Программная нейросетевая система контроля космической телеметрии
В статье описывается программная нейросетевая система контроля телеметрической информации для диагностики подсистем космических аппаратов. Предназначена для отработки интеллектуальных технологий обработки информации, поступающей по космическому каналу связи от бортовых источников данных о состоян...
Збережено в:
| Опубліковано в: : | Искусственный интеллект |
|---|---|
| Дата: | 2013 |
| Автори: | , , , , |
| Формат: | Стаття |
| Мова: | Російська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2013
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/85127 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Программная нейросетевая система контроля космической телеметрии / В.В. Ганченко, А.А. Дудкин, А.В. Инютин, Е.Е. Марушко, Л.П. Поденок // Искусственный интеллект. — 2013. — № 4. — С. 502–511. — Бібліогр.: 18 назв. — рос. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1859629397054586880 |
|---|---|
| author | Ганченко, В.В. Дудкин, А.А. Инютин, А.В. Марушко, Е.Е. Поденок, Л.П. |
| author_facet | Ганченко, В.В. Дудкин, А.А. Инютин, А.В. Марушко, Е.Е. Поденок, Л.П. |
| citation_txt | Программная нейросетевая система контроля космической телеметрии / В.В. Ганченко, А.А. Дудкин, А.В. Инютин, Е.Е. Марушко, Л.П. Поденок // Искусственный интеллект. — 2013. — № 4. — С. 502–511. — Бібліогр.: 18 назв. — рос. |
| collection | DSpace DC |
| container_title | Искусственный интеллект |
| description | В статье описывается программная нейросетевая система контроля телеметрической информации
для диагностики подсистем космических аппаратов. Предназначена для отработки интеллектуальных
технологий обработки информации, поступающей по космическому каналу связи от бортовых источников
данных о состоянии подсистем космических аппаратов, предсказания и обнаружения нарушений штатных
режимов функционирования бортовых подсистем.
У статті описується програмна нейромережна система контролю телеметричної інформації для діагностики
підсистем космічних апаратів. Призначена для відпрацювання інтелектуальних технологій обробки
інформації, що надходить по космічному каналу зв’язку від бортових джерел даних про стан підсистем
космічних апаратів, передбачення і виявлення порушень штатних режимів функціонування бортових
підсистем.
This paper describes a software system of neural network control of telemetry data for malfunction diagnosis
of spacecraft subsystems. This system is used for testing of intelligent technologies for processing information
about a spacecraft subsystems state, prediction and detection of irregularities of the spacecraft subsystem modes.
The Information obtained from on-board data sources on space communication channel is used for processing.
|
| first_indexed | 2025-12-07T13:09:48Z |
| format | Article |
| fulltext |
ISSN 1561-5359 «Искусственный интеллект» 2013 № 4 502
7Г
УДК 004.8.032.26;004.4:004.9
В.В. Ганченко, А.А. Дудкин, А.В. Инютин, Е.Е. Марушко, Л.П. Поденок
Объединенный институт проблем информатики НАН Беларуси, Беларусь
Беларусь, 220012, г. Минск, ул. Сурганова, 6
Программная нейросетевая система
контроля космической телеметрии
V. Ganchenko, А. Doudkin, А. Inyutin, Y. Marushko, L. Podenok
United Institute of Informatics Problems of National Academy of Sciences of Belarus,
Minsk, Belarus
Belarus, 220012, Minsk, ul. Surganova 6
The Software Neural Network System
for Monitoring Space Telemetry
В.В. Ганченко, А.А. Дудкін, А.В. Інютін, Є.Є. Марушко, Л.П. Поденок
Об’єднаний інститут проблем інформатики Національної академії наук Білорусі,
м. Мінськ, Білорусь
Білорусь, 220012, м. Мінськ, вул. Сурганова, 6
Програмна нейромережна система
контролю космічної телеметрії
В статье описывается программная нейросетевая система контроля телеметрической информации
для диагностики подсистем космических аппаратов. Предназначена для отработки интеллектуальных
технологий обработки информации, поступающей по космическому каналу связи от бортовых источников
данных о состоянии подсистем космических аппаратов, предсказания и обнаружения нарушений штатных
режимов функционирования бортовых подсистем.
