автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Интеллектуализация управления испытаниями жидкостных ракетных двигателей на основе интеграции базовых и оптимизационных процедур

На правах рукописи 005051457

ШОСТАК Александр Александрович

ИНТЕЛЛЕКТУАЛИЗАЦИЯ УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖИДКОСТНЫХ РАКЕТНЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ ИНТЕГРАЦИИ БАЗОВЫХ И ОПТИМИЗАЦИОННЫХ ПРОЦЕДУР

•Специальность: 05.13.01 - Системный анализ, управление и обработка

ин формации (технические и медицинские системы)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

4 АПР 2013

Воронеж - 2013

005051457

Работа выполнена в ФГБОУ ВПО «Воронежский государственный технический университет».

Научный руководитель Львович Яков Евсеевич,

доктор технических наук, профессор, заслуженный деятель науки РФ, ФГБОУ ВПО «Воронежский государственный технический университет», заведующий кафедрой систем автоматизированного проектирования и измерительных систем

Официальные оппоненты: Валеев Сагит Сабитович,

доктор технических наук, профессор, ФГБОУ ВПО «Уфимский государственный авиационный технический университет», заведующий кафедрой информатики

Васильев Евгений Михайлович,

кандидат технических наук, доцент, ФГБОУ ВПО «Воронежский государственный технический университет», доцент кафедры автоматики и информатики в технических системах

Ведущая организация ФГБОУ ВПО «Московский государственный

университет приборостроения и информатики»

Зашита состоится «26» апреля 2013 г. в 14 час. 00 мин. в конференц-зале на заседании диссертационного совета Д 212.037.02 ФГБОУ ВПО «Воронежский государственный технический университет» по адресу: 394026,, г. Воронеж, Московский просп., 14.

С диссертацией можно ознакомиться в научно-технической библиотеке ФГБОУ ВПО «Воронежский государственный технический университет».

Автореферат разослан «22» марта 2013г.

Ученый секретарь ^^^1103 Сергей Михайлович диссертационного сонета —

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Этапы натурных и полунатурных испытаний являются одними из важнейших этапов жизненного цикла сложных технических объектов, к которым можно отнести жидкостные ракетные двигатели (ЖРД). Длительность испытаний, их стоимость и достоверность существенным образом зависят от эффективности обработки информации, получаемой как в режиме реального времени, так и в режиме последующей обработки полученной информации (отставленной во времени информации). При этом процедуры управления ходом испытаний обеспечивают, с одной стороны, формирование и обеспечение программы выполнения необходимых режимов работы ЖРД, а с другой стороны, нацелены на решение задач диагностики возможных неисправностей, а также аварийную защиту от разрушения объекта испытаний.

Современное состояние научных исследований, направленных на совершенствование этого класса проблемно-ориентированных систем управления, определяется тенденцией интеллектуализации обработки и анализа информации о состоянии двигателя и обоснованного выбора схемы управления испытаниями.

Ряд основных важнейших научных результатов отражены в работах Р. Бэйкера, М. Баррьера, П.П. Пархоменко, Е.С. Сагомоняна и др. Основное внимание в выполненных исследованиях уделяется базовым принципам проведения испытаний в режиме реального времени. В меньшей степени рассматривается задача использования отставленной во времени информации для оптимизации базовых процедур обеспечения эффективности испытаний с учетом системных связей двух различных режимов проведения испытаний. Недооценивается необходимость совместного решения этих задач для повышения достоверности выявления неисправностей ЖРД и снижения избыточности требуемых режимов испытаний.

Таким образом, актуальность выполненных исследований определяется необходимостью решения задач интеллектуализации управления испытаниями за счет разработки новых эффективных методов построения специальных классов математических моделей, в которых используется отставленная во времени информации и разработки оптимизационных процедур отбора наиболее достоверных гипотез о неисправностях двигателя для минимизации избыточности информационного обеспечения.

Тематика диссертационной работы соответствует основному научному направлению ФГБОУ ВПО «Воронежский государственный технический университет» - «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель работы состоит в разработке моделей и алгоритмов, интегрируемых в структуру информационной системы управления испытаниями ЖРД и которые базируются на процедурах интеллектуализации обработки и анализа полученной информации в ходе испытаний о состоянии двигателя.

В соответствии с указанной целью определены следующие задачи, которые необходимо решить для достижения поставленной цели:

- провести анализ современных подходов к управлению испытаниями ЖРД и обосновать необходимость двух этапов интеллектуализации этого процесса, интегрированных в рамках единой структурной схемы;

- разработать алгоритмы оптимального отбора наиболее достоверных гипотез о неисправностях двигателя, использующие формализацию измеренной в процессе испытаний информации как в виде линейной модели чувствительности, так и автоассоциативной нейронной сети;

- сформировать оптимизационные модели минимизации структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД, и обосновать процедуру формирования эквивалентной задачи и алгоритм поиска оптимального решения;

- осуществить интеграцию оптимизационных процедур в программное обеспечение управления испытаниями ЖРД с оценкой эффективности интеллектуальной поддержки процесса управления.

