А.Ю. Вирясова1, А.И. Власов2, Д.И. Климов3, Т.Т. Мамедов4, А.П. Мягков5

1,3–5 АО «Российские космические системы» (Москва, Россия)

2 МГТУ им. Н.Э. Баумана (Москва, Россия)

1 virnastya@yandex.ru, 2 vlasovai@bmstu.ru, 3 klimov.di@spacecorp.ru,

4 mamedov.tt@spacecorp.ru, 5 contact@spacecorp.ru

Постановка проблемы. В настоящее время задача прогнозирования отказов функциональных элементов промышленных изделий является актуальной в части возможности дополнительного анализа и предотвращения нештатной или аварийной ситуации. С развитием технологии нейронных сетей возможности для этого сильно увеличиваются. Предлагается прогнозировать причины возникновения отказов функциональных элементов изделий ракетно-космической техники посредством алгоритмов, применимых для работы систем машинного зрения.

Цель. Провести анализ возможных методов применения нейронных сетей в космической промышленности для уменьшения возникновения отказов функциональных элементов.

Результаты. Рассмотрены два основных направления нейронных сетей: машинное зрение и прогнозирование временных рядов. Приведены примеры возможного применения искусственного интеллекта для задачи прогнозирования отказов функциональных элементов в космической промышленности. Рассмотрены следующие направления: алгоритм определения термоопасных зон бесконтактным методом при помощи HSV-преобразования, комплексный анализ данных от подсистемы виброизмерений и системы «СКУТ-40» с возможностью прогнозирования отказов и определения источника повышенных механических воздействий, а также, возможность видеорегистрации с последующей выдачей разовых команд в автоматическом режиме.

Практическая значимость. Результаты анализа могут иметь практическую ценность для разработчиков в космической отрасли, поскольку приведены сведения о возможности улучшения показателей космических систем путем внедрения перспективных направлений нейронных сетей, а именно компьютерное зрение и прогнозирование временных рядов.

Вирясова А.Ю., Власов А.И., Климов Д.И., Мамедов Т.Т., Мягков А.П. Способы прогнозирования отказов функциональных элементов изделий ракетно-космической техники с применением визуальной декомпозиции и машинного обучения // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 1. С. 54-66. DOI: https://doi.org/10.18127/j1999 8554-202401-06

