Автоматика и телемеханика, № 9, 2020

Интеллектуальные системы управления,

анализ данных

(Публичное акционерное общество

“Ракетно-космическая корпорация “Энергия”, Королев, Московская обл.)

МЕТОДИКА ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА

И ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ РЕСУРСОВ РОССИЙСКОГО

СЕГМЕНТА МЕЖДУНАРОДНОЙ КОСМИЧЕСКОЙ СТАНЦИИ

НА ОСНОВЕ ЦИФРОВЫХ ИДЕНТИФИКАЦИОННЫХ МОДЕЛЕЙ

Рассмотрена методика интеллектуального анализа телеметрических

данных на основе современных математических методов обработки ин-

формации. Определены актуальные задачи анализа и прогнозирования

с учетом 20-летнего опыта эксплуатации российского сегмента междуна-

родной космической станции (РС МКС). Дано принципиальное описание

этих методов. Представлены результаты апробации на основе реальных

данных, полученных из телеметрической информации РС МКС.

Ключевые слова: международная космическая станция, космический ап-

парат, управление полетом, идентификационная модель, интеллектуаль-

ный анализ, прогнозирование, контроль.

DOI: 10.31857/S0005231020090081

1. Введение

Наиболее масштабным, амбиционным и продолжительным международ-

ным научно-техническим экспериментом в настоящее время является проект

Международной космической станции (МКС). В нем участвуют на посто-

янной основе 15 стран, а всего в научной и образовательной деятельности

МКС уже приняли участие 82 страны. Начавшись в начале 90-х гг. ХХ в.,

проект МКС продолжает активно работать, и в настоящее время. Летная экс-

плуатация первого элемента МКС была начата 20 ноября 1998 г. с запуска

функционального грузового модуля. По состоянию на начало 2019 г. в состав

МКС входит 15 основных орбитальных модулей (ОМ) общей массой около

420 т, в том числе:

российский сегмент (РС) МКС, включающий пять ОМ и транспортные

корабли типа “Союз” и “Прогресс”;

американский сегмент (АС) МКС, включающий 10 ОМ, различные фер-

мы и солнечные батареи;

европейский лабораторный модуль“Колумбус”;

японский модуль“Кибо”;

160

Японский и европейский модули входят в состав АС МКС. Таким обра-

зом, МКС это грандиозный рукотворный космический объект, на котором

осуществляется большое количество разноплановых работ в интересах раз-

личных участников.

Очевидно, что непрерывная эксплуатация МКС это многогранная и на-

сыщенная деятельность, которая реализуется за счет многофункционального

процесса управления полетом [1]. Контроль состояния составных частей ОМ,

ОМ и МКС в целом является неотъемлемой частью данного процесса и слу-

жит основой для принятия решений на продолжение штатной программы по-

лета или, при выявлении отклонений в состоянии МКС, на перевод в режим

полета с ограниченной функциональностью. Однако в ходе полета изменение

состояния происходит не только в результате целенаправленного воздействия

для реализации процесса управления полетом, но и под влиянием внешних и

внутренних неконтролируемых возмущающих факторов, а также естествен-

ного износа оборудования составных частей МКС. Источником внешних воз-

мущающих факторов, или воздействий является в основном среда, в кото-

рой проходит полет МКС. Внутренние возмущающие воздействия являются

следствием функционирования приборов и агрегатов МКС, возникновения

в них неисправностей, а также некорректных воздействий при управлении

вследствие сбоев в аппаратуре управления или иных причин. Естественный

износ и процессы деградации свойств и характеристик, неизбежно происхо-

дящие в оборудовании и конструкции в процессе длительной эксплуатации,

также накладывают дополнительные ограничения. Таким образом, процесс

управления полетом не только сложен сам по себе, но и осуществляется при

постоянно изменяющейся ситуации.