Методы исследования. Для решения поставленных задач использовались основные понятия системного анализа, теории управления, математического моделирования, исследование операций, оптимизации, теории вероятностей и математической статистики.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.01: п. 2 «Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Научная новизна. В диссертации получены следующие основные положения, выносимые на защиту и характеризующиеся научной новизной:

структура управления испытаниями ЖРД, отличающаяся математическим обеспечением двух этапов интеллектуализации процесса управления с введением на втором этапе оптимизационных процедур, которые ориентированы на результаты первого этапа обработки измеренной в процессе испытаний информации для повышения эффективности базовых процедур;

- алгоритмическая процедура оптимального отбора наиболее достоверных гипотез о неисправностях двигателя, обеспечивающая использование измеренной в процессе испытаний информации для оценивания с помощью линейной модели чувствительности условия максимального правдоподобия статистической значимости гипотез по отношению к пороговому уровню;

- алгоритмическая процедура формирования минимального множества наиболее достоверных гипотез о неисправностях двигателя, позволяющая измеренную в процессе испытаний информацию использовать для обучения автоассоциативной нейронной сети и определять минимальное число гипотез по числу нейронов в «узком горле»;

- модель и алгоритм минимизации структур хранения информации для базовых процедур управления испытаниями ЖРД, отличающиеся способом перехода от исходной оптимизационной задачи к эквивалентной и поисковой схемой выбора оптимального решения.

Практическая значимость работы. Разработанные модели и оптимизационные процедуры позволяют эффективно использовать отставленную во времени информацию для интеллектуальной поддержки управления испытаниями ЖРД при отборе наиболее достоверных гипотез о неисправностях двигателя и минимизации избыточности следующих коллекций, обеспечивающих функционирование базовых процедур:

- коллекции математических методов обработки и анализа текущей информации с ориентацией на доступные результаты для диагностической оценки (коллекция 1);

- коллекции формулярных данных, то есть набора настроек для диагностического оценивания (коллекция 2);

- коллекции термов логических условий решающих правил (РП) (коллекция 3).

Реализация и внедрение результатов работы. Исследования, проведенные автором, являются частью НИР, выполненных в рамках ФЦП

«Научные и научно-педагогические кадры инновационной России»: «Разработка поисковой среды интеллектуальной поддержки проектно-производственного процесса освоения инвестиций в создании жидкостных ракетных двигателей (2010 - 2012гт)», «Оптимизация управления испытаниями жидкостных ракетных двигателей на основе нейросетевых технологий и адаптивных методов принятия решений» (2012г). Основные теоретические и практические результаты внедрены в практическую деятельность ОАО КБХА, использованы в учебном процессе кафедры САПРИС по курсу «Методы оптимизации» ФГБОУ ВПО «Воронежский государственный технический университет» и подтверждены актами внедрения.

Апробация работы. Основные положения докладывались и обсуждались на: молодежной конференции «Инженерия знаний. Представление знаний: Состояние и Перспективы» (Воронеж, 2011), Всероссийской молодежной конференции «Молодежь и современные информационные технологии» (Воронеж, 2011), Всероссийской научной школе «Информационно-телекоммуникационные системы и управление» (Воронеж, 2011), Всероссийской научной школе «Управление, информация и оптимизация» (Воронеж, 2011), Всероссийской молодежной конференции «Молодежь и современные информационные технологии» (Воронеж, 2011), Международной конференции «Мехатронные системы (теория и проектирование)» (Тула, 2011), Международной школе-семинаре «Интеллектуальные компьютерные обучающие системы» (Воронеж, 2011), XXX Российской школе, посвященной 65-летию Победы (Миасс, 2010), Международной молодежной конференции «Математические проблемы современной теории управления системами и процессами» (Воронеж, 2012), Всероссийской молодежной научной школе «Инженерия знаний: состояние и перспективы» (Воронеж, 2012), а также на ежегодных научно-практических конференциях ППС и аспирантов ВГТУ, техническом совете ОАО КБХА.

Публикации результатов работы. По теме диссертации опубликовано 16 научных работ, в том числе 3 - в изданиях, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: оптимизационное моделирование и алгоритмизация задач минимизации избыточности структур хранения информации [1,4,7,8,11,12], процедуры формирования наиболее достоверных гипотез для управления испытаниями на основе нейросетевого моделирования [3,6,10,13,14,15,16], структуризация управления испытаниями ЖРД с использованием нейросетевого и оптимизационного моделирования [2,5,9].

Структура и объем работы. Работа состоит из введения, четырех глав, заключения и приложения. Основная часть диссертации изложена на 134 страницах, содержит список литературы из 94 наименований, 15 рисунков, 4 таблицы.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении обоснована актуальность темы, сформулированы цели и задачи исследования, определены методы исследования, научная новизна, практическая значимость полученных результатов, изложено краткое содержание глав диссертации.

В первой главе рассмотрены основные пути интеллектуализации процедур процесса управления испытаниями ЖРД.

Целью испытаний ЖРД является определение возможной известной неисправности, определяемой недопустимыми отклонениями от заданной нормы внутренних технологических характеристик (внутренних параметров двигателя) или в процессе воздействия внешних возмущений, т.е. локализация этой неисправности — определение места ее появления и по возможности — степени.

Информация, полученная в ходе испытаний от системы измерений параметров, характеризующих состояние двигателя, поступает в контур управления в режиме реального времени (контур управления РВ) и контур управления, использующий отставленную во времени информацию (контур управления ОВ).

В контуре управления РВ осуществляется обработка и анализ текущей информации и формирование диагностических параметров для обнаружения их отклонений от заданной нормы, которые рассматриваются как аномальные состояния (АС), характеризующие неисправности двигателя.

Сформированная диагностическая информация об АС в виде образа, носителем которого является комбинация 0 и 1 (1 - диагностический признак выполняется, О-в противном случае), сравнивается с образами АС, считываемыми из коллекции термов логических условий. В зависимости от взаимного соответствия этих образов на основе решающего правила либо осуществляется аварийное выключение двигателя (АВД), либо подается команда о продолжении испытаний.

Команды -решения, соответствующие каждому из термов, ранжированы так, что большему значению команды-решеншг соответствует больший

приоритет. Значение команды, формируемой методом РП, определяется как максимальное значение, выбранное из значений команд -решений, выработанных в ходе проверки соответствия текущего состояния объекта образам, представленным элементами коллекции термов.

