В.В. Лисицкий1, Д.М. Вяльдин2

1,2 Военно-космическая академия имени А.Ф. Можайского (г. Санкт-Петербург, Россия)

1 vka@mil.ru, 2 dmitriy_vyaldin@mail.ru

Постановка проблемы. Анализ работы системы контроля и диагностики информационно-измерительных систем показал, что для получения информации о критическом изменении значений технических характеристик используются данные со всех элементов аппаратуры, связанных друг с другом, как правило, по иерархическому принципу на основе конструктивного деления. При решении задачи прогнозирования технических характеристик в интересах обоснования объема технического обслуживания большое число элементов приводит к снижению точности и горизонта прогноза за счет наличия избыточной информации об элементах, не влияющих на отклонение технических характеристик от номинального значения. Для обеспечения необходимой точности информационно-измерительной системы необходимо использовать большой массив данных о технических характеристиках структурных элементов с последующей их обработкой с помощью моделей машинного обучения.

Цель. Рассмотреть методику, базирующуюся на прогнозировании значений технических характеристик элементов информационно-измерительной системы, для определения их критической важности.

Результаты. Предложено использовать алгоритм градиентного бустинга и метод линейной регрессии для решения задачи прогнозирования значений технических характеристик информационно-измерительной системы. Показано, что предлагаемый способ позволяет организовать непрерывное дообучение алгоритма для определения критически важных элементов в режиме реального времени на этапе эксплуатации информационно-измерительной системы.

Практическая значимость. Разработанный методический аппарат определения критически важных элементов информационно-измерительной системы обеспечивает решение задачи высокоточного прогнозирования отказов, позволяет выявить наиболее значимые элементы, определить и спрогнозировать их технические характеристики, а также разработать меры по предотвращению возможных рисков и сбоев.

Лисицкий В.В., Вяльдин Д.М. Методика определения критически важных элементов информационно-измерительной системы на основе прогнозирования значений их технических характеристик // Нейрокомпьютеры: разработка, применение. 2024. T. 26. № 2. С. 70-78. DOI: https://doi.org/10.18127/j19998554-202402-07

1. Теоретические основы радиолокации. Под ред. В.Е. Дулевича. М.: Радиотехника. 1978. 608 с.
2. Боев С.Ф., Игнатьев С.В., Тихонов В.Б., Беляков Р.А., Линкевичиус А.П. Надежность и эксплуатация радиотехнических систем: монография. М.: Научная книга. 2018. 370 с. ISBN 978-5-9500445-7-1.
3. Лисицкий В.В., Панков Б.Б. Методика контроля энергетических параметров информационно-измерительных систем реального времени // Труды Военно-космической академии имени А.Ф. Можайского. 2021. № 679. С. 87–93.
4. Вяльдин Д.М., Столбов А.В., Мартынов А.М. Алгоритм выработки рациональных вариантов восстановления информационно-измерительных систем при возникновении нештатных ситуаций // Сборник научных трудов ВНТК «Актуальные научно-технические аспекты разработки, испытаний и эксплуатации средств ракетно-космической обороны». Санкт-Петербург: ВКА имени А.Ф. Можайского. 2022. С. 102–108.
5. Kelleher J.D., Mac Namee B., D'Arcy A. Fundamentals of Machine Learning for Predictive Data Analytics: Algorithm Worked Examples and Case Studies. The MIT Press. 2015. ISBN 9780262029445.
6. Александровская Л.Н., Афанасьев А.П., Лисов А.А. Современные методы обеспечения безотказности сложных технических систем. М.: Логос. 2001. 208 с.
7. Sorjamaa A., Hao J., Reyhani N., Ji Y., Lendasse A. Methodology for long-term prediction of time series // Neurocomputing. 2007. V. 70. № 16–18. P. 2861–2869. DOI 10.1016/j.neucom.2006.06.015.
8. Kline D.M. Methods for Multi-Step Time Series Forecasting Neural Networks // Neural Networks in Business Forecasting. 2004. P. 226–250. DOI 10.4018/978-1-59140-176-6.ch012.
9. Cheng H., Tan P.-N., Gao J., Scripps J. Multistep-Ahead Time Series Prediction // Advances in Knowledge Discovery and Data Mining, Lecture Notes in Computer Science. 2006. V. 3918. P. 765–774. DOI 10.1007/11731139_89.
10. Антошина В.М., Загер И.Б., Логовский А.С., Львов К.В., Перлов А.Ю. Имитационная модель данных о техническом состоянии функциональных систем РЛС при решении задачи прогнозирования отказов // Электромагнитные волны и электронные системы. 2019. Т. 24. № 5. С. 11–16. DOI 10.18127/j15604128-201905-02.