1. Жуков А.А., Стешенко В.Б., Капустян А.В. Проблемы разработки и применения нано- и микросистемной техники в перспективных изделиях РКТ // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2012. № 1. С. 612–617.
2. Краснов М.И., Стешенко В.Б. Электронная компонентная база космического назначения // Ракетно-космическое приборостроение и информационные системы. 2021. Т. 8. № 2. С. 88–101.
3. Курносенко А.Е., Власов А.И. Применение многоуровневой декомпозиции для создания цифрового двойника сборочного производства электронной аппаратуры // Информационные и математические технологии в науке и управлении. 2022. № 3(27). С. 126–134.
4. Власов А.И. Концепция визуального анализа сложных систем в условиях синхронных технологий проектирования // Датчики и системы. 2016. № 8-9(206). С. 19–25.
5. Vlasov A., Naumenko A. Analysis of Visual Modeling Tools Development for Complex Production Systems // Lecture Notes in Information Systems and Organisation. 2022. V. 54. P.335-346. DOI 10.1007/978-3-030-94617-3_24.
6. Vlasov A.I., Shakhnov V.A. Visual Methodology for the Multi-factor Assessment of Industrial Digital Transformation Components // Lecture Notes in Information Systems and Organisation. 2021. V. 44. P. 57–65. DOI 10.1007/978-3-030-73261-5_6.
7. Власов А.И., Расюк А.А., Хохлунова О.Д. Системный проект ПЛИС с использованием визуальных языков // Проблемы разработки перспективных микро- и наноэлектронных систем (МЭС). 2022. № 3. С. 18–23. DOI 10.31114/2078-7707-2022-3-18-23.
8. Власов А.И., Марикова Е.А. Анализ методов визуального моделирования сложных систем // Динамика сложных систем – XXI век. 2020. Т. 14. № 3. С. 5–22. DOI 10.18127/j19997493-202003-01.
9. Гайфулина Д.А., Котенко И.В. Анализ моделей глубокого обучения для задач обнаружения сетевых аномалий интернета вещей // Информационно-управляющие системы. 2021. № 1(110). С. 28–37. DOI 10.31799/1684-8853-2021-1-28-37.
10. Визильтер Ю.В., Горбацевич В.С., Желтов С.Ю. Структурно-функциональный анализ и синтез глубоких конволюционных нейронных сетей // Компьютерная оптика. 2019. Т. 43. № 5. С. 886–900. DOI 10.18287/2412-6179-2019-43-5-886-900.
11. Нестеров А.В. Компьютерные методы и средства глубокой обработки, анализа и синтеза общедоступных документов. Новосибирск: ГПНТБ Сибирского отделения АН СССР. 1991. 214 c.
12. Федоренко Ю.С., Гапанюк Ю.Е. Анализ особенностей глубоких нейронных сетей на примере задачи распознавания цифр // Нейрокомпьютеры: разработка, применение. 2017. № 2. С. 24–30.
13. Vlasov A.I., Artemiev B.V., Selivanov K.V., Mironov K.S., Isroilov J.O. Predictive Control Algorithm for a Variable Load Hybrid Power System on the Basis of Power Output Forecast // International Journal of Energy Economics and Policy. 2022. V. 12. № 3. P. 1–7. DOI 10.32479/ijeep.12912.
14. Адамов А.П., Адамова А.А., Цивинская Т.А. Сенсоры для систем контроля герметичности корпуса летательного аппарата // Надежность и качество сложных систем. 2018. № 4(24). С. 134-141. DOI 10.21685/2307-4205-2018-4-15.
15. Сергеева Н.А., Цивинская Т.А., Шахнов В.А. Контрольно-измерительные МЭМС с использованием малогабаритных чувствительных элементов из монокристаллического кремния для аэрокосмической отрасли // Датчики и системы. 2016. № 3(201). С. 32–39.
16. Mileshin S.A., Tsivinskaya T.A., Sergeeva N.A. Microelectromechanical Sensors and Microstructures in Aerospace Applications // KnE Engineering. 2018. P. 336–343. DOI 10.18502/keg.v3i6.3012.
17. Лоскутов А.И., Рыльков А.И., Ряхова Е.А., Бородюк А.А. Модель упреждающего диагностирования бортовой аппаратуры космических аппаратов с прогнозированием возникновения и локализацией неисправностей с использованием нейронных сетей // Полет. Общероссийский научно-технический журнал. 2020. № 10. С. 8–19.
18. Лоскутов А.И., Столяров А.В., Ряхова Е.А. Способ контроля технического состояния бортовой радиоэлектронной аппаратуры космических аппаратов на основе взаимодействия элементов распределенной системы технического диагностирования // Контроль. Диагностика. 2021. Т. 24. № 1(271). С. 44–50. DOI 10.14489/td.2021.01.pp.044-050.
