В записях телеметрии, получаемых с датчиков сложных технических систем, к примеру космических аппаратов, имеют место многочисленные сбои в виде пропусков, выбросов, различного рода аномалий. Доступ к таким объектам мониторинга затруднен или невозможен. Для разработки систем автоматического анализа данных в таких случаях необходима эмуляция данных с датчиков. В условиях наличия помех и искажений возникает задача восстановления поврежденных данных. При этом эмулятор подсистем космического аппарата должен формировать потоки данных с сохранением структуры, очередности протекания событий во времени и с возможностью внесения в них разного рода аномалий. Обученная на этих данных система диагностики и контроля должна позволять определять вероятность выхода из строя того или иного датчика, предупреждать о возможности выхода параметров за установленные пределы, что требуется для оперативного принятия решений с целью приспособления к поменявшимся условиям. Данные телеметрии, получаемые с датчиков космического аппарата, содержат многочисленную поврежденную информацию (обычно неизвестных значений), вызвано это различного рода нарушениями или нарушениями оборудования (приемо-передающего), в том числе помехами либо сбоями в каналах связи. В связи с этим для благополучного решения задач прогноза, контроля и диагностики поступающей телеметрической информации с КА принципиальна и важна предварительная обработка.
В настоящей работе предлагается подход и программная реализация восстановления пропущенных и поврежденных данных сложных технических систем, на примере космического аппарата, на основе искусственной нейронной сети. Предлагается генератор, эмулирующий работу датчиков подсистем космического аппарата. Разработанные подходы предполагают возможность регулировки операции восстановления и генерации требуемых тестовых данных под конкретные особенности тестируемой подсистемы космического аппарата.
Цель исследования: разработка подхода и программная реализация восстановления пропущенных и поврежденных данных сложных технических систем, на примере космического аппарата, на основе искусственной нейронной сети. Разработка генератора, эмулирующего работу датчиков подсистем космического аппарата.
Результаты исследования и их обсуждение
Восстановление пропущенных и поврежденных данных на основе нейронных сетей
Мониторинг и диагностика подсистем космических аппаратов является одним из способов гарантировать компетентный уровень производительности при выполнении прогнозирования процессов непредсказуемых ситуаций, которые связаны с аномалиями и неисправностями датчиков. В связи с ростом масштабов космического аппарата и сложности технических систем вырастает трудозатратность тестирований и величина анализируемой информации [1, 2].
Восстановление отсутствующих или поврежденных данных является необходимой функцией генераторов, основанных на неполных данных сложных технических систем (СТС). Стоит отметить следующие наиболее важные способы заполнения пропусков:
– геометрическая интерполяция (интерполяция кубическим сплайном) – с помощью дискретного набора доступных значений возникают промежуточные значения уровней [3];
– заполнение по регрессии – применение полных данных для выстраивания линейного уравнения множественной регрессии; прогноз недостающего индикатора получается путем вставки атрибута предиктора в уравнение регрессии; создает линейную форму переменной, благодаря использованию других характеристик и коэффициентов регрессии [4]; картина уравнения формируется характером динамики установленного явления; вид уравнения создается согласно рассчитанным признакам динамики.
Таблица 1
Часть исходных данных (с пропусками) телеметрии КА
|
B (напряжение тока бортсети) |
A (сила тока бортсети) |
B (напряжение солнечной батареи) |
Время, с |
|
14,60 |
0,170 |
0,20 |
0 |
|
17,90 |
0,1628 |
14,74 |
60 |
|
? |
0,1755 |
0,20 |
120 |
|
14,50 |
0,160 |
3,853 |
180 |
|
14,40 |
? |
0,20 |
240 |
|
14,50 |
0,1722 |
0,19 |
300 |
|
14,30 |
0,180 |
0,19 |
360 |
|
? |
0,170 |
0,19 |
420 |
|
14,40 |
0,1691 |
0,20 |
480 |
|
14,60 |
? |
? |
540 |
|
14,20 |
0,180 |
0,29 |
600 |
|
? |
0,170 |
0,19 |
660 |
|
14,20 |
0,160 |
0,170 |
720 |
|
14,20 |
0,1793 |
0,160 |
780 |
|
14,30 |
? |
4,710 |
840 |
|
14,90 |
0,190 |
14,740 |
900 |
|
? |
0,190 |
0,180 |
960 |
|
14,10 |
0,160 |
? |
1020 |
|
14,20 |
0,160 |
0,170 |
1080 |
|
… |
… |
… |
… |
На основании исследования имеющихся способов восстановления пробелов предлагается восстановить недостающую либо испорченную информацию подсистем космических аппаратов с применением искусственной нейронной сети (ИНС) [5, 6]. Для решения задачи возобновления пропусков в данных частично применялась общая регрессионная нейронная сеть, что было оправдано последующими достоинствами [7]: возможность исследовать корреляцию между данными и суммировать информацию; возможность прогнозирования нелинейных взаимосвязей среди входных и выходных параметров.
