ВЕСТНИК ВИТ «ЭРА», том 2, номер 2, 2021

ЭЛЕКТРОННАЯ КОМПОНЕНТНАЯ БАЗА, ФОТОНИКА

И ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ УПРАВЛЕНИЯ

УДК 629.78

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ

ДЛЯ ДИАГНОСТИКИ СПУТНИКОВЫХ СБОЕВ

ФГАУ «Военный инновационный технополис «ЭРА», Анапа, Россия

^*E-mail: Ivanov.dmitry0425@gmail.com

В данном исследовании поднимается тема использования методов машинного обучения для диагностики неис-

правностей спутниковых подсистем по параметрам их телеметрии. Данные телеметрии кластеризуются с ис-

пользованием алгоритма кластеризации k-средних в сочетании с функцией t-распределенного стохастического

вложения соседей (t-СВС) для уменьшения размерности. Обсуждается классификация данных с помощью ло-

гического анализа данных (ЛАД), для генерации шаблонов для каждого класса отказов, которые используются

для определения вероятной причины отказа для каждого параметра телеметрии. Эти вероятности позволяют с

помощью анализа дерева отказов (АДО), определить наиболее вероятную причину отказа спутника.

ВВЕДЕНИЕ

Эти подходы включают экспертные системы, ней-

Космические системы дороги из-за высокой

ронные сети, машину опорных векторов (МОВ),

стоимости разработки и запуска в космос. Поте-

метод главных компонент (МГК), оценку параме-

ри таких систем являются постоянными и обычно

тров, фильтры Калмана (ФК).

происходят из-за постепенной деградации компо-

В этой работе исследуются методы машинного

нентов системы и/или устройств. Во избежание

обучения, которые можно использовать для диагно-

непредвиденных обстоятельств и естественных

стики неисправностей КА. Использовался метод

неисправностей желательно, чтобы бортовая си-

интеллектуального анализа данных, чтобы изучить

стема диагностики неисправностей космических

возможную производительность, выраженную

аппаратов (КА) была способна обнаруживать, изо-

любым параметром телеметрии, указывающим

лировать, идентифицировать и классифицировать

на работоспособность определенного бортового

неисправности в системе [1].

устройства. Это позволяет оператору спутника кон-

Анализ и понимание ухудшения и отказов вы-

тролировать его общее состояние, чтобы снизить

бранных подсистем на орбите, то есть ее реальной

риск отказа с помощью точных и автоматизирован-

надежности, обеспечивает полезную обратную

ных методов. Предлагаемая методика существенно

связь для производителей космических аппара-

поможет улучшить принятие решений в аварийных

тов и является важным первым шагом на пути к

ситуациях и временной потере спутников.

повышению общей надежности космических

аппаратов [2].

АНАЛИЗ ПОВЕДЕНИЯ

В последние годы для обнаружения и диагно-

КОСМИЧЕСКИХ АППАРАТОВ

стики аномалий в работе КА предлагаются методы

В контексте этой работы анализ поведения

машинного обучения и интеллектуального анали-

спутника означает:

«оценку функциональности

за данных. Распространенный способ устранения

спутника при определенном рабочем режиме», где

аномалий - анализ истории данных телеметрии,

есть набор спутниковых режимов, таких как ре-

чтобы определить корень проблемы. Специалиста-

жим съемки, нормальный рабочий режим и полно-

ми активно изучается проблема обнаружения, изо-

стью рабочий режим. На основе телеметрических

ляции и идентификации неисправностей, рассма-

измерений возможно определить режим работы

триваются подходы к диагностике неисправностей

спутника и соответствующие функциональные воз-

на основе моделей для аэрокосмических систем.

можности. Для этого распаковываются данные из

Ю.Л. ЛОБКОВ и др.

необработанных файлов телеметрии и преобразу-

ются в формат временных рядов, который соответ-

ствует предполагаемой методике.

Теория МОВ сводит к минимуму ожидаемую

ошибку обучающейся машины, что снижает про-

блему переобучения. Это явление известно, как

принцип минимизации структурного риска (МСР),

который используется для задач классификации и

регрессии. МОВ имеет два типа: классификация

опорных векторов (КОВ) и регрессия опорных

векторов (РОВ) [3]. КОВ классифицирует данные

на две или более группы на основе введенных

функций, максимизируя поля между введенными

классами, такими как категоризация текста. РОВ

используется с данными временных рядов для про-

Рис. 1. Блок-схема машины опорных векторов

гнозирования следующих значений путем мини-

мизации суммы расстояний от точек данных до ги-

перплоскости, например, прогнозируемых цен на

кращения входных данных до векторов признаков

акции. Приближенная функция используется для

с низкой размерностью, которые применяются к

нелинейной МОВ, называемой функцией ядра, ко-

мультиклассовой модели классификации МОВ с

торая используется для нахождения приближения

целью определения типа неисправности.

