В связи с реализацией концепции электрических самолетов отмечена необходимость обеспечения высокой надежности электромеханических приводов, являющихся важными компонентами авиационных систем. Рассмотрен структурный состав электромеханического привода и виды его неисправностей. Приведен обзор методов диагностики неисправностей электромеханического привода, основанных либо на моделировании электромеханического привода, либо на анализе сигналов, поступающих в процессе функционирования электромеханического привода, а также гибридных методов, сочетающих в себе оба этих подхода. Исследованы преимущества, недостатки и трудности в применении различных подходов. Особое внимание уделено методам диагностики электромеханических приводов на основе глубокого обучения, которые позволяют в автоматическом режиме обрабатывать сигналы и реализовать комплексную диагностику неисправностей. Представлена концепция технического обслуживания авиационной техники, в частности электромеханических приводов, на основе оценки технического состояния и прогнозирования оставшегося срока полезного использования с целью предупреждения неисправностей до их появления. Для решения проблемы технического обслуживания летательных аппаратов на основе прогнозирования выделен ряд гибридных подходов. Приведен обзор отечественных разработок в области авиационной диагностики с применением машинного обучения.
Предпросмотр статьи
Идентификаторы и классификаторы
Концепция электрических самолетов, среди прочих улучшений, требует постепенной замены гидравлических приводов электромеханическими приводами летательных аппаратов (ЭПЛА), которые смогут обеспечить значительные преимущества по сравнению с гидравлическими приводами при управлении полетом [1, 2]. Считается, что такая замена приведет к значительному снижению веса, значительной экономии стоимости жизненного цикла, меньшему воздействию на окружающую среду и повышению надежности летательного аппарата (ЛА). Использование ЭПЛА становится все более распространенным, но их широкое применение замедляется из-за ограниченного опыта с точки зрения безопасности и надежности и в настоящее время в основном ограничивается системами, некритичными для безопасности. Важно оценить последствия замены гидравлической подсистемы ее электрической альтернативой с точки зрения использования, реализации, мониторинга, а также надежности и безопасности оборудования.
Список литературы
1. Garcia Garriga, A., Ponnusamy, S. S., Mainini, L. A Multi-fidelity Framework to Support the Design of More-Electric Actuation // AIAA Aviation Forum. Multidisciplinary Analysis and Optimization Conference. - Atlanta, 2018. -. DOI: 10.2514/6.2018-3741
2. Adu-Gyamfi, B.A., Good, C. Electric aviation: a Review of Concepts and Enabling Technologies // Transportation Engineering. - 2022. - Vol. 9, no. 4 - 10.1016/j.treng. 2022.100134. DOI: 10.1016/j.treng.2022.100134
3. Baldo, L., Querques, I., Dalla Vedova, M.D.L., et al. A Model-Based Prognostic Framework for Electromechanical Actuators Based on Metaheuristic Algorithms // Aerospace. - 2023. - Vol. 10, no. 3. -. DOI: 10.3390/aerospace10030293 EDN: NNKTAD
4. Li, J., Yu, Z., Huang, Y., Li, Z. A Review of Electromechanical Actuation System for More Electric Aircraft // Proceedings of the IEEE International Conference on Aircraft Utility Systems (AUS). - Beijing, 2016. - P. 490-497.
5. Annaz, F.Y., Kaluarachchi, M.M. Progress in Redundant Electromechanical Actuators for Aerospace Applications // Aerospace. - 2023. - Vol. 10(9). -. DOI: 10.3390/aerospace10090787 EDN: OZQLXD
6. Fu, S., Avdelidis, N.P. Prognostic and Health Management of Critical Aircraft Systems and Components: An Overview // Sensors. - 2023. - Vol. 23, no. 19. -. DOI: 10.3390/s23198124 EDN: ORSVXQ
7. Bertolino, A.C., De Martin, A., Jacazio, G., Sorli, M. Towards a PHM System for Electromechanical Flight Control Actuators // Proceedings of I-RIM 2020. - Torino, 2020. -. DOI: 10.5281/zenodo.4781001
8. Bertolino, A.C., De Martin, A., Jacazio, G., Sorli, M. Design and Preliminary Performance Assessment of a PHM System for Electromechanical Flight Control Actuators // Aerospace. - 2023. - Vol. 10. - 10.3390/ aerospace10040335. DOI: 10.3390/aerospace10040335 EDN: FJETAH
9. Baldo L., Berri P.C., Matteo D. L., et al. Experimental Validation of Multi-fidelity Models for Prognostics of Electromechanical Actuators // Proceedings of the 7th European Conference of the Prognostics and Health Management Society. - Torino, 2022. - Vol. 7, no.1. - P. 32-42. - DOI: 10.36001.phme.2022.v7i1.3347.
