридных сетевых структур. Рассмотрен принцип построения диагностических комплексов сложных технических систем, обеспечивающий автоматизацию процесса технического диагностирования и основанный на использовании при обработке телеметрической информации моделей в виде гибридных сетевых структур, включающих многослойные нейронные сети и дискретные байесовские сети со стохастическим обучением. Разработаны модель изменения параметров технического состояния сложных технических систем на основе многослойных нейронных сетей, позволяющая сформировать вероятностную оценку отнесения текущей ситуации функционирования сложной технической системы к множеству рассмотренных ситуаций функционирования по отдельным телеметрируемым параметрам, и многоуровневая иерархическая модель технического диагностирования сложных технических систем на основе дискретной байесовской сети со стохастическим обучением, позволяющая агрегировать полученную от нейросетевых моделей информацию и распознавать текущую ситуацию функционирования сложной технической системы. В условиях нештатных ситуаций функционирования сложной технической системы по результатам обработки телеметрической информации локализуются неисправные функциональные узлы и формируется объяснение причины возникновения нештатной ситуации. Детализированы этапы реализации технического диагностирования сложных технических систем с использованием предложенных гибридных сетевых структур при обработке телеметрической информации. Представлен пример использования разработанного подхода к решению задач технического диагностирования бортовой системы космического аппарата. Показаны преимущества предлагаемого подхода к техническому диагностированию сложных технических систем в сравнении с традиционным подходом, основанном на анализе принадлежности значений телеметрируемых параметров заданным допускам.
Литература
1. Поспелов Д.А. Ситуационное управление: теория и практика // М.: Едиториал УРСС. 2021. 288 с.
2. Мостовой Я.А. Управление сложными техническими системами: конструирование программного обеспечения спутников ДЗЗ // М.: Техносфера. 2016. 352 с.
3. Александровская Л.Н. Современные методы обеспечения безопасности сложных технических систем: учебник // М.: Логос. 2001. 208 c.
4. Кирилин А.Н., Ахметов Р.Н., Сологуб А.Н., Макаров В.П. Методы обеспечения живучести низкоорбитальных автоматических космических аппаратов зондирования Земли: математические модели, компьютерные технологии // М.: Машиностроение. 2010. 384 с.
5. Carlton A., Morgan R., Lohmeyer W., Cahoy K. Telemetry Fault-Detection Algorithms: Applications for Spacecraft Monitoring and Space Environment Sensing // Journal of Aerospace Information Systems. 2018. vol. 15. no. 5. pp. 239–252.
6. Мальцев 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. Вып. 1(56). С. 95–121.
7. Hassanien A.E., Darwish A., Abdelghafar S. Machine learning in Telemetry Data Mining of Space Mission: Basics, Challenging and Future Directions // Artifical Intelligence Review. 2020. vol. 53. no. 5. pp. 3201–3230.
8. Bakhmut A.D., Krylov A.V., Okhtilev M.Y. Proactive Management of Complex Objects Using Precedent Methodology // Advances in Intelligent Systems and Computing. 2019. vol. 764. pp. 298–307.
9. Bakhmut A.D., Ustinov A.V., Koromyslichenko V.N. and oth. Methods of Conceptual Modeling of Intelligent Decision Support Systems for Managing Complex Objects at All Stages of its Life Cycle // Advances in Intelligent Systems and Computing. 2019. vol. 875. pp. 171–180.
10. Охтилев М.Ю., Мустафин Н.Г., Миллер В.Е., Соколов Б.В. Концепция проактивного управления сложными объектами: теоретические и технологические основы // Известия высших учебных заведений. Приборостроение. 2014. Т. 57. № 11. С. 7–15.
11. Titkanloo H.N., Keramati A., Fekri R. Data Aggregation in Multi-Source Assessment Model Based on Evidence Theory // Applied Soft Computing. 2018. vol. 69. pp. 443–452.
12. Luger G. Artificial Intelligence: Structure and Strategies for Complex Problem Solving. 5th ed. // Harlow: Addison Wesley. 2005. 903 p.
13. Burnham K.P. Model Selection and Multimodel Inference: a Practical Informationtheoretic Approach // NewYork: Springer. 2002. 488 p.
14. Микони С.В., Соколов Б.В., Юсупов Р.М. Квалиметрия моделей и полимодельных комплексов // М.: РАН. 2018. 314 с.
15. Лоскутов А.И., Бянкин А.А., Семенюк Д.Б., Клыков В.А. Методика синтеза математической модели функционирования бортовой радиоэлектронной аппаратуры объектов ракетно-космической техники на основе полимодельного подхода // Приборы и системы. Управление, контроль, диагностика. 2019. № 9. С. 27–36.