В РС МКС наиболее “свежий” ОМ (малый исследовательский модуль 1)

провел на орбите в составе МКС уже более 10 лет. В соответствии с требова-

ниями эксплуатационной документации непрерывно осуществляется анализ

технического состояния РС МКС. Результаты данного анализа включаются

в состав оперативных и ресурсных отчетов по результатам летных испыта-

ний ОМ, на основании которых ежегодно выпускается заключение о подтвер-

ждении готовности к эксплуатации на следующий год. В указанных отчетах

приводится информация о выполненных работах, затраченных ресурсах, на-

работке, изменению ключевых телеметрических параметров (ТМП) и опи-

сываются возникшие отказы или нештатные ситуации (НШС) с указанием

причин их возникновения.

Однако ключевой особенностью отчетов является тот факт, что в них со-

держится только качественная оценка (работает/не работает) состояния обо-

рудования и составных частей ОМ РС МКС. Анализ значений характеристик

оборудования не проводится, а также не определяется деградация парамет-

ров состояния. Существенно, что не рассматривается возможная корреля-

ция аномальных событий (отказов) в оборудовании и внешних возмущающих

факторов полета МКС. Детальный анализ для подтверждения технических

характеристик, взаимовлияние, особенности и прогноз состояния в отчетах

не содержатся, хотя ранее такая практика существовала для других изделий.

Значительным показателем, способным существенно повлиять на работо-

способность оборудования РС МКС, являются внешние воздействия факто-

161

ров космического пространства. Давно известно вредное воздействие косми-

ческого излучения не только на электронные приборы, но и на материалы,

основным источником которого является Солнце как ближайшая к Земле

звезда. При этом состояние Солнца или солнечная активность изменяется

в течение 11-летнего цикла в широких пределах и выражается в условных

величинах (число Вольфа), хотя диапазон изменения весьма велик от нуля

до 150 и более единиц. В настоящее время, т.е. в 2018-2019 гг., солнечная ак-

тивность находится на уровне минимальных значений (от 0 до 10 условных

величин), что соответствует середине солнечного цикла. Последний период

солнечной активности пришелся на 2012-2014 гг. В ближайшие 3-5 лет сол-

нечная активность будет повышаться и, следовательно, увеличится внешнее

воздействие солнечного излучения на РС МКС, что потенциально повыша-

ет вероятность отказов и увеличивает скорость деградации характеристик

оборудования.

С учетом сложившихся обстоятельств, принимая во внимание необходи-

мость осуществления эксплуатации РС МКС как минимум до 2028 г. и далее

возникает закономерный вопрос, возможно ли, используя накопленную за

20 лет архивную телеметрическую информацию (ТМИ), более точно, обосно-

вано и детально определить состояние РС МКС и осуществить прогноз его

дальнейшего функционирования с определением остаточного ресурса обору-

дования.

2. Интеллектуальный анализ ТМИ на основе цифровых

идентификационных моделей

Исследование динамики процессов при решении задач контроля в процессе

управления полетом космических аппаратов (КА) позволяет сделать вывод

о перспективности и практической значимости разработки систем анализа

информации, использующих современные технологии обработки данных и

методов интеллектуального анализа (Data Mining) [2].

Состояние комплекса ресурсов КА является ключевым фактором при осу-

ществлении управления космическим полетом. Представляется целесообраз-

ным в качестве идентификационной модели комплекса ресурсов рассматри-

вать цифровой двойник КА. Под цифровым двойником будем понимать ре-

зультат обработки ТМИ, актуальный для текущего момента времени [3]. Этот

результат позволит оценить, как состояние отдельных ресурсов и уровень де-

градации определенных технических характеристик, так и степень взаимо-

влияния ресурсов. По сути актуальный результат обработки ТМИ представ-

ляет собой динамический слепок (текущий набор) аналитических выводов о

состоянии комплекса на основе анализа реальных данных ТМИ (текущих и

архивных). В этом состоит основное отличие от имитационной модели, ко-

торая может лишь приближенно моделировать реальное функционирование

КА на основе математического описания свойств элементов реального КА

или его составных частей.