функций с действительными значениями на основе

Перед выполнением прогнозирования тесто-

условия Мерсера, таких как линейное ядро, поли-

вых последовательностей создается обучающая

номиальное ядро, сигмовидное ядро и радиальная

модель МОВ, как показано на рис. 1. Подготавли-

базисная функция (РБФ). В этом исследовании ис-

вается «Общий обучающий набор», чтобы сгене-

пользовалась функция ядра РБФ:

рировать обучающую модель для прогнозирова-

ния телеметрии. Все последовательности в общем

обучающем наборе сформированы обучающими

⎛

⎞

x′

(

x′

) = exp

⎜

⎟ ,

(1)

последовательностями.

⎜

⎟

⎝

⎠

ДИАГНОСТИКА ОТКАЗОВ

где РБФ имеет параметр r, и необходимо опреде-

КОСМИЧЕСКИХ АППАРАТОВ

лить значение r до эксперимента.

Раннее обнаружение, как правило, важно для

В последнее время применение вид МОВ для

уменьшения программного воздействия потен-

прогнозирования временных рядов, называемый

циального сбоя. В этом разделе представляется

регрессией опорных векторов, также показал мно-

методология, предложенная для построения спут-

го прорывов и правдоподобных результатов, таких

никовой системы диагностики неисправностей, ос-

как прогнозирование финансового рынка, прогно-

нованную на нескольких последовательных этапах

зирование цен на электроэнергию, оценка мощ-

обработки данных, уменьшения размеров, класси-

ности потребления и реконструкция хаотических

фикации, генерации шаблонов и анализа данных.

систем.

ЛАД - это подход алгоритмов классификации,

В Китае разработали обнаружение аномалий

который используется для классификации двух или

для данных телеметрии КА с использованием ре-

нескольких классов. ЛАД классифицирует наблю-

грессионной модели машины опорных векторов

дения на положительные или отрицательные, где

наименьших квадратов. Регрессионная модель ис-

положительные наблюдения означают ошибочные

пользуется для выявления аномального поведения

данные или что-то неправильное, в то время как

космических аппаратов на орбите.

отрицательный означает, что данные корректны.

Также существует подход к обнаружению не-

Двухклассный ЛАД состоит из трех этапов: бина-

исправностей и диагностике космических аппара-

ризация данных, генерация паттернов и формиро-

тов, основанный на анализе главных компонентов

вание теории.

(АГК) и машинах опорных векторов. АГК исполь-

зуется для выбора наиболее важных функций и со-

ВЕСТНИК ВИТ «ЭРА», том 2, номер 2, 2021

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ДИАГНОСТИКИ СПУТНИКОВЫХ СБОЕВ

На этапе бинаризации каждый входной объект

за компонентов, которые вызывают режим отказа

преобразуется в набор двоичных атрибутов (пере-

системы. Подход с использованием минимальных

менных). После этапа бинаризации ЛАД генериру-

наборов сокращений - это классический подход,

ет набор логических правил, называемых паттерна-

который предоставляет важную качественную, а

ми (шаблонами); Они отличаются от наблюдений,

также количественную информацию.

принадлежащих к одному классу, а не к другому.

Для количественной оценки вероятности ключе-

Такие шаблоны называются позитивными или не-

вого события в дереве отказов должна быть пред-

гативными шаблонами, где позитивные шаблоны

ставлена вероятность каждого базового события.

описывают ошибочные данные. Паттерны играют

После этого вероятности базовых событий распро-

важную роль в ЛАД, поскольку они допускают чет-

страняются вверх до ключевого события с исполь-

кую интерпретацию экспертами людьми. Каждая

зованием логических отношений для дерева отка-

положительная (отрицательная) точка наблюдения

зов. Количественные данные необходимо вводить

покрывается, по крайней мере, одним положитель-

для базовых событий; входные данные состоят из

ным (отрицательным) шаблоном и не покрывает-

вероятностей этих событий дерева отказов.

