Модель контроля технического состояния бортовой аппаратуры космических аппаратов на основе значений телеметрируемых параметров переходных процессов

Рассмотрены вопросы идентификации бортовой аппаратуры космических аппаратов и формализации процесса контроля её технического состояния. Выявлена неоднозначность оценки технического состояния бортовой аппаратуры на основе параметров, характеризующих переходные процессы. Предложен подход к оцениванию параметров переходных процессов с использованием нейронной сети. Поставлена математическая задача – разработать модель контроля технического состояния бортовой аппаратуры космических аппаратов с минимизацией ошибочных решений о виде технического состояния в процессе контроля. Предложена концептуальная модель контроля технического состояния бортовой аппаратуры, расширенная нейросетевым преобразованием телеметрируемых параметров переходных процессов. Применение модели в распределённой системе контроля бортовой аппаратуры космических аппаратов позволяет исключить косвенный контроль по вычисляемым значениям параметров с целью достижения максимальной достоверности контроля. Показана эффективность предлагаемого подхода на примере системы управления движением космического аппарата. Оценены признаки технического состояния по телеметрируемым параметрам угловых скоростей. Телеметрируемые параметры получены с помощью датчиков. Полученные результаты показали преимущества использования многослойных нейронных сетей для формирования дополнительных признаков динамических систем и возможность достижения высокой точности оценивания данных признаков, тем самым обеспечив максимальную полноту контроля технического состояния бортовой аппаратуры космических аппаратов.

1. Микони С. В., Соколов Б. В., Юсупов Р. М. Квалиметрия моделей и полимодельных комплексов: монография. М.: РАН, 2018. 314 с.

2. Li Z., Tian L., Jiang Q., Yan X. Industrial & Engineering Chemistry Research, 2020, vol. 59, pp. 18061–18069. https://doi.org/10.1021/acs.iecr.0c03082

3. Guan L., Qiao F., Zhai X., Wang D. IEEE Transactions on Instrumentation and Measurement, 2022, vol. 71, 3522111. https://doi.org/10.1109/TIM.2022.3200695

4. Diao N., Zhang Y., Sun X., Song C., Wang W., Zhang H. IEEE Transactions on Power Electronics, 2023, vol. 38, no. 2, pp. 2539–2551. https://doi.org/10.1109/TPEL.2022.3216870

5. Burrola G. L., Leal M. Á. L., Mijares J. S. 2022 XXIV Robotics Mexican Congress (COMRob), Mineral de la Reforma/ State of Hidalgo, Mexico, 2022, pp. 48–53. http://dx.doi.org/10.1109/COMRob57154.2022.9962315

6. Лоскутов А. И., Клыков В. А., Ряхова Е. А., Столяров А. В., Шестопалова О. Л. Нейросетевой подход к кластеризации контролируемых параметров как одного из этапов автоматизации процесса идентификации сложных технических объектов // Измерение. Мониторинг. Управление. Контроль. 2021. № 1(35). С. 5–16. https://doi.org/10.21685/2307-5538-2021-1-1

7. Лоскутов 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://elibrary.ru/vszfaf

8. 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.2022.21.5

9. Walsh S., Murphy D., Doyle M., et. al. Aerospace, 2021, vol. 8(9), 254. https://doi.org/10.3390/aerospace8090254

10. Monteiro J. P., Rocha R. M., Silva A., Afonso R., Ramos N. Aerospace, 2019, vol. 6(12), 131. https://doi.org/10.3390/aerospace6120131

11. Suhadis N. M. Proc. International Conference of Aerospace and Mechanical Engineering 2019. In: Lecture Notes in Mechanical Engineering. Springer, Singapore. 2020, pp. 563– 573. https://doi.org/10.1007/978-981-15-4756-0_50