Интеллектуальная нейросетевая система идентификации параметров информационно-измерительных устройств летательных аппаратов тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Никишов, Александр Николаевич

• Никишов, Александр Николаевич
• кандидат технических наук
• 2012

Оглавление диссертации кандидат технических наук Никишов, Александр Николаевич

Содержание

Введение

1. Анализ принципов построения системы управления тех- 8 ническим состоянием авиационных и космических объектов

1.1 Этапы жизненного цикла сложной технической системы

1.2 Техническое состояние объекта управления. Постановка 10 задачи управления техническим состоянием сложного динамического объекта

1.3 Применение аппарата теории вероятности для построения 11 критерия оценки технического состояния динамической системы

1.3.1 Понятие вероятностной модели объекта управления. Ви- 11 ды вероятностных моделей

1.3.2 Вероятность безотказной работы и показатель надежно- 13 сти как критерий оценки технического состояния динамической системы

1.4 Объекты авиационной и космической техники как объект 33 управления в системах управления техническим состоянием

1.5 Определение класса исправных систем и класса неис- 36 правных систем

1.6 Построение структуры системы управления техническим 39 состоянием сложного динамического объекта.

Выводы по первому разделу

2. Разработка нейросетевой системы идентификации пара- 42 метров информационно-измерительных устройств летательных аппаратов

2.1 Математическая постановка задачи исследования

2.2 Решение задачи параметрической идентификации при 47 построении систем диагностики с использованием ИНС

2.2.1 Задача параметрической идентификации при построении 47 систем диагностики с использованием ИНС

2.2.2 Многослойные ИНС и их аппроксимирующие свойства

2.2.3 Сравнительный анализ ИНС и традиционного ПО

2.2.4 Алгоритмы для реализации процедуры идентификации 52 динамических систем на основе нейросетевых модельных структур

2.2.5 Алгоритм построения ИНС для решения задачи парамет- 76 рической идентификации при разработке интеллектуальной системы управления техническим состоянием СДС

Выводы по второму разделу

Разработака и моделирование нейросетевой подсистемы классификации векторов параметров информационно-измерительных устройств ЛА и нейросетевая реализация выработки корректирующего воздействия

94

3.1 Решение задачи классификации с использованием сетей 95 на основе самоорганизации.

3.1.1 Отличительные особенности сетей с самоорганизацией на 95 основе конкуренции

3.1.2 СлойКохонена

3.1.3 ЬУС>-сети

3.1.4 Анализ алгоритмов обучения сетей с самоорганизацией

3.2 Разработка сети с самоорганизацией

3.3 Разработка сети для решения задачи классификации век- 109 торов параметров при решении задачи тестирования и диагностики информационно-измерительных устройств

ЛА

3.4 Решение задачи формирования корректирующего воздей- 113 ствия на алгоритм управления

Выводы по третьему разделу

Заключение

Список литературы

Введение диссертации (часть автореферата) на тему «Интеллектуальная нейросетевая система идентификации параметров информационно-измерительных устройств летательных аппаратов»

Введение

В наукоёмких областях, к которым относятся авиация и ракетостроение, необходимо отметить высокую роль профилактического обслуживания оборудования. Здесь цена отказа или сбоя оборудования может быть очень высокой, а иногда и привести к неоценимым потерям, связанным с гибелью людей.

Обслуживание подобных систем требует высоких материальных затрат, и всё же это не исключает возможного возникновения сбоев. Очень важную роль играет процесс принятия решения о целесообразности ремонта данного оборудования или о необходимости отказа от дальнейшего использования и списания.

В связи с высокой стоимостью приведенных видов техники в настоящее время на первое место выходит обеспечение длительного срока службы объектов при минимизации затрат на содержание и техническое обслуживание.

В данной работе предлагается внедрение нейросетевой системы идентификации параметров информационно-измерительных устройств летательных аппаратов.

Данная система призвана реализовать:

- уточнение параметров характеризующих техническое состояние информационных систем;

- поддержку принятия решения в процессе диагностики, ремонта и оценки целесообразности дальнейшей эксплуатации в ходе выполнения периодического контроля состояния объекта;

- уточнение параметров алгоритма обработки информации в ходе эксплуатации оборудования, с целью повышения точности определения навигационных параметров.

Для более глубокого обоснования и рассмотрения предлагаемого подхода требуется рассмотрение следующих вопросов:

-4-

- постановка задачи идентификации параметров информационных устройств летательных аппаратов;

- постановка и решение задачи классификации технического состояния динамического объекта;

- проектирование подсистемы коррекции параметров алгоритма управления или переменных используемых в обработке информации.

Объектом исследования в настоящей работе являются информационно-измерительные устройства летательных аппаратов, построенные на базе маятниковых интегрирующих акселерометров.

Предметом исследования являются компьютерные средства диагностики и идентификации элементов и узлов бортовых информационных систем летательных аппаратов, созданные на базе искусственных нейронных сетей (ИНС).

Цель диссертационной работы состоит в повышении точности определения навигационных параметров ЛА за счет применения нейросетевой идентификации.

Научная задача, решаемая в диссертационной работе, состоит в разработке аппарата, обеспечивающего создание нейронных сетей для идентификации параметров информационно-измерительных устройств, функционирующих в условиях значительного перепада температур.

Методологические основы и методы исследования. Проведенные теоретические и прикладные исследования базируются на методах современного системного анализа, математической статистики, методах математического моделирования, нейроинформатики.

Моделирование процесса проведено в пакете прикладных программ МайаЬ и его приложении 81тиНпк.

Основные положения, выносимые на защиту.

1. Структура системы коррекции масштабного коэффициента маятникового акселерометра при изменении температурных воздействий в ходе полёта, основанная на применении нейросетевой идентификации.

2. Комплекс программ для формирования обучающей выборки, применяемой при обучении нейронных сетей решению задач идентификации, классификации и преобразования информации.

3. Типы и характеристики нейронных сетей, предназначенных для решения задач идентификации, классификации и коррекции значения масштабного коэффициента.

Научная новизна работы состоит в применении нейронных сетей для решения задачи вычисления масштабного коэффициента при изменении температурных воздействий.

Вычисление значения масштабного коэффициента осуществляется в 2 этапа:

- на этапе периодического контроля в ходе проведения регламентных работ при помощи нейросетевого идентификатора осуществляется уточнение параметров измерительного прибора и дальнейшая классификация его состояния с применением модифицированной нейронной сети;

- на этапе полета ЛА при помощи нейронной сети осуществляется коррекция величины масштабного коэффициента, используемого при решении бортовой навигационной задачи. В качестве входной информации используется вектор уточненных параметров модели аналоговой части измерительного прибора и значение температуры внутри приборного отсека.