16. Шмелёв В.В., Самойлов Е.Б., Саноцкая Н.А. Полимодельный комплекс интеллектуального мониторинга состояния технических систем с компенсацией возмущающих факторов // T-Comm: Телекоммуникации и транспорт. 2018. Т. 12. №8. С. 44–51.
17. Jimenez J., Schwartz S., Vingerhoeds R., Grabot B. Towards Multi-Model Approaches to Predictive Maintenance: A Systematic Literature Survey on Diagnostics and Prognostics // Journal of Manufacturing Systems. 2020. vol. 56. pp. 539–557.
18. Zhang P., Li T., Wang G., Luo C. Multi-Source Information Fusion Based on Rough Set Theory: A Review // Information Fusion. 2021. vol. 68. pp. 85–117.
19. Li Z., Tian L., Jiang Q., Yan X. Fault Diagnostic Method Based on Deep Learning and Multimodel Feature Fusion for Complex Industrial Processes // Industrial & Engineering Chemistry Research. 2020. vol. 59. pp. 18061–18069.
20. Shahraki A.F., Yadav O.P., Liao H. A Review on Degradation Modelling and Its Engineering Applications // International Journal of Performability Engineering. 2017. vol. 13. pp. 299–314.
21. Якимов В.Л. Прогнозирование параметров технического состояния стартового комплекса с использованием нейронных сетей // Известия высших учебных заведений. Приборостроение. 2006. № 7. С. 7–10.
22. Marushko 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.
23. Емельянова Ю.Г., Фраленко В.П. Методы когнитивно-графического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. 2018. Т. 9. № 4(39). С. 117–158.
24. Мальцев Г.Н., Назаров А.В., Якимов В.Л. Алгоритм максимизации энтропии обучающей выборки и его использование при разработке прогнозной модели дискретных состояний нелинейной динамической системы // Информационно-управляющие системы. 2015. № 2. С. 57–66.
25. Preece A. Asking «Why» in AI: Explainability of Intelligent Systems – Perspectives and Challenges // Intelligent Systems in Accounting, Finance and Management. 2018. vol. 25. pp. 63–72.
26. Marcot B.G., Penman T.D. Advances in Bayesian Network Modelling: Integration of Modelling Technologies // Environmental Modelling and Software. 2019. vol. 111. pp. 386–393.
27. Chen J., Pi D., Wu Z., Zhao X. Imbalanced Satellite Telemetry Data Anomaly Detection Model Based on Bayesian LSTM // Acta Astronautica. 2021. vol. 180. pp. 232–242.
28. Масленников Е.Д., Сулимов В.Б. Предсказания на основе байесовских сетей доверия: алгоритм и программная реализация // Вычислительные методы и программирование. 2010. Т. 11. № 4. C. 94–107.
29. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков // Труды СПИИРАН. 2013. Вып. 1(24). С. 135–151.
30. Gao X., Guo Z., Ren H., Yang Y. Learning Bayesian Network Parameters Via Minimax Algorithm // International Journal of Approximate Reasoning. 2019. vol. 108. pp. 62–75.
31. Торопова А.В. Подходы к диагностике согласованности данных в байесовских сетях доверия // Труды СПИИРАН. 2015. Вып. 6(43). С. 156–178.
32. Смирнов В.А. Поиск неисправностей в бортовых системах управления в процессе приемочного контроля // Информационно-управляющие системы. 2013. № 2. С. 24–28.
33. Ларин В.П., Шелест Д.К. Формирование информационного обеспечения надежности бортовой аппаратуры на стадии проектирования // Информационно-управляющие системы. 2012. № 4. С. 93–97.
34. Ахметов Р.Н. Методы и модели автономного управления живучестью автоматических космических аппаратов дистанционного зондирования Земли // Вестник Самарского государственного аэрокосмического университета. 2008. № 2. С. 194–210.
35. Kresoja M., Luzanin Z., Stojkovska I. Adaptive Stochastic Approximation Algorithm // Numerical Algorithms. 2017. vol. 76. pp. 917–937.
36. Граничин О.Н., Измакова О.А. Рандомизированный алгоритм стохастической аппроксимации в задаче самообучения // Автоматика и телемеханика. 2005. № 8. C. 52–63.
37. Wangab D., Tiana L. Parametric Methods for Confidence Interval Estimation of Overlap Coefficients // Computational Statistics & Data Analysis. 2017. vol. 106. pp. 12–26.
38. Мальцев Г.Н., Якимов В.Л., Соловьев С.В., Лебедева Н.В. Первичная обработка телеметрической информации с использованием динамических моделей изменения параметров и парциальной нелинейной фильтрации // Информационно-управляющие системы. 2018. № 5. С. 22–34.