Вторая глава посвящена решению задач алгоритмизации оптимального отбора наиболее достоверных гипотез о неисправностях двигателя на основе обработки статистической информации, полученной при испытаниях ЖРД.

Базовыми процедурами в контуре управления РВ являются процедуры обработки и анализа информации, диагностические процедуры и процедуры, использующие РП. Контур управления ОВ, кроме его основного предназначения - интеграции в технологический процесс производства ЖРД -предлагается использовать для коррекции алгоритмических составляющих и пороговых значений как внутри базовых процедур, так и во взаимодействующих с ними структурах хранения информации (коллекции 1-3) в соответствии со структурной схемой, приведенной на рис. 1.

Имеющиеся статистические материалы испытаний ЖРД показывают, что вектор измеренных параметров работы двигателя (Р) является нелинейной функцией факторов (X) - Р = Р(Х). Показано, что для оценки достоверности выявления неисправностей на начальной стадии отказа достаточно рассмотреть небольшие (порядка 10%) отклонения параметров функционирования двигателя

6Р = (6Рг.....8Р1.....8Рп).

В этом случае может быть применена линейная модель:

т

8Р1 = ^АН5Х]>

где Ау- коэффициент чувствительности параметра Р,- к влиянию фактора Лу, ]=1..ш; 8Х]- отклонение фактора Л).

При этом коэффициенты чувствительности определены: _ 8Р10^/'. • •»Хр,.., Х£)

Ц '

где ^-значение факторов для нормального режима функционирования.

Будем считать что т-мерный вектор 8Х = .., <Иу,.., 8Хт) состоит из двух частей:

ЗХ0 - р-мерный вектор известных отклонений, т.е. тех, которые могут быть измерены в процессе испытаний (внешних/внутренних, внешних и внутренних факторов);

8Хк - к-мерный вектор неизвестных внутридвигательных отклонений, т.е. тех, которые не могут быть измерены во время испытаний.

Число внутридвигательных факторов обычно не более 20. По совокупности этих факторов формируется множество конкурирующих гипотез о неисправности ЖРД, которые выявляются через коэффициенты влияния А1к, а 8Хкпредставляют собой искомые отклонения внутридвигательных факторов.

Продолжение испытаний

Нет

Обработка и анализ текущей информации

Диагностическая процедура

АВД

Испытания ЖРД

Коллекция 1

Коллекция 3

Коллекция 2 Внутренняя

оптимизация

Отставленная Информация во времени в режиме

информация реального

(ОВ) времени (РВ)

Оптимизация структур хранения

Обработка и

анализ отставленно й во времени информации

Контур ОВ

Конту р РВ

Рис. 1. Структурная схема интеграции базовых и оптимизационных процедур при управлении испытаниями

Для проверки достоверности того, что неисправность связана с к — м внутридвигательным фактором (проверки к — ой гипотезы), будем использовать значения суммы квадратов нормированных отклонений приведенных параметров. Введем следующие обозначения: ( — ) - символ обращения матрицы, (+) - символ транспонирования матрицы,

М0 - полученная в результате статистической обработки измерений (п х п)-мерная матрица вторых центральных моментов;

(ii) * (n х m) - мерная матрица влияния внешних и внутренних факторов на параметры двигателя или если в число рассматриваемых гипотез входят промахи измерений, то этим же символом будет обозначаться (nx(m+n))

- мерная матрица, сконструированная как составная:

(Ii) = ((ii)' ГДе Е ~ О1 х пУмерная единичная матрица;

f-^-) - блок матрицы (7-), описывающий влияние известных отклонений \5Х0/ \оХ/

на параметры функционирования двигателя; - блок матрицы описывающий влияние искомых отклонений на параметры функционирования двигателя.

Показано, что сумма квадратов нормированных отклонений приведенных параметров

подчиняется центральному х2- распределению с числом степеней свободы

- п, равным числу измеряемых параметров FCf2,n).

Модель чувствительности дает возможность с использованием обработанной статистической информации, полученной при испытаниях ЖРД, провести отбор гипотез, позволяющих с определенным уровнем достоверности выявить неисправность двигателя. Для этого по каждой к — ой гипотезе формируется условие максимума правдоподобия.

«И* - - ©«.)'>("-(£)«• -Ш5Х")

= min.

Уровень достоверности события, состоящего в реализации к-гипотезы: F(x2 > Qk(min).n - к),

где /с-размерность /¿-гипотезы (размерность вектора 5Хк).

Таким образом поиск источника неисправности двигателя сводится к ранжированию гипотез по уровню достоверности

?(х2 > <2кШп)-п-к),

для чего для каждой из них достаточно рассчитать:

<?«*», = (*Р - - ©5Х0),

где ^ - известная для каждой гипотезы матрица (для нуль-гипотезы равная Мд

При этом путем задания пороговых значений Г — критерия (^гр, отбираются гипотезы, которые используются при управлении испытаниями ЖРД.

Структурная схема алгоритма отбора гипотез для управления испытаниями ЖРД с использованием линейной модели чувствительности и условия максимума правдоподобия приведена рис. 2.

В третьей главе приведены результаты исследований, полученных в работе, по минимизации структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД.

В том случае, когда мы не переходим к линейной модели чувствительности Р = Р(Х), предполагается другой подход к отбору гипотез, позволяющих достоверно определить неисправности двигателя в процессе испытаний.

Он основан на возможности построения нелинейного преобразования Р = Р{Х) , где Е: Ят -> Як(к < т) сокращает максимальное количество информации о распределении статистических данных векторов Р, X и является наиболее сжатым представлением этих данных.