19. Поляков А.А., Фетисов М.В. Классификация алгоритмов предварительной обработки текстовых данных для машинного обучения // Технологии инженерных и информационных систем. 2021. № 4. С. 70–79.
20. Поляков А.А., Фетисов М.В. Классификация методов определения точности распознавания в задачах машинного обучения // Технологии инженерных и информационных систем. 2022. № 1. С. 3–11.
21. Иванова Г.С., Фокина Ю.О. Анализ использования алгоритмов машинного обучения в системах фрод-мониторинга // Технологии инженерных и информационных систем. 2022. № 2. С. 121–132.
22. Гаев А.В., Роготовский А.Д., Ланцберг А.В. Классификация физических объектов при помощи свёрточных нейронных сетей на примере задачи распознавания газов // Технологии инженерных и информационных систем. 2019. № 1. С. 95–104.
23. Иванова Г.С., Добрянская Е.М. Проектирование гибридной рекомендательной системы на базе алгоритмов сжатия данных // Технологии инженерных и информационных систем. 2022. № 2. С. 98–105.
24. Иванова Г.С., Головков А.А., Тюрин С.А. Детектирование и классификация объектов городской инфраструктуры по изображениям в видимом спектре // Технологии инженерных и информационных систем. 2017. № 2. С. 15–25.
25. Иванова Г.С., Головков А.А., Тюрин В.А. Детектирование и классификация объектов на изображениях в инфракрасном спектре // Технологии инженерных и информационных систем. 2017. № 2. С. 81–90.
26. Попов А.Ю., Евдокимов А.А. Классификация критических ситуаций летательного аппарата на основе автоматического анализа данных // Технологии инженерных и информационных систем. 2018. № 3. С. 40–53.
27. Vlasov A.I., Grigoriev P.V., Krivoshein A.I., Shakhnov V.A., Filin S.S., Migalin V.S. Smart management of technologies: predictive maintenance of industrial equipment using wireless sensor networks // Entrepreneurship and Sustainability Issues. 2018. V. 6. № 2. P. 489–502. DOI 10.9770/jesi.2018.6.2(2).
28. Vlasov A.I., Echeistov V.V., Krivoshein A.I., Shakhnov V.A., Filin S.S., Migalin V.S. An information system of predictive maintenance analytical support of industrial equipment // Journal of Applied Engineering Science. 2018. V. 16. № 4. P. 515–522. DOI 10.5937/jaes16-18405.
29. Vlasov A.I., Yudin A.V., Shakhnov V.A., Usov K.A., Salmina M.A. Design methods of teaching the development of internet of things components with considering predictive maintenance on the basis of mechatronic devices // International Journal of Applied Engineering Research. 2017. V. 12. № 20. P. 9390–9396.
30. Власов А.И., Григорьев П.В., Кривошеин А.И. Модель предиктивного обслуживания оборудования с применением беспроводных сенсорных сетей // Надежность и качество сложных систем. 2018. № 2(22). С. 26–35. DOI 10.21685/2307-4205-2018-2-4.
31. Yuldashev M.N., Vlasov A.I., Novikov A.N. Energy-efficient algorithm for classification of states of wireless sensor network using machine learning methods // Journal of Physics: Conference Series. 2018. P. 032153. DOI 10.1088/1742-6596/1015/3/032153.
32. Амаева Л.А. Сравнительный анализ методов интеллектуального анализа данных // Инновационная наука. 2017. № 2-1. С. 27–29.
33. Аль-Раммахи А.А.Х., Громов Ю.Ю., Кошелев Е.В., Минин Ю.В. Обзор и анализ алгоритмов кластеризации больших данных // Приборы и системы. Управление, контроль, диагностика. 2021. № 9. С. 30–38. DOI 10.25791/pribor.9.2021.1292.
34. Пестунов И.А., Синявский Ю.Н. Алгоритмы кластеризации в задачах сегментации спутниковых изображений // Вестник Кемеровского государственного университета. 2012. № 4-2(52). С. 110–125.
35. About Epsilon Launch Vehicle. [Электронный ресурс] – Режим доступа: https://global.jaxa.jp/projects/rockets/epsilon/, дата обращения 25.12.2022.
36. Климов Д.И. Видеотелеметрический контроль промышленных изделий // Ракетно-космическое приборостроение и информационные системы. 2018. Т. 5. № 2. С. 89–98. DOI 10.30894/issn2409-0239.2018.5.2.89.98.
37. Климов Д.И. Измерение физических величин, характеризующих факторы воздействия на промышленные изделия, удалённым бесконтактным методом // Радиотехника. 2018. № 2. С. 80–84.
38. Ганиев Р. Ракета «Ангара» рискует развалиться из-за вибрации двигателя. [Электронный ресурс] – Режим доступа: https://hi-news.ru/eto-interesno/raketa-angara-riskuet-razvalitsya-iz-za-vibracii-dvigatelya.html, дата обращения 25.12.2022.