Рассмотрим задачу восстановления на определенном примере исходных данных с космического аппарата (КА), часть телеметрии представлена в табл. 1.
Устранение некомплектных записей – один из основных шагов обработки данных с пропусками. Под ними понимаются подобные столбцы матрицы, которые содержат пропуски в том же временном срезе, что и восстанавливаемый параметр [8]. Требуется, чтобы число пропусков в начальных данных было незначительным, иначе это приводит к низкому качеству восстановления данных [9, 10]. Предлагаемый алгоритм восстановления данных на основе искусственной нейронной сети содержит следующие шаги:
– анализ исходной таблицы статистических сведений на предмет присутствия и отсутствия пробелов (пропусков);
– определение компетентных столбцов и строк, включая строки, содержащие пропущенные значения;
– осуществление процесса обучения нейросети на основе компетентных данных;
– применение ИНС и получение таблицы восстановленных данных.
Результат обработки данных табл. 1 представлен в табл. 2.
Генерация данных телеметрии сложных технических систем на примере КА
Эмуляция (генерация) тестовых данных телеметрии является главным источником нужных сведений о свойствах процессов, протекающих в СТС, в том числе космических аппаратов и других летательных аппаратов. Обработка данных телеметрии ориентирована на выявление различных аномалий (отклонений) в работе подсистем аппаратуры.
Итоги обработки подчеркивают допустимость оценки качественных свойств исследуемого аппарата с целью принятия стремительных и верных заключений с целью приспособления к поменявшимся ситуациям. Тестирование требуемой информации дает возможность осуществить обнаружение закономерностей в свойствах исследуемых сложных технических объектов и процессов, которые помогают разрешить задачу сокращения расходов и увеличения качества тестирования.
Таблица 2
Восстановленные данные телеметрии КА
|
B (напряжение тока бортсети) |
A (сила тока бортсети) |
B (напряжение солнечной батареи) |
Время, с |
|
14,60 |
0,170 |
0,20 |
0 |
|
17,90 |
0,1628 |
14,74 |
60 |
|
14,20 |
0,1755 |
0,20 |
120 |
|
14,50 |
0,160 |
3,853 |
180 |
|
14,40 |
0,190 |
0,20 |
240 |
|
14,50 |
0,1722 |
0,19 |
300 |
|
14,30 |
0,180 |
0,19 |
360 |
|
14,20 |
0,170 |
0,19 |
420 |
|
14,40 |
0,1691 |
0,20 |
480 |
|
14,60 |
0,10 |
0,20 |
540 |
|
14,20 |
0,18 |
0,29 |
600 |
|
14,30 |
0,17 |
0,19 |
660 |
|
14,20 |
0,16 |
0,17 |
720 |
|
14,20 |
0,1793 |
0,16 |
780 |
|
14,30 |
0,19 |
4,71 |
840 |
|
14,90 |
0,19 |
14,74 |
900 |
|
14,50 |
0,19 |
0,18 |
960 |
|
14,10 |
0,16 |
0,20 |
1020 |
|
14,20 |
0,16 |
0,17 |
1080 |
|
… |
… |
… |
… |
Таблица 3
Сгенерированные (эмулированные) данные телеметрии космического аппарата
|
B (напряжение тока бортсети) |
A (сила тока бортсети) |
B (напряжение солнечной батареи) |
Время, с |
|
13,82 |
0,26 |
15,84 |
0 |
|
13,84 |
0,86 |
3,09 |
60 |
|
13,80 |
0,26 |
0,19 |
120 |
|
13,90 |
0,5 |
0,19 |
180 |
|
13,76 |
0,26 |
0,19 |
240 |
|
13,77 |
0,26 |
0,19 |
300 |
|
13,80 |
0,26 |
15,84 |
360 |
|
13,90 |
0,26 |
12,79 |
420 |
|
13,84 |
0,34 |
12,79 |
480 |
|
13,80 |
0,53 |
5,65 |
540 |
|
13,76 |
0,34 |
3,09 |
600 |
|
13,90 |
0,26 |
15,84 |
660 |
|
13,90 |
0,53 |
12,79 |
720 |
|
13,90 |
0,26 |
11,49 |
780 |
|
13,90 |
0,26 |
0,19 |
840 |
|
13,90 |
0,86 |
15,84 |
900 |
|
… |
… |
… |
… |
На сегодняшний день весомым недостатком существующих методов генерации тестовых данных является ограниченный набор функций, предоставляемых для настройки и управления генерацией тестовых данных, что фактически отмечено в работе [11].