В работе обосновывается необходимость использования аппарата ассоциативных нейронных сетей для понижения размерности входного пространства данных. В общем случае они содержат три скрытых слоя нейронов. Средний слой - так называемое "узкое горло", в результате обучения выдает сжатое представление входных данных. Первый скрытый слой нейронов используется для осуществления нелинейного кодирования, а последний - для нахождения соответствующего декодера.

Рассмотрим большое количество входных векторов и упорядочим их по возрастанию евклидова расстояния до некоторой фиксированной точки из этого набора.

Рис. 2. Структурная схема алгоритма отбора гипотез для управления испытаниями ЖРД на основе линейной модели чувствительности

Такое упорядочение данных позволяет оценить размерность многообразия вблизи зафиксированной точки. Возьмем первые к векторов из упорядоченного набора, рассмотрим гауссовский ковариационный эллипсоид и определим количество не слишком коротких осей эллипсоида. Эту величину назовем локальной размерностью и нарисуем график ее зависимости от числа к. Обычно этот график линейно возрастает при увеличении к, но при некотором его значении наклон графика резко уменьшается и на графике образуется «колено». Соответствующую величину к будем рассматривать как аппроксимацию размерности в окрестности выбранной точки. Повторяя описанную процедуру определения локальной размерности для других точек, находим оценку размерности многообразия данных т, как наибольшее из значений локальной размерности. Найденная размерность т используется в качестве размерности системы естественных координат.

Далее используется репликативная автоассоциативная нейронная сеть. При этом нейроны выходного слоя в ней являются линейными с тождественной функцией активации Лу = Е^Ук1^, а в качестве активационной функции нейронов первого слоя применяется любая сигмоидальная функция (например, логистическая: У; =-7—--г, I = 1..т ). Активационная функция

нейронов среднего слоя репликативной сети имеет специальный ступенчатый вид:

где я - входная сумма нейрона среднего слоя, Ь и /с-параметры, определяющие, соответственно, количество ступеней активационной функции и степень их крутизны.

Исходя из содержательной постановки, сформированы оптимизационные модели выбора минимального числа компонентов коллекций 1-3, обеспечивающих полный набор методов, формулярных данных, термов логических условий для базовых процедур.

Показано, что эти модели представляют собой задачу о минимальном покрытии как по мощности, так и по весу, для которых вариант их эквивалентной перезаписи получен путем замены ограничений - неравенств на ограничения — равенство специального вида:

Ь-1

Xj -» min;

i=i

^ = 1, i = 1, m; (1)

Xj = 1V 0,y = l~n, где^(г) - характеристическая функция специального вида

, Л rl,z > О *(z) = l0,z = О' и формирование следующей оптимизационной модели

/ м=ZxJ-rZ *(£aijXj)" да

(2)

__=0У1

;=1 ¿=1 ;=1

Эквивалентность задач (1) и (2) вытекает из ряда доказанных утверждений, которые служат основой для перехода к вероятностным постановкам, использующим рандомизацию переменных.

Однако в данном случае обосновано, что можно не применять рандомизированную пошаговую схему. Обозначим через ^вероятность того, что булева случайная величина Х; примет значение, равное 0. Тогда Р[Х] = 1} = 1 — <7; • Для задачи о покрытии математическое ожидание М[/(Х)] в работе вычислено в явном виде в терминах переменных д,.

В результате задача (2) переписана как задача минимизации полинома с простыми ограничениями

п т _

= + * £ П 41^ 0ЙЧДЙ _ . (3)

1=1 ¡=1 у.ац=1

Показано каким образом по решению задачи (3) восстановить решение исходной задачи. На этой основе рассмотрена возможность построения алгоритма решения задачи (3) с использованием известных градиентных методов, учитывающих простые ограничения.

Четвертая глава посвящена решению задачи интеграции программных модулей оптимизационных процедур в базовое программное обеспечение управления испытаниями ЖРД. Рассмотрена структура базового пакета, включающего программную реализацию следующих алгоритмов:

- алгоритмы-переключатели (начальные и оконечные);

- алгоритмы подготовки данных;

- диагностические алгоритмы и алгоритмы "Промежуточного Решения"

(ПР);

- алгоритмы РП.

Первый этап интеллектуализации реализован в рамках алгоритмов подготовки данных. Для реализации второго этапа осуществлена интеграция оптимизационных процедур за счет подключения к базовому пакету следующих алгоритмов, функционирующих как в контуре РВ, так и в контуре ОВ.

- алгоритм статистической обработки измеренной информации и формирование модели чувствительности (контур ОВ);

- алгоритм отбора наиболее достоверных гипотез о неисправностях двигателя с использованием модели чувствительности (контур РВ);

- алгоритм обучения ассоциативной нейронной сети по измеренной информации (контур РВ);

- алгоритм отбора наиболее достоверных гипотез с использованием нейросетевой модели (контур РВ);

- алгоритм формирования исходной информации для оптимизационных моделей минимизации избыточности компонентов коллекций (контур ОВ);

- алгоритм поиска оптимального решения задачи о минимальном покрытии (контур ОВ).

Входная информация пакета алгоритмов - массив текущей командной и измерительной информации и стек массивов выходной информации за предшествующие 9 тактов работы программы.

Выходная информация пакета алгоритмов - массив, включающий текущую входную (на начало такта) входную информацию и информацию о вычислительном процессе, куда входит:

- арифметическая информация, сформированная алгоритмами подготовки данных значения диагностических параметров;

- логическая информация о результатах контроля параметров двигателя и средств измерения, сформированная базовым диагностическим алгоритмом при переработке массива входной информации, и промежуточными решениями;

- логическая информация об управлении вычислительным процессом и двигателем, сформированная решающим правилом;

- логическая информация о вычислительном процессе, фиксирующая прохождение всех ветвей диагностического алгоритма и промежуточного решения при обработке всех параметров и предназначенная для автоматизированной оценки правильности функционирования программы.

