Параметрическая оптимизация модульных испытательных комплексов для устройств обмена систем управления летательных аппаратов тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Бурдин Александр Михайлович

• Бурдин Александр Михайлович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Бурдин Александр Михайлович

ВВЕДЕНИЕ

ГЛАВА 1. ВВЕДЕНИЕ В ЗАДАЧУ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ МОДУЛЬНЫХ ИСПЫТАТЕЛЬНЫХ КОМПЛЕКСОВ

1.1 Описание модульного испытательного комплекса устройств обмена информации в системах управления летательных аппаратов

1.3 Задача параметрической оптимизации модульных испытательных комплексов

1.4 Анализ алгоритмов решения задачи параметрической оптимизации модульных испытательных комплексов

1.5 Общая схема генетического алгоритма

1.6 Постановка задачи отбора особей в следующее поколение. Кодировка хромосом

1.7 Обзор методов восстановления регрессии по экспериментальным данным

1.8 Методы ранжирования приоритетности критериев качества

1.9 Постановка задачи исследования

1.10 Выводы по главе

ГЛАВА 2. АДАПТАЦИЯ КЛАССИЧЕСКОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ДЛЯ МЕТОДИКИ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ МОДУЛЬНЫХ ИСПЫТАТЕЛЬНЫХ КОМПЛЕКСОВ

2.1 Алгоритм преобразования и вычисления целевой функций многокритериальной задачи оптимизации на основе рангов критериев качества испытательного комплекса. Универсальная модель качества модульного испытательного комплекса

2.2 Определение точки Парето-оптимума. Постановка задачи оптимизации модульных испытательных комплексов

2.3 Адаптированный генетический алгоритм параметрической оптимизации модульных испытательных комплексов с принципом отбора особей в следующее поколение на основе рангов критериев качества

2.4 Компьютерная реализация алгоритма параметрической оптимизации блочно-модульных испытательных комплексов

2.5 Выводы по главе

ГЛАВА 3. АНСАМБЛЕВЫЙ АЛГОРИТМ РАНЖИРОВАНИЯ КРИТЕРИЕВ КАЧЕСТВА МОДУЛЬНЫХ ИСПЫТАТЕЛЬНЫХ КОМПЛЕКСОВ

3.1 Исследование критериев качества в задаче параметрической оптимизации модульных испытательных комплексов

3.2 Исследование методов определения рангов критерия качества

3.3 Ансамблевый алгоритм ранжирования критериев качества блоков модульных испытательных комплексов

3.4 Алгоритм определения значимости рангов критериев качества

3.5 Выводы по главе

ГЛАВА 4. АЛГОРИТМ ПОИСКА ОПТИМАЛЬНЫХ ЗНАЧЕНИЙ ПАРАМЕТРОВ АДАПТИРОВАННОГО ГЕНЕТИЧЕСКОГО АЛГОРИТМА ОПТИМИЗАЦИИ МОДУЛЬНЫХ ИСПЫТАТЕЛЬНЫХ КОМПЛЕКСОВ

4.1 Разработка алгоритма оценки эффективности оптимизации испытательного комплекса

4.2 Экспериментальная оценка точности работы алгоритма оптимизации модульного испытательного комплекса

4.3 Математическая модель ошибки адаптированного генетического алгоритма с принципом отбором особей в следующее поколение на основе рангов критериев качества

4.4 Алгоритм поиска оптимальных значений параметров адаптированного генетического алгоритма

4.5 Методика параметрической оптимизации модульных испытательных систем на основе генетического алгоритма

4.6 Методика сравнительной оценки результатов оптимизации модульных испытательных систем

4.7 Оценка методики параметрической оптимизации модульных испытательных систем на основе ГА по сравнению с известными методами оптимизации на базе генетических алгоритмов

4.8 Выводы по главе

ГЛАВА 5. ПРИМЕНЕНИЕ МЕТОДИКИ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ МОДУЛЬНЫХ ИСПЫТАТЕЛЬНЫХ КОМПЛЕКСОВ УСТРОЙСТВ ОБМЕНА СИСТЕМ УПРАВЛЕНИЯ ЛЕТАТЕЛЬНЫХ АППАРАТОВ

5.1 Разработка испытательной аппаратуры для устройств обмена для перспективного летательного аппарата

5.2 Применение методики оптимизации при модернизации испытательного комплекса устройств обмена

5.3 Применение методики параметрической оптимизации испытательных комплексов программируемых логических интегральных схем

5.4 Выводы по главе

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

ПРИЛОЖЕНИЕ А. ЗАРЕГИСТРИРОВАННЫЕ РЕЗУЛЬТАТЫ ИНТЕЛЛЕКТУАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

ПРИЛОЖЕНИЕ Б. АКТ О ВНЕДРЕНИИ

Введение диссертации (часть автореферата) на тему «Параметрическая оптимизация модульных испытательных комплексов для устройств обмена систем управления летательных аппаратов»

ВВЕДЕНИЕ

Актуальность темы. Современное массовое и серийное производство радиоаппаратуры характеризуется непрерывным обновлением выпускаемой продукции. Например, в секторе бытовой электроники и систем связи стабильный цикл процесса производства за последние годы сократился с 18 до 6 месяцев. В условиях жёсткой конкуренции производители вынуждены модернизировать свои производства и осваивать выпуск новых видов изделий, а также постоянно работать над улучшением их качества. С учётом высоких таких темпов обновления, для снижения затрат необходимо искать пути сокращения расходов на контроль и испытания, так как доля этих расходов может достигать 50% от общих затрат.

