И.А. Калинов – руководитель проектов, АО «Концерн «РTИ Системы» (Москва);  аспирант, Московский физико-технический институт (государственный университет) E-mail: tej@frtk.ru

А.А. Кочкаров – к.ф.-м.н., доцент, зам. директора НТЦ-3, АО «РТИ» (Москва);  ст. науч. сотрудник, Институт проблем управления им. В.А. Трапезникова РАН (Москва)

E-mail: akochkar@gmail.com, AKochkarov@oaorti.ru

С.С. Матвеева – вед. инженер, АО «Радиотехнический институт имени академика А.Л. Минца» (Москва) E-mail: s.s.matveeva@gmail.com

Рассмотрен вопрос применения методов машинного обучения для прогнозирования состояния сложно-структурированных радиоэлектронных систем. Предложена и обоснована модель данных для сбора информации о функционировании радиоэлектронной системы с применением встроенной системы контроля и мониторинга состояния ее компонентов (блоков). С помощью предложенной модели проведена адаптация одного из распространенных методов машинного обучения, градиентного бустинга, на выборке из ретроспективных данных, со стенда Генерального конструктора и системы встроенного контроля, для решения задачи прогнозирования состояния радиолокационных станций и ее компонентов.

1. Maheshwari A. Data Analytics Made Accessible. Amazon Digital Services. 2018.
2. Мхитарян В.С. и др. Анализ данных: Учебник для академического бакалавриата / Под ред. В.С. Мхитаряна. М.: Изд-во Юрайт. 2016. 490 с.
3. Дас С.Р. Большая сила больших данных // Финансы и развитие. 2016. № 9. С. 26−28.
4. Feldman R., Curry G.G. Manufacturing Systems: Modeling and Analysis. Berlin. Heidelberg: Springer_Verlag. 2011. 335 p.
5. Кудинов А.В. Информационная технология для решения задач интеллектуального анализа производственных данных // Известия Томского политехнического университета. 2012. Т. 321. № 5: Управление, вычислительная техника и информатика. С. 66−71.
6. Садыхов Г.С., Савченко В.П., Сидняев Н.И. Модели и методы оценки остаточного ресурса изделий радиоэлектроники. М.: Изд-во МГТУ им. Н.Э. Баумана. 2015. 382 с.
7. Шаханов Н.И., Варфоломеев И.А., Ершов Е.В., Юдина О.В. Прогнозирование отказов оборудования в условиях малого количества поломок // Вестник Череповецкого государственного университета. 2016. № 6. С. 36−41.
8. Антонов А.В., Белова К.А., Чепурко В.А. Статистический анализ данных об отказах оборудования АЭС с учетом неоднородности потока отказов // Известия вузов. Ядерная энергетика. 2011. № 2. С. 75−87.
9. Новиков Г. Использование методов поиска паттернов в последовательности событий для прогнозирования поломок сложных технических систем // Сб. трудов 39-й Междисциплинарной школы-конф. ИППИ РАН «Информационные технологии и системы 2015». Институт проблем передачи информации им. А.А. Харкевича РАН. 2015. С. 1205−1212.
10. Русинов М.А. Об основных принципах методики анализа редких событий в дискретных сложных системах // Вестник МГТУ Станкин. 2015. № 3(34). С. 139−144.
11. Боев С.Ф., Савченко В.П., Ступин Д.Д., Кочкаров А.А. и др. Мощные надгоризонтные РЛС дальнего обнаружения: разработка, испытания, функционирование / Под ред. С.Ф. Боева. М.: Радиотехника. 2013. 168 с.
12. Боев С.Ф., Логовский А.С. Управление процессами создания РЛС ДО функционально-блочной структуры // Журнал радиоэлектроники. 2017. № 7. 12 с. Режим доступа: http://jre.cplire.ru/jre/jul17/11/text.pdf.
13. Боев С.Ф., Линкевичиус А.П., Логовский А.С., Якубовский С.В. О возможности снижения сроков и стоимости создания РЛС ДО с использованием стенда главного конструктора // Журнал радиоэлектроники. 2017. № 9. 22 с. Режим доступа: http://jre.cplire.ru/jre/sep17/10/text.pdf.
14. Боев С.Ф., Линкевичиус А.П., Матвеева С.С., Тимошенко А.В., Шевцов В.А. Оптимизация системы технического обслуживания РЛС дальнего обнаружения на основе распознавания отказов по данным встроенного контроля // Электросвязь. 2017. № 10. С. 83−87.
15. Зацаринный А.А., Гаранин А.И., Козлов С.В. Стенд главного конструктора – организационно-техническая основа разработки крупно-масштабных информационно-телекоммуникационных систем // Системы и средства информатики. Т. 20. № 3. С. 174−190.
16. Коэльо Л.П., Ричарт В. Построение систем машинного обучения на языке Python. 2016. 302 с.
17. Friedman J. Greedy Function Approximation: A Gradient Boosting Machine. IMS 1999 Reitz Lecture.
18. Беляков Р.А., Игнатьев С.В., Тихонов В.Б., Харитонов А.В. Модель системы технического обслуживания радиоэлектронной аппаратуры по состоянию // Успехи современной радиоэлектроники. 2017. № 11. С. 25−29.
19. Рахманов А.А., Якубовский С.В., Логовский А.С., Казанцев А.М. Оптимизация пуско-наладочных работ РЛС ДО функционально-блочной структуры на основе логико-вероятностной модели надежности и данных текущего контроля // Успехи современной радиоэлектроники. 2017. № 11. С. 30−35.
20. Hastie T., Tibshirani R., Friedman J.H. «10. Boosting and Additive Trees». The Elements of Statistical Learning. Edition 2nd. New York: Springer. P. 337−384. ISBN 0-387-84857-6. Archived from the original on 2009-11-10.
21. Cossock, David, Zhang Tong. Statistical Analysis of Bayes Optimal Subset Ranking Archived 2010-08-07 at the Wayback Machine.