Практическая значимость. Разработанная структура системы идентификации параметров, пригодна для практического использования, получены модифицированные нейронные сети, предназначенные для уточнения значения масштабного коэффициента акселерометра и его коррекции. Разработаны конкретные рекомендации по применению созданного математического аппарата на этапах проектирования и опытной отработки.

Достоверность и обоснованность полученных результатов обеспечивается корректностью постановки задачи, полнотой учета факторов, влияю-

щих на характер функционирования аппаратно-программных средств системы диагностики неисправностей СУ и подтверждается моделированием на ЭВМ, широким обсуждением результатов диссертации в ходе выступлений на научно-технических семинарах и конференциях.

Апробация работы. Результаты проведенных исследований представлены на 4-х научно-технических конференциях международного и Российского уровней и опубликованы в 13-ти изданиях, в том числе 4 статьи опубликованы в изданиях, рекомендованных ВАК.

Структура и объём диссертации. Диссертация состоит из введения, трех глав, заключения, библиографического списка и приложений. Работа содержит 135 страниц машинописного текста, 39 рисунков, 2 таблицы. Библиографический список включает 82 наименования.

В Разделе 1 данной работы рассматривается вероятностный подход к оценке технического состояния объектов. Осуществляется постановка задачи построения системы управления техническим состоянием сложных динамических объектов. Предлагается структура системы использующей предлагаемый подход.

В Разделе 2 - дан краткий обзор подходов к решению задачи идентификации динамических объектов. Дан обзор применения аппарата нейронных сетей применительно к построению систем диагностики и прогнозирования.

В Разделе 3 - Рассматривается два основных вопроса, Решение задачи классификации, и задача построения корректирующего воздействия на алгоритм управления объектом с целью компенсации изменений вызванных течением времени и воздействием окружающей среды.

Проведен анализ существующих методов решения задачи классификации. Избрана решающая структура, и проведено испытание разработанных алгоритмов и методик.

Рассмотрен вопрос построения подсистемы выработки управляющего воздействия применительно к задаче коррекции масштабного коэффициента маятникового поплавкового акселерометра.

1. Анализ принципов построения системы управления техническим состоянием авиационных и космических объектов

Для решения поставленной задачи требуется определить понятия технического состояния системы, и определить критерий, согласно которому, будет осуществляться оценка работоспособности той или иной системы. В данном разделе рассматривается общая теория управления техническим состоянием сложных систем. Дается определение технического состояния динамического объекта. Вводится критерий оценки технического состояния применимый к вероятностной модели объекта управления.

Для каждого основного этапа жизненного цикла динамических систем выделяются основные задачи, стоящие перед проектируемой системой на каждом отдельном этапе. На основании анализа графа состояний выводится структурная схема проектируемой системы. Дается краткое описание всех блоков входящих в состав системы. Осуществляется постановка задач для проектирования каждого отдельного блока системы.

1.1 Этапы жизненного цикла сложной технической системы

При рассмотрении жизненного цикла сложного технического объекта можно выделить следующие основные этапы [23]:

1. Проектирование:

a. Проектирование;

b. Изготовление опытных образцов;

c. Тестирование и испытания;

<± Введение изменений в конструкцию;

2. Производство:

a. Изготовление составных частей или их приобретение у стороннего изготовителя;

b. Тестирование и испытания каждого составного блока;

c. Сборка в системы в целом;

с1. Тестирование и отладка системы в целом;

3. Ввод в эксплуатацию:

a. Монтаж системы на объекте;

b. Тестирование системы перед вводом в эксплуатацию;

c. Обучение персонала;

4. Эксплуатация:

a. Непосредственно использование системы;

b. Проведение регламентных технических работ;

c. Проведение ремонтно-диагностических работ;

ё. Простои системы;

5. Снятие с эксплуатации и утилизация:

a. Обоснование снятия с эксплуатации;

b. Необходимые процедуры по утилизации оборудования.

На этапе проектирования и опытного производства осуществляется разработка системы. Применительно к поставленной задаче данный этап представляет особый интерес, так как на данном этапе осуществляется накопление данных и построение математической модели эталонной системы. Т.е. в процессе проектирования и отработки системы заказчик и разработчик получают в распоряжение полное математическое описание эталонной системы (здесь говорится о математической модели объекта управления - т.е. о диагностируемом объекте), которое говорит, как система должна работать в штатном режиме.

Этап производства системы состоит из следующих частей:

- Изготовление составных частей или их приобретение у стороннего изготовителя;

- Тестирование и испытания каждого составного блока;

- Сборка в системы в целом;

- Тестирование и отладка системы в целом;

На этапе производства системы особо остро встает вопрос об отбраковке покупных деталей, о конкретизации некоторых важных технических параметров изготовленного оборудования необходимых для настройки систем управления (например, аэродинамические параметры конструктивных элементов летательного аппарата), и об оценке степени соответствия готового образца эталонной модели.

Этап эксплуатации системы связан с непосредственно эксплуатацией -т.е. время, в течение которого система выполняет свою основную функцию, простоями - под постоями системы понимаются периоды времени, в течение которых большинство блоков и систем объекта находятся в пассивном режиме (как например, перерывы в эксплуатации, и несение дежурства в случае, когда вопрос касается объектов ракетной техники) и проведением регламентных профилактических работ - работы предусмотренные производителем, перечень которых определяется на основании характера оборудования и разрабатывается на этапе проектирования и испытаний системы и корректируется в ходе эксплуатации.

1.2 Техническое состояние объекта управления. Постановка задачи управления техническим состоянием сложного динамического объекта

Под техническим состоянием объекта понимается состояние системы в целом, и степень соответствия диагностируемого объекта некоторой эталонной модели.

Техническое состояние может быть удовлетворительным - т.е. каждый блок системы и система в целом соответствует предъявляемым к ней требованиям, и, следовательно, способна выполнять поставленную перед ней задачу, и неудовлетворительным — т.е. состояние одного или нескольких блоков

системы делают невозможным выполнение ею поставленных перед ней задач.

Для оценки технического состояния может быть использовано множество отдельных критериев. Наиболее общим из существующих подходов к решению данной задачи является подход, использующий вероятностную модель выполнения поставленной задачи.