Процесс производства электротехнических систем (ЭТС) различного назначения включает типовые испытания, такие как приёмосдаточные и периодические, а также проведение технологической тренировки (электрической, климатической и вибрационной), во время которой проверяются функционирование и основные параметры испытуемого изделия. При многократных испытаниях ЭТС на этапах регулировки и сдачи продукции заказчику производитель затрачивает много ресурсов, что приводит к значительному увеличению себестоимости. Определяющим фактором гибкости производства становится быстрая разработка автоматизированных испытательных комплексов (ИК), позволяющих: повысить производительность, сократить стоимость и время разработки тестирующего оборудования, уменьшить затраты на создание и эксплуатацию систем контроля. Похожие проблемы возникают не только в сфере производства, но также при создании исследовательских испытательных систем на этапе разработки новых ЭТС, при проведении комплексных испытаний и организации длительного мониторинга параметров сигналов и характеристик сложных технических систем на этапе эксплуатации.

Таким образом, улучшение эффективности контрольно-испытательной аппаратуры (КИА) в электрорадиотехнических системах является важной задачей для экономики, решение которой способствует росту производительности и улучшению качества производимой продукции. Снижение стоимости испытаний, универсализация и сокращение времени разработки специализированных КИА являются ключевыми задачами, от решения которых зависят производственные расходы, сроки выхода продукции на рынок и, в конечном итоге, прибыль. Современным производителям необходимы такие КИА, которые могут гибко адаптироваться к изменениям в выпускаемой продукции. Это означает, что они должны быть адаптивными, перепрограммируемыми, масштабируемыми и при этом экономически оправданными.

Современные тенденции в развитии испытательного оборудования для цифровой аппаратуры указывают на большую перспективность применения блочно -модульного принципа в процессе разработки. Этот подход обеспечивает гибкость и модульность, что позволяет легче адаптировать оборудование под различные требования и условия испытаний. Кроме того, блочно-модульная архитектура способствует упрощению ремонта и модернизации систем, а также ускоряет процесс интеграции новых технологий и компонентов, что в свою очередь, улучшает общую эффективность и производительность испытательного процесса. Этот подход позволяет разработать систему, которая предлагает измерения и контроль, которые труднее реализовать с использованием традиционного набора настольной аппаратуры. Постоянный реинжиниринг испытуемых приборов требует от разработчиков тестовой аппаратуры постоянного совершенствования своих изделий. С каждой новой стадией развития контролируемых объектов увеличивается их номенклатура, что делает не всегда экономически целесообразным приобретение или разработку нового испытательного оборудования. Решением данной проблемы является блочно-модульная архитектура испытательной аппаратуры, которая позволяет

быстро переоборудовать рабочее место для тестирования различных приборов одного семейства. В этом случае заменяются несколько модулей, после чего запускается новая программа для обработки данных проверки.

Возможности автоматических модульных испытательных систем остаются ограниченными. В связи с совершенствованием объектов контроля становится необходимым регулярное обновление и улучшение тестовых систем. Основные игроки на рынке модульных тестовых систем, такие как National Instruments, Keysight Technologies и Adlink Technology, акцентируют внимание на модернизации функциональных блоков, из которых состоят эти системы. Однако такой подход приводит к увеличению стоимости как отдельных модулей, так и всей системы в целом, что может стать препятствием для некоторых пользователей при принятии решения о модернизации. Альтернативным способом повышения характеристик испытательных комплексов может быть использование оптимизационных методов распределения и управления ресурсами модульной системы, прежде всего, оптимизация набора блоков. Разработчик в большинстве случаев синтезирует автоматический тестовый стенд, основываясь на интуиции и собственный опыт, что снижает качество и сроки выполнения данной работы. Неоптимальная комбинация модулей испытательного оборудования может привести к некорректному проведению производственной операции или осложнит интерпретацию полученных данных, что увеличит трудоёмкость подготовки испытательного оборудования и снизит уровень автоматизации технологического процесса.

Развитие методов и средств искусственного интеллекта способствует реализации все более разнообразных решений проблем и задач, связанных с синтезом оптимального состава модульных систем. Классу таких задач относится параметрическая оптимизация различных модульных систем контроля, которая осуществляется по множеству критериев разного типа.

Современные тенденции в проектировании и разработке систем автоматического контроля приборов систем управления летательных аппаратов, основанных

на блочно-модульной архитектуре, требуют использования не только интегральных критериев, но и различных нестандартных подходов, а также увеличения числа параметров, подлежащих оптимизации. Все это вынуждает исследователей при решении задач параметрической оптимизации обращаться к новым методам и инструментам, включая такие подходы искусственного интеллекта, как генетические алгоритмы. Эти алгоритмы предлагают эффективные средства для поиска оптимальных решений в сложных и многомерных пространствах, где традиционные методы могут оказаться неэффективными или трудоёмкими. Генетические алгоритмы адаптируются к изменяющимся условиям и способны находить хорошие решения за счёт использования механизмов естественного отбора, что делает их предпочтительным выбором для решения многих современных задач в различных областях, от инженерии до экономики. Интерес как зарубежных, так и отечественных исследователей и их публикации по данной тематике говорят о значительной актуальности данной проблематики. Большой вклад в применение генетических алгоритмов для решения различных оптимизационных задач внесли такие учёные, как Г. К. Во-роновский, В. М. Курейчик, В. Р. Сабанин, С. И. Сушков и другие. Их исследования помогли развить теоретические основы и практические аспекты генетических алгоритмов, что способствовало их эффективному применению в самых разных областях, включая инженерные задачи, экономику, биоинформатику и другие области. Работы этих учёных предоставили новые методы и подходы, которые значительно расширили возможности использования генетических алгоритмов для решения сложных задач оптимизации.

Анализ литературы показал, что при реализации генетических алгоритмов в задачах оптимизации возникает ряд трудноразрешимых задач, основными из которых являются:

Высокая ресурсоёмкость: генетические алгоритмы требуют значительных вычислительных ресурсов, особенно при работе с большими объёмами данных и сложными задачами.

Множество настраиваемых параметров: значительное количество параметров (размер популяции, вероятность кроссовера, вероятность мутации и др.) делает настройку алгоритма сложной задачей, требующей тщательного выбора значений параметров для достижения оптимальных результатов работы алгоритма.