10. Cai, B., Zhao Y., Liu, H., Xie, M. A Data-Driven Fault Diagnosis Methodology in Three-Phase Inverters for PMSM Drive Systems // IEEE Transaction on Power Electronics. - 2017. - Vol. 32, no. 7. - P. 5590-5600.
11. Sudhawiyangkul, T., Isarakorn, D. Design and Realization of an Energy Autonomous Wireless Sensor System for Ball Screw Fault Diagnosis // Sensors and Actuators A Physical. - 2017. - Vol. 258. - P. 49-58.
12. Chirico, A., Kolodziej, J.R. Fault Detection and Isolation for Electro-Mechanical Actuators Using a Data-Driven Bayesian Classification // SAE International Journal of Aerospace. - 2012. - Vol. 5, no. 2. - P. 494-502.
13. Chirico, A.J., Kolodziej, J.R. A Data-driven Methodology for Fault Detection in Electromechanical Actuators // Journal of Dynamic Systems, Measurement and Control, Transactions of the ASME. - 2014. - Vol. 136, no. 4. -. DOI: 10.1115/1.4026835
14. Song, Y., Du, J., Li, S. Multi-Scale Feature Fusion Convolutional Neural Networks for Fault Diagnosis of Electromechanical Actuator // Applied Sciences. - 2023. - Vol. 13, no. 15. - Art. no. 8689. -. DOI: 10.3390/app13158689
15. Wang, J., Zhang, Y., Luo, C., Miao, Q. Deep Learning Domain Adaptation for Electro-Mechanical Actuator Fault Diagnosis Under Variable Driving Waveforms // IEEE Sensors Journal. - 2022. - Vol. 22, no. 11. - P. 10783-10793. EDN: FKAAOS
16. Derrien, J.-C., Securite, S.D. Electromechanical Actuator (EMA) Advanced Technologies for Flight Controls // 28-th International Congress of the Aeronautical Sciences (ICAS 2012). - Brisbane, 2012. - URL: https://icas.org/ICAS_ARCHIVE/ICAS2012/PAPERS/291.PDF.
17. Qiao, G. Liu, G. Shi, Z., et al. A Review of Electromechanical Actuators for More/All Electric Aircraft Systems // Proceedings of Institution of Mechanical Engineers. Part C: Journal of Mechanical Engineering Science. - 2018. - Vol. 232, no. 22. - P. 4128-4151. -. DOI: 10.1177/0954406217749869
18. Yin, Z, Hu, N., Chen, J., et al. A Review of Fault Diagnosis, Prognosis and Health Management for Aircraft Electromechanical Actuators // IET Electronic Power Applications. - 2022. - Vol. 16, no. 11. - P. 1249-1272. -. DOI: 10.1049/elp2.12225
19. Jian, F., Mare, J.-C., Yongling, F. Modelling and Simulation of Flight Control Electromechanical Actuators with Special Focus on Model Architecting, Multidisciplinary Effects and Power Flows // Chinese Journal of Aeronautics. - 2017. - No. 30 (1). - P. 47-65.