Задача управления техническим состоянием сложной технической системы сводится к оценке вероятности выполнения поставленной перед объектом задачи и решению задачи принятия решений о целесообразности и виде проведения ремонтных работ или о завершении этапа эксплуатации системы.

1.3 Применение аппарата теории вероятности для построения критерия оценки технического состояния динамической системы 1.3.1 Понятие вероятностной модели объекта управления. Виды вероятностных моделей

Вероятностная модель объекта управления определяет вероятность события, при котором выходные параметры объекта управления в момент времени 1;к. е (ТдТпр) будут принадлежать множеству значений Хт.

= Р[х(1к)ехцн],1к е 00,тпр) (1.1)

В выражении (1.1) приняты следующие обозначения:

- Хцн - множество значений выходных параметров объекта управления, при которых объект управления способен выполнить поставленную перед ним задачу (достигнуть целевого назначения);

- АцнСрк) - Событие выполнения объектом поставленной перед ним задачи;

- гк - время контроля;

АцнЬк)

и* ко)

- £0 - начало отсчета по оси времени (например, время пуска в эксплуатацию);

- Тпр - время применения;

- Х(Ьк) - множество значений выходных параметров объекта на момент контроля.

Для управления этапами жизненного цикла отдельных систем необходимы вероятностные модели:

- математическая модель прогноза надежностной составляющей;

- математическая модель точностной составляющей;

- математическая модель вероятности МПД;

- математические модели прогноза вероятности выполнения целевого назначения отдельными системами.

Множество значений выходных параметров, при которых объект управления выполняет целевое назначение, задается функцией выполнения целевого назначения.

Такая функция выходных параметров Ацн[Х{гк)] принимает значения:

Ацн[Х(Ьк)] = 1 при А(гк) = Ацн{1к) (1.2)

АцнШк)] = 0 приА(1к) = Алцн(1к)

При таком представлении характерных параметров и условия выполнения целевого назначения вероятностная модель характеристики выполнения целевого назначения любой системы будет определяться зависимостью:

Р[Ацн(1к)] = М[Ацн[хак)]1 ^

х{1к) е хв

где М - символ математического ожидания; Хв - множество возможных значений параметров.

Модель точностной составляющей вероятности будет определяться требуемой точностью работы системы и соответственно способностью достижения системой заданной точностью выполнения поставленной задачи. Характерными параметрами могут быть отклонения реального результата, от требуемого.

Модели надежностной составляющей вероятности выполнения целевого назначения. Точностная составляющая вероятности выполнения задачи является характеристикой одного из обобщенных свойств системы выполнять целевое назначение. Другим обобщенным свойством системы выполнять целевое назначение является свойство быть надежной. Свойство объекта управления быть надежным включает свойства:

1. быть работоспособным или быть в безотказном состоянии на заданном периоде применения, при котором может возникнуть необходимость применения, при операциях подготовки к применению и в процессе применения;

2. ремонтопригодности или восстанавливаемости работоспособности.

1.3.2 Вероятность безотказной работы и показатель надежности как критерий оценки технического состояния динамической системы Свойство системы сохранять работоспособность или безотказность.

Введем обозначения:

- Тпп, Ттл)- событие, при котором в момент времени необходимости применения, на периоде времени необходимом для выполнения основной задачи система будет работоспособной;

гтч ^

- Тпп - период времени проведения операции подготовки к использованию системы;

- Тпл - период времени использования системы необходимый для выполнения основной задачи поставленной перед ней.

Свойство сохранять работоспособное состояние на заданном периоде времени есть свойство безотказности. Характерным параметром этого свойства является время отказа т.

Свойство работоспособности или безотказности оборудования соответствует событию А (т, 1к, Тпп, Ттл), причем:

А (т, Ьк> Тпп, Ттл) = ЛМк, Тпп, Ттл) при

(1.4)

г > Ь + Тпп + Тпл и гк е (£, Тбп)

Случайное время отказа обусловливает случайный характер свойства работоспособности или безотказности. Поэтому характеристикой этого свойства будет вероятность выполнения условия безотказной работы Ар(?к> тпп, Ттл), которая определяется отношением:

Р[Ар(!к, тт> гпл)] = Р(т >ьк + Тпп + тш),гк е (с0,гбп) (1.5)

Из (1.5) следует, что вероятность безотказной работы будет определяться вероятностными свойствами времени отказа. Полной характеристикой случайного времени отказа является его плотность распределения.

Обозначим t = tk + Tтm + Тид. Тогда вероятность безотказной работы системы согласно условию (1.5) будет определяться зависимостью:

00

р(0 = | ГШ Т (1.6)

где /(т) - плотность вероятности времени отказа системы.

Динамическая модель вероятности безотказной работы. Зависимость (1.6) является функцией изменения вероятности безотказной работы системы от времени. Процесс изменения вероятности безотказной работы (1.6) имеет особенность, которая заключается в том, что на периоде времени от *:0 до t отсутствует информация о состоянии системы или элемента. Назовем такой процесс собственной вероятностью безотказной работы.

Собственная вероятность безотказной работы будет иметь место при отсутствии контроля состояния системы на периоде времени от t0 до t и отсутствия восстановления системы при ее отказе. Момент времени с которого начинается процесс изменения вероятности безотказной работы в зависимости (1.6) является не явным.

За г0 принимают время пуска в эксплуатацию оборудования гпэ при условии, что проведен полный контроль состояния оборудования и установлено А(!пэ) - тогда:

7 (1-7)

Р(10) = |г(г)<1т= 1.

ч

Вероятность безотказной работы во многом определяется контролем состояния систем. Выделяют следующие типы контроля:

- периодический контроль по времени (частичный контроль);

- непрерывный контроль (полный контроль);

Динамика процессов полностью контролируемых систем. В системах с восстановлением работоспособности производится контроль состояния.

Пусть время контроля или проверок системы будет г'. Область определения функции плотности распределения вероятности времени отказа /(т) зададим действительными числами г>ь0.

Представим область определения функции плотности распределения вероятности времени отказа объединением двух областей определения:

¿о < т<г' и т > г' , ч

(1.8)

0<т<£ит<1

При отсутствии отказа до момента времени контроля г' областью определения функции плотности распределения времени отказа будет отношение т > г'.