Наличие не Парето оптимальных точек: в многокритериальных задачах часто возникает большое количество решений, не принадлежащих Парето фронту, что затрудняет выбор наилучшего решения из предложенных.

Предварительная сходимость к локальным оптимумам: генетические алгоритмы могут застревать в локальных оптимумах, которые далеки от глобально оптимального решения, что требует дополнительных стратегий для преодоления этого порога.

Эти проблемы подчёркивают необходимость дальнейших исследований и разработок, направленных на улучшение эффективности генетических алгоритмов, оптимизацию их параметров и увеличение устойчивости к застреванию в локальных оптимумах. Возможные решения могут включать в себя использование гибридных подходов, адаптивных стратегий установки параметров и методов, направленных на улучшение поиска в пространстве решений.

Но при всем внимании современных исследователей к данной проблеме нерешёнными остаются ряд вопросов, касающихся применимости генетического алгоритма для решения дискретных задач многокритериальной параметрической оптимизации. В том числе тестовой аппаратуры для устройства обмена систем управления летательных аппаратов, что делает такие исследования актуальными для отечественной промышленности.

Таким образом, задача параметрической оптимизации автоматического испытательного оборудования, построенного на модульной архитектуре, являясь частью задачи синтеза технических объектов остаётся актуальной проблемой, так как её решение позволит повысить эффективность процедуры оптимизации мо-

дульных систем, а также улучшить технико-экономические показатели испытательных комплексов, например такие как стоимость испытательного комплекса, номенклатура проверяемых приборов и т.д.

30 мая 2019 года проходило совещание, которое вёл президент Российской Федерации В.В. Путин. На этом мероприятии обсуждалась перспективная стратегия по развитию технологий искусственного интеллекта в нашей стране. Согласно проекту стратегии одним из приоритетных направлений развития и внедрения искусственного интеллекта в России являются рекомендательные и интеллектуальные системы поддержки принятия решений при разработке новых изделий. Тема диссертационного исследования соответствует основным направления развития отечественной науки, что подтверждает актуальность данной работы.

Развитие средств производства и контроля систем управления летательных аппаратов актуальная тема в сегодняшних условиях развития российской экономики. На данный момент серьёзно стоит вопрос повышения универсальности испытательных комплексов, автоматизации производства (особенно в условиях дефицита квалифицированных кадров на предприятиях машиностроения), минимизации затрат на разработку и обслуживание ИК (в условиях резкого повышения спроса на отечественные летательные аппараты различного назначения).

Объектом исследования является процесс оптимизации модульного универсального автоматизированного испытательного комплекса устройств обмена информацией систем управления летательных аппаратов, обеспечивающего имитацию информационного обмена по различным интерфейсам и каналам связи.

Предметом исследования являются алгоритмы оптимизации набора функциональных блоков испытательного комплекса для испытаний устройств обмена.

Цель диссертационной работы - оптимизация выбора блоков модульных испытательных комплексов (ИК) с целью повышения технических и экономических показателей, таких как:

- увеличение номенклатуры проверяемых приборов на ИК;

- снижение стоимости ИК;

- повышение времени безотказной работы ИК;

- снижение времени технологического процесса испытаний на ИК;

- улучшение габаритных показателей ИК.

Для достижения указанной цели необходимо решить следующие задачи:

- Анализ и выбор методов параметрической оптимизации модульных испытательных систем;

- Адаптация выбранного метода для решения задачи параметрической оптимизации ИК устройств обмена;

- Разработка алгоритма ранжирования критериев качества испытательного комплекса;

- Исследование работоспособности адаптированного метода оптимизации на тестовых задачах;

- Экспериментальная оценка эффективности разработанного метода;

- Обоснование параметров метода оптимизации;

- Применение разработанной методики параметрической оптимизации для синтеза состава испытательного комплекса устройств обмена.

Методы исследования. Научные основы для решения поставленной задачи включают в себя: теорию вероятностей и математическую статистику, теорию машинного обучения, теорию алгоритмов, теорию вычислительных экспериментов, генетические алгоритмы, методы ранжирования критериев, а также современные методологии экспериментальных исследований с использованием вычислительной техники. Для проведения исследования и экспериментальной оценки адаптированного генетического алгоритма применялся язык программирования Python 3.6 вместе с библиотеками numpy и pandas. При программной реализации разработанной

методики для внедрения на производство применялся язык программирования С++11 с библиотекой О:.

Результаты диссертационной работы, выносимые на защиту:

Методика параметрической оптимизации блочно-модульных испытательных комплексов на основе генетического алгоритма, отличающегося от классического генетического алгоритма принципом отбора особей в следующее поколение на основе лексикографических критериев качества (ранги критериев определяются ансамблевым алгоритмом ранжирования критериев качества), включающая в себя:

1. Адаптированный генетический алгоритм для оптимизации модульных испытательных систем с принципом отбора особей в следующее поколение на основе лексикографических критериев качества.

2. Алгоритм преобразования и вычисления целевой функций многокритериальной задачи оптимизации на основе рангов критериев качества испытательной системы.

3. Ансамблевый алгоритм ранжирования критериев качества модульных испытательных комплексов.

4. Алгоритм поиска оптимальных значений параметров адаптированного генетического алгоритма.

5. Компьютерная реализация алгоритма параметрической оптимизации модульных испытательных комплексов.

Научную новизну составляют:

1. Адаптированный генетический алгоритм оптимизации модульных ИК, отличающийся от классического ГА, разработанным автором алгоритмом преобразований целевых функций и отбора особей в следующее поколение на основе лексикографических критериев качества.

2. Универсальная математическая модель качества модульных ИК для адаптированного генетического алгоритма оптимизации модульных ИК, учитывающая разную природу и разношкальность критериев качества.

3. Ансамблевый алгоритм ранжирования критериев качества модульных испытательных систем. Доказана необходимость и возможность ансамблирования методов ранжирования. Разработан алгоритм определения значимости критериев.