Ключевые слова: нейронная сеть, телеметрия, космический аппарат, диагностика.
This paper describes a software system of neural network control of telemetry data for malfunction diagnosis
of spacecraft subsystems. This system is used for testing of intelligent technologies for processing information
about a spacecraft subsystems state, prediction and detection of irregularities of the spacecraft subsystem modes.
The Information obtained from on-board data sources on space communication channel is used for processing.
Key words: neural network, telemetry, spacecraft, diagnosis.
У статті описується програмна нейромережна система контролю телеметричної інформації для діагностики
підсистем космічних апаратів. Призначена для відпрацювання інтелектуальних технологій обробки
інформації, що надходить по космічному каналу зв’язку від бортових джерел даних про стан підсистем
космічних апаратів, передбачення і виявлення порушень штатних режимів функціонування бортових
підсистем.
Ключові слова: нейронна мережа, телеметрія, космічний апарат, діагностика.
Введение
Космическая телеметрия – это совокупность технологий, позволяющая производить
дистанционные измерения и сбор научных данных об объекте исследования (данные
дистанционного зондирования, ДЗЗ) и информации о состоянии бортовых подсистем
космических аппаратов (КА) для предоставления оператору или пользователю. В косми-
Программная нейросетевая система контроля космической телеметрии
«Штучний інтелект» 2013 № 4 503
7Г
ческой отрасли телеметрические системы (ТМС) являются частью командно-измери-
тельных систем (КИС) центров управления полетами (ЦУП).
Важными характеристиками любой космической системы являются надежность
и устойчивость к сбоям и нештатным ситуациям [1]. Основным методом решения
этих проблем является многократное резервирование аппаратных средств и програм-
много обеспечения, но с развитием стандартов CCSDS [2] и стиранием граней между
аппаратурой и программами на уровне формирования сигналов появилась возможность
динамического перераспределения функций управления ЦУП и КА, что существен-
но повышает жизнеспособность и время функционирования орбитальных систем.
Детерминированный подход к контролю приводит к частичной утрате диагности-
ческой информации, которая содержится в флуктуационных составляющих диагно-
стических сигналов. Благодаря возможности обучения, искусственные нейронные
сети (ИНС) позволяют при диагностике учесть не только случайный характер сигналов,
но и особенности конкретных подсистем КА. Для отработки технологий обработки
телеметрической информации, для диагностики подсистем космических аппаратов
разработан прототип программной нейросетевой системы контроля телеметрической
информации для диагностики подсистем космических аппаратов (ППС-ТМК).
1 Концепция и архитектура ППС-ТМК
При разработке архитектуры ППС-ТМК учтены следующие основные требования
к функциональности: обеспечение решения базовых задач передачи и приема данных,
сохранение телеметрических данных, предварительная и интеллектуальная обработ-
ка получаемых телеметрических данных на борту КА.
Основной концептуальной характеристикой ППС-ТМК является обучаемость и адап-
тация к различным телеметрическим условиям на основе имитационного моделиро-
вания.
ППС-ТМК представляет собой набор взаимодействующих подсистем (рис. 1).
Подсистема взаимодействия со средствами получения телеметрических данных
предназначена для сбора телеметрических данных с датчиков, видео- и фотокамер,
телескопов и др., а также данных о их состоянии, и передачи управляющих команд.
Подсистема анализа показаний датчиков выполняет анализ состояния датчиков
и передает результат анализа подсистемам управления, диагностики оборудования
и предварительной обработки данных.
Подсистема диагностики оборудования выполняет анализ текущего состояния
датчиков с учетом существующего пространства состояний. Она выполняет обучение
и извлечение знаний о возможных состояниях оборудования и идентификацию внеш-
татных ситуаций на основании данных о текущем состоянии датчиков и о простран-
стве состояний. Результат диагностики передается управляющей подсистеме.
Подсистема предварительной обработки данных выполняет фильтрацию и устра-
нение избыточности данных.
