4 / 13
С.В. Соловьев
4
Инженерный журнал: наука и инновации
# 2
2016
В основном наиболее проработанными являются следующие
методы, применение которых может дать нужный эффект при прове-
дении контроля полета с помощью интеллектуальных методов анализа.
Ассоциация (или отношение) как наиболее известный и простой
метод интеллектуального анализа данных
. Для выявления моделей
контролируемого состояния производится сопоставление двух или
более элементов, часто одного и того же типа (например, при отслежи-
вании изменения тока потребления в зависимости от режима работы
прибора или характера его функционирования). В результате проце-
дуры достаточно простой алгоритм выдает конфигурации информа-
ционных потоков для создания ассоциаций, исследуя источник входной
информации и формируя базис принятия решений и выходную
информацию.
Классификация, или (в зарубежной терминологии) кластериза-
ция,
может быть использована для получения представления о типе
отклонений в функционировании КА, она описывает несколько
атрибутов для идентификации определенного класса отклонений.
Например, приборы легко классифицировать по типу (вычислительный,
коммути-рующий, оптико-электронный, аналоговый цифровой и т. п.),
определив его различные атрибуты (количество команд, параметры,
потребление, частоты). Контролируя поведение нового прибора или его
работу в определенных режимах, отслеживая новый или измененный
режим работы КА, можно автоматизировать процесс сопоставления с
уже отработанными приборами, режимами или полетными операциями.
Те же принципы легко применять и к аппаратным средствам НКУ.
Учитывая практику создания подобных средств на базе типовых
решений и их использование для управления разнородными и
разнотипными КА, эффект может получиться весьма значительным.
Прогнозирование
— направление, простирающееся от предсказания
упадка и отказов компонентов оборудования до выявления возможных
изменений в программе полета. В сочетании с другими методами
интеллектуального анализа данных прогнозирование требует исследо-
вания тенденций, классификации, сопоставления с моделью и исполь-
зования ассоциаций. При этом оно во многом опирается на анализ
прошлых событий или данных по предшествующим экземплярам КА.
Последовательные модели,
часто используемые для анализа
долгосрочных данных, — полезный метод выявления тенденций или
регулярных повторений подобных событий. Например, по данным о
колебаниях значений параметров определяется тренд изменения и,
используя планируемую программу полета, со значительной точностью
можно определить диапазон изменения или деградацию конкретного
параметра. По такой информации при прогнозировании изменения
контролируемого параметра, основываясь на частоте и истории
колебаний его значения, может быть автоматически оценена длитель-
ность нахождения этих значений в допустимых пределах.