Дана оценка эффективности интеллектуальной поддержки процесса управления испытаниями ЖРД по результатам внедрения программных модулей реализующих оптимизационные процедуры.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1. Охарактеризованы современные подходы к проведению испытаний ЖРД по определению зафиксированной на нем неисправности, обусловленной недопустимыми отклонениями от нормы внутренних параметров двигателя, и возможность двухэтапной интеллектуализации управления Испытаниями.

2. Предложена структурная схема интеллектуальной системы управления испытаниями ЖРД, позволяющая интегрировать оптимизационные и базовые процедуры как в контуре управления в режиме реального времени, так и в контуре управления, использующего отставленную во времени информацию.

3. Сформирована линейная модель чувствительности измеренных в процессе испытаний параметров работы ЖРД к изменению внутренних параметров двигателя на начальной стадии отказа, на основе которой осуществляется ранжирование гипотез о неисправностях двигателя.

4. Предложено в случае более широкой области отклонения параметров двигателя от нормального режима функционирования использовать нелинейную модель, которая позволяет определить минимальное число наиболее достоверных гипотез о неисправностях на основе обучения автоассоциативной нейронной сети.

5. Построены оптимизационные модели в форме задачи о минимальном покрытии для минимизации избыточности структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД.

6. Разработан алгоритм поиска оптимального решения сформированных оптимизационных задач путем перехода к эквивалентной вероятностной постановке и использования модифицированной схемы градиентного метода.

7. Проведена интеграция программных модулей оптимизационных процедур в базовый пакет программ управления испытаниями ЖРД и оценена эффективность реализации второго этапа интеллектуализации.

Основные результаты диссертации опубликованы в следующих работах:

Публикации в изданиях, рекомендованных ВАК РФ

1. Львович Я.Е. Оптимизация построения решающих правил при управлении испытаниями / Я.Е. Львович, A.A. Шостак // Вестник Воронежского государственного технического университета. 2011. Т. 7. № 10. С. 65-68.

2. Львович Я.Е. Интеграция базовых и оптимизационных процедур при управлении испытаниями ЖРД / Я.Е. Львович, И.Л. Каширина, A.A. Шостак // Вестник Воронежского государственного технического университета. 2012. Т. 8. № 5. С. 22-24.

3. Львович Я.Е. Нейросетевой подход к отбору наиболее информативных признаков для функционального диагностирования ЖРД / Я.Е. Львович, И.Л. Каширина, A.A. Шостак // Вестник Воронежского государственного технического университета. 2012. Т. 8. № 8. С. 21-23.

Статьи и материалы конференций

4. Львович Я.Е. Оптимизация эффективности алгоритмической структуры в системе контроля, диагностики и управления аварийной защитой при испытаниях ЖРД / Я.Е. Львович, И.Л. Каширина, A.A. Шостак // Вестник Тульского государственного университета. Сер. технические науки. 2012. Вып. 1.С. 25-27.

5. Каширина И.Л. Интеллектуальные технологии управления испытаниями ЖРД на основе нейросетевого и нейро-нечеткого моделирования / И.Л. Каширина, A.A. Тузиков, A.A. Шостак // Молодежь и современные информационные технологии: материалы Всероссийской молодежной конференции. - Воронеж: ИПЦ «Научная книга». 2011. С. 87-91

6. Каширина И.Л. Использование репликативной нейронной сети для решения задач отбора диагностических параметров / И.Л. Каширина, A.A. Шостак // Математические проблемы современной теории управления системами и процессами: материалы Всероссийской молодежной конференции. - Воронеж: ИПЦ «Научная книга», 2012. С. 251-253

7. Каширина И.Л. Интеграция оптимизационных процедур в информационную систему управления испытаниями ЖРД / И.Л. Каширина, A.A. Шостак // Интеллектуальные технологии будущего. Естественный и искусственный интеллект: материалы Всероссийской молодежной конференции. - Воронеж: ИПЦ «Научная книга». 2011. С. 239-241

8. Каширина И.Л. Оптимизационная модель и алгоритм минимизации

решающих правил при управлении испытаниями ЖРД / И.Л. Каширина, A.A. Шостак // Информационно-телекоммуникационные системы и управление: материалы Всероссийской научной школы. - Воронеж: ИПЦ «Научная книга». 2011. С. 88-90

9. Гуртовой A.A. Формирование технологии управления испытаниями ЖРД на основе нейросетевого моделирования / A.A. Гуртовой, A.B. Коновалов, Я.Е. Львович, A.A. Шостак // Наука и технологии: краткие сообщения XXX Российской школы, посвященной 65-летию Победы. - Екатеринбург: УрО РАН. 2010. Т.2. С. 57-59

10. Каширина И.Л. Использование нейросетевого моделирования в информационных системах испытаний ЖРД / Каширина И.Л., Львович Я.Е., Шостак A.A. // Интеллектуальные системы: сб. научных трудов Воронеж: ВГТУ, 2011. С.116-119

11. Каширина И.Л. Методы оптимизации диагностических алгоритмов систем аварийной защиты при ее отработке в составе ЖРД / И.Л. Каширина, A.A. Шостак // Молодежь и современные информационные технологии: труды Всероссийской конференции. Воронеж: ВГТУ, 2011. - С. 44-45

12. Каширина И.Л. Методика оптимизации решающих правил при управлении испытаниями ЖРД / И.Л. Каширина, A.A. Шостак // Инновационные технологии в машиностроении: материалы Всероссийской молодежной конф. Воронеж: ИПЦ «Научная книга», 2011. - С. 202-204.