Анализ возможностей математического аппарата обработки данных и

обобщения опыта управления полетом различных КА с учетом практиче-

ских потребностей специалистов управления полетом позволил определить

следующие методы исследования [4]:

162

кластерный анализ данных для определения аномалий или отклонений

в состоянии КА или его составных частей;

вейвлет-преобразование для определения и локализации аномалий в от-

дельной составной части КА;

прогнозирование на основе определения тенденций изменения телемет-

рических показателей (“параметров”) КА с применением методов анализа вре-

менных рядов.

Основной целью методики интеллектуального анализа и прогнозирования

состояния является поиск скрытых и неочевидных закономерностей, откло-

нений или аномалий в больших объемах накопленной (архивной) ТМИ. Наи-

больший интерес с практической точки зрения представляет анализ состоя-

ния для незаменяемого или заменяемого с высокой трудоемкостью оборудо-

вания РС МКС. К настоящему времени задача управления на основе про-

гнозирующих моделей применительно к приборам и агрегатам РС МКС не

ставилась. Они заменялись или после отказа, или по выработке ресурса.

На первом этапе обучения по данным ТМИ, собранным при номинальной

работе КА, с использованием различных алгоритмов строится база данных

номинальных состояний, соответствующих нормальному (среднестатистиче-

скому) или штатному функционированию КА, что определяется по анализу

технического состояния КА на предыдущих этапах полета или на аналогич-

ных КА. Обработанные данные при этом формируют базу знаний номи-

нальных состояний. На втором этапе “рабочем” производится анализ состоя-

ния КА, при котором в режиме реального времени поступает текущая ТМИ

от КА, производится анализ (на основе соответствующих алгоритмов Data

Mining) и результаты обработки соотносятся с данными из базы номинальных

состояний. Если устанавливается соответствие (по определенному критерию)

данных из базы с поступившими данными, то входящие данные пополняют

¾номинальную¿ базу данных. При несоответствии фиксируется отклонение

и происходит предупреждение оператора о выявленной аномалии.

3. Алгоритмы интеллектуального анализа

Интеллектуальный анализ состояния комплекса ресурсов РС МКС пред-

лагается осуществлять с использованием следующих алгоритмов:

кластерного анализа методом k-средних с еклидовой метрикой;

непрерывного вейвлет-преобразования;

процедуры кумулятивных сумм для временного ряда телеметрических

параметров.

Данные, которые передаются в составе ТМИ КА, содержат значение теле-

метрических параметров (ТМП), по которым реализуется функция контро-

ля состояния КА в процессе управления полетом. При этом значения ТМП,

сформированные на борту КА специализированной аппаратурой в данный

момент времени, будут образовывать многомерный вектор состояния. Та-

ким образом, под вектором технического состояния КА, или его системы,

будем понимать многомерный вектор X_m, образованный значениями ТМП

x_i, (i = 1,... ,N, где N

общее количество фиксируемых ТМП) сформиро-

163

ванных на определенный момент времени. Процедурам кластеризации будем

подвергать получаемые векторы.

Необходимость осуществить кластеризацию векторов технического состоя-

ния КА данных обусловлена наличием различных режимах работы КА в про-

цессе полета и соответственно номинальных, но различных значений ТМП.

Процесс орбитального движения КА, его ориентация в пространстве и внут-

реннее взаимовлияние оборудования КА при функционировании, также сле-

дует приводить к различным, но штатным состояниям КА.

Выбор алгоритма кластеризации основывался на следующих факторах:

возможность использования для анализа данных (текущих и архивных)

функционирования любой составной части КА;

высокая скорость вычислительного процесса для работы с ТМИ, посту-

пающей с борта КА в режиме реального времени;

оперативность (без задержек в процессе анализа) обнаружения анома-

лий в поступающих данных.