ся никакими отрицательными (положительными)

Вероятность главного события - это вероят-

шаблонами, которые были сгенерированы. Кроме

ность общего отказа системы. Она рассчитывается

того, отдельные шаблоны также могут указывать

из дерева отказов в зависимости от вероятностей,

на положительный (отрицательный) характер но-

которые применяются к базовым событиям. Ве-

вых точек наблюдения, и поэтому можно ожидать,

роятность промежуточных событий, также назы-

что правильно выбранный набор шаблонов может

ваемая вероятностью перехода, вычисляется как

быть использован для построения общего правила

вероятность ключевого события из ее поддерева.

классификации. Это правило является расширени-

Вероятность главного события рассчитывается как:

ем частично определенной булевой функции и на-

зывается формацией теории.

Q(t) = 1 - e^-λt,

(2)

В 2016 году была предложена методология

прогнозирования, основанная на надежности и

где Q(t) - это ключевое событие недоступности

использующая данные мониторинга состояния,

или ненадежности, а λ - постоянная интенсивность

которые могут иметь дело с любым количеством

отказов компонента.

индикаторов состояния, без выбора наиболее зна-

Наиболее важным результатом АДО являет-

чимых, как предлагают многие методы. Используя

ся набор показателей важности для всех событий

метод Каплана-Мейера в качестве метода оценки,

в дереве отказов; эти показатели рассчитаны для

управляемого временем, в сочетании с логическим

главного события. Как промежуточным, так и ба-

анализом данных в качестве метода диагностики,

зовым событиям можно назначить приоритеты в

управляемого событиями, для отражения влияния

соответствии с их мерой важности. Наивысшая

условий эксплуатации на срок эксплуатации кон-

важность может использоваться для распределения

тролируемого оборудования.

ресурсов, использующихся для минимизации веро-

АДО - это дедуктивный нисходящий подход,

ятности отказа при ключевом событии.

который определяет потенциальный отказ, а затем

Чтобы выполнить процесс обучения для ЛАД

определяет все события, которые могут привести

и сгенерировать паттерн(ы) классификации, ко-

к отказу. АДО предоставляет два типа результатов:

торый(е) соответствует одному классу событий,

качественные и количественные. Целью качествен-

использовались классифицированные данные

ного анализа является сокращение структуриро-

K-средних. Паттерн представляет собой комбина-

ванного дерева отказов. Целью количественного

цию условно меняющихся параметров. Для каж-

анализа является расчет вероятности отказа глав-

дого паттерна рассчитывается его вероятность как

ного события на основе качественного анализа.

умножение вероятности каждого параметра пат-

В качественном анализе законы булевой алге-

терна на основе АДО. Более того, кластеризация

бры используются для удаления избыточных со-

является необходимым шагом перед применением

бытий отказа компонентов из списка основных

ЛАД, чтобы выполнить этап обучения с необходи-

событий для получения минимальных наборов

мой точностью.

сокращений. Наборы минимальных сокращений

Получение вероятности паттерна позволяет нам

представляют собой комбинацию минимальных

судить о возможности появления последователь-

(необходимых и достаточных) состояний отка-

ных комбинированных параметров и возможной

ВЕСТНИК ВИТ «ЭРА», том 2, номер 2, 2021

Ю.Л. ЛОБКОВ и др.

причине. Применение этой процедуры к каждой

спутниковой подсистеме приводит к вероятност-

ному подходу к причине отказа. Чтобы вычислить

вероятность отказа подсистемы, используется ана-

лиз дерева отказов на сгенерированных паттернах.

АДО используется для определения вероятности

того, какой компонент подсистемы является причи-

ной отказа спутника.

ОЦЕНКА

Спутник имеет большое количество параметров

телеметрии, которое может превышать несколько

тысяч. Были выбраны параметры, которые отра-

жают производительность критических подсистем,

таких как источник питания, блок кондиционирова-

ния, связь с земной станцией (S-диапазон), темпера-

тура внутри спутника и экранирование солнечных

панелей. Напряжение на шине питания является од-

ним из наиболее важных параметров для различных

подсистем, таких как сама шина питания, коммуни-

кационные и бортовые компьютерные системы. Не-

обходимо использовать первый набор значений для

выполнения процесса обучения МОВ, в то время

как последующий набор данных будет использо-

ваться для сравнения предсказанных значений с ре-

альными значениями для оценки алгоритма. В про-

цессе используются файлы телеметрии за разные

периоды жизни спутника. Можно использовать две

трети значений телеметрии для обучения алгорит-

ма, а оставшуюся треть для его оценки. Прогно-

зируемые значения сопоставляются с реальными

значениями параметров, извлеченных из файла те-

леметрии. Затем оценивается среднеквадратичная

ошибка для предсказанных значений, чтобы оце-

нить производительность алгоритма. Предлагаемая

методика представлена на рис. 2.