13. Каширина И.Л. Компьютерное обучение специалистов по испытаниям ЖРД на основе нейросетевой модели архивных данных / И.Л. Каширина, A.A. Шостак // Интеллектуальные компьютерные обучающие системы: материалы Междунар. школы-семинара. Воронеж: ИПЦ «Научная книга», 2011. - С. 27-29.

14. Каширина И.Л. Нейросетевая модель компромисса при проектировании испытаний ЖРД / И.Л. Каширина, Я.Е. Львович, A.A. Шостак // Материалы VI Всероссийской научно-технической конференции. Воронеж: ИПЦ «Научная книга», 2011. Ч. II. - С. 48-53.

15. Каширина И.Л. Использование репликативной нейронной сети для решения задач отбора диагностических параметров / И.Л. Каширина, A.A. Шостак // Инженерия знаний. Предоставление знаний: состояние и перспективы: материалы Всерос. молодежной науч. школы. Воронеж: ИПЦ "Научная книга", 2012. - С. 251-253.

16. Каширина И.Л. Сокращение размерности диагностической информации с помощью репликативных нейронных сетей / И.Л. Каширина,

A.A. Шостак // Математические проблемы современной теории управления системами и процессами: материалы международной научной конференции. Воронеж: ИПЦ "Научная книга", 2012. - С.93-97.

Подписано в печать 21.03.2013. Формат 60x84/16. Бумага для множительных аппаратов. Усл. печ. л. 1,2. Тираж 80 экз. Заказ № ¿7

ФГБОУ ВПО «Воронежский государственный технический университет» 394026 Воронеж, Московский просп., 14

ВОРОНЕЖСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ

На правах рукописи

ШОСТАК Александр Александрович

ИНТЕЛЛЕКТУАЛИЗАЦИЯ УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖИДКОСТНЫХ РАКЕТНЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ ИНТЕГРАЦИИ БАЗОВЫХ И ОПТИМИЗАЦИОННЫХ ПРОЦЕДУР

Специальность 05.13.01 - Системный анализ, управление и обработка информации (технические и медицинские системы)

ДИССЕРТАЦИЯ

на соискание ученой степени кандидата технических наук

Научный руководитель Доктор техн. наук, профессор, заслуженный

деятель науки РФ, зав. кафедры САПРИС Львович Яков Евсеевич

Воронеж 2013

СОДЕРЖАНИЕ

ВВЕДЕНИЕ..............................................................................................................6

ГЛАВА 1 ПУТИ ИНТЕЛЛЕКТУАЛИЗАЦИИ ПРОЦЕССА УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД...................................................................................12

1.1 Испытания ЖРД и анализ современных подходов к управлению ими.. 12

1.2 Обеспечение первого этапа интеллектуализации на основе использования

математических методов обработки и анализа информации о состоянии двигателя в процессе испытаний...............................................................21

1.3 Цель и задачи исследования........................................................................50

ГЛАВА 2 ОПТИМИЗАЦИЯ ОЦЕНКИ ДОСТОВЕРНОСТИ

НЕИСПРАВНОСТЕЙ ДВИГАТЕЛЯ, ВЫЯВЛЕННЫХ В ПРОЦЕССЕ ИСПЫТАНИЙ...................................................................................................52

2.1 Роль оптимизационных процедур в обеспечении второго этапа

интеллектуализации процесса управления испытаниями......................52

2.2 Формирование модели чувствительности измеренных в процессе

испытаний параметров ЖРД......................................................................58

2.3 Алгоритмизация отбора гипотез для управления испытаниями ЖРД по

условию максимума правдоподобия с использованием линейной модели

чувствительности........................................................................................68

Выводы второй главы.....................................................................................75

ГЛАВА 3 МИНИМИЗАЦИЯ СТРУКТУР ХРАНЕНИЯ ИНФОРМАЦИИ, ОБЕСПЕЧИВАЮЩИХ ФУНКЦИОНИРОВАНИЕ БАЗОВЫХ ПРОЦЕДУР УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД.......................................................76

3.1 Алгоритмизация отбора минимального количества достоверных гипотез с

использованием автоассоциативной нейронной сети............................77

3.2 Построение оптимизационных моделей....................................................84

3.3 Формирование эквивалентных задач оптимизации..................................88

3.4 Алгоритмизация поиска решения оптимизационных задач....................95

Выводы третьей главы..................................................................................102

ГЛАВА 4 ИНТЕГРАЦИЯ ПРОГРАММНЫХ МОДУЛЕЙ И ОПТИМИЗАЦИОННЫХ ПРОЦЕДУР В ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД.....................................................104

4.1 Базовая структура программного обеспечения контура управления РВ104

4.2 Интеграция программных модулей оптимизационных процедур контура

управления ОВ..........................................................................................115

4.3 Оценка эффективности интеллектуальной поддержки процесса

управления испытаниями ЖРД по результатам внедрения программных

модулей......................................................................................................119

Выводы четвертой главы..............................................................................122

ЗАКЛЮЧЕНИЕ...................................................................................................123

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ...........................................125

ПРИЛОЖЕНИЕ 1................................................................................................134

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ

АВД - аварийное выключение двигателя;

АДА - арифметический диагностический алгоритм;

АРСС - аномальное развитие случайного процесса;

АС - аварийная ситуация;

АСФКД - автоматизированная система функционального контроля и

АЧХ - амплитудно-частотная характеристика;

БТНА - бустерный турбонасосный агрегат;