4. Математическая модель ошибки адаптированного генетического алгоритма для оптимизации модульных испытательных систем для нахождения оптимальных параметров адаптированного генетического алгоритма оптимизации модульных испытательных комплексов. Доказана нелинейность модели ошибки генетического алгоритма для оптимизации модульных испытательных систем.

4.1 Обоснована значимость параметров адаптированного генетического алгоритма для задач оптимизации модульных испытательных комплексов. Выявлено, что вероятность мутации статистически не значимый параметр адаптированного ГА;

4.2 Обоснованы значения параметров адаптированного генетического алгоритма (в зависимости от размерности пространства поиска) для разработанной методики оптимизации испытательных систем на основе генетического алгоритма, при которых алгоритм работает с наилучшей точностью. Проведена оптимизация адаптированного генетического алгоритма.

Область исследования. Содержание диссертации соответствует пунктам паспорта специальности 2.3.1 - Системный анализ, управление и обработка информации, статистика (технические науки):

п. 3 Разработка критериев и моделей описания и оценки эффективности решения задач системного анализа, оптимизации, управления, принятия решений, обработки информации и искусственного интеллекта;

п. 4 Разработка методов и алгоритмов решения задач систем анализа, оптимизации, управления, принятия решений и обработки информации и искусственного интеллекта;

п. 9 Разработка проблемно-ориентированных систем управления, принятия решений и оптимизации технических объектов;

По совокупности представленных решений и основных положений диссертационная работа соответствует технической отрасли наук. Теоретическая значимость работы:

• Построена универсальная математическая модель качества модульных испытательных систем.

• Доказана необходимость и возможность ансамблирования методов ранжирования критериев качества модульных испытательных систем.

• Выявлены наиболее существенные параметры адаптированного ГА для оптимизации модульных испытательных комплексов.

• Найдены оптимальные значения параметров адаптированного ГА для оптимизации испытательных систем;

• Построена математическая модель ошибки адаптированного генетического алгоритма для оптимизации испытательных систем.

Практическая значимость работы:

- Разработана методика параметрической оптимизации состава модульного испытательного комплекса устройств обмена на основе генетического алгоритма, отличающегося от классического генетического алгоритма принципом отбора особей в следующее поколение на основе лексикографических критериев качества;

- Разработан алгоритм поиска оптимальных параметров генетического алгоритма, адаптирующийся под задачи с различным количеством возможных комбинаций.

- Разработан ансамблевый алгоритм ранжирования критериев качества модульных испытательных систем.

Разработанная методика реализована в виде программы для ЭВМ и зарегистрирована в «Реестре программ для ЭВМ» под названием «Автоматизированная система оптимизации блочно-модульных испытательных комплексов устройств обмена». Свидетельство №ЯИ2017611932 о государственной регистрации программ для ЭВМ выдано Федеральной службой по интеллектуальной собственности.

Достоверность результатов работы. Достоверность и обоснованность научных результатов и выводов исследования обеспечивается корректным использованием применяемого математического аппарата, а также рецензированием печатных работ в изданиях из перечня ВАК и практическим применением результатов настоящей работы в АО НПЦАП (имеется акт о внедрении программы для ЭВМ).

Апробация работы. Основные результаты, полученные в результате работы, докладывались на 7-м Межотраслевом молодёжном конкурсе научно-технических работ и проектов «Молодёжь и будущее авиации и космонавтики» МАИ 16-20 ноября 2015 года, VII научно-технической конференции молодых учёных и специалистов ФГУП «НПЦАП им. академика Н.А. Пилюгина» 14-15 апреля 2016 года, на VIII научно-технической конференции молодых учёных и специалистов ФГУП «НПЦАП им. академика Н.А. Пилюгина» 17-18 апреля 2018 года, на LXIX Международной научно-практической конференции «Научный форум: технические и физико-математические науки» 15 января 2024 года.

Реализация работы. Научные результаты исследований были применены при проведении проектных работ при разработках испытательных комплексов для устройств обмена в АО «НПЦАП». Также данное программное обеспечение используется при разработке перспективных испытательных комплексов устройств обмена.

Личный вклад автора. В диссертации приведены результаты исследований, выполненные лично автором (разработана методика параметрической оптимизации состава модульного испытательного комплекса устройств обмена на основе генетического алгоритма, разработан алгоритм преобразования и вычисления и преобразования целевой функции многокритериальной задачи оптимизации модульных испытательных систем, построена универсальная математическая модель качества модульных испытательных систем, построена математическая модель ошибки адаптированного генетического алгоритма, разработан ансамблевый алгоритм нахождения рангов критерия качества модульных испытательных систем). В

работах, совместно опубликованных с В. Н. Васиным, автором был проведён анализ известных методов оптимизации модульных систем, сформулирована задача оптимизации и доработан классический генетический алгоритм для решения задач оптимизации модульных испытательных комплексов. В работе, совместно опубликованной с Л.Н. Кисилевым, автором обоснована актуальность применения модульного принципа для построения испытательных систем.

Публикации. По результатам выполненных в диссертации исследований опубликовано 17 работ, в том числе: 7 в периодических изданиях, рекомендованных ВАК; 9 опубликовано в других изданиях, сборниках статей и докладов конференций, 1 свидетельство регистрации программы для ЭВМ.

Структура и объем диссертации. Диссертационная работа состоит из Введения, 5-х глав, Заключения, списка сокращений и библиографического списка из 84 наименований. Работа содержит 152 страницы текста с 33 рисунками и 45 таблицами.

ГЛАВА 1. ВВЕДЕНИЕ В ЗАДАЧУ ПАРАМЕТРИЧЕСКОЙ ОПТИМИЗАЦИИ МОДУЛЬНЫХ ИСПЫТАТЕЛЬНЫХ КОМПЛЕКСОВ

1.1 Описание модульного испытательного комплекса устройств обмена информации в системах управления летательных

аппаратов

В различных областях экономики и техники существует проблема принятия оптимального решения. Данная проблема возникает при разработке автоматических блочно-модульных испытательных систем. Примером таких систем является испытательный комплекс устройств обмена информацией в системах управления летательных аппаратов.