Условную плотность распределения с областью определения т > г' обозначим через /(т/т > т > О или/(т/т > с'). Так как плотность /(т) является безусловной, то будет иметь место отношение:

/(тА')Р(г > О = АО (1.9)

так как Р(г> с') = Р(£'), то из последнего отношения следует: ^)^и/(г/г<О = 0. (1Л0)

С учетом условной плотности распределения условная вероятность безотказной работы системы будет определяться зависимостью

СО

1Ш*

СО

/(т/ОсЬ (1.11)

При г = г' отношение (1.11) преобразуется к виду

ff(r)d г

00 ,

P(t'/t')= Jf(T/t')dT=*-—— (1.12)

J' t J

Откуда следует

P(t'/T>t') = l (1.13)

Из последнего равенства получим, что если при проведении контроля подтверждалось работоспособное состояние элемента системы, т.е. подтверждалось, что имело место условие г > t', то будет иметь место скачок вероятности безотказной работы от величины P(t = t') до 1. При прогнозе вероятности безотказной работы такой скачок будет иметь место в случае восстановления работоспособности отказавшей системы.

При проведении периодического контроля будет периодически повторяться на время контроля скачкообразное изменение вероятности безотказной работы. В этом случае процесс вероятности безотказной работы будет иметь пилообразный характер.

Для случая, когда система имеет экспоненциальную плотность распределения времени отказа, условная плотность распределения времени отказа имеет вид

f(i/t') = = \<ГХх' (1.14)

е kt

здесь т' = r-t'.

Если плотность вероятности времени отказа экспоненциальная, то после проведения контроля состояния форма плотности не изменяется, а только смещается по времени.

Вероятность безотказной работы для экспоненциальной плотности распределения времени отказа с учетом (1.11) определяется зависимостью:

оо оо

ff(r)dr fxAfc

pvt/n J_-i__e-Ht-f) (1-15)

( )~ PCt') " e^'

Как следует из полученных зависимостей, для экспоненциального закона распределения контроль состояния не изменяет форму вероятности безотказной работы, а смещает ее по времени.

Динамика вероятности безотказной работы при неполном контроле состояния элементов структуры. Одним из видов неполного контроля состояния динамических систем является контроль структур на функционирование.

Началом (I + 1) периода между проведением контроля будет время проведения контроля или проверок спр.

Заданы вероятности состояния элементов резервированной структуры на конец предшествующего периода - вектор Требуется определить веро-

ятности состояния элементов резервированной структуры на начало следующего (1 + 1) периода между проведением контроля Рс[£Н(г+1)]-

Результаты контроля можно рассматривать как результаты проведения опытов. В этом случае вероятности состояния элементов структуры на конец предшествующего периода будут рассматриваться по отношению к контролю как априорная информация. Уточненные по результатам контроля вероятности состояния элементов динамического объекта будут апостериорными вероятностями.

Результатами контроля В могут быть:

В = ВР (1.16)

В = Вар (1.17)

Где:

- Вр- результат, подтверждающий работоспособное состояние динамического объекта;

- Вар-результат, подтверждающий отказ динамического объекта.

- Для определения апостериорной вероятности рассмотрим вероятность двух совместных событий:

- событий результатов контроля В ;

- событий состояния элементов структуры в конце периода Сс(1:ю).

Следовательно,

Р[Cc(tKi ),В] = Р[Cc(tKi )/В] Р(В) = Р[В /Cc(tKl )] Р[Cc(tKi )] (1.18)

Где:

- P[Cc(tK. у В] Р(В) - вектор апостериорных вероятностей состояния элементов динамического объекта на время tnp ;

- Р(В) - вероятность результатов контроля;

- р[Cc(tK.)] - вероятность состояния элементов динамического объекта на конец периода Тк.;

- P[B /Cc(tK.)]- вероятность результатов контроля при состоянии элементов структуры на конец периода Тк..

Вероятностями состояния элементов структуры на начало следующего (i + 1) периода между проверками будут апостериорные вероятности. В этом случае будет иметь место отношение

рс(Ц£+1)) = P[Cc(tKi)/B] (1.19)

Из отношения (2.20) с учетом обозначения

P(tK. )= P[Cc(tK.)] (1.20)

следует зависимость для искомых вероятностей состояния элементов динамического объекта в начале периода: Тк P(tKi)P[B/Q(tKi)]

PcW=—щ—• (L21)

Контроль состояния структуры заключается в подаче на вход контролируемого объекта тестового сигнала и в сравнении выходного и эталонного сигналов. Контроль при функционировании заключается в проверке правильности функционирования структуры. Характеристика контроля задается условными вероятностями. Условные вероятности контроля устанавливают отношения результатов контроля к фактическому состоянию резервированной структуры и ее элементов. Такая характеристика задается вектором P[B/Cc(tKi)].

Обозначим:

- Адо- событие состояния динамического объекта;

- Адор - событие, при котором динамический объект не отказал;

- Адоа - событие, при котором динамический объект отказал. Работоспособное состояние динамического объекта или его отказ связаны с состоянием его элементов и методике построения (логика способа резервирования).

Логика способа резервирования устанавливает минимальное число работоспособных элементов из кратности резервирования, при котором структура будет оставаться работоспособной. Это число назовем пороговым числом логики резервирования. Поэтому максимальное допустимое число состояний элементов, при которых структура остается работоспособной, будет определяться отношением:

qm = т - 1Р (1-22)

где 1Р - пороговое число логики резервирования;

цт - допустимое число состояний элементов, при которых структура будет работоспособной.

Так, при трехкратном т = 3 резервировании:

- с избирательными, мажоритарными схемами ЬР = 2 (два из трех);

- со схемами замещения или переключения 1Р = 1(один из трех ). Исходя из логики резервирования, устанавливается связь между состоянием структуры и состоянием ее элементов:

Ад0 = Ад0р при¡<цт (1-23)

Адо = Адоа при; > цт (1-24)

Если возможен ошибочный контроль, то вероятность ошибочного контроля, как работоспособной отказавшей структуры, будет определяться отношением

^ контр = Р(В = Вр/АДо = Адоа) (1-25)

где аКонтр- вероятность ошибочного контроля отказавшей структуры. Для случая, когда структура находится в работоспособном состоянии, при ошибочном контроле В = Вар структура не будет восстанавливаться. Это

обусловлено тем, что обнаружится ошибочность контроля. С учетом этого положения будут иметь место отношения:

Р(В = Вар) = 0 приАД0 = Адоа (1.26)

Р(В = Вр) = 1 при Адо = Адор (1.27)

Исходя из полученных отношений и с учетом способа резервирования, получим вектор условной вероятности результатов контроля состояния резервированной структуры в виде

Р(В/ j)=P(Bp/j). (1.28)

Если результат контроля будет В = Вр, то элементы вектора условных вероятностей результатов контроля Р(Вр/;) будут иметь значения:

Р(Вр/У) = 1 при; = 0+qm Р(ВР/;') = ^контр при; > qm Если результат контроля будет В = Вар то элементы вектора условных вероятностей результатов контроля Р(Вар/;') будут иметь значения:

Р(Вар/;) = 0 при; = 0

(1.30)

Р(Вар/7') = 1 при; > qm

На основании условия (1.29) задается вектор вероятностей контроля Вр: Р(Вр) = [ Р Ъ0> Pi)!' ■ ■ ■' Рьт ]

Pbj = 1 ПР ИУ = Q+Ят (1.31)

Pbj = «конт при; > qm Из условия (2.23) задается вектор вероятностей контроля Вар: Р(Вар) = [Рь0<Рь1----'Рьт]

рь. = 0 при ;' = 0 +qm, (1-32)

Pbj = 1 ПРИ J > Чгп Чтобы получить элементы вектора вероятностей состояния элементов структуры (1.21) на начало периода Т„(.+1) требуется элементы вектора условной вероятности результата контроля Р (£/;') умножить на элементы вектора вероятностей условия py(tK.) и результат разделить на вероятность события контроля Р(В).

В этом случае j -й элемент вектора вероятностей состояния элементов структуры на последующем периоде Тк будет определяться зависимостью: P(B/j)P(t

p(t«1+1))j= Р(в7 , при j = 0 -5- m (1.33)

В качестве вероятности Р(В) берется математическое ожидание условной вероятности проверок по всем возможным состояниям элементов. Поэтому величина вероятности Р(В) определяется по зависимости:

m

р(в> z (1.34)

j = o J

С учетом последнего отношения зависимость для вероятностей состояния элементов резервированной структуры в начале последующего периода представится в виде:

P(B/j)P(ü

p(t,<i + i))j=iE •

j=0

Зависимость (1.35) представляет собой хорошо известную формулу Бей-

еса.

Величина вероятности ошибочного контроля отказавшей структуры -^контр мала.

В (1.35) вероятность ошибочного контроля умножается на вероятности состояния элементов р(tK.) при j > qm.

В этом случае состояние элементов будет соответствовать двум и более их отказам. Поэтому в условиях (1.31) можно принять:

Рbj = 0 ПРИУ > Чт

Pbj = 1 при) <qm

(1.36)

С учетом последних условий при результатах контроля, подтверждающих работоспособность резервированной структуры, в преобразованиях вероятностей состояния элементов участвуют в не (т + 1) состояние элементов, а только цт состояний, при которых резервированная структура работоспособная. В этом случае возможно сократить размерность векторов вероятностей состояния и вероятностей контроля до Соответственно, размерность

матрицы Ф(ТК.) будет цтхцт. Поэтому зависимость для вероятностей состояния элементов резервированной структуры в начале последующего периода представится в виде:

ч РОк^

/йно+1))==--' где; =

& }

(1.37)

Так, при трехкратном (ш = 3) резервировании с избирательными, мажоритарными схемами порядок матриц будет qm = 2. В этом случае с учетом того, что вероятности контроля равны единице, матрица преобразования Ф(ТК) и алгоритм преобразования вероятностей состояния на следующий период будут иметь вид:

Ф(ТК,):

Р(ТК1Г Зр(Тк1)2[1-р(Тк1)] О Р(ТК1)2

р(01

(1.38)

Р(1н(ы),=

1 р(и +р(и

Со схемами замещения или переключения = 3:

р(Тк.)3 Зр(Тк.)2 [1 - р(Тк1)] Зр(Тк.) [1 - р(Тк.)]'

ф(^)с о Р(тк1)2 Р(тк1) [1 - рад (1-39)

о 0 р(Тк1)

Вероятности состояния каналов для рассматриваемого способа резервирования будут определяться зависимостями:

Ран(. + 1))0 = р(1к1)о+р(1к.)1+р(1к.)2

Р^ЧЫ)); РСн(1+1)),

Р^й),

Р(*и)2

(1.40)

- РСк.)о+РСК1),+ Р(^)2 В случае, когда контроль состояния резервированной структуры подтверждает отказ, осуществляется восстановление ее работоспособности.

При полном восстановлении работоспособности элементами вектора вероятности состояния Рс(£н,) будут следующие:

-22-

Po(tH(£+1)) = L

, л n . ft (L41)

P;(tH(¡+1)) = о при; > 0.

При частичном восстановлении работоспособности элементов структуры (например, работоспособность одного элемента не восстановлена) элементами вектора Pc(tH ) будут Po(tH(í+1)) = 1

( 3 (1.42)

P;(tH(i+1)) = 1при;>1.

За начало первого периода между проверками или включениями резервированной структуры принимается время приема в эксплуатацию tHi. Предполагается, что в этом случае будет проконтролировано состояние всех элементов резервированных структур. Этому случаю будут соответствовать вероятности состояния элементов:

= 1. (МЗ) Py(tH¡) = 0 при; > 0.

Таким образом, организуя рекуррентную процедуру с использованием приведенных зависимостей, имеется возможность получить процесс изменения вероятностей состояний элементов резервированных структур по времени при неполном контроле.

Если плотность вероятности времени отказа элемента отличается от экспоненциальной, то при проведении каждого контроля следует пересчитать эти плотности по зависимости (1.10).

Взаимосвязанная совокупность рассмотренных алгоритмов составит модель изменения вероятностей состояния элементов структур. Такая модель приведена на рис. 1.1

Рбш)= I Р^ш);'

.1=°

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Никишов, Александр Николаевич

Результаты работы реализованы при формировании технического задания на разработку новых образцов техники в работах ФГУП «НПЦ АП им. Академика Н.А.Пилюгина», при подготовке лекционных материалов и материалов для практических занятий по курсу «Интеллектуальные системы управления» в «МАИ», и в «ВА РВСН им. Петра Великого», что подтверждается соответствующими актами о реализации.

Заключение

В Разделе 1 настоящей работы проведен детальный анализ предметной области, даны определения задачи управления техническим состоянием и ее основным составляющим, на основании проведенного анализа сформирован метод построения интеллектуальных систем управления техническим состоянием сложных динамических объектов. Применительно к данному методу, дан обзор методики построения критерия оценки технического состояния системы, в зависимости от ее структуры и выбранного метода контроля.

Предложен общий вид критерия оценки технического состояния - вероятность отказа элементов динамического объекта.