20. Cui, Z., Jing, B., Jiao, X., et al. The Integrated-Servo-Actuator Degradation Prognosis Based on the Physical Model Combined With Data-Driven Approach // IEEE Sensors Journal. - 2023. - Vol. 23, no. 9. - P. 9370-9381. -. DOI: 10.1109/JSEN.2023.3248323 EDN: MSNBBN
21. Randall, R.B. The Use of Simulation Models to Generate Data Corresponding to Faults in Machines // 8th International Conference on Reliability, Maintainability and Safety (ICRMS-2009). - Chendgu, 2009. -. DOI: 10.1109/ICRMS.2009.5269971
22. Mazzoleni, M., Di Rito, G., Previdi, F. Electromechanical Actuators for the More Electric Aircraft. - Cham: Springer, 2021. - 239 p. -. DOI: 10.1007/978-3-030-61799-8
23. Hopf, K., Reifenrath, S. Filter Methods for Feature Selection in Supervised Machine Learning Applications - Review and Benchmark // Cornell University. - arXiv: 2111.12140v1[cs.LG]. - 2021. -. DOI: 10.48550/arXiv2111.12140
24. Chirico, A.J., Kolodziej, J.R., Hall, L. A Data Driven Frequency Based Feature Extraction and Classification Method for EMA Fault Detection and Isolation // 5th Annual Dynamic Systems and Control Conference joint with the JSME 2012 11th Motion and Vibration Conference. - Houston, 2012. -. DOI: 10.1115/DSCC2012-MOVIC2012-8749
25. Jing, J., Liu, H., Lu, C. Fault Diagnosis of the Aircraft Electromechanical Actuation System Based on WPD-STFT Time Frequency Entropy and PNN // Vibroengineering Procedia. - Oct. 2017. - Vol. 14. -. DOI: 10.21595/vp.2017.19247
26. Li, J., Meng, G., Xie, G., Jia, Y. Sensor Fault Diagnosis Based on Wavelet Packet and SOM Neural Network // Chinese Journal of Sensors and Actuators. - 2017. - Vol. 30, no. 7. - P. 1035-1039. - DOI: 103969/j.issn.1004-1699.2017.07.011.
27. Ruiz-Cárcel, C., Starr, A. Data-Based Detection and Diagnosis of Faults in Linear Actuators // IEEE Transactions on Instrumentation and Measurement. - 2018. - Vol. 67. - Iss. 9. - P. 2035-2047. -. DOI: 10.1109/TIM.2018.2814067
28. Narasimhan, S., Roychoudhury, I., Balaban, E., Saxena, A. Combining Model-Based and Feature-Driven Diagnosis Approaches-A Case Study on Electromechanical Actuators // Proceeding of the 21-st International Workshop on Principles of Diagnosis Held Jointly with Annual Conference of the PHM Society. - Portland, 2010. - Vol. 2, no. 2. -. DOI: 10.36001/phmconf.2010.v2i2.1936
29. Wang, C., Ding, Y., Ma, J. An Adversarial Model for Electromechanical Actuator Fault Diagnosis under Nonideal Data Conditions // Neural Computing and Applications. - 2022. - Vol. 34, no. 1115. - P. 5883-5904. -. DOI: 10.1007/s00521-021-06732-x
30. Yang, J., Guo, Y., Zhao, W. Long Short-Term Memory Neural Network Based Fault Detection and Isolation for Electromechanical Actuators // Neurocomputing. - 2019. - Vol. 360. - P. 85-96. -. DOI: 10.1016/j.neucom.2019.06.029 EDN: AHKNLY
31. Yang, N., Shen, J., Jia, Y., Zhang, J. Fault Diagnosis of Electromechanical Actuator Based on Deep Learning Network // 39th Chinese Control Conference (CCC). - Shenyang, 2020. - P. 4002-4006. -. DOI: 10.23919/CCC50068.2020.9189666
32. Riaz, N., Shah, S.I.A., Rehman, F., et al. A Novel 2-D Current Signal-based Residual Learning with Optimized Softmax to Identify Faults in Ball Screw Actuators // IEEE Access. - 2020. - Vol. 8. - P. 115 299-115 313. -. DOI: 10.1109/access.2020.3004489 EDN: VCKLLW
33. Siahpour, S., Li, X., Lee, J. Deep Learning-based Cross-sensor Domain Adaptation for Fault Diagnosis of Electromechanical Actuators // International Journal of Dynamics and Control. - 2020. - Vol. 8. - P. 1054-1062. -. DOI: 10.1007/s40435-020-00669-0 EDN: YTZPNW