Современные системы управления с их высокими требованиями к надёжности аппаратуры обязывают контролировать качество изготавливаемых изделий, при этом особое внимание уделяется испытательной аппаратуре. Контрольно-испытательная аппаратура осуществляет проверку качества выпускаемой продукции. Испытательная аппаратура включает в себя комплекс блоков, позволяющих создавать определённые режимы для всесторонней проверки изделия.

Устройство обмена информацией в системах управления летательных аппаратов (далее используется термин «устройство обмена» или сокращенно УО) (см. Рисунок 1.1) информации систем управления предназначено для управления обменом информацией между центральной вычислительной машиной (ЦВМ) и исполнительными органами, а также между датчиками входных воздействий и ЦВМ. [22, 23]. УО состоит из преобразователей двоичного кода ЦВМ в сигналы, обеспечивающие работу управляющих органов, и преобразователей сигналов, поступающих от датчиков в двоичный код. Номенклатура испытываемых устройств обмена широка. Эти устройства различаются по видам обрабатываемой информации, включая релейные слова, последовательные и параллельные интерфейсы, ШИМ, а также

сигналы в виде частоты, фазы, длительности и т. д. Кроме того, они могут отличаться по количеству каналов. При создании набора модулей для испытательного комплекса следует принимать во внимание указанные выше факторы.

Устройство обмена в системе управления летательным

аппаратом

Рисунок 1.1 - Устройство обмена в системе управления летательным

аппаратом

В задачу испытательного комплекса устройства обмена входит (рисунок 1.2, 1.3) [14]:

- задание реального режима работы преобразователей и управляющей части

УО;

- автоматизация процедуры приемо-сдаточных испытаний;

- фиксация и локализация неисправностей.

Рисунок 1.2 - Взаимодействие устройства обмена с испытательным

комплексом

Рисунок. 1.3 - Структурная схема модульного испытательного комплекса

устройств обмена

Из-за разнообразия тестируемых сигналов растёт номенклатура модулей, которые различаются не только функционально (под функциональностью понимается способность блока обеспечивать испытания сигнала или группу сигналов определённой формы), но и рядом других свойств.

Для синтезирования оптимальных сочетаний блоков необходимо формализовать процедуру принятия решений [25]. Так как выбор, основанный на интуиции разработчика не всегда приводит к наилучшему решению.

Задача синтеза модульной испытательной системы, сводится к такому сочетанию блоков в каркасе, которое обеспечит определённые свойства, определяющие экстремум принятого решения.

Согласно ГОСТ Р МЭК 60917-1-2011 под модульным принципом понимается набор правил, устанавливающих соотношение между координатными размерами и базовым шагом, кратными шагами и монтажными шагами, которые нужно использовать в оборудовании, т. е. модульная архитектура подразумевает под собой принцип построения системы из набора унифицированных по габаритным размерам и аппаратным интерфейсам блоков.

Список литературы диссертационного исследования кандидат наук Бурдин Александр Михайлович, 2025 год

БИБЛИОГРАФИЧЕСКИЙ СПИСОК

1. Авдеев А.А. Применение генетических алгоритмов к задачам оптимизации. Доклады ТУСУРаЮ, 2008, №2, С. 110-111.

2. Анкудинов Г.И. Синтез структуры сложных объектов. Логико-комбинаторный подход. - Ленинград: Издательство Ленинградского университета, 1986.

3. Андраханов С.В., Львович Я.Е., Преображенский А.П. Реализация интегрированного алгоритма многоальтернативного выбора и генетического алгоритма. Фундаментальные исследования. 2013, №10, С. 2391-2395.

4. Балыбердин В.А, Белевцев А.М., Иванов В.В., Некоторые вопросы использования генетических алгоритмов оптимизации в АСУ. Известия ЮФУ. Технические науки. 2009, №2, С. 76-81.

5. Батищев, Д.И. Применение генетических алгоритмов к решению задач дискретной оптимизации. Учебно-методический материал по программе повышения квалификации «Информационные технологии и компьютерное моделирование в прикладной математике» / Д.И. Батищев, Е.А. Неймарк, Н.В. Старостин. - Нижний Новгород, 2007. - 85 с.

6. Бегляров В.В., Берёза А.Н., Стороженко А.С. Гибридный многопопуляцион-ный муравьиный генетический алгоритм. Известия ЮФУ. Технические науки, 2010, №7, С. 39-45.

7. Белоглазов Д.А., Евтушенко В.Ю. Автоматизация синтеза регуляторов с применением генетических алгоритмов. Известия ЮФУ. Технические науки, 2014, №5, С. 24-29.

8. Бёшелев С.Д., Карпова И.В. Выбор перспективной техники с помощью метода экспертных оценок // экономика и математические методы. - 1972. - Т. VIII. - Вып. 1. - С. 79.

9. Бова, В.В. Многоуровневый алгоритм решения задач транспортной логистики на основе методов роевого интеллекта / Вестник РГУПС. - 2013. - № 3. - С. 113-118.

10. Бураков М. В. Генетический алгоритм: теория и практика: учеб. пособие / М.

B. Бураков. - СПб.: ГУАП, 2008. - 164 с.: ил.

11.Бурдин А.М., Васин В.Н. Автоматизированная система многокритериальной оптимизации блочного-модульного испытательного комплекса устройств обмена. Труды ФГУП «НПЦАП». Системы и приборы управления. 2016. №«2. С. 45-54.

12.Бурдин А.М., Васин В.Н. Автоматизированная система многокритериальной оптимизации блочного-модульного испытательного комплекса устройств обмена. Труды VII Научно-технической конференции молодых учёных и специалистов «Приборы и системы управления ракетно-космических комплексов».