Подсистема хранения данных предназначена для хранения телеметрических дан-
ных и описаний всех возможных состояний.
Подсистема интеллектуальной обработки данных выполняет нейросетевую обра-
ботку данных.
Подсистема формирования пакетов выполняет выборку телеметрических данных
(представляет собой файлы, например, в формате HDF) из базы, формирует из них па-
кеты и передает подсистеме приема/передачи данных.
Ганченко В.В., Дудкин А.А., Инютин А.В., Марушко Е.Е., Поденок Л.П.
«Искусственный интеллект» 2013 № 4 504
7Г
Подсистема приема управляющих данных предназначена для обработки управляю-
щих данных, полученных от потребителя информации (расшифровка, распаковка и т.п.)
и передачи ее подсистеме управления для формирования соответствующих управляю-
щих сигналов.
Рисунок 1 – Структурная схема ППС-ТМК
Подсистема передачи текущего состояния выполняет подготовку данных о теку-
щем состоянии системы и ее датчиков.
Подсистема приема/передачи данных осуществляет непосредственное взаимо-
действие с радиоканалом, при этом передача и прием могут осуществляться как через
коммуникационный канал (аналог протокола TCP), так и в виде датаграмм (аналог про-
токола UDP).
Управляющая подсистема предназначена для сбора, анализа данных о состоянии
различных подсистем, а также для формирования управляющих сигналов.
Программная нейросетевая система контроля космической телеметрии
«Штучний інтелект» 2013 № 4 505
7Г
2 Методы и алгоритмы
2.1 Алгоритмы базовой обработки данных телеметрии. Определение скоростей
изменения измеряемых параметров выполняется на основе оценок параметров в теку-
щий и в предыдущие моменты времени с использованием алгоритмов фильтрации на базе
метода Калмана и многомерного регрессионного анализа.
Для подавления избыточности данных предлагается алгоритм построения функ-
ций принадлежности объектов алфавиту классов на основе алгоритма Педрича.
Для анализа динамических телеметрических данных используются различные
алгоритмы классификации, в том числе и нейросетевые [3-11].
2.2 Имитационное моделирование измеряемых параметров. Разработка, отлад-
ка и тестирование ППС-ТМК выполнены на программных объектах, имитирующих ха-
рактер сигналов бортовых систем и аппаратуры [12].
Наиболее сложными для обработки и анализа являются сигналы температуры,
давления и вибрации. Между сигналами, в том числе и различной физической приро-
ды, возможно наличие высокой степени корреляции.
В процессе разработки алгоритмов моделирования бортовых телеметрических
объектов (БТМО) использовался макрофизический (термодинамический) подход,
как наиболее обобщающий суть процессов, происходящих в бортовых системах.
Различного рода связи между бортовыми объектами, нелинейности процессов,
происходящих на борту, и время являются причиной различного рода задержанных
корреляций между измеряемыми параметрами, которые практически не поддаются
аналитическому описанию. Борт находится в условиях постоянного воздействия раз-
личных внешних факторов, существенно влияющих на состояние всех без исключения
подсистем и объектов.
2.3 Структура системы нейросетевой обработки сигналов прогнозирования
поведения сложных динамических систем. Нейросетевая система состоит из следую-
щих функциональных блоков:
1) Нейросетевой блок интерполяции траектории движения КА. Он осуществляет
интерполяцию траектории движения и позволяет получать векторы положения и скоро-
сти в промежутках между сеансами их измерения [13].
2) Нейросетевой блок прогнозирования траектории движения КА. Он осуществляет
экстраполяцию траектории движения КА.
3) Блок прогнозирования поведения КА. Предназначен для построения и прогно-
зирования фазовой траектории движения КА. Позволяет отслеживать нахождение КА
в допустимой области аттрактора.
4) Нейросетевой блок управления положением и ориентацией КА. Предназначен
для выработки управляющих воздействий на маховики КА с целью коррекции движе-
ния и положения космического аппарата (КА).
5) Нейросетевой блок сжатия телеметрической информации. Предназначен для сок-
ращения информации, передаваемой по каналам связи.
6) Нейросетевой блок диагностирования подсистем КА. Предназначен для кон-
троля работоспособности различных подсистем КА.