34. Ding, Y., Ma, L., Ma, J., et al. A Generative Adversarial Network-based Intelligent Fault Diagnosis Method for Rotating Machinery under Small Sample Size Conditions // IEEE Access. - Vol. 7. - P. 149 736-149 749. -. DOI: 10.1109/ACCESS.2019.2947194
35. Wang, Y., Sun, G., Jin, Q. Imbalanced Sample Fault Diagnosis of Rotating Machinery Using Conditional Variational Auto-encoder Generative Adversarial Network // Applied Soft Computing Journal. - 2020. - Vol. 92, no. 7. - Art. no. 106333. -. DOI: 10.1016/j.asoc.2020.106333 EDN: QYEANC
36. Zhang, L., Gao, H., Wen, J., et al. A Deep Learning-Based Recognition Method for Degradation Monitoring of Ball Screw with Multi-sensor Data Fusion // Microelectronics Reliability. - 2017. - Vol. 75. - P. 215-222. -. DOI: 10.1016/j.microrel.2017.03.038
37. Yang, J., Guo, Y., Wanti, Z. An Intelligent Fault Diagnosis Method for an Electromechanical Actuator Based on Sparse Feature and Long Short-Term Network // Measurement Science Technology. - 2021. - Vol. 32, no. 9. -. DOI: 10.1088/1361-6501/abfbab EDN: VSBSFM
38. Zhang, X., Tang, L., Chen, J. Fault Diagnosis for Electro-Mechanical Actuators Based on STL-HSTA-GRU and SM // IEEE Transaction on Instrumentation and Measurement. - 2021. - Vol. 70. -. DOI: 10.1109/tim.2021.3127641
39. Tao, X., Guo, Y., Zhao, W., et al. Fault Detection and Isolation of Electromechanical Actuator Based on SAE-BiLSTM // The 13th Asia Conference on Mechanical and Aerospace Engineering (ACMAE 2022). Journal of Physics: Conference Series. - 2023. - Vol. 2472. - Art. no. 012031. -. DOI: 10.1088/1742-6596/2472/1/012031
40. Zhang, W., Peng, G., Li, C. A New Deep Learning Model for Fault Diagnosis with Good Anti-Noise and Domain Adaptation Ability on Raw Vibration Signals // Sensors. - 2017. - Vol. 17, no. 3. -. DOI: 10.3390/s17020425 EDN: AUHEQI
41. Jiang, G., He, H., Yan, J., Xie, P. Multiscale Convolutional Neural Networks for Fault Diagnosis of Wind Turbine Gearbox // IEEE Transaction on Industrial Electronics. - 2018. - Vol. 66, no 4. - P. 3196-3207. -. DOI: 10.1109/TIE.2018.2844805
42. Kordestani, M., Orchard, M.E., Khorasani, K., Saif, M. An Overview of the State of the Art in Aircraft Prognostic and Health Management Strategies // IEEE Transactions on Instrumentation and Measurement. - 2023. - Vol. 72. - Art. no. 3505215. -. DOI: 10.1109/TIM.2023.3236342
43. Rezaeianjouybari, B., Shang, Y. Deep Learning for Prognostics and Health Management: State of the Art, Challenges, and Opportunities // Measurement. - 2020. - Vol. 163, no. 4. -. DOI: 10.1016/j.measurement.2020.107929 EDN: HOWUKT
44. Lei, Y., Li, N., Guo, L., et al. Machinery Health Prognostics: a Systematic Review from Data Acquisition to RUL Prediction // Mechanical Systems and Signal Processing. - 2018. - Vol. 104. - P. 799-834. - DOI: 10.1016.j.ymssp.2017.11.016. EDN: YEAHPF
45. Berri, P.C., Dalla Vedova, M.D.L., Mainini, L. Computational Framework for Real-time Diagnostics and Prognostics of Aircraft Actuation Systems // Computers in Industry. - 2021. - Vol. 132. -. DOI: 10.1016/compind.2021.103523 EDN: AJFAMU
46. Stanton, I., Munir, K., Ikram, A. Predictive Maintenance Analytics and Implementation for Aircraft: Challenges and Opportunities // System Engineering. - 2022. - Vol. 26, no. 137. -. DOI: 10.1002/sys.21651 EDN: IUFUAY
47. Scott, M.J., Verhagen, W.J.C., Bier, M.T., Marzocca, P. A Systematic Literature Review of Predictive Maintenance for Defence Fixed-Wing Aircraft Sustainment and Operations // Sensors. - 2022. - Vol. 22, no. 18. -. DOI: 10.3390/s22187070 EDN: LSMDCR