Были проанализированы как иерархические, так и неиерархические мето-

ды кластерного анализа. Учитывая значительные объемы накопленных дан-

ных за 20-летний период эксплуатации МКС, иерархические методы были

исключены из рассмотрения сразу из-за их большой трудоемкости исполь-

зования на начальном этапе. Для неиерархических методов, из-за большого

количества их разновидностей, ограничились изучением методов: k-средних,

c-средних, ЕМ-алгоритма, FOREL, распространения близости (АР). Для вы-

числения расстояния между векторами исследовались различные метрики.

Выбор метрики является ключевым моментом исследования, от которого в

основном зависит окончательный вариант разбиения объектов на классы при

данном алгоритме разбиения. В конечном итоге, были использованы метри-

ки: евклидово расстояние, манхэттенское расстояние и расстояние Чебышева.

В целях апробации анализа эффективности применения представленного

метода кластерного анализа было проведено создание кластерной базы дан-

ных ТМИ системы исполнительных органов спуска (СИОС) транспортного

пилотируемого корабля (ТПК) “Союз”. Контроль состояния и функциониро-

вания данной системы осуществляется на основе восьми значений ТМП, ко-

торые измеряются независимыми аналоговыми датчиками температуры (че-

тыре штуки) и давления (четыре штуки). При построении кластерной базы

данных номинального и штатного состояния СИОС использовались восьми-

мерные векторы X₈, образованные четырьмя значениями датчиков темпера-

туры и четырьмя значениями датчиков давления в топливных баках и бал-

лонах наддува.

В отборе для построения базы знаний была использована архивная ТМИ,

полученная при полете двух ТПК типа “Союз”, при которых было зафик-

сировано штатное состояние СИОС. Используя эти данные, были получе-

ны 2252 восьмимерных вектора, которые описывают номинальное состоя-

ние СИОС. Далее, для кластеризации методом k-средних, определено оп-

тимальное количество кластеров с учетом следующих средних значений раз-

ных критериев кластеризации, в том числе: силуэтный коэффициент, индекс

Калинского-Харабаза, индекс Дэвиса-Болдина, среднее внутрикластерное

164

500

1000

1500

2000

2500

-0,05

-0,10

-0,15

-0,20

0,25

-0,30

Рис. 1. График отклонений Δ векторов при номинальном функционировании

СИОС.

расстояние и коэффициент нечеткости разбиения. В результате было выбрано

25 кластеров для метода k-средних.

Все восьмимерные векторы, образованные значениями ТМП, прошли про-

цедуру нормирования:

X_ij

Z_ij =

max(X_j )

Визуализация созданной базы данных номинальных состояний состоит в

вычислении Евклидова расстояния от отдельного вектора до центра ближай-

шего кластера:

Δ = ρ(x_i,x_k) - ρ^maxk

где:

u∑

√

ρ (x_i, x_k) =

(x_ie - x_ke)², e = e = 1, 8,

e=1

ρ^maxk

максимальное значение расстояния от центра кластера до вектора

или радиус кластера.

Расчет отклонения Δ визуально представляет сравнение радиусов сфер

в восьмимерном пространстве. Если значение Δ отрицательное, то радиус

сферы для данного вектора меньше, чем радиус соответствующего ему кла-

стера, т.е. вектор находится внутри номинального кластера. Положительное

же значение Δ соответствует случаю нахождения вектора вне границ номи-

нальной области функционирования. Как видно из графика на рис. 1, при

165

Аномалия по ДК

2,0

1,5

1,0

0.5

100

200

300

400

500

600

-0,50

Рис. 2. График отклонений Δ “аномальных” векторов.

номинальном функционировании бортовой системы отклонения Δ векторов

всегда отрицательны (кроме случаев, когда Δ = 0, т.е. на границе кластера),

что соответствует входимости вектора в кластер, т.е. номинальному функ-

ционированию.

С базой данных номинальных состояний были соотнесены и векторы, по-

лученные с использованием данных, полученных при полете другого ТПК

“Союз”, при котором были отмечены незначительные отклонения в значе-

ниях температурных параметров. С использованием этих векторов, условно

назовем их “аномальными”, получен график отклонений, представленный на

рис. 2.