Г - горючее;

ДА - диагностический алгоритм;

да - доводочные испытания;

ЗМП - задача о минимальном покрытии;

ЖРД - жидкостный ракетный двигатель;

И - измеренноеж

ио - исполнительный орган;

КА - космический аппарат;

ЛКИ - летно-конструкторкие испытания;

ЛПМ - линейная последовательностная машина

НС - нейронные сети;

о - окислитель;

ов - отставленная во времени;

птл >-/Х А. - огневое испытание;

оп - обобщенный параметр;

ОР - основной режим;

ОС - операционная система;

п - прогнозируемое;

ПК - персональный компьютер;

пклп - простые количественные признаки;

ПКУ - программа контроля и управления;

пмо - программно-математическое обеспечение;

ПО - программное обеспечение;

1111 - переключатель пакетов;

пли - подтверждающие периодические испытания;

ПР - предварительное решающее правило;

ПЭВМ - персональная электронно-вычислительная машина;

РВ - реальное время;

РКС - разрешающий командный сигнал;

РН - ракета-носитель;

РП - решающее правило;

САЗ - система аварийной защиты;

САЗУ - система аварийной защиты и управления;

САП - система автоматизированного проектирования;

СДАЗ - система диагностирования и аварийной защиты;

СДАЗУ - система диагностирования, аварийной защиты и управления;

СИ - система измерения;

СКЛП - сложные количественные признаки;

СУ - система управления;

тмк - телеметрический кадр;

ТНА - турбонасосный агрегат;

УППМО - универсальное прикладное программно-методическое

ФД - формулярные данные

ВВЕДЕНИЕ

Актуальность темы. Этапы натурных и полунатурных испытаний являются одними из важнейших этапов жизненного цикла сложных технических объектов, к которым можно отнести жидкостные ракетные двигатели (ЖРД). Длительность испытаний, их стоимость и достоверность существенным образом зависят от эффективности обработки информации, получаемой как в режиме реального времени, так и в режиме последующей обработки полученной информации (отставленной во времени информации). При этом процедуры управления ходом испытаний обеспечивают, с одной стороны, формирование и обеспечение программы выполнения необходимых режимов работы ЖРД, а с другой стороны, нацелены на решение задач диагностики возможных неисправностей, а также аварийную защиту от разрушения объекта испытаний.

Современное состояние научных исследований, направленных на совершенствование этого класса проблемно-ориентированных систем управления, определяется тенденцией интеллектуализации обработки и анализа информации о состоянии двигателя и обоснованного выбора схемы управления испытаниями.

Ряд основных важнейших научных результатов отражены в работах Р.Бэйкера, М.Баррьера, П.П. Пархоменко, Е.С.□ Сагомоняна и др. Основное внимание в выполненных исследованиях уделяется базовым принципам проведения испытаний в режиме реального времени. Б меньшей степени рассматривается задача использования отставленной во времени информации для оптимизации базовых процедур обеспечения эффективности испытаний с учетом системных связей двух различных режимов проведения испытаний. Недооценивается необходимость совместного решения этих задач для повышения достоверности выявления неисправностей ЖРД и снижения избыточности требуемых режимов испытаний.

Таким образом, актуальность выполненных исследований определяется необходимостью решения задач интеллектуализации управления испытаниями за счет разработки новых эффективных методов построения специальных классов математических моделей, в которых используется отставленная во времени информации и разработки оптимизационных процедур отбора наиболее достоверных гипотез о неисправностях двигателя для минимизации избыточности информационного обеспечения.

Тематика диссертационной работы соответствует основному научному направлению ФГБОУ ВПО «Воронежский государственный технический университет» - «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель работы состоит в разработке моделей и алгоритмов, интегрируемых в структуру информационной системы управления испытаниями ЖРД и которые базируются на процедурах интеллектуализации обработки и анализа полученной информации в ходе испытаний о состоянии двигателя.

В соответствии с указанной целью определены следующие задачи, которые необходимо решить для достижения поставленной цели:

- провести анализ современных подходов к управлению испытаниями ЖРД и обосновать необходимость двух этапов интеллектуализации этого процесса, интегрированных в рамках единой структурной схемы;

- разработать алгоритмы оптимального отбора наиболее достоверных гипотез о неисправностях двигателя, использующие формализацию измеренной в процессе испытаний информации как в виде линейной модели чувствительности, так и автоассоциативной нейронной сети;

сформировать оптимизационные модели минимизации структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД, и обосновать процедуру формирования эквивалентной задачи и алгоритм поиска оптимального решения;

- осуществить интеграцию оптимизационных процедур в программное обеспечение управления испытаниями ЖРД с оценкой эффективности интеллектуальной поддержки процесса управления.

Методы исследования. Для решения поставленных задач использовались основные понятия системного анализа, теории управления, математического моделирования, исследование операций, оптимизации, теории вероятностей и математической статистики.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.01: п. 2 «Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Научная новизна. В диссертации получены следующие основные положения, выносимые на защиту и характеризующиеся научной новизной:

структура управления испытаниями ЖРД, отличающаяся математическим обеспечением двух этапов интеллектуализации процесса управления с введением на втором этапе оптимизационных процедур, которые ориентированы на результаты первого этапа обработки измеренной в процессе испытаний информации для повышения эффективности базовых процедур;

- алгоритмическая процедура оптимального отбора наиболее достоверных гипотез о неисправностях двигателя, обеспечивающая использование измеренной в процессе испытаний информации для оценивания с помощью линейной модели чувствительности условия максимального правдоподобия статистической значимости гипотез по отношению к пороговому уровню;

- алгоритмическая процедура формирования минимального множества наиболее достоверных гипотез о неисправностях двигателя, позволяющая измеренную в процессе испытаний информацию использовать для обучения

автоассоциативной нейронной сети и определять минимальное число гипотез по числу нейронов в «узком горле»;

- модель и алгоритм минимизации структур хранения информации для базовых процедур управления испытаниями ЖРД, отличающиеся способом перехода от исходной оптимизационной задачи к эквивалентной и поисковой схемой выбора оптимального решения.