48. Ismail, M.A.A., Balaban, E., Windelberg, J. Spall Fault Quantification Method for Flight Control Electromechanical Actuator // Actuators. - 2022. - Vol. 11, no. 29. -. DOI: 10.3390/act11020029 EDN: GSZAWY
49. Belmonte, D., Dalla Vedova, M.D.L., Maggiore, P. Prognostics of Onboard Electromechanical Actuators: a New Approach Based on Spectral Analysis Techniques // International Review of Aerospace Engineering. - 2018. - Vol. 11, no. 3. -. DOI: 10.15866/irease.v11i3.13796
50. Zhang, J., Tian, J., Li, M., et al. A Parallel Hybrid Neural Network with Integration of Spatial and Temporal Features for Remaining Useful Life Prediction in Prognostics // IEEE Transaction on Instrumentation and Measurement. - 2023. - Vol. 72. -. DOI: 10.1109/TIM.2022.3227956
51. Dangut, M. D., Jennions, I.K., King, S., Skaf, Z. A Rare Failure Detection Model for Aircraft Predictive Maintenance Using a Deep Hybrid Learning Approach // Neural Computing and Applications. - 2023. - Vol. 35, no. 4. - P. 2991-3009. -. DOI: 10.1007/s00521-022-07167-8 EDN: ONFJBU
52. Hasib, A.A., Rahman, A., Khabir, M., Shawon, M.T. An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine // Cornell University. - arXiv:2309.13310v1[cs.LG]. - 2023. -. DOI: 10.48550/arXiv.2309.13310
53. Khan, K., Sohaib, M., Rashid, A. Recent Trends and Challenges in Predictive Maintenance of Aircraft’s Engine and Hydraulic System // Journal of the Brazilian Society of Mechanical Sciences and Engineering. - 2021. - Vol. 43, no. 8. -. DOI: 10.1007/s40430-021-03121-2 EDN: IAFTWH
54. Boujamza, A., Lissane Elhaq, S. Attention-Based LSTM for Remaining Useful Life Estimation of Aircraft Engines // IFACPapersOnLine. - 2022. - Vol. 55, no. 12. - P. 450-455. -. DOI: 10.1016/j.ifacol.2022.07.353 EDN: ZVXEXP
55. Wang, C., Zhu, Z., Lu, N. A Data-Driven Degradation Prognostic Strategy for Aero-Engine under Various Operational Conditions // Neurocomputing. - 2021. - Vol. 462, no. 3. - P. 195-207. -. DOI: 10.1016/j.neucom.2021.07.080 EDN: ORYIHI
56. Chao, M.A., Kulkarni, C., Goebel, K., Fink, O. Fusing Physics-based and Deep Learning Models for Prognostics // Reliability Engineering and System Safety. - 2022. - Vol. 217, no. 3. -. DOI: 10.1016/j.ress.2021.107961 EDN: VUDCSQ
57. Aimasso, A., Berri, P.C., Dalla Vedova, M.D. A Genetic-based Prognostic Method for Aerospace Electromechanical Actuators. International Journal of Mechanics and Control. - 2021. - Vol. 22, no. 2. - P. 195-206.
58. Baldo, I., Vedova, M.D.L., Querques, I., Magglore, P. Prognostics of Aerospace Electromechanical Actuators: Comparison between Model-based Meta-heuristic Methods // Journal of Physics: Conference Series. - 2023. - Vol. 2526, no. 1. - Art. no. 012073. -. DOI: 10.1088/1743-6596/1/012073
59. Dalla Vedova, M.D.L., Berri, P.C., Re, S. A Comparison of Bio-inspired Meta-hevristic Algorithms for Aircraft Actuator Prognostics // 29th European Safety and Reliability Conference. - Hannover, - 2019. -. DOI: 10.3850/978-981-11-2724-3_0476-cd
60. Berri, P.C., Dalla Vedova, M.D., Maggiore, P. A Lumped Parameter High Fidelity EMA Model for Model-Based Prognostics // 29th European Safety and Reliability Conference. - Hannover, 2019. - P. 1086-1093. DOI: 10.3850/978-981-11-2724-3_0480-cd
61. Berri, P.C., Dalla Vedova, M.D.L., Maggiore, P., Viglione, F. A Simplified Monitoring Model for PMSM Servoactuator Prognostics // Proceedings of the MATEC Web of Conferences. - Osaka, 2018. -. DOI: 10.1051/matecconf/201930404013