Вертикальная прерывистая линия на графике означает момент обнару-

жения аномалии в функционировании СИОС ТПК “Союз” в реальном поле-

те на основании экспертного анализа специалиста по контролю. Критерием

проявления аномалии в состоянии контролируемого объекта для метода кла-

стерного анализа служит появление отклонения Δ в области положительных

значений, что может сигнализировать о возникшей аномалии в работе систе-

мы. В рассмотренном примере, начиная с примерно 200-го вектора, имеется

тенденция в постоянном увеличении значения Δ. Так как каждому вектору

ставится в соответствие временное значение (реальные дата и время), можно

сказать, что состояние системы постепенно отклоняется от своей номиналь-

ной работы. Момент обнаружения такого отклонения N = 200 соответствует

31.07.2013, в то время, как в реальных условиях аномалия достигает предель-

но допустимых значений при N = 348, что соответствует 08.10.2013, т.е. пред-

лагаемый метод обнаруживает аномалию раньше на 2 мес (2 мес и 7 дней).

Практически важным результатом анализа при управлении полетом

КА является определение места возникновения аномалий как предвестни-

ков нештатных ситуаций (НШС). Для этого предлагается комплексировать

166

несколько методов интеллектуального анализа в рамках одной задачи опреде-

ления аномалий с целью уменьшения пределов неоднозначности ее решения.

Основной принцип предлагаемой методики состоит в том, что после кла-

стерного анализа совокупности телеметрических параметров КА, каждый

отдельно взятый физический телеметрический параметр проходит дополни-

тельный специальный способ исследования, а именно применение процедуры

вейвлет-анализа. Задача интеллектуального анализа решает вопрос не только

выявления факта аномалий, но и определения причин и источников возник-

шей аномалии, а также в определении тенденций ее развития в последующие

интервалы времени.

Как известно, значения ТМП КА на начальных этапах обработки рассмат-

риваются в определенной шкале времени. В результате сплайновой аппрок-

симации значений получается кривая, которую можно интерпретировать как

частотный сигнал.

Предлагаемый метод диагностики аномалий в работе составных частей КА

состоит в том, чтобы выполнить анализ сигнала, сформированного из ряда

значений ТМП, с выявлением в нем нежелательных изменений и аномалий,

предшествующих возможным НШС. Анализ выполняется с использованием

специального математического аппарата - вейвлет-анализа.

Вейвлет-преобразование представляет собой интегральное преобразова-

ние, в котором осуществляется свертка двух функций, одна из которых -

вейвлет, а вторая - функция исследуемого сигнала [5]. Анализирующей функ-

цией вейвлет-преобразования является не синусоида (комплексная экспонен-

та), “растянутая” по всей временной оси, а локализованный “всплеск”, или

“вейвлет”.

С точки зрения интеллектуального анализа ТМИ получаем частотное на-

полнение сигнала и моменты времени возникновения соответствующих этим

частотам изменений в сигнале, т.е. обнаруживаем факт появления аномалии

или НШС. Данному анализу подвергаются отдельные ТМП, которые описы-

вают состояние характерных мест контролируемого оборудования КА, тем

самым локализуя аномалию в конструкции КА.

Апробация предлагаемого метода интеллектуального анализа проведена

следующим образом. На вход алгоритма поступает ТМИ, прошедшая ста-

дию предварительной обработки и представляющая собой конкретный па-

раметры, отражающие состояния КА, привязанные к конкретному момен-

ту времени и имеющие установленную размерность физических величин.

