Статья: ИСКУССТВЕННЫЙ СЕНСОРНЫЙ КОМПОНЕНТ В СИСТЕМЕ ЧЕЛОВЕК - МАШИНА С КОМБИНИРОВАННОЙ ОБРАТНОЙ СВЯЗЬЮ (2024)

The 17th International Conference on Management of Large-Scale Systems Development (MLSD’2024) was held on September 24-26, 2024. This annual event is organized by the Trapeznikov Institute of Control Sciences, the Russian Academy of Sciences, with the technical support of the IEEE Russia Section. MLSD conferences are intended to discuss research in the theory and applications of computer control and management for developing large-scale manufacturing, transport, energy, financial, and social systems. The peculiarity of this year’s conference is that the models of large-scale systems are largely focused on solving current problems of strategic management. The MLSD’2024 program included one plenary session and 16 sections with 393 participants. The original proceedings of MLSD’2024 (195 papers) have been published in Russian and indexed by the National Electronic Library (eLIBRARY. RU). Of these, 169 papers have been extended and published electronically in English in IEEE Xplore (Scopus indexing).

Рассмотрен подход к построению адаптивного управления скалярным объектом с текущей параметрической неопределенностью, для которого доступны измерению только его вход и выход, на основе упрощенных условий адаптируемости. Данный подход относится к непрямому самонастраивающемуся управлению с использованием алгоритма текущей параметрической идентификации и неявной эталонной модели. Структура настраиваемой модели в алгоритме идентификации выбирается как можно более простой, соответствующей основному движению объекта управления и элементарному динамическому звену или звеньям. В результате текущие оценки в составе указанной модели аппроксимируют движение объекта, критерием чего является сходимость невязки идентификации. Также требуется обеспечить определенные требования к текущим оценкам параметров. Эти оценки, даже неточные, используются для формирования закона управления, доставляющего заданные свойства замкнутой системы управления. Указанное положение предложено трактовать как уточнение известного принципа уверенной эквивалентности с исключением требования асимптотически точного оценивания параметров для достижения самонастраивающейся системой адаптивных свойств в задачах управления по выходу объекта. Основные соотношения приведены для примера, когда доминирующая динамика объекта близка колебательному процессу без дополнительной временно́й задержки. Предложено применять алгоритм идентификации в виде рекуррентного метода наименьших квадратов с фактором забывания и некоторыми модификациями. Приведены два примера решения задач построения адаптивных систем: управление угловым движением мостового крана и парирование колебаний упругого трехмассового привода. Предложено назвать рассматриваемый подход идентификационно-аппроксимационным. Отмечены возможность и пути его дальнейшего совершенствования.

Решается задача вычисления уровня спектральной энтропии стационарного случайного процесса. Под спектральной энтропией (σ-энтропией) сигнала понимается скалярная величина, характеризующая окрашенность шума и определяющая класс сигналов, действующих на систему в зависимости от выбора полосы исследования. Предполагается, что случайный процесс задан либо в виде формирующего фильтра, на вход которого поступает белый шум с единичной ковариационной матрицей, либо в форме автокорреляционной функции. Получено аналитическое решение задачи вычисления уровня спектральной энтропии случайного стационарного процесса по известной математической модели формирующего фильтра в виде лог-детерминантной функции, зависящей от передаточной матрицы и грамиана наблюдаемости фильтра. Предложен алгоритм вычисления σ-энтропии для стационарных случайных процессов с известной автокорреляционной функцией. Метод сводится к восстановлению математической модели формирующего фильтра с использованием факторизации его спектральной плотности. Приведен численный пример расчета спектральной энтропии для возмущения, описывающего скорости порывов ветра, действующих на летательный аппарат.

Представлен обзор литературы, посвященной диагностике и прогнозированию оставшегося срока полезного использования авиационных двигателей на основе глубокого обучения. Приведена формальная постановка задачи оценки оставшегося срока полезного использования. Рассмотрены основные архитектуры глубоких нейронных сетей, применяемые для обнаружения редких сбоев и прогнозирования следующих сбоев на основе данных мониторинга авиационных двигателей. Рассмотрено извлечение информативных признаков с помощью автоэнкодеров. Приводится структура ячеек долгой кратковременной памяти и механизма внимания, применяемых в глубоких нейронных сетях для прогнозирования оставшегося срока полезного использования. Рассматривается задача интеграции прогноза оставшегося срока полезного использования в планирование технического обслуживания на основе обучения с подкреплением.