На основании предложенного критерия сформирован набор параметров на выходе системы необходимый для решения задачи управления техническим состоянием сложной динамической системы.

Оценка качества работы системы осуществляется на основе точностного критерия.

На основании предложенного метода построения систем управления техническим состоянием и результатов анализа выбранного критерия оценки была построена структурная схема системы управления техническим состоянием сложных динамических объектов.

Сформулированы основные задачи, решение которых необходимо для построения системы управления техническим состоянием сложного динамического объекта:

- Решение задачи параметрической идентификации;

- Решение задачи классификации;

- Решение задачи корректировки управляющих воздействий.

В разделе 2 проведен детальный анализ алгоритмов обучения нейронных сетей, и методики построения нейронных сетей для решения задачи идентификации. Предложены и апробированы алгоритмы построения ней- 125 ронной сети предназначенной для решения задачи параметрической идентификации сформулированной в Разделе 1 настоящей работы. В результате проведенного исследования была построена и обучена нейронная сеть, способная решить задачу параметрической идентификации с заданной точностью.

В Разделе 3 рассматриваются вопросы применения результатов решения задачи параметрической идентификации применительно к процессу управления техническим состоянием объектов. Предложенную в Разделе 1 структуру было решено разбить на 2 контура. В качестве внешнего контура, в котором осуществляется принятие решений об организационных мерах направленных на поддержание работоспособности объекта, выделено два метода решения поставленной задачи:

• Задача классификации, когда речь идет о тестировании объектов и об их отбраковке;

• Задача построения систем поддержки принятия решений, когда речь идет о сложных объектах управления и восстановление работоспособности объекта осуществляется за счет замены отдельных узлов и элементов, что представляется экономически целесообразным.

Применительно к рассматриваемой задаче, проведено исследование явления самоорганизации при обучении нейронных сетей, и структуры нейронных сетей которые используются для решения задач классификации. На основе анализа, проведенного в разделе 2, предложено решение задачи классификации вектора параметров наблюдаемого объекта с помощью ЬУС>-сети. Разработаны и апробированы алгоритмы для разработки ЬУ(^-сети предназначенной для решения задачи классификации. В результате проведенного исследования была построена и обучена нейронная сеть, способная решить задачу классификации вектора параметров применительно к решению задачи тестирования объекта управления.

Внутренний контур направлен на выработку корректирующего воздействия на существующие алгоритмы управления с целью компенсации изменений в структуре устройства, влияние которых растет с течением времени, а так же вследствие воздействия окружающей среды.

В Разделе 3 рассмотрено построение блока выработки корректирующего воздействия применительно к задаче коррекции величины масштабного коэффициента. Была построена и обучена нейронная сеть, предназначенная для расчета поправки масштабного коэффициента на основании информации о температуре объекта управления и вектора его параметров. Использование в управлении объектом указанной информации позволяет снизить уровень инструментальных ошибок, что в свою очередь, позволяет повысить точность работы системы в целом.

Проведенные в ходе выполнения работы опыты полностью подтвердили работоспособность и гибкость предложенных структур и алгоритмов.

Результаты моделирования позволили сделать вывод, что точность решения БНЗ с применением нейросетевой коррекции повышается в два раза, а ошибка достижения цели снижается на 50%.

С целью расширения функциональных возможностей системы в структуру управления может быть включен блок формирования прогноза, для отслеживания динамики изменения параметров системы, и получения оценки возможного периода эксплуатации с минимальной вероятностью выхода из строя. Применение предложенного подхода позволяет повысить роль профилактических технических работ проводимых на объекте, и в свою очередь, позволяет принимать более обоснованные решения по организационным мероприятиям по поддержанию объекта в работоспособном состоянии.

Список литературы диссертационного исследования кандидат технических наук Никишов, Александр Николаевич, 2012 год

Список источников

1. Методы классической и современной теории управления: Учебник в 5-и тт.; 2-е изд., перераб. И доп. Т.2: Статистическая динамика и идентификация систем автоматического управления / Под ред. Пуп-кова К.А. Егупова Н.Д. - М.: Издательство МГТУ им. Н.Э. Баумана, 2004. - 640 с.

2. Методы классической и современной теории управления: Учебник в 5-и тт.; 2-е изд., перераб. И доп. Т.З: Синтез регуляторов систем автоматического управления / Под ред. Пупкова К.А. Егупова Н.Д. -М.: Издательство МГТУ им. Н.Э. Баумана, 2004. - 616 с.

3. Методы классической и современной теории управления: Учебник в 5-и тт.; 2-е изд., перераб. И доп. Т.5: Методы современной теории автоматического управления /Под ред. Пупкова К.А. Егупова Н.Д. - М.: Издательство МГТУ им. Н.Э. Баумана, 2004. - 784 с.

4. Никишов А. Н. «Постановка задачи построение интеллектуальной системы оценки и управления техническим состоянием сложных технических систем в авиационной и ракетнокосмической области» Международная научно-техническая конференция «Системы и комплексы автоматического управления» М.: ООО «Научно-издательский центр * Инженер*», 2008. с.259-265.

5. Методы робастного, нейро-нечеткого и адаптивного управления: Учебник / Под ред. Н.Д. Егупова; издание 2-е, стереотипное. - М.: Изд-во МГТУ им. Н.Э.Баумана, 2002. - 744 с.

6. Саймон Хайкин. Вильяме. Нейронные сети. Полный курс. 2-е издание. - Москва-Санкт-Петербург-Киев: Издательский дом «Вильяме» 2006.

7. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. - М.: Горячая линия - Телеком, 2004. - 452 с.

8. Хомяков П.М. Системный анализ: Краткий курс лекций / Под ред.

- 128-

В.П. Прохорова. Изд. 2-е, Стереотипное. - М.: КомКнига, 2007. - 216 с.

9. Тюкин И.Ю. Терехов В.А. Адаптация в нелинейных динамических системах / Предисл. Г.Г.Малинецкого. - М.: Издательство ЖИ, 2008. - 384 с. (Синергетика: от прошлого к будущему.).

Ю.Фурасов В.Д. Задачи гарантированной идентификации. Дискретные системы. - М.: БИНОМ. Лаборатория знаний, 2005. - 150 с.