C. 521-534.

13.Бурдин А.М., Кисилев Л.Н. Автоматизированная система проверки блоков ИК-УО на базе платформы РХ1. Труды ФГУП «НПЦАП». Системы и приборы управления. - М.: ООО «Красногорский полиграфический комбинат». 2018. -№4.

14.Бурдин А.М. Автоматизированная система проверки блоков ИК-УО на базе платформы РХ1. Тезисы докладов УШ Научно-технической конференции молодых учёных и специалистов «Приборы и системы управления ракетно-космических комплексов» М.: ФГУП «НПЦАП». 2018.

15.Бурдин А.М. Автоматизированная система проверки блоков ИК-УО на базе платформы РХ1. «Орбита молодёжи» и перспективы развития российской космонавтики. Красноярск. СибГУ им. М.Ф. Решетнева. 2018.

16.Бурдин А.М. Ансамблевая методика ранжирования критериев качества модульных испытательных комплексов. Автоматизация. Современные технологии. 2025. Т. 79. №4.

17.Бурдин А.М. Метод преобразования целевой функций многокритериальной задачи оптимизации модульного испытательного комплекса устройств обмена на основе рангов критериев качества. Труды ФГУП «НПЦАП». Системы

и приборы управления. - М.: ООО «КОМПАНИЯ ПОЛИГРАФ-МАСТЕР», 2020. - №4.

18.Бурдин А.М. Метод поиска оптимальных значений параметров генетического алгоритма. Научный форум: Технические и физико-математические науки: сб. ст. по материалам ЬХГХ международной научно-практической конференции - №1(69). - М., Изд. «МЦНО», 2024.

19.Бурдин А.М. Метод поиска оптимальных значений параметров генетического алгоритма. Труды ФГУП «НПЦАП». Системы и приборы управления. - М.: ООО «КОМПАНИЯ ПОЛИГРАФ-МАСТЕР», 2020. - №4

20.Бурдин А.М. Методика параметрической оптимизации модульных испытательных систем на основе генетического алгоритма. Научный аспект. Самара. 2024. - №1.

21. Бурдин А.М. Проблемы выбора и ранжирования критериев при оптимизации испытательного комплекса, построенного на блочно-модульной архитектуре. Труды ФГУП «НПЦАП». Системы и приборы управления. 2015. №8. С. 7376.

22.Бурдин А.М. Проблемы оптимизации при формировании испытательного комплекса на основе блочно-модульной архитектуры. Естественные и технические науки. 2015. №3. С. 146-148.

23.Бурдин А.М., Васин В.Н. Проект разработки системы автоматизированного синтеза блочно-модульных испытательных комплексов устройств обмена 7-й Межотраслевой молодёжный конкурс научно-технических работ и проектов «Молодёжь и будущее авиации и космонавтики». Аннотации работ. Московский авиационный институт (национальный исследовательский университет). 2015. С. 107-108.

24.Бурдин А.М. Проектирование блока приёма последовательного кода на базе программируемой логической интегральной схемы. Техника и технология. 2014. №3 (62). С. 13-16.

25.Бурдин А. М. Разработка испытательной аппаратуры элементов системы управления на основе блочно-модульной архитектуре. Аспирант и соискатель. 2015. №2. С. 48-49.

26.Бурдин А.М. Ранжирование критериев оценки качества блоков различными методами для параметрической оптимизации блочно-модульного испытательного комплекса устройств обмена. Труды ФГУП «НПЦАП». Системы и приборы управления. 2015. №2. С. 44-49.

27.Бушин С.А., Курейчик В.В. Генетический алгоритм размещения разногабаритных элементов. Известия ЮФУ. Технические науки. 2009. №12. С. 22-27.

28. Васильев И. Л., Климентова К.Б. Метод ветвей и отсечений для двухуровневой задачи размещения // Материалы конференции "Ляпуновские чтения и презентация информационных технологий" (19-23 декабря 2008 г., Иркутск). С. 11.

29.Вороновский Г.К. и др. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности. / Г.К. Вороновский, К.В. Махо-тило С.Н. Петрашев, С.А. Сергеев. - Харьков: ОСНОВА, 1997. - 112с.

30.Галушин П.В., Семенкин Е.С. Асимптотический вероятностный генетический алгоритм. Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2009, №4, С. 37-41.

31.Гладков Л.А., Гладкова Н.В. Особенности использования нечетких генетических алгоритмов для решения задач по оптимизации и управления. Известия ЮФУ. Технические науки, 2009, №4, С. 130-136.

32.Гладков Л.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы / Под. ред. В.М. Курейчика. - М.: Физматлит, 2006 - 320 с.

33.ГОСТ Р МЭК 60917-1-2011. Модульный принцип построения базовых несущих конструкций для электронного оборудования. - Введ. 2011-12-14. - М.: Стандартинформ, 2013. - 23 с.

34. Дилигенский Н.В., Дымова Л.Г., Севастьянов П.В. Нечеткое моделирование и многокритериальная оптимизация производственных систем в условиях

неопределенности: технология, экономика, экология М.: «Издательство Машиностроение - 1», 2004. - 397 с.

35. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. - М.: Физматлит, 2003.

36.Еремеев А.В. Разработка и анализ генетических и гибридных алгоритмов для решения задач дискретной оптимизации. Дис. канд. физ.-мат. наук. Омск, 2000.

37.Ерошенко И.Н. Разработка генетического алгоритма кластерного планирования СБИС. Известия ЮФУ. Технические науки, 2010, №7, С. 54-60.

38.3аргарян Ю.А. Нечеткое отношение предпочтения при ранжирование критериев в задачах принятия решений // Всероссийская научная конференция молодых ученых, аспирантов и студентов. «Информационные технологии, системный анализ и управление»: Сборник материалов. Т. 2. - Таганрог: Изд-во ТТИ ЮФУ, 2011. - С. 62-64.

39.3аргарян Ю.А. Ранжирование критериев для парето-оптимальных решений многокритериальных задач. Известия ЮФУ. Технические науки, 2012, №2, С. 153-159.