Бортовая телеметрия по характеру представляет собой многомерные временные
ряды, в том числе и с переключающейся динамикой. Отсчеты (уровни) такого ряда
характеризуют состояние объекта исследования на определенные моменты времени
и представляют его в пространстве измеряемых признаков как непрерывные или ква-
зинепрерывные траектории.
Ганченко В.В., Дудкин А.А., Инютин А.В., Марушко Е.Е., Поденок Л.П.
«Искусственный интеллект» 2013 № 4 506
7Г
Для временных рядов, генерируемых реальными динамическими объектами харак-
терно, что время перехода из одного состояния в другое достаточно велико по сравнению
с периодом дискретизации потока. То есть динамика переключается не мгновенно,
а существует некоторый период дрейфа из одного состояния в другое, в течение кото-
рого объект не находится где-то в процессе переключения. Для решения данной пробле-
мы предлагается использовать аппарат иерархической нейросетевой классификации.
Алгоритм построения иерархических нейросетевых классификаторов (ИНК) пред-
ставляет собой процесс построения дерева решений [14], узлы в котором реализованы
в виде МСП с заданным размером скрытого слоя. Построение ИНК начинается с вы-
зова алгоритма формирования групп классов (АФГК), в результате работы которого
происходит объединение исходных классов в небольшое количество групп. Таким
образом, формируется базовый узел ИНК (первый уровень иерархии), в котором осу-
ществляется наиболее «грубая» классификация. Полученные группы классов можно
рассматривать как ветви дерева решений.
После создания базового узла, для каждой из полученных групп классов (ветвей
дерева) создается МСП и вызывается АФГК. При этом алгоритм анализирует лишь
те исходные классы, которые попали в данную ветвь дерева. В результате формируется
узел следующего уровня иерархии, а из анализируемых классов образуются новые груп-
пы (ветви). После формирования всех узлов данного уровня иерархии, АФГК вызывается
для каждой из вновь полученных ветвей. Узлы более высоких уровней иерархии осу-
ществляют все более и более детальную класссификацию.
Алгоритм построения ИНК для данной ветви останавливается, если в ней содер-
жится один исходный класс, или если дальнейшая детализация классов в этой ветви
невозможна (например, если процент ошибочных классификаций в узле превысил
некоторый порог).
3 Системная и программная архитектура ППС-ТМК
Программное обеспечение ППС-ТМК состоит из имитационной системы ПС-БОРТ
и системы обработки и анализа телеметрической информации ПС-КИС, которые обмени-
ваются данными через транспортную подсистему КАНАЛ. На рис. 2 приведена схема
взаимодействия и проекция их на коммуникационные уровни CCSDS [15-17].
Рисунок 2 – Системная архитектура ППС-ТМК
Программная нейросетевая система контроля космической телеметрии
«Штучний інтелект» 2013 № 4 507
7Г
ПС БОРТ включает:
– подсистему имитационного моделирования бортовых систем и устройств КА
в качестве источников телеметрических данных (сенсоров);
– интегрированную реализацию коммуникационных уровней TM и TC от приклад-
ного до канального, обеспечивающую минимально необходимый уровень сервиса, ко-
торый необходимо учитывать для надлежащего моделирования на стороне ПС-БОРТ.
ПС КИС включает:
– интегрированную реализацию коммуникационных уровней TM и TC от приклад-
ного до канального, обеспечивающую минимально необходимый уровень сервиса, тре-
буемый подсистемой ПС-КИС;
– набор систем искусственного интеллекта (Artificial Intelligence System – AIS)
для интеллектуальной обработки телеметрической информации – ядро ППС-ТМК;
– систему записи/воспроизведения телеметрических данных, а также их хране-
ния (архивации).
Каждая из систем искусственного интеллекта (AIS) представляет собой отдельное
приложение в терминах CCSDS и состоит из трех компонент: оценки данных, распре-
деления и прогнозирования.