П.Девятков В.В. Системы искусственного интеллекта: Учеб. Пособие для вузов. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. - 352 с. (Сер. Информатика в техническом университете)

12.Neural Network Design Martin T. Hagan, Howard В. Demuth, Mark H. Beale ISBN: 0-9717321-0-8

13.Neural Network Toolbox User's Guide 2006 by The Math Works, Inc. www.mathworks.com

14.Лекции по нейроинформатике http://www.niisi.ru/iont/ni/Library/

15.С.А. Зайцев, Е.Л. Межирицкий, В.М. Никифоров, Е.С. Смирнов, Ф.А. Юрлов «Цифровая модель маятникового поплавкового акселерометра». Труды ФГУП «НПЦ АП» 03/2008

16.Подиновский В.В. Математическая теория выработки решений в сложных ситуациях: Учебник. - М.: МО СССР, 1981.- 211с.

17.Костылев, A.A. Статистическая обработка результатов экспериментов / А.А.Костылев, П.В.Миляев, Ю.Д.Дорский и др. - Л.: Энергоатомиз-дат, 1991.

18.Ларичев О.И., Мечитов А.И., Мошкевич Е.М., Фуремс Е.М. Выявление экспертных знаний (процедуры и реализация). - М.: Наука, 1989.

19.Заде Л.А. Понятие лингвистической переменной и его применение к принятию приближенных решений. - М.: Мир, 1976.

20.Штовба С.Д. Введение в теорию нечетких множеств и нечеткую логику. Учебник для вузов. - Винница: Континент-ПРИМ, 1997.

21.Гриняев С.Н. Нечеткая логика в системах управления // Компьютер-

ра.-2001, №38.

22. Колесников С. Аппаратная реализация нейронных сетей. "Компью-тер-Информ" http://www.ci.ru/informl 7_05/р_24.11Ш1

23 .Ефимов Г. Жизненный цикл информационных систем - Журнал «Сетевой», 2-2001,

http://www.setevoi.rU/cgi-bin/text.pl/magazines/2001/2/44

24.Экспертные системы. Принципы работы и примеры: Пер. с англ. /А. Брукияг, П. Джонс, Ф. Кокс и др.; Под ред. Р. Форсайта. - Радио и связь, 1987.- 224 с.

25.Джексон, П. Введение в экспертные системы / Пер. с англ.: Уч. Пос. -М.: Издательский дом «Вильяме», 2005. - 624 е.: ил.

26.Подиновский В.В., Потапов М .А. Методы анализа и системы поддержки принятия решений / Учебное пособие (МФТИ). М .: Спутник +, 2003.

27.Алтунин А.Е., Семухин М.В. Модели и алгоритмы принятия решений в нечетких условиях. - Тюмень: Издательство Тюменского государственного университета, 2000.

28.Поспелов, Г.С. Системный анализ и искусственный интеллект / Г.С. Поспелов. - М.: ВЦ АН СССР, 1980. - 48 с.

29.Бомас В.В., Судаков В.А., Афония К.А. Поддержка принятия многокритериальных решений по предпочтениям пользователя. СППС Б88/иТ88/ Под общей редакцией В.В. Бомаса. - М.: Изд-во МАИ, 2006.- 172 е.: сл.

30.Глущенко В.В., Глущенко И.И. Разработка управленческих решений Прогнозирование - планирование, теория проектирования экспериментов. - М.: Крылья, 1997.

31.Тихонов А.Н., Цветков В.Я. Методы и системы поддержки принятия решений. -М.: МАКС Пресс, 2001. - 312 с.

32.Орлов А.И. Теория принятия решений Учебное пособие. - М.: Издательство «Март», 2004.

33.Лукичева Л.И., Егорычев Д.Н. Управленческие решения. Учебник 4-е изд., стер. - М.: Омега-Л, 2009. - 383 с.

34.Ландэ Д.В., Фурашев В.М., Григорьев О.М. Программно-аппаратный комплекс информационной поддержки принятия решений. Научно-медодическое пособие. - К.: TOB "Инжиниринг", 2006. - 48 с.

35.Попов Э.В. и др. Динамические интеллектуальные системы в управлении и моделировании. Мат. Семинар. - МИФИ, 1996, 141 с.

36.Поспелов, Д.А. Ситуационное управление: теория и практика / Д.А. Поспелов. - М.: Наука, 1986. - 282 с.

37.Арсеньев, С.Б. Использование технологии анализа данных в интеллектуальных информационных системах / Арсеньев С.Б., Бритков В.Б., Маленкова H.A. - М.: УРСС, ИСА РАН, 2006. - 714 е.: ил.

38.Абдрахимов Д., Иоффин А. Поддержка принятия решений: взгляд на место информационно-аналитических технологий ПНР в арсенале банковского аналитика//Банковские технологии. 1997. №4. С. 24-27.

39.Ларичев О.И. Теория и методы принятия решений, а также Хроника событий в Волшебных странах: Учебник. -М.: Логос, 2000.

40.Саати Т. Принятие решений. Метод анализа иерархий: Пер. с англ. — М.: Радио и связь, 1993.

41.Thomsen Е. Decision Alchemy//Decision Support. Intelligent Enterprise Volume 1 — № 1, 1998.

42.Tversky A. Intransitivity of preferences//Psychological Re view. № 76. 1969.

43.Вагнер Г. Основы исследования операций. Т. 2. —М.: Мир, 1973.

44.Дегтярев Ю.И. Исследование операций. — М.: Высш. шк.,1986.

45.Шишкин Е.В., ЧхартишвилиА.Г. Математические методы и модели в управлении: Учеб. пособие. —М.: Дело, 2000.

46.Литвак Б.Г. Экспертная информация: Методы получения и анализа. — М.: Радио и связь, 1982.

47.Кини P.JI., Райфа X. Принятие решений при многих критериях: предпочтения и замещения: Пер. с англ./Под ред. И.Ф. Шахнова. — М.: Радио и связь, 1981.

48.Артамонов Г.Т., Брехов М.О, Любатов Ю.В. и др. Теория проектирования вычислительных машин, систем и сетей/Под ред.В.И. Матова. — М.: Изд-во МАИ, 1999.

49.Дюк, В. Data mining - интеллектуальный анализ данных / В. Дюк -М.: «Финансы и статистика», 2006. - 380 е.: ил.

50.Гаскаров, Д.В. Интеллектуальные информационные системы / Д.В. Гаскаров. - М.: Высш. школа, 2003. - 431 с.

51.Поспелов Д.А. - Справочник по искусственному интеллекту в 3-х т. / Под ред. Попова Э.В. и Поспелова Д.А. М.: РиС, 1990. ИИ. 3 тома. Модели и методы, гл. 1-2, с. 7-102

52.Лебедев Г.Н., Балашова Н.М. Интеллектуальные системы управления.- М.:МГГУ, 2000.-118с.