Выбор вейвлета осуществляется на основе информации о диапазоне значе-

ний ТМП, количестве локальных максимумов в ряде значений исследуемо-

го ТМП на рассматриваемом интервале времени, а также на основе сопо-

ставления величины модулей вейвлет-коэффициентов преобразования для

случаев применения различных вейвлет-функций. Результатом процедуры

вейвлет-преобразования является матрица вейвлет-коэффициентов, и ее ана-

лиз позволяет обнаружить в исследуемом сигнале аномальное изменение

его значений и выявить возникающую НШС по величине и характеру по-

ведения вейвлет-коэфициента. Обнаружение и локализация аномалий или

НШС решает задачу выделения из общего числа вычисленных вейвлет-

167

Рис. 3. Номинальное состояние ТМП и график вейвлет-коэффициентов.

коэффициентов и производится фиксирование момента времени возникно-

вения аномалии или НШС.

Проверка работы методики анализа ТМИ с помощью предлагаемого спе-

циального математического аппарата выполнялась для системы кондициони-

рования воздуха (СКВ) из состава служебных систем РС МКС. Был выбран

ТМП температуры хладона 2Т223 на входе компрессора СКВ как харак-

терный ТМП для данной системы. Номинальная работа СКВ показана на

рис. 3. При этом верхний график демонстрирует значение ТМП температу-

ры хладона 2Т223, а нижний график величину соответствующего вейвлет-

коэффициента.

На рис. 4 представлены обработанные значения этого ТМП на интервале

времени, когда была зафиксирована НШС. При этом автоматика отключи-

ла компрессор СКВ на основе внутренней логики управления, а специалист

управления не идентифицировал и не локализовал ситуацию, поскольку из-

менение ТМП было весьма незначительно и составило 6 градусов, что визу-

ально заметить очень тяжело на фоне значений остальных ТМП.

Как видно из рис. 4 вейвлет-преобразование более наглядно отражает из-

менение значения ТМП на том самом участке, где происходит НШС. Резкое

(более чем в 10 раз) изменение вейвлет-коэффициента служит критерием

для автоматизированного обнаружения и локализации НШС, что позволя-

ет повысить оперативность ее выявления. Предлагаемая методика позволяет

168

-20

-40

18:14:24

18:28:48

18:43:12

18:57:36

19:12:00

19:26:24

19:40:48

Время

-30

-40

500

1000

1500

2000

2500

3000 N отсчеты

Рис. 4. Значение ТМП и график вейвлет-коэффициентов при НШС.

автоматически исследовать процесс изменения значения ТМП и развития

НШС с использованием обновляемой базы данных вейвлет-коэффициентов,

характеризующих номинальное поведение этих параметров.

Для решения задачи прогнозирования технического состояния на осно-

ве определения тенденций изменения параметров состояния КА рассмотрена

возможность применения методов анализа временных рядов. Поскольку зна-

чения ТМП в потоке ТМИ от КА следуют через определенные и равные

промежутки времени, то эта последовательность представляет собой клас-

сический временной ряд. Для его анализа применим методы исследования

временных рядов. Наиболее применимой для задач прогнозирования харак-

теристикой временного ряда следует считать величину тренда. Тренд ряда

выявляет прямое влияние процесса или режима, происходящего на борту КА

на контролируемый ТМП.

Исходя из опыта управления КА и свойств процессов и режимов работы,

происходящих на борту, можно выделить:

номинальный - тренд для определенной группы ТМП характерно и

достоверно описывает номинальный процесс на борту КА;

неноминальный - отклонение от номинального тренда ТМП выше до-

пустимой величины, а также иное направление изменения величины ТМП;

нехарактерный - появление тренда у ТМП, для которых он не характе-

рен или не запланирован.

169

Рис. 5. Тренд напряжения на АБ на длительном интервале.

В основе рассматриваемого метода контроля состояния на основе анализа

временных рядов лежит именно выявление тренда. Для практических задач

анализа при управлении полетом КА важен факт перехода в тренд значения

какого-либо ТМП или группы ТМП. Величина тренда и возможная динами-

ка в будущем необходимы для соотнесения с привлекаемыми ресурсами или

запасами и последующего вычисления располагаемого времени до достиже-

ния предельно допустимых значений ТМП или исчерпания ресурсов или за-

пасов КА. При этом “располагаемое время” является самостоятельным пара-

метром, сгенерированным в результате подобного интеллектуального анализа

ТМИ КА.