КАНАЛ включает имитационную модель радиолинии, которая состоит из кодера
радиосигнала, декодера, а также подсистемы внесения искажений в передаваемые дан-
ные. Подсистемы ППС-ТМК представляют собой независимые компоненты, взаимодей-
ствующие поверх естественных коммуникационных механизмов, таких как сообщения,
каналы и сокеты. Для этого на каждом уровне предусматривается возможность инкап-
суляции пакетов текущего уровня в пакеты коммуникационного механизма ОС.
4 Примеры работы системы
4.1 Оценка статистических характеристик системы квазистационарных со-
стояний. На вход ПС диагностики оборудования подается 1000 синтезированных слу-
чайных трехмерных величин, формат которых приведен в описании программы. В ре-
зультате получено 18 двумерных векторов, которые соответствуют центрам кластеров
данных. Исходные данные и соответствующие им центры кластеров приведены на рис. 3
(серыми точками показаны исходные данные, черными окружностями – центры
кластеров).
Рисунок 3 – Результат испытаний на трехмерных данных
Ганченко В.В., Дудкин А.А., Инютин А.В., Марушко Е.Е., Поденок Л.П.
«Искусственный интеллект» 2013 № 4 508
7Г
4.2 Классификация многомерного вектора. Испытание проводилось в режиме
редуцирования по окрестности, для чего был сформирован конфигурационный файл:
1) Режим редуцирования по окрестности:
10, 1, 5, 1.4,
где «10» – количество соседей, по которым выполняется классификация (k); «1» –
код режима редуцирования (в данном случае – по окрестности); «5» – начальный раз-
мер окрестности в процентах от размера области данных; «1.4» – коэффициент роста
окрестности. Результат вычислений, полученный за время 22 секунды, приведен на рис. 4.
Рисунок 4 – Результат классификации в режиме
редуцирования по окрестности
4.3 Предсказание состояния системы. Испытания проводились на примере ряда
двумерных наборов векторов.
Параметры, указанные в конфигурационном файле, имели следующие значения:
30, 80, 1500, 10000, 0.1,
где «30» – объем памяти линии задержки для каждого датчика, «80» – количество
нейронов скрытого слоя, «1500» – количество обучающих наборов данных, «10000» –
максимальное количество итераций обучения, «0.1» – коэффициент скорости обучения.
В качестве тестовых данных и данных для обучения НС использованы тестовые
сигналы «Потребляемая мощность» и «Зашумленный сигнал». Результаты испытаний
приведены на рис. 5. Максимальное отклонение предсказанного сигнала от исходного:
– «Потребляемая мощность» 0.0530;
– «Зашумленный сигнал» 0.2375.
4.4 Прогнозирование многомерных временных рядов. Основано на исполь-
зовании ансамблей нейронных сетей с включением элементов эволюционной стратегии
в алгоритм обучения ансамбля [18].
Таблица 1 – Оценка точности
Модель Ош. 1, % Ош. 2, %
Одиночные НС 6,7-24 5,5-22
АНС с элементами ГА 5,6-17,2 2,7-14
Гибридная нейросетевая модель 5,6-8,3 2,7-7,7
Программная нейросетевая система контроля космической телеметрии
«Штучний інтелект» 2013 № 4 509
7Г
а) ошибка предсказания по данным «Потребляемая мощность»
б) ошибка предсказания по данным «Зашумленный сигнал»
Рисунок 5 – Результаты испытаний работы ПС предсказания состояния
Оценка точности построенной модели также является немаловажной составляющей
тестирования. С этой целью был проведен ряд экспериментов, в ходе которых обучались
различные одиночные НС, различные АНС, а также ГНМ с различными наборами АНС
на одинаковых данных. Результаты приведены в табл. 1. Приведена средняя ошибка
по временным рядам (ош. 1), и по классифицированным данным (ош. 2).
Литература
1.�� Демьянов А.В. Технологии разработки авиационных систем с критичными требованиями к безо-
пасности / А.В. Демьянов // МКА – № 3. – 2007. – С. 84-86.
2.�� CCSDS 650.0-B-1 Reference Model for an Open Archival Information System (OAIS). Blue Book. Issue 1.
Washington, D.C. : CCSDS, September 2007.