39. Andoga R., Fozo L., Judicak J., Breda R. Intelligent Situational Control of Small Turbojet Engines // International Journal of Aerospace Engineering. 2018. pp. 1–16.
40. Gorod A., Ireland V., Gunawan I., Hallo L. Evolving Toolbox for Complex Project Management // Boca Raton: Auerbach Publications. 2019. 570 p.
2. Мостовой Я.А. Управление сложными техническими системами: конструирование программного обеспечения спутников ДЗЗ // М.: Техносфера. 2016. 352 с.
3. Александровская Л.Н. Современные методы обеспечения безопасности сложных технических систем: учебник // М.: Логос. 2001. 208 c.
4. Кирилин А.Н., Ахметов Р.Н., Сологуб А.Н., Макаров В.П. Методы обеспечения живучести низкоорбитальных автоматических космических аппаратов зондирования Земли: математические модели, компьютерные технологии // М.: Машиностроение. 2010. 384 с.
5. Carlton A., Morgan R., Lohmeyer W., Cahoy K. Telemetry Fault-Detection Algorithms: Applications for Spacecraft Monitoring and Space Environment Sensing // Journal of Aerospace Information Systems. 2018. vol. 15. no. 5. pp. 239–252.
6. Мальцев 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. Вып. 1(56). С. 95–121.
7. Hassanien A.E., Darwish A., Abdelghafar S. Machine learning in Telemetry Data Mining of Space Mission: Basics, Challenging and Future Directions // Artifical Intelligence Review. 2020. vol. 53. no. 5. pp. 3201–3230.
8. Bakhmut A.D., Krylov A.V., Okhtilev M.Y. Proactive Management of Complex Objects Using Precedent Methodology // Advances in Intelligent Systems and Computing. 2019. vol. 764. pp. 298–307.
9. Bakhmut A.D., Ustinov A.V., Koromyslichenko V.N. and oth. Methods of Conceptual Modeling of Intelligent Decision Support Systems for Managing Complex Objects at All Stages of its Life Cycle // Advances in Intelligent Systems and Computing. 2019. vol. 875. pp. 171–180.
10. Охтилев М.Ю., Мустафин Н.Г., Миллер В.Е., Соколов Б.В. Концепция проактивного управления сложными объектами: теоретические и технологические основы // Известия высших учебных заведений. Приборостроение. 2014. Т. 57. № 11. С. 7–15.
11. Titkanloo H.N., Keramati A., Fekri R. Data Aggregation in Multi-Source Assessment Model Based on Evidence Theory // Applied Soft Computing. 2018. vol. 69. pp. 443–452.
12. Luger G. Artificial Intelligence: Structure and Strategies for Complex Problem Solving. 5th ed. // Harlow: Addison Wesley. 2005. 903 p.
13. Burnham K.P. Model Selection and Multimodel Inference: a Practical Informationtheoretic Approach // NewYork: Springer. 2002. 488 p.
14. Микони С.В., Соколов Б.В., Юсупов Р.М. Квалиметрия моделей и полимодельных комплексов // М.: РАН. 2018. 314 с.
15. Лоскутов А.И., Бянкин А.А., Семенюк Д.Б., Клыков В.А. Методика синтеза математической модели функционирования бортовой радиоэлектронной аппаратуры объектов ракетно-космической техники на основе полимодельного подхода // Приборы и системы. Управление, контроль, диагностика. 2019. № 9. С. 27–36.
16. Шмелёв В.В., Самойлов Е.Б., Саноцкая Н.А. Полимодельный комплекс интеллектуального мониторинга состояния технических систем с компенсацией возмущающих факторов // T-Comm: Телекоммуникации и транспорт. 2018. Т. 12. №8. С. 44–51.
17. Jimenez J., Schwartz S., Vingerhoeds R., Grabot B. Towards Multi-Model Approaches to Predictive Maintenance: A Systematic Literature Survey on Diagnostics and Prognostics // Journal of Manufacturing Systems. 2020. vol. 56. pp. 539–557.
18. Zhang P., Li T., Wang G., Luo C. Multi-Source Information Fusion Based on Rough Set Theory: A Review // Information Fusion. 2021. vol. 68. pp. 85–117.
19. Li Z., Tian L., Jiang Q., Yan X. Fault Diagnostic Method Based on Deep Learning and Multimodel Feature Fusion for Complex Industrial Processes // Industrial & Engineering Chemistry Research. 2020. vol. 59. pp. 18061–18069.