40. Звонков В.Б. Сравнительное исследование генетических алгоритмов и стайного алгоритма оптимизации. Труды XIV Международной конференции «Проблемы управления и моделирования в сложных системах». - Самара: Изд-во Института проблем управления сложными системами РАН, 2012 -с.786-797.

41.Керимов А.К. Эволюционный алгоритм для решения задачи автоматической классификации // Искусственный интеллект и принятие решений. 2009, №4. С. 74-79.

42.Кини Р.Л., Райфа Х. Принятие решений при многих критериях: предпочтения и замещения. М.: Радио и связь. 1981.

43.Кини Р.Л. Размещение энергетических объектов: выбор решений. М.: Энер-гоатомиздат, 1983

44.Китчер Э. Генетических алгоритм для задач многокритериальной оптимизации. Дни науки студентов и аспирантов ВлГУ 2012. Материалы вычислительной техники. г. Владимир. 2012. С. 78-80.

45.Китчер Э. Методы и алгоритмы принятия решения для технологий «Когнитивное радио»: автореферат диссертации кандидата технических наук. -Владимир, 2013. - 20 с.

46.Климентова К.Б. Оценки оптимальных значений и методы решения задач размещения с предпочтениями клиентов. Диссертация на соискание учёной степени кандидата физико-математических наук. Иркутск. 2010.

47.Конышева Л.К., Назаров Д.М. Основы теории нечетких множеств. - СПб.: Изд-во Питер, 2011. - 192 c.

48.Кулиев, Э.В. Исследование характеристик гибридного алгоритма размещения. Э.В. Кулиев, А.А. Лежебоков/ Известия ЮФУ. Технические науки. - Таганрог : Изд-во ЮФУ. - 2013. - № 3. - С. 255-261.

49.Курейчик В.М. Генетические алгоритмы и их применение. / В.М. Курейчик. -изд. 2-е, доп. - Таганрог: Изд-во ТРТУ, 2002. - 242с.

50.Лазарев Е. А. Бикритериальная модель сети передачи данных. Системы управления и информационные технологии. - 2011. - № 3.2(45). - С. 255-258.

51. Ларичев О.И. Наука и искусство принятия решений. М.: Наука, 1979.

52. Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. М.: Физматлит, 1996.

53. Левин М.Ш. Эвристический алгоритм для многокритериальной блочной задачи о рюкзаке // Искусственный интеллект и принятие решений. - №4. -2009 с. 179-191.

54. Лисов О.И., Марков А.Б. Модели и алгоритмы многокритериальной оптимизации АИС при нечеткой информации. Наука и образование. - 2012, №6. - С. 261-276.

55.Лисовцова А.Е. Нечеткие генетические алгоритмы в задачах размещения. Известия ЮФУ. Технические науки. №4, 2009, С. 57-61.

56. Лукьянов Н.Д. Параметрическая оптимизация автоматических систем стабилизации с помощью генетического алгоритма: диссертация кандидата технических наук. - Иркутск, 2014. - 138 с.

57. Лукьянова Н.В., Куприянов Д.Ю., Роганова Н.А. Основы искусственного интеллекта. - М.: МГИУ, 2012. - 92 с.

58. Луцан, М.В. Интеллектуальная информационная система поддержки деятельности грузового терминала / Известия КБНЦ РАН. - 2013. - № 4. - С. 48-55.

59.Малыхина М. П., Частикова В. А., Власов К. А. Исследовании эффективности работы модифицированного генетического алгоритма в задачах комбинаторики. Вестник Кубанского государственного технологического университета. №7, 2016. С. 33-54.

60.Минаева Ю.В. Структурно-параметрическая адаптация генетического алгоритма. Вестник СибГУТИ. 2017, №1 С. 83-88.

61.Монтлевич В.М., Испаилова А.Н. Эмпирический анализ приближенных алгоритмов целочисленного программирования, основанных на идее жадного выбора. Вестник СамГУ — Естественнонаучная серия. 2014. № 3(114). С. 115120.

62.Овчинников В.А. Алгоритмизация комбинаторно-оптимизационных задач при проектировании ЭВМ и систем. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2001. - 288 с.

63.Поздняков А. Д. Автоматизация экспериментальных исследований, испытаний и мониторинга радиосистем / А. Д. Поздняков, В. А. Поздняков. - М.: Радиотехника, 2004. - 208 с. - ISBN 5-93108-066-Х.

64. Поздняков А. Д. Автоматизация экспериментальных радиофизических исследований: практикум / А. Д. Поздняков; Владим. гос. ун-т. -Владимир: Ред.-издат. комплекс, 2004. - 128 с. - ISBN 5-89368-474-5.

65.Поздняков А. Д. Автоматизация радиоизмерений: учеб. пособие / А. Д. Поздняков. - Владимир: ВлГТУ, 1995. - 184 с. - ISBN 5-230-04783-6.

66.Рутковская, Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: пер. с польск. И. Д. Рудинского. - М.: Горячая линия - Телеком, 2006. - 452 с.:ил.

67.Саати Т., Кернс К. Аналитическое планирование. Организация систем. М.:Ра-дио и связь, 1991. 224 с.

68.Сабанин В.Р. Модифицированный генетический алгоритм для задач оптимизации в управлении / В.Р. Сабанин, Н.И. Смирнов, А.И. Репин // Exponenta Pro, 2004.- №3-4(7-8).

69.Сбоева Ю.В. Многокритериальная оптимизация блочно-модульных хим-мико-технологических систем (на примере производства азокрасителей): автореферат диссертации кандидата технических наук. - Москва, 1995. - 16 с.

70.Свидетельство о государственной регистрации программы для ЭВМ № 2017611932 от 13.02.2017.

71.Симанков В. С., Частикова В. А. Генетический поиск решений в экспертных системах. Монография. - Краснодар: Просвещение-Юг, 2008.

72.Статников Р.Б., Матусов И.Б. Многокритериальное проектирование машин. - М.: Наука, 1972.