Научно-исследовательским институтом специального машиностроения МГТУ им. Н.Э. Баумана предоставлены данные (основы базы знаний) телеметрии малого КА «Юбилейный», для построения генераторов в качестве исходной информации. Уникальны эти данные следующим: присутствие пропусков в данных; присутствие максимально разрешенных значений; небольшой интервал времени исследования [12].
Метод генерации (эмуляции) телеметрических данных реализован на языке программирования Delphi [13] и включает в себя следующие этапы:
– анализ входных данных на наличие пробелов и отказов;
– восстановление данных (для правильного построения корреляционных функций, лежащих в основе генерации данных);
– определение диапазона, в котором должны находиться генерируемые значения;
– эмуляция данных с использованием корреляционного подхода [14];
– формирование сгенерированных данных телеметрии в выходной файл (табл. 3).
Для того чтобы выявить совместные качества потока данных, закономерности, тенденцию становления процесса, необходимы следующие действия [15]:
– выстроить таблицу (базу) исходных данных телеметрии;
– восстановить пробелы (пропуски) в таблице данных способом линейной интерполяции;
– получить свойства степени связи между 2-мя и большим количеством датчиков (дает представление о связи между данными).
Практическое применение результатов генерации данных телеметрии космического аппарата
Ради того, чтобы произвести байесовскую оценку аномальности потока данных, необходимо использовать результаты метода генерации данных с космического аппарата. В задачах прогнозирования применение байесовского способа подразумевает расчет степени аномалии текущего состояния прибора с применением метода генерации данных. Генерация телеметрической информации применяется для эмуляции исходных сведений и контроля состояния систем прогнозирования сбоев датчиков космических аппаратов, в том числе и сложных технических систем. Прогноз состояния систем космических аппаратов на основе байесовского способа с применением метода эмуляции данных может быть решен при условии, что установлено векторное распределение выходных данных, генерирующих непредвиденные значения c(d).
Для текущего этапа времени Δd возможность перехода в аномальное положение рассчитывается за счет функции распределения в черте аномальной области с*. Набор относительных распределений случайного вектора и текущее положение системы учитываются с целью повышения точности прогноза.
Чем ниже значение Δd для каждого критического значения вероятности p*, при котором достигается требование вероятности P(c(d + Δd) > c*) > p*, тем более протекающее положение опасно. Как следствие, при формировании байесовского подхода любое положение СТС устанавливается в соответствии с ожидаемым пределом и степенью угрозы, в процессе которого c(d) превышает пороговое значение х*. Таким образом, степени угрозы ранжируются по значению Δd – чем меньше значение Δd, тем выше степень угрозы.
Заключение
Предлагается подход и программная реализация восстановления пропущенных и поврежденных данных сложных технических систем, на примере космического аппарата, на основе искусственной нейронной сети. Создан генератор, эмулирующий работу датчиков подсистем космического аппарата. Разработанные подходы предполагают возможность регулировки операции восстановления и генерации требуемых тестовых данных под конкретные особенности тестируемой подсистемы космического аппарата. Полученные результаты дают возможность настройки процесса и анализировать всевозможные последовательности, имеющие как пробелы, так и помехи; фиксировать и предсказывать сбои или отказы в работе подсистем КА. Предложенный в работе подход также может служить основой для построения других алгоритмов оценки аномальности потоков данных.
Работа выполнена при финансовой поддержке проектов РФФИ № 17-29-07003-офи_м, 18-37-00037-мол_а и 18-07-00014-а.