3.�� Звягин П.Н. Нейросетевое управление морским динамическим объектом / П.Н. Звягин,
Ю.И. Нечаев // Нейроинформатика – 2006. – Часть 2. – С. 81-87.
4.�� Уоссермен Ф. Нейрокомпьютерная техника / Уоссерман Ф. – М. : Мир, 1992.
Ганченко В.В., Дудкин А.А., Инютин А.В., Марушко Е.Е., Поденок Л.П.
«Искусственный интеллект» 2013 № 4 510
7Г
5.�� Zadeh L. Fuzzy logic, neural networks and soft computing / L. Zadeh // Соmmutation on the ASM. –
1994. – Vol. 37, № 3. – Р. 77-84.
6.�� Behnke S. Meter Value Recognition using Locally Connected Hierarchical Networks / S. Behnke // In
Proceedings of 11th European Symposium on Artificial Neural Networks. – 2003. – P. 535-540.
7.�� Haykin S. Adaptive Filter Theory, 4th edition / Haykin S. – Prentice Hall, 2002. – 936 p.
8.�� Scalzo F. Statistical learning of visual feature hierarchies / F. Scalzo, J. Piater – IEEE Workshop on
Learning in CVPR, 2005.
9.�� Бендат Дж. Применения корреляционного и спектрального анализа / Дж. Бендат, А. Пирсол. – М. :
Мир, 1983.
10.��Norsett S. Solving Ordinary Differential Equations. Nonstiff Problems / E. Norsett, Hairer, G. Wanner //
2nd edition. Springer Series in Comput. Math.– 1993. – Vol. 8.
11.��Hairer E. Solving Ordinary Differential Equations II. Stiff and Differential-Algebraic Problems / Ernst
Hairer, Gerhard Wanner // Springer Series in Comput. Mathematics. – Springer-Verlag 1991. – Vol. 14;
Second revised edition 1996.
12.��Шеннон Р. Имитационное моделирование / Шеннон Р. – М. : Мир. – С. 424.
13.��Крайгинг-интерполяция [Электронный ресурс]. – 2011. – Режим доступа :
http://iproc.ru/drafts/kriging/. – Дата доступа: 01.12.2011.
14.��Персианцев И.Г. Адаптивное построение иерархических нейросетевых систем для классификации и
для сегментации временных рядов / И.Г. Персианцев // Лекции по нейроинформатике. – 2010. – 34 c.
15.��Spacecraft Onboard Interface Services–Subnetwork Packet Service, Draft Recommended Practice,
Issue 2, CCSDS 851.0-R-2, May 2009, Current draft.
16.��Radio Frequency and Modulation Systems – Part 1 : Earth Stations and Spacecraft. Recommendation for Space
Data System Standards, CCSDS 401.0-B-17. Blue Book. Issue 17. Washington, D.C. : CCSDS, July 2006.
17.��Jerry Morrison. «EA IFF 85» Standard for Interchange Format Files / Jerry Morrison [Electronic Arts]. –
January 14, 1985. – Режим доступа : http://www.martinreddy.net/gfx/2d/IFF.txt
18.��Marushko Y. Forecasting Multivariate Time Series Using Ensembles of Neural Network / Y. Marushko //
PRIP'2011 -The Eleventh International Conference on Pattern Recognition and Information Processing
May 18-20, Minsk, Belarus. – Minsk, 2011. – P. 172-176.
Literaturа
1.�� Dem`ianov A.V. Tekhnologii razrabotki aviatcionny`kh sistem s kritichny`mi trebovaniiami k
bezopasnosti. – MKA – № 3. – 2007. – S. 84-86.
2.��CCSDS 650.0-B-1 Reference Model for an Open Archival Information System (OAIS). Blue Book. Issue
1. Washington, D.C.: CCSDS, September 2007.
3.��Zviagin Iu.I. Nechaev. Nei`rosetevoe upravlenie morskim dinamicheskim ob``ektom / P.N. Zviagin,
Iu.I. Nechaev // Nei`roinformatika – 2006. Chast` 2. – S. 81-87.