K-средние используются для классификации

данных непересекающихся групп (кластеры) на

основе их сходства. Метод K-средних использует

Рис. 2. Блок-схема предлагаемой методики

центроиды для представления кластеров путем оп-

тимизации функции квадратичной ошибки. Алго-

уменьшения размерности, такой как t-распределен-

ритм кластеризации K-средних зависит от евклидо-

ное стохастическое вложение соседей. t-СВС - это

ва расстояния для вычисления центроида каждой

метод нелинейного уменьшения размерности, в

группы, поэтому точки данных в одном кластере

котором стохастическое вложение соседей начина-

считаются принадлежащими одному классу, а точ-

ется с преобразования многомерных евклидовых

ки в разных кластерах считаются принадлежащи-

расстояний между точками данных в условные

ми к разным классам. Рис. 3-5 представляют со-

вероятности, которые представляют собой сход-

бой применение метода K-средних к параметрам

ства [4]. t-СВС часто используется не только для

из разных спутниковых подсистем для получения

уменьшения размерности, но и для визуализации

двух кластеров, введенных в ЛАД.

данных, потому что его основная цель - сокраще-

Для большого количества функций в набо-

ние набора данных функций до 2-D или 3-D, что-

ре данных для K-средних потребуется алгоритм

бы обеспечить более визуальное представление

ВЕСТНИК ВИТ «ЭРА», том 2, номер 2, 2021

МЕТОДЫ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ДИАГНОСТИКИ СПУТНИКОВЫХ СБОЕВ

данных. Если необходимо более трех измерений,

t-СВС может не пригодиться.

Данные извлекаются и форматируются, что по-

зволяет легко манипулировать значениями. Можно

использовать первые 20% значений телеметрии

для процесса обучения, 30% - для тестирования

и, наконец, остальные 50% - для классификации,

параметры телеметрии, извлеченные из необрабо-

танных данных, полученных со спутника, форма-

тируются так, чтобы их можно было использовать

в качестве входных данных для ЛАД.

ЗАКЛЮЧЕНИЕ

Рекомендуется использовать более простые

методы регрессии такие как регрессия опорных

Рис. 3. Блоковая кластеризация

векторов для реализации интеллектуального ана-

лиза данных спутниковой телеметрии с низкой

околоземной орбиты. Данные классифицируются

(отказ и исправность) в соответствии с различны-

ми режимами работы с использованием метода

классификации K-средних в сочетании с функцией

уменьшения размерности t-СВС. Использовались

K-средние для классификации данных, а затем

введение этих данных для обучения в логический

модуль метода логического анализа данных для

получения некоторых паттернов, которые указыва-

ют значения условных параметров. Затем каждый

паттерн переводится в количество условий/собы-

тий определенных параметров. Затем использует-

ся анализ дерева отказов для оценки вероятности

и зависимости каждого диапазона параметров от

ключевого события (отказа спутника). ЛАД обна-

руживает общие закономерности отказа, в то время

Рис. 4. Батарейная кластеризация

как АДО определяет, какое базовое событие (со-

ответствует определенной схеме) вызывает отказ

спутника.

Использование предлагаемой цепочки подходов

«K-средние - ЛАД - АДО» имеет преимущество,

заключающееся в том, что система автономно спо-

собна обнаруживать и определять все возможные

схемы отказа независимо, что обеспечивает луч-

шую точность диагностики неисправностей.

СПИСОК ЛИТЕРАТУРЫ

1. Управление космическими полетами: учеб.

пособие: в

2 ч. В.А. Соловьев, Л.Н. Лысен-

ко, В.Е. Любинский; под общ. ред. Л.Н. Лысен-

ко. М.: Изд-во МГТУ им. Н.Э. Баумана, 2015.

Ч. 2. - 426 с.

2. Системы контроля и испытания вооружения

Рис. 5. S-Band кластеризация

и военной техники, военная метрология: элек-

ВЕСТНИК ВИТ «ЭРА», том 2, номер 2, 2021