39. Либерман М.Ю. О моделировании процессов формирования пусковых нагрузок, оказывающих динамическое воздействие на космический аппарат // Вопросы электромеханики. Труды ВНИИЭМ. 2013. Т. 136. № 5. С. 19–30.
40. Joblove G.H., Greenberg D. Color spaces for computer graphics // Proceedings of the 5th annual conference on Computer graphics and interactive techniques. 1978. P. 20–25. DOI 10.1145/800248.807362.
41. Klimov D.I., Mamedov T.T. Video Monitoring System for Tracking the Processes Accompanying the Movement of Rocket and Space Technology Products // AIP Conference Proceedings. 2021. V. 2318. P. 150032. DOI 10.1063/5.0036482.
42. Долгов Е.Н. Искусственный интеллект для управления летательными аппаратами // Молодой ученый. 2021. № 16(358). С. 81–86.
43. Prudius A.A., Karpunin A.A., Vlasov A.I. Analysis of machine learning methods to improve efficiency of BIG DATA processing in industry 4.0 // Journal of Physics: Conference Series. 2019. P. 032065. DOI 10.1088/1742-6596/1333/3/032065.
44. Michalski R.S., Carbonell J.G., Mitchell T.M. Machine Learning: An Artificial Intelligence Approach. Berlin: Springer. 1983. DOI 10.1007/978-3-662-12405-5.
45. Wang L., Cheng L., Zhao G. Machine Learning for Human Motion Analysis: Theory and Practice. IGI Global. 2009. 318 p.
46. Лекун Я. Как учится машина. Революция в области нейронных сетей и глубокого обучения. М.: Альпина ПРО. 2021. 335 с. ISBN 978-5-907394-92-6.
47. Гриднев В.Н., Сергеева М.Д., Чебова А.И. Линейные модели распознавания тепловизионных изображений неисправностей электронных ячеек // Контроль. Диагностика. 2014. № 8. С. 57–66. DOI 10.14489/td.2014.08.pp.057-066.
48. Амирханов А.В., Аристов Р.С., Власов А.И., Гладких А.А., Захарченко А., Макарчук В.В. Использование современных моделей искусственных нейронных сетей для анализа дефектов при изготовлении субмикронных СБИС // Наноиндустрия. 2017. № S(74). С. 395–406.
49. Аристов Р.С., Власов А.И., Вирясова А.Ю., Гладких А.А., Макарчук В.В. Исследование различных моделей сверточных нейронных сетей для классификации изображений дефектов топологического рисунка СБИС // Наноиндустрия. 2018. № S(82). С. 392–398.
50. Аверьянихин А.Е., Власов А.И., Евдокимова Е.В. Иерархическая пирамидальная субдискретизация в глубоких сверточных сетях для распознавания визуальных образов // Нейрокомпьютеры: разработка, применение. 2021. Т. 23. № 1. С. 17–31. DOI 10.18127/j19998554-202101-03.
51. Buyanov A.A., Vlasov A.I., Gridnev V.N. The neuronet hardware and software integrated system for defectoscopy of printed circuits based on microsections // The 3D international scientific conference "Computer methods and inverse problems in NDT and diagnostics". 2002. P. 71.
52. Вирясова А.Ю., Власов А.И., Гладких А.А. Нейросетевые методы дефектоскопии интегральных структур // Нейрокомпьютеры: разработка, применение 2019. № 2. С. 54–67. DOI 10.18127/j19998554-201902-06.
53. Буянов А.И., Власов А.И., Загоскин А.В. Применение нейросетевых методов при дефектоскопии печатных плат // Нейрокомпьютеры: разработка, применение. 2002. № 3. С. 42–70.
54. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль изделий электронной техники // Производство электроники. 2007. № 3. С. 25–30.
55. Панфилова С.П., Власов А.И., Гриднев В.Н., Червинский А.С. Бесконтактный тепловой контроль электронно-вычислительных средств // Технология и конструирование в электронной аппаратуре. 2007. № 6. С. 42–49.
56. Власов А.И. Современное состояние и тенденции развития теории и практики активного гашения волновых полей // Приборы и системы управления. 1997. № 12. С. 59–70.
57. Власов А.И., Володин Е.А., Семенцов С.Г., Шахнов В.А. Электронные системы активного управления волновыми полями: история и тенденции развития // Зарубежная радиоэлектроника. Успехи современной радиоэлектроники. 2002. № 4. С. 3–23.
58. Власов А.И. Нейросетевая реализация микропроцессорных систем активной акусто- и виброзащиты // Нейрокомпьютеры: разработка, применение. 2000. № 1. С. 40–44.
59. Власов А.И. Принципы активного подавления действия вибрационных полей на электронную аппаратуру // Приборы и системы управления. 1996. № 11. С. 30–32.