4.��Uossermen F. Nei`rokomp`iuternaia tekhnika. – M. : Mir, 1992.
5.��Zadeh L. Fuzzy logic, neural networks and soft computing / L. Zadeh // Sommutation on the ASM. –
1994. Vol. 37, № 3. – Р. 77-84.
6.��Behnke S. Meter Value Recognition using Locally Connected Hierarchical Networks / S. Behnke. – In
Proceedings of 11th European Symposium on Artificial Neural Networks. – 2003. – P. 535-540.
7.��Haykin S. Adaptive Filter Theory, 4th edition. – Prentice Hall, 2002. – 936 p.
8.��Scalzo F. Statistical learning of visual feature hierarchies / F. Scalzo, J. Piater. – IEEE Workshop on
Learning in CVPR, 2005.
9.��Bendat Dzh., Pirsol A. Primeneniia korreliatcionnogo i spektral`nogo analiza. – M. : Mir, 1983.
10.��Norsett S. Solving Ordinary Differential Equations. Nonstiff Problems / Norsett E. Hairer, G. Wanner //
2nd edition. Springer Series in Comput. Math. – 1993. – Vol. 8.
11.��Hairer E. Solving Ordinary Differential Equations II. Stiff and Differential-Algebraic Problems / Ernst
Hairer, Gerhard Wanner // Springer Series in Comput. Mathematics. – Vol. 14, Springer-Verlag 1991 ;
Second revised edition 1996.
12.��Shennon R. Imitatcionnoe modelirovanie. – M. : Mir. – S. 424.
13.��Krai`ging-interpoliatciia [E`lektronny`i` resurs]. – 2011. – Rezhim dostupa :
http://iproc.ru/drafts/kriging/. – Data dostupa: 01.12.2011.
14.��Percyantcev I.G. Adaptivnoe postroenie ierarhicheskikh nei`rosetevy`kh sistem dlia classifikatcii i dlia
segmentatcii vremenny`kh riadov / I.G. Percyantcev // Lektcii po nei`roinformatike, 2010. – 34 c.
Программная нейросетевая система контроля космической телеметрии
«Штучний інтелект» 2013 № 4 511
7Г
15.��Spacecraft Onboard Interface Services–Subnetwork Packet Service, Draft Recommended Practice,
Issue 2, CCSDS 851.0-R-2, May 2009, Current draft.
16.��Radio Frequency and Modulation Systems – Part 1: Earth Stations and Spacecraft. Recommendation for
Space Data System Standards, CCSDS 401.0-B-17. Blue Book. Issue 17. Washington, D.C.: CCSDS, July 2006.
17.��«EA IFF 85» Standard for Interchange Format Files. Jerry Morrison, Electronic Arts, January 14, 1985. –
http://www.martinreddy.net/gfx/2d/IFF.txt
18.��Marushko Y. Forecasting Multivariate Time Series Using Ensembles of Neural Network / Y. Marushko //
PRIP'2011. –The Eleventh International Conference on Pattern Recognition and Information Processing
May 18 – 20, Minsk, Belarus. – Minsk, 2011. – P. 172-176.
RESUME
V. Ganchenko, А. Doudkin, А. Inyutin, Y. Marushko, L. Podenok
The Software Neural Network System for Monitoring Space
Telemetry
This paper describes a software system of neural network control of telemetry data for
malfunction diagnosis of spacecraft subsystems. This system is used for testing of intelligent
technologies for processing information about a spacecraft subsystems state, prediction and de-
tection of irregularities of the spacecraft subsystem modes. The Information obtained from on-
board data sources on space communication channel is used for processing.
The developed prototype provides intelligent processing and analysis of information about
the state of spacecraft board subsystems, including those based on neural network technology.
Thus, it is possible to automate the process of monitoring the state board of spacecraft subsystems
and improve its quality.