Для апробации метода был применен метод кумулятивных сумм. Мо-

мент изменения свойств случайной независимой последовательности ТМП

(Y₁ . . . Y_t), которая до момента наступления нехарактерного/неноминального

тренда описывается распределением с плотностью fθ0 (Y_t), а после распре-

делением с плотностью fθ1 (Y_t).

Достаточно наглядно данный метод продемонстрировал поведение акку-

муляторной батареи (АБ), что представлено на рис. 5.

Принципиальная схема описанной методики интеллектуального анализа

и прогнозирования состояния российского сегмента международной косми-

ческой станции на основе цифрового двойника изображена на рис. 6. При

этом номинальные данные получаются на начальном этапе полета ОМ в про-

170

Рис. 6. Принципиальная схема интеллектуального анализа.

цессе проведения летных испытаний. В этот период все ТМП подвергаются

детальному анализу и определяются параметры номинальных состояний. На

базе этих данных формируется цифровой двойник, имитирующий номиналь-

ное состояние объекта. Вновь поступающие данные соотносятся с использо-

ванием трех вышеперечисленных методов, формируются данные о текущем

состоянии и осуществляется прогноз.

4. Заключение

Задача интеллектуального анализа ТМИ для управления полетом КА яв-

ляется своевременной, обоснованной и актуальной по следующим основным

причинам:

наличие базы информации за 20 лет эксплуатации РС МКС;

продолжающаяся в настоящий момент эксплуатация РС МКС и пред-

полагаемое в дальнейшем продолжение полета;

необходимость прогнозирования поведения приборов, агрегатов и со-

ставных частей РС МКС в будущем с учетом возрастания внешних воздей-

ствующих факторов космического пространства.

Имеющийся математический аппарат и архивные данные позволяют при-

ступить к решению поставленной задачи.

Решение задачи обеспечит наличие эффективного инструмента, методик и

данных, перспективного для будущего применения, и позволит реализовать:

прогноз вероятности выходов из строя или изменения эксплуатационных

характеристик, входящих в состав РС МКС приборов и агрегатов;

прогноз вероятности выходов из строя или изменения эксплуатационных

характеристик составных частей МКС с учетом взаимного влияния функцио-

нирования приборов и элементов;

171

подготовку работ по замене прибора до формальной выработки ресурса

или формирование комплекта запасного оборудования на основе полученного

прогноза “располагаемого времени” и выявленных тенденций изменения ха-

рактеристик элементов, если расчетный прогноз выявит тенденции к отказу.

СПИСОК ЛИТЕРАТУРЫ

1. Соловьёв В.А., Лысенко Л.Н., Любинский В.E. Управление космическими по-

летами: Уч. пос. в 2 ч. М.: МГТУ им. Н.Э. Баумана, 2010.

2. Bakhtadze N., Lototsky V., Pyatetsky V., Lototsky A. Identification Algorithms Base-

donthe Associative Search of Analogs and Association Rules // Proc. Int. Conf. Time

Ser. Forecast (ITISE 2018) Granada, Spain, 19-21 September, 2018. P. 783-794.

ISBN: 978-84-17293-57-4.

3. Теория управления. Дополнительные главы. Уч. пос. Под ред. Д.А. Новикова.

М.: ЛЕНАНД, 2019.

4. Соловьев С.В. Направления интеллектуализации операций контроля, примени-

мых для оперативного управления полетом КА // Инженер. Журн.: наука и

инновации. 2018. Вып. 11. http://dx.doi.org/10.18698/2308-6033-2018-11-1824

5. Добеши И. Десять лекций по вейвлетам. Ижевск: РХД, 2001.

Статья представлена к публикации членом редколлегии Н.Н. Бахтадзе.

Поступила в редакцию 07.11.2019

После доработки 18.03.2020

Принята к публикации 25.05.2020

172