Практическая значимость работы. Разработанные модели и оптимизационные процедуры позволяют эффективно использовать отставленную во времени информацию для интеллектуальной поддержки управления испытаниями ЖРД при отборе наиболее достоверных гипотез о неисправностях двигателя и минимизации избыточности следующих коллекций, обеспечивающих функционирование базовых процедур:

- коллекции математических методов обработки и анализа текущей информации с ориентацией на доступные результаты для диагностической оценки (коллекция 1);

- коллекции формулярных данных, то есть набора настроек для диагностического оценивания (коллекция 2);

- коллекции термов логических условий решающих правил (РП) (коллекция 3).

Реализация и внедрение результатов работы. Исследования, проведенные автором, являются частью НИР, выполненных в рамках ФЦП «Научные и научно-педагогические кадры инновационной России»: «Разработка поисковой среды интеллектуальной поддержки проектно-производственного процесса освоения инвестиций в создании жидкостных ракетных двигателей (2010 - 2012гг)»,«Оптимизация управления испытаниями жидкостных ракетных двигателей на основе нейросетевых технологий и адаптивных методов принятия решений»(2012г). Основные теоретические и практические результаты внедрены в практическую деятельность ОАО КБХА, использованы в учебном процессе кафедры САПРИС по курсу «Методы

оптимизации» ФГБОУ ВПО «Воронежский государственный технический университет» и подтверждены актами внедрения.

Апробация работы. Основные положения докладывались и обсуждались на: молодежной конференции «Инженерия знаний. Представление знаний: Состояние и Перспективы» (Воронеж, 2011), Всероссийской молодежной конференции «Молодежь и современные информационные технологии» (Воронеж, 2011), Всероссийской научной школе «Информационно-телекоммуникационные системы и управление» (Воронеж, 2011), Всероссийской научной школе «Управление, информация и оптимизация» (Воронеж, 2011), Всероссийской молодежной конференции «Молодежь и современные информационные технологии» (Воронеж, 2011), Международной конференции «Мехатронные системы (теория и проектирование)» (Тула, 2011), Международной школе-семинаре «Интеллектуальные компьютерные обучающие системы» (Воронеж, 2011), XXX Российской школе, посвященной 65-летию Победы (Миасс, 2010), Международной молодежной конференции «Математические проблемы современной теории управления системами и процессами»(Воронеж, 2012), Всероссийской молодежной научной школе «Инженерия знаний: состояние и перспективы»(Воронеж, 2012), а также на ежегодных научно-практических конференциях ППС и аспирантов ВГТУ, техническом совете ОАО КБХА.

Публикации результатов работы. По теме диссертации опубликовано 16 научных работ, в том числе 3 - в изданиях, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: оптимизационное моделирование и алгоритмизация задач минимизации избыточности структур хранения информации [1,4,7,8,11,12], процедуры формирования наиболее достоверных гипотез для управления испытаниями на основе нейросетевого моделирования [3,6,10,13,14,15,16], структуризация управления испытаниями ЖРД с использованием нейросетевого и оптимизационного моделирования [2,5,9].

Структура и объем работы. Работа состоит из введения, четырех глав, заключения и приложения. Основная часть диссертации изложена на 134 страницах, содержит список литературы из 94 наименований, 15 рисунков, 4 таблицы.

В первой главе рассмотрены основные пути интеллектуализации процедур процесса управления испытаниями ЖРД.

Вторая глава посвящена решению задач алгоритмизации оптимального отбора наиболее достоверных гипотез о неисправностях двигателя на основе обработки статистической информации, полученной при испытаниях ЖРД.

В третьей главе приведены результаты исследований, полученных в работе, по минимизации структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД.

Четвертая глава посвящена решению задачи интеграции программных модулей оптимизационных процедур в базовое программное обеспечение управления испытаниями ЖРД. Рассмотрена структура базового пакета, включающего программную реализацию следующих алгоритмов:

- алгоритмы-переключатели (начальные и оконечные);

- алгоритмы подготовки данных;

- диагностические алгоритмы и алгоритмы "Промежуточного Решения"

(ПР);

- алгоритмы РП.

ГЛАВА 1 ПУТИ ИНТЕЛЛЕКТУАЛИЗАЦИИ ПРОЦЕССА УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД

1.1 Испытания ЖРД и анализ современных подходов к управлению

ими

Одной из главных задач функционального диагностирования ЖРД является определение зафиксированной на нем неисправности, обусловленной недопустимыми отклонениями от нормы внутренних технологических характеристик (внутренних параметров двигателя) или внешними воздействиями, т.е. указание наименования этой неисправности, места ее появления и по возможности — степени.

Обычно при работе двигателя внутренние параметры не измеряются, а с помощью информационно-измерительной системы фиксируются выходные параметры, включающие такие характеристики двигателя как давление и температура компонентов топлива и газа в различных точках гидравлических и газовых трактов, секундные расходы компонентов топлива, частота вращения ротора ТНА, внешние факторы. Данные этих измерений (внутридвигательные параметры и внешние факторы) и являются исходной информацией для функционального контроля и диагностирования состояния двигателя. [23,44,46,52]

Известно, что все возможные состояния двигателя делятся на исправные и неисправные. Двигатель исправен (находится в исправном сос