Статья поступила в редакцию 16.07.2013.
|
| id | nasplib_isofts_kiev_ua-123456789-85127 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Russian |
| last_indexed | 2025-12-07T13:09:48Z |
| publishDate | 2013 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Ганченко, В.В. Дудкин, А.А. Инютин, А.В. Марушко, Е.Е. Поденок, Л.П. 2015-07-19T16:09:02Z 2015-07-19T16:09:02Z 2013 Программная нейросетевая система контроля космической телеметрии / В.В. Ганченко, А.А. Дудкин, А.В. Инютин, Е.Е. Марушко, Л.П. Поденок // Искусственный интеллект. — 2013. — № 4. — С. 502–511. — Бібліогр.: 18 назв. — рос. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/85127 004.8.032.26;004.4:004.9 В статье описывается программная нейросетевая система контроля телеметрической информации для диагностики подсистем космических аппаратов. Предназначена для отработки интеллектуальных технологий обработки информации, поступающей по космическому каналу связи от бортовых источников данных о состоянии подсистем космических аппаратов, предсказания и обнаружения нарушений штатных режимов функционирования бортовых подсистем. У статті описується програмна нейромережна система контролю телеметричної інформації для діагностики підсистем космічних апаратів. Призначена для відпрацювання інтелектуальних технологій обробки інформації, що надходить по космічному каналу зв’язку від бортових джерел даних про стан підсистем космічних апаратів, передбачення і виявлення порушень штатних режимів функціонування бортових підсистем. This paper describes a software system of neural network control of telemetry data for malfunction diagnosis of spacecraft subsystems. This system is used for testing of intelligent technologies for processing information about a spacecraft subsystems state, prediction and detection of irregularities of the spacecraft subsystem modes. The Information obtained from on-board data sources on space communication channel is used for processing. ru Інститут проблем штучного інтелекту МОН України та НАН України Искусственный интеллект Нейронные сети и нейросетевые технологии. Информационная безопасность ИС Программная нейросетевая система контроля космической телеметрии Програмна нейромережна система контролю космічної телеметрії The software neural network system for monitoring space telemetry Article published earlier |
| spellingShingle | Программная нейросетевая система контроля космической телеметрии Ганченко, В.В. Дудкин, А.А. Инютин, А.В. Марушко, Е.Е. Поденок, Л.П. Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| title | Программная нейросетевая система контроля космической телеметрии |
| title_alt | Програмна нейромережна система контролю космічної телеметрії The software neural network system for monitoring space telemetry |
| title_full | Программная нейросетевая система контроля космической телеметрии |
| title_fullStr | Программная нейросетевая система контроля космической телеметрии |
| title_full_unstemmed | Программная нейросетевая система контроля космической телеметрии |
| title_short | Программная нейросетевая система контроля космической телеметрии |
| title_sort | программная нейросетевая система контроля космической телеметрии |
| topic | Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| topic_facet | Нейронные сети и нейросетевые технологии. Информационная безопасность ИС |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/85127 |
| work_keys_str_mv | AT gančenkovv programmnaâneirosetevaâsistemakontrolâkosmičeskoitelemetrii AT dudkinaa programmnaâneirosetevaâsistemakontrolâkosmičeskoitelemetrii AT inûtinav programmnaâneirosetevaâsistemakontrolâkosmičeskoitelemetrii AT maruškoee programmnaâneirosetevaâsistemakontrolâkosmičeskoitelemetrii AT podenoklp programmnaâneirosetevaâsistemakontrolâkosmičeskoitelemetrii AT gančenkovv programnaneiromerežnasistemakontrolûkosmíčnoítelemetríí AT dudkinaa programnaneiromerežnasistemakontrolûkosmíčnoítelemetríí AT inûtinav programnaneiromerežnasistemakontrolûkosmíčnoítelemetríí AT maruškoee programnaneiromerežnasistemakontrolûkosmíčnoítelemetríí AT podenoklp programnaneiromerežnasistemakontrolûkosmíčnoítelemetríí AT gančenkovv thesoftwareneuralnetworksystemformonitoringspacetelemetry AT dudkinaa thesoftwareneuralnetworksystemformonitoringspacetelemetry AT inûtinav thesoftwareneuralnetworksystemformonitoringspacetelemetry AT maruškoee thesoftwareneuralnetworksystemformonitoringspacetelemetry AT podenoklp thesoftwareneuralnetworksystemformonitoringspacetelemetry |