Конфигурирование и разработка модели искусственной нейронной сети для системы управления системой энергоснабжения космических аппаратов в условиях неопределенных факторов

В статье рассмотрены неопределенные факторы, которые могут привести к нештатным ситуациям в системе управления системой энергоснабжения космических аппаратов. Выделены определенные факторы, поддающиеся прогнозированию, а также факторы, влияние которых можно учесть при проектировании системы управления и при выстраивании алгоритмов управления. Выявлены неопределенные факторы, которые возможно спрогнозировать с применением интеллектуализации системы управления распределением электроэнергии. Выделены элементы системы, надежность которых возможно повысить, применив интеллектуальную систему управления и прогнозирования нештатных ситуаций на основе искусственных нейронных сетей. Проведен анализ существующего алгоритма управления системой энергоснабжения. На основе телеметрических параметров, используемых в данном алгоритме, выделены телеметрические параметры для использования в интеллектуальной системе управления системой энергоснабжения. Определен критерий для наступления нештатной ситуации, наступление которой должна прогнозировать искусственная нейронная сеть. Рассмотрены конфигурации искусственных нейронных сетей, которые возможно применить в качестве основы для интеллектуальной системы управления системой энергоснабжения космических аппаратов. Рассмотрена проблема оптимизации доступной обучающей выборки данных для обучения искусственной нейронной сети. Рассмотрены подходящие методы оптимизации обучения нейронных сетей, учитывая специфику задачи. Предложена конкретная конфигурация искусственной нейронной сети, учитывающая специфику применения и неоднородный характер обучающей выборки данных.

1. Алексеев В.П., Ковалёв А.П. Факторы, определяющие надёжность и долговечность конструкций бортовой радиоэлектронной аппаратуры космических аппаратов. Новые исследования в разработке техники и технологий. 2015;2:24–28.

2. Кузнецов Н.В., Панасюк М.И. Космическая радиация и прогнозирование сбое- и отказоустойчивости интегральных микросхем в бортовой аппаратуре космических аппаратов. Вопросы атомной науки и техники (ВАНТ), Серия «Физика радиационного воздействия на радиоэлектронную аппаратуру». 2001;1–2:3–8.

3. Савенков В.В., Тищенко А.К., Волокитин В.Н. Принципы построения аппаратуры регулирования и контроля современных систем электроснабжения малоразмерных космических аппаратов. Решетневские чтения. 2017;21(1):325–26.

4. Brink H., Richards J.W., Fetherolf M. Real world Machine Learning. US: Manning Publications Co; 2017. 266 p.

5. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. пер. с англ. А.А. Слинкина. Москва: ДМК Пресс; 2015. 400 с.

6. Жанаева С.Б. К вопросу о подготовке данных при разработке модели нейронной сети. Вестник СибГУТИ. 2022;4(60):69–79.

7. Шолле Ф. Глубокое обучение на Python. Серия «Библиотека программиста». Санкт-Петербург: Питер; 2018. 400 с.

8. Краснов С.С., Куралесова Н.О. Выбор модели нейронной сети для системы принятия решений при управлении сложными техническими устройствами. Вестник Волжского университета им. В.Н. Татищева. 2013;4(22):92–96.

9. Каширина И.Л., Демченко М.В. Исследование и сравнительный анализ методов оптимизации, используемых при обучении нейронных сетей. Вестник Воронежского государственного университета. 2018;4:123–132.

10. Wilson A.C., Roelofs R., Stern M., Srebro N., Recht B. The Marginal Value of Adaptive Gradient Methods in Machine Learning. US: Cornell University Library; 2017. 14 p.