73.Сочнев А.Н. Распределение ресурсов производственной системы с использованием сетей петри и генетического алгоритма. Управление большими системами: сборник трудов. Том 39, 2012, С. 238-252.

74.Сушков С. И. Разработка гибридного модифицированного алгоритма на примере решения тестовых задач. Научный журнал КубГАУ, №75(01), 2012, С. 1-11.

75.Тарутин А.В. Набатов А.В. Применение методов генетических алгоритмов для построения множества Парето в задачах многокритериальной оптимизации. Инженерный вестник Дона. №4. 2015.

76. Частикова В. А. Идентификация механизмов реализации операторов генетического алгоритма в экспертных системах продукционного типа. Научный журнал КубГАУ. - Краснодар: КубГАУ, 2012. -№ 75 (01).

77.Финаев В.И. Пушнина И.В. Нечеткие лексикографические отношения в задаче ранжирования критериев производства и потребления электроэнергии. Известия ЮФУ. Технические науки, №5, 2014, С. 213-221.

78.Andrew Ng. Machine Learning Yearning-Draft. deeplearning.ai. 2018. P. 105

79.Artur J. Ferreira, Mario A.T. Fifueiredo. Efficient feature selection filters for high-dimensional data, Pattern Recognition Letters, Volume 33, Issue 13, October 2012, Pages 1794-1804.

80.Circiu M.S., Leon F. Comparative Sudy Of Multiobjective Genetic Algorithms. Buletinul Institutului Politehnic Din Iasi, Tomul LVI, Fasc. 1, 2010. P. 35 - 47.

81.Fayzraxmanov, R.I. Constructive probabilistic algorithm for placing circles and rectangles Management, Computer Science and Informatics. - 2010. - № 4 (39). -P. 132-138.

82.Saaty T. Scaling Method for Priorities in Hierarchical Structures // J. of Mathematical Psychology. 1977. Vol. 15. № 3. P. 234 - 281.

83.Sasaki T., Akiyama T. Traffic control process of expressway by fuzzy logic //Fuzzy Sets and Systems. 1988. Vol. 26. P. 165 - 178.

84.Shmoys D., Tardos E., Aardal K. Approximation algorithms for facility ocation problems / / Proc. of the 29th annual ACM symposium on theory of computing. New York: ACM Press, 2017. P. 265-274.

85.Slavov, T. Application of Genetic Algorithm to Tuning a PID Controller for Glucose Concentration Control / T. Slavov, O. Roeva // Electronic journal: Wsea Transaction on Systems. - 2012. - Vol. 11. - № 7. - p. 223-233.

86.Rotshtein A.P. Modification of Saaty Method for the Construction of Fuzzy Set Membership functions // Proc. Of the Intern. Conf. "Fuzzy Logic and its Applications', Zichron, Israei, 1997.

ПРИЛОЖЕНИЕ А. ЗАРЕГИСТРИРОВАННЫЕ РЕЗУЛЬТАТЫ ИНТЕЛЛЕКТУАЛЬНОЙ ДЕЯТЕЛЬНОСТИ

Свидетельство о государственной регистрации программы для ЭВМ №2017611932

ПРИЛОЖЕНИЕ Б. АКТ О ВНЕДРЕНИИ

«УТВЕРЖДАЮ» 11срвый заместитель Генерального конструктора Сапожников А.И.

2017 г.

«Г/ » с)

АКТ №

Внедрения программы для ЭВМ «Автоматизированная система оптимизации блочно-модульных испытательных комплексов устройств обмена»

Свидетельство о государственной регистрации №2017611932, заявка №2016662248, дат а государственной регистрации в Реестре программ для ЗВМ 13.02.2017 г.

Авторы: Бурдин А. М, Васин В. 11., Васина Г. А.

Мы, нижеподписавшиеся, подтверждаем, что программа для ЭВМ «Автоматизированная система оптимизации блочно-модульных испытательных комплексов устройств обмена» свидетельство о государственной регистрации №2017611932 по заявке №2016662248, дата государственной регистрации в Реестре программ для ЭММ 13.02.2017 г. используется в полном объёме при разработке испытательной аппаратуры устройств обмена на новом конструктиве (КИА ЬМ ВИЯЦ.442261.192, КИА ЯРС-М ВИЯЦ.441468.751).

Программа для ЭВМ «Автоматизированная система оптимизации блочно-модульных испытательных комплексов устройств обмена» КПИМ.01002 разработана в рамках заказа 1971 и предназначена для автоматизации процесса подбора блоков при разработке испытательной аппаратуры для устройств обмена. ПО также рационально подбирает блоки в соответствии с выбранными критериями и позволяет разработчику за короткий срок синтезировать комплекс оптимально относительно одного или нескольких критериев.

КИА ЬМ ВИЯЦ.442261.192, разработанный при помощи данной программы, используется в цехе 207 ФГУП «НПЦАП» для проведения

I/

приёмо-сдаточных испытаний устройств обмена по заказам «ЯРС-М» (заказ 1099-14), «4202» (заказ 1272-Л), «Фрегат» (заказ 1552), «Протон-М» (заказ 5143), что подтверждает реализацию данной программы в полном объеме.

Разработанное ПО может быть использовано при создании модульных испытательных систем различного назначения.

При помощи данног о программного обеспечения была формализована, автоматизирована процедура комплектования испытательного комплекса устройств обмена из унифицированных модулей. Данное ПО уменьшает время разработки испытательного комплекса (в 2 раза) и благодаря оптимальному выбору блоков улучшились технико-экономические показатели, такие как количество кабелей в КИЛ (уменьшилось в 1,2 раза), общая стоимость и трудоёмкость изготовления (уменьшилось 3 раза).

Первый заместитель

генерального директора по производству

Начальник отделения 02

Начальник базового патентного отдела ФГУ11 «НПЦЛ11»

Авторы:

Васин В.П.

Бурдин Л.М

Васина 1 '.Л