20. Shahraki A.F., Yadav O.P., Liao H. A Review on Degradation Modelling and Its Engineering Applications // International Journal of Performability Engineering. 2017. vol. 13. pp. 299–314.
21. Якимов В.Л. Прогнозирование параметров технического состояния стартового комплекса с использованием нейронных сетей // Известия высших учебных заведений. Приборостроение. 2006. № 7. С. 7–10.
22. Marushko 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.
23. Емельянова Ю.Г., Фраленко В.П. Методы когнитивно-графического представления информации для эффективного мониторинга сложных технических систем // Программные системы: теория и приложения. 2018. Т. 9. № 4(39). С. 117–158.
24. Мальцев Г.Н., Назаров А.В., Якимов В.Л. Алгоритм максимизации энтропии обучающей выборки и его использование при разработке прогнозной модели дискретных состояний нелинейной динамической системы // Информационно-управляющие системы. 2015. № 2. С. 57–66.
25. Preece A. Asking «Why» in AI: Explainability of Intelligent Systems – Perspectives and Challenges // Intelligent Systems in Accounting, Finance and Management. 2018. vol. 25. pp. 63–72.
26. Marcot B.G., Penman T.D. Advances in Bayesian Network Modelling: Integration of Modelling Technologies // Environmental Modelling and Software. 2019. vol. 111. pp. 386–393.
27. Chen J., Pi D., Wu Z., Zhao X. Imbalanced Satellite Telemetry Data Anomaly Detection Model Based on Bayesian LSTM // Acta Astronautica. 2021. vol. 180. pp. 232–242.
28. Масленников Е.Д., Сулимов В.Б. Предсказания на основе байесовских сетей доверия: алгоритм и программная реализация // Вычислительные методы и программирование. 2010. Т. 11. № 4. C. 94–107.
29. Мусина В.Ф. Байесовские сети доверия как вероятностная графическая модель для оценки медицинских рисков // Труды СПИИРАН. 2013. Вып. 1(24). С. 135–151.
30. Gao X., Guo Z., Ren H., Yang Y. Learning Bayesian Network Parameters Via Minimax Algorithm // International Journal of Approximate Reasoning. 2019. vol. 108. pp. 62–75.
31. Торопова А.В. Подходы к диагностике согласованности данных в байесовских сетях доверия // Труды СПИИРАН. 2015. Вып. 6(43). С. 156–178.
32. Смирнов В.А. Поиск неисправностей в бортовых системах управления в процессе приемочного контроля // Информационно-управляющие системы. 2013. № 2. С. 24–28.
33. Ларин В.П., Шелест Д.К. Формирование информационного обеспечения надежности бортовой аппаратуры на стадии проектирования // Информационно-управляющие системы. 2012. № 4. С. 93–97.
34. Ахметов Р.Н. Методы и модели автономного управления живучестью автоматических космических аппаратов дистанционного зондирования Земли // Вестник Самарского государственного аэрокосмического университета. 2008. № 2. С. 194–210.
35. Kresoja M., Luzanin Z., Stojkovska I. Adaptive Stochastic Approximation Algorithm // Numerical Algorithms. 2017. vol. 76. pp. 917–937.
36. Граничин О.Н., Измакова О.А. Рандомизированный алгоритм стохастической аппроксимации в задаче самообучения // Автоматика и телемеханика. 2005. № 8. C. 52–63.
37. Wangab D., Tiana L. Parametric Methods for Confidence Interval Estimation of Overlap Coefficients // Computational Statistics & Data Analysis. 2017. vol. 106. pp. 12–26.
38. Мальцев Г.Н., Якимов В.Л., Соловьев С.В., Лебедева Н.В. Первичная обработка телеметрической информации с использованием динамических моделей изменения параметров и парциальной нелинейной фильтрации // Информационно-управляющие системы. 2018. № 5. С. 22–34.
39. Andoga R., Fozo L., Judicak J., Breda R. Intelligent Situational Control of Small Turbojet Engines // International Journal of Aerospace Engineering. 2018. pp. 1–16.
40. Gorod A., Ireland V., Gunawan I., Hallo L. Evolving Toolbox for Complex Project Management // Boca Raton: Auerbach Publications. 2019. 570 p.
Опубликован
2022-02-02
Как цитировать
Якимов, В. Л., & Мальцев, Г. Н. (2022). Гибридные сетевые структуры и их использование при диагностировании сложных технических систем. Информатика и автоматизация, 21(1), 126-160. https://doi.org/10.15622/ia.2022.21.5
Раздел
Искусственный интеллект, инженерия данных и знаний
Copyright (c) Виктор Леонидович Якимов, Георгий Николаевич Мальцев
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).