62. Randall, R.B. The Use of Simulation Models to Generate Data Corresponding to Faults in Machines // 8th International Conference on Reliability, Maintainability and Safety (ICRMS-2009). - Chengdu, 2009. -. DOI: 10.1109/ICRMS.2009.5269971
63. Ahmad, M.F., Isa, N.A.M., Lim, W.H., Ang, K.M. Differential Evolution: A Recent Review Based on State-of-the-Art Works // Alexandria Engineering Journal. - 2022. - Vol. 61, no. 5. - P. 3831-3872. -. DOI: 10.1016/j.aej.2021.09.013 EDN: VVYFAE
64. Kennedy, J., Eberhart, R. Particle Swarm Optimization // Proceedings of the IEEE International Conference on Neural Networks. - Perth, 1995. - P. 1942-1948. -. DOI: 10.1109/ICNN.1995.488968
65. Darwish, A. Bio-inspired Computing: Algorithms Review, Deep Analysis, and the Scope of Applications // Future Computing and Informatics Journal. - 2018. - Vol. 3, no. 2. - P. 231-246. -. DOI: 10.1016/j.fcij.2018.06.001
66. Mirjalili, S., Mirjalili, S.M., Lewis, A. Grey Wolf Optimizer // Advances in Engineering. - 2014. - Vol. 69. - P. 46-61. -. DOI: 10.1016/j.advengsoft.2013.12.007
67. Kumar, V., Kumar, D. An Astrophysics-inspired Grey Wolf Algorithm for Numerical Optimization and its Application to Engineering Design Problems // Advances in Engineering Software. - 2017. - Vol. 112. - P. 231-254. -. DOI: 10.1016/advengsoft.2017.05.008
68. Егоров И.В., Соколов М.П. Сравнение эффективности нейросетевых алгоритмов с методами факторного анализа при диагностировании технического состояния ГТД // Научный вестник МГТУ ГА. Серия “Эксплуатация воздушного транспорта и ремонт авиационной техники”. - 2007. - № 123. - С. 89-95. EDN: KVCXSF
69. Соколов М.П., Земсков А.А., Куц М.С. Тренды технического диагностирования силовых установок и трансмиссий воздушных судов // Транспортное, горное и строительное машиностроение: наука и производство. - 2022. - № 15. - С. 37-46. EDN: AAPTYE
70. Mikhailov, A., Karavay, M., Farhadov, M. Inverse Sets in Big Data Processing // Proceedings of the 11th IEEE International Conference on Application of Information and Communication Technologies (AICT2017). - Мoscow, 2017. - Vol. 1. - Р. 40-43.
71. Сальников С.В., Солодкий Е.М., Вишняков Д.Д. и др. Диагностика асинхронного двигателя на основе машинного обучения // Международная конференция по мягким вычислениям и измерениям. - Санкт-Петербург, 2023. - Т. 1. - С. 295-300. EDN: BXTXDQ
72. Козлов Д.С., Тюменцев Ю.В. Нейросетевые методы обнаружения отказов датчиков и приводов летательного аппарата // Труды МАИ. - 2012. - Вып. 52. - C. 2. EDN: OXAZON
73. Erofeev, E., Khaletskiy, L., Skryabin, A., Steblinkin, A. Methodologies and test-rig configurations for the experimental improvement of flight control actuation systems // Recent Advances in Aerospace Actuation Systems and Component. Conference proceedings. - Toulouse, 2018. - P. 109-116.
74. Вересников Г.С., Скрябин А.В., Гуцевич Д.Е. Разработка математической модели для исследования алгоритмов оценки и прогноза технического состояния сервопривода БЛА // Известия ЮФУ. Технические науки. - 2019. - № 7. - С. 170-181. EDN: RVBVUY
75. Veresnikov, G.S., Skryabin, A.V., Bazhenov, S.G. The Development of Algorithms for EMA Fault Early Detection System // Proceedings of the 32th Congress of the International Council of the Aeronautical Sciences. - Shanghai, 2020. - URL: https://www.icas.org/ICAS_ARCHIVE/ICAS2020/data/preview/ICAS2020_0239.htm.
76. Veresnikov, G.S., Lebedev, V.G., Ogorodnikov, O.V., Golev, A.V. Fault Detection Technique for Electromechanical Actuator of the Aircraft Using Neural Networks // Lecture Notes in Mechanical Engineering. - Cham: Springer, 2021. - P. 519-528.