53.Лорьер, Ж.-Л. Системы искусственного интеллекта / Ж.-Л. Лорьер. -М.: Мир, 1991.

54.Электронный ресурс. Научные статьи и диссертации по прикладному использованию нейронных сетей лаборатории CIS хельсинского технического университета. http://lib.tkk.fi/Diss/

55.Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика - М.: Горячая линия - Телеком 2002. - 382 с.

56.Картавцев В.В. Нейронная сеть предсказывает курс доллара// Компьютеры + программы - 1993 - N 6 (7) - с. 10-13

57.Соколов E.H., Вайтнявичус Г.Г. Нейроинтеллект: от нейрона к нейрокомпьютеру.- М.: Наука, 1989. С. 283.

58.Барцев С.И. Некоторые свойства адаптивных сетей (программная реализация).-Красноярск: Институт физики СО АН СССР, - 1987.

59. Джеффри Е. Хинтон. Как обучаются нейронные сети.// В мире науки - 1992 -N 11 -N 12-е. 103-107.

60.Маккалох Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности.// Автоматы. М.: ИЛ, 1956.

61.Розенблат Ф. Аналитические методы изучения нейронных сетей.// Зарубежная радиоэлектроника. - 1965 - N 5 - с. 40-50.

62.G. Cybenco, 'Approximation by superposition of sigmoidal functions', Mathematics of Control, Signal and Systems, 1989

63.Amari S. Field theory of self-organizing neural networks//IEEE Trans. Syst, Man, Cybern. 1983. V. 13. P. 741.

64.Athale R., Stirk C.W. Compact architectures for adaptive neuraal nets//Ibid. 1989. V. 28. N4.

65.Bardcev S.I., Okhonin V.A. The algorithm of dual functioning (back-propagation): general approach, vesions and applications. Krasnoyarsk: Inst, of biophysics SB AS USSA - 1989.

66.П.Г. Круг Нейронные сети и нейрокомпьютеры. Учебное пособие по курсу «Микропроцессоры» для студентов, обучающихся по направлению «Информатика и вычислительная техника» М.: Изд-во МЭИ 2002 www.pdffactory.com

67.Конюшенко В.В. Начало работы с Matlab. Перевод с английского. Электронный УМК 2009 73 стр.

68.В.Г. Потемкин Система инженерных и научных расчетов Matlab. 5.x т. 1, т.2. Диалог МИФИ. 1999.

69.С.П. Иглин. Теория вероятностей и математическая статистика на базе Matlab.

70.Медведев B.C., Потемкин В.Г. Нейронные сети. Matlab 6 /Под общ. ред. К.т.н. В.Г. Потемкина. - М.: ДИАЛОГ -МИФИ, 2002. - 496 с.

71.Никишов А. Н.Олейник А.А. Талиманчук Л.Л. Зайцев А.В., Суханов Н.В., «Инверсно-адаптивная схема управления сложным динамическим объектом» Нейрокомпьютеры, №1, 2010, с.34-39.

72.Никишов А. Н.Зимарин A.M. «Оптимальное управление сложными техническими системами с использованием обобщённого квадратич-

ного показателя качества» Приборы и системы. Управление, контроль, диагностика - 2011. - № 6. - С. 5-8.

73.Никишов А. Н. Канушкин C.B. «Поэтапная процедура принятия решений в условиях риска» Известия института инженерной физи-ки.2011 - № 2(20). - С. 49-53.

74.Никишов А. Н. Зайцев A.B. «Анализ алгоритмов систем идентификации сложных динамических объектов» Материалы докладов IX 22. НТК "Повышение эффективности средств обработки информации на базе математического моделирования". Тамбов: 2009. с. 282-287.

75.Никишов А. Н., Козина М.А., Зайцев A.B., Яловец П.С. «Задача управления техническим состоянием сложных технических систем как задача адаптивного управления» Материалы 68 научно-методической и научно-исследовательской конференции Московского автомобильно-дорожного государственного технического университета (МАДИ), секция «Наземные комплексы, стартовое оборудование и эксплуатация летательных аппаратов».М: МАДИ, 2011. с.36-40

76.Никишов А. Н. Козина М.А., Зайцев A.B., Яловец П.С. «Пути создания систем распознавания образов и идентификации сложных систем и объектов» Материалы 68 научно-методической и научно-исследовательской конференции Московского автомобильно-дорожного государственного технического университета (МАДИ), секция «Наземные комплексы, стартовое оборудование и эксплуатация летательных аппаратов».М: МАДИ, 2011. с.62-65

77.«Анализ принципов построения экспертных систем по оценке информации о системе управления ракетой.» Итоговый отчет о НИР «Метод построения экспертной системы оценивания информации о системе управления ракеты за гарантийными сроками на основе нечеткой логики». AHO НИЦ РКТ, 2008

78.«Синтез системы стабилизации движения при уточнении параметров двигательной установки, полученных при решении задачи идентифи-

кации.» Итоговый отчет о НИР «Методика синтеза системы стабилизации движения ракеты с учётом продлённых сроков эксплуатации». AHO НИЦ РКТ, 2008

79.«Алгоритм расчета динамических ошибок измерения и контроля процессов функционирования системы управления.» Итоговый отчет о НИР «Адаптивные алгоритмы контроля и прогнозирования технического состояния систем управления ракет за гарантированными сроками эксплуатации». AHO НИЦ РКТ, 2009

80.«Разработка экспериментальной установки для исследования влияния конструкционных, эксплуатационных и технологических факторов на техническое состояние материалов и элементов конструкции ракетной техники.» Итоговый отчет о НИР «Методика технического диагностирования ракет и стартовых комплексов в период продлённых сроков эксплуатации с использованием метода газоразрядной визуализации». AHO НИЦ РКТ, 2009

81. «Синтез системы стабилизации движения при уточнении параметров двигательной установки, полученных при решении задачи идентификации.» Итоговый отчет о НИР «Анализ результатов эксплуатации и достаточности ресурса постоянно функционирующих приборов системы управления, подготовка, проведение исследований конструкционных материалов и разработка отчёта-заключения о продлении сроков эксплуатации до 23 лет». ЦП СЯС, 2009

82.Никишов А.Н. Зайцев A.B. Канушкин C.B. Семенов A.B. «Подход к тестированию и диагностике авиакосмических систем с использованием нейросетевого идентификатора» Электронный журнал «Труды МАИ». 2011 г. Выпуск №47. 10 с. www.mai.ru/science/trudv/