77. Вересников Г.С., Скрябин А.В. Алгоритмы поиска информативных признаков для прогнозирования технического состояния электромеханического привода // Тр. 14-й международной конференции “Управление развитием крупномасштабных систем” (MLSD-2021). - Москва, 2021. - С. 1389-1397. EDN: PEYWSV
78. Вересников Г.С., Скрябин А.В. Диагностика неисправностей смешанного типа в редукторе электромеханического привода летательного аппарата с использованием нейронных сетей // Тр. 15-й Международной конференции “Управление развитием крупномасштабных систем” (MLSD-2022). - Москва, 2022. - С. 1116-1122. EDN: OCLZSZ
Выпуск
Другие статьи выпуска
Представлен алгоритм локального планирования пути в системе координат дорожного полотна. Он основан на варьировании точек исходной траектории с применением метода потенциального поля и обеспечения гладкости получаемого пути относительно новой системы координат. Реализация алгоритма основывается на решении задачи минимизации целевого функционала. Рассматривается решение задачи применительно к планированию пути беспилотной транспортной платформы, для чего требуется изменять участки заранее подготовленной гладкой траектории движения транспортного средства в режиме реального времени с учетом возникающих препятствий и с сохранением гладкости. Использование новой системы координат дает преимущество во времени выполнения алгоритма по сравнению с его работой в декартовой системе координат. Алгоритм реализован на языке Python. Выделение горизонта планирования позволяет сочетать предложенный подход с различными алгоритмами следования по пути, которые сами по себе не реализуют методы обхода препятствий. Численное моделирование выполнено для характерных примеров, по которым можно оценить эффективность предложенного алгоритма.
Представлено описание подходов, лежащих в основе разрабатываемой в ИПУ РАН Информационной системы анализа научной деятельности (ИСАНД) в области теории управления. Описана онтология ИСАНД, ориентированная на представление и сбор знаний в области теории управления: как научного знания (онтология теории управления), так и знаний, связанных с научной деятельностью агентов в данной области (организаций, журналов, конференций и отдельных исследователей). Дана схема построенной на основе онтологии архитектуры ИСАНД как сложного программного комплекса, обеспечивающего сбор, хранение и анализ публикаций и их метаинформации, которые поступают из внешних источников. Описан алгоритм построения тематических профилей научных объектов (публикаций, ученых, организаций, журналов, конференций), описаны осуществляемые при помощи ИСАНД процессы обработки текстов и возможности сетевого анализа. Описаны основные возможности использования ИСАНД.
Рассмотрена модель синтеза управления системой воспроизводства, учитывающая синхронное изменение технологической матрицы в процессе ее реструктуризации. Такой тип моделей можно характеризовать как модели с комбинированными (прямыми и косвенными) управляющими связями. В случае наличия резерва производственных ресурсов процессы изменения управляющих параметров и преобразования технологических связей должны происходить одновременно. Получены инварианты соотношений между объемами затрат и выпусков многоотраслевой экономики. Это позволило модифицировать формализованное представление модели структурного управления системой воспроизводства. В результате линейную модель воспроизводства потребовалось заменить нелинейной. Приведены результаты численных расчетов для предложенной модели, полученные с использованием реальных данных многоотраслевой экономики. На основе этих результатов проведен сравнительный анализ полученной модели и исходной модели реструктуризации системы воспроизводства.
Рассмотрены основные аспекты концепций человеческого капитала, инновационных проектов и имитационного моделирования, на основе чего предложена имитационная модель, описывающая роль человеческого капитала в инновационных проектах. Разработанная модель высокого уровня абстракции создана для исследования роли социального компонента в организационной структуре инновационного проекта в общем контексте (на уровне отрасли, предприятия, части предприятия) и рассматривается прежде всего как инструмент для отслеживания динамики проектов с учетом состояния человеческого капитала системы. Модель состоит из двух основных частей: базовой имитационной модели, выполненной на языке системной динамики, и агентного компонента модели, описывающего динамику человеческого капитала. Модель представляет собой концептуальный инструмент, требующий калибровки и доработки для применения к конкретной организации.
Издательство
- Издательство
- ИПУ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117997, ГСП-7, г. Москва, Профсоюзная, 65
- Юр. адрес
- 117997, г. Москва, Профсоюзная, 65
- ФИО
- Новиков Дмитрий Александрович (дирек)
- E-mail адрес
- dan@ipu.ru
- Контактный телефон
- +7 (495) 3348910
- Сайт
- https://www.ipu.ru/