РЕАЛИЗАЦИЯ ПРИНЦИПОВ СИСТЕМНОГО АНАЛИЗА В ПРОЦЕССЕ ПРОГНОЗИРОВАНИЯ СОСТОЯНИЯ БОРТОВЫХ СИСТЕМ ВОЗДУШНОГО СУДНА

Цыбова Елена Анатольевна

соискатель СПб ГУГА, г. Санкт-Петербург

E-mail:

Кирилкин Виктор Сергеевич

канд. техн. наук, доцент СПб ГУГА, г. Санкт-Петербург

Е-mail:

В работах ведущих специалистов вопросы прогнозирования технического состояния системы решаются по интегральным текущим значениям контролируемых параметров блоков этой системы [1, 2]. При таком подходе исключается оценка влияния динамики каждого параметра на состояние блока и тем самым снижается объективность прогнозирования состояния системы.

Для анализа причин и предупреждения инцидентов, для технической диагностики бортовых систем (БС) и прогнозирования их технического состояния, а также для оценки действий пилота при выполнении летного задания и его обучения используются бортовые устройства регистрации (БУР). Эти средства позволяют накопить и сохранить необходимую информацию об условиях полета, параметрах движения и состоянии воздушного судна (ВС), техническом состоянии его силовых установок и оборудования, действиях экипажа по управлению ВС. Бортовые устройства регистрируют необходимые параметры, но не позволяют осуществить анализ их на борту ВС. Для установления причин инцидентов необходимо иметь информацию:

·     о действии экипажа в полете;

·     о поведении ВС на траектории;

·     о работоспособности БС ВС.

Установлено, что процессы изменения технического состояния бортовых систем ВС в период эксплуатации характеризуются значительной неопределенностью и неполнотой информации, необходимой для их моделирования, прогнозирования и управления. При этом выявлены три аспекта неопределенности: неточность (параметры оцениваются в виде интервала); случайность (известна частота появления); нечеткость (задается набор вариантов, возможностей). Заметный вклад в области безопасности полетов могут внести БС нового поколения, которые не только проводят мониторинг технического состояния ВС, но и могут точно предсказать момент, когда проблемный агрегат потребует замены. Подобные системы способны также диагностировать эпизодические отказы. Как считает Аксель Крайн, старший вице-президент Airbus по исследованиям и технологиям, в ближайшее десятилетие произойдет переход от систем мониторинга исправности к системам управления техническим состоянием (HMS, health management system), которые предсказывают отказы и ухудшение характеристик агрегатов. Как сообщает компания Boeing, в самолете Boeing 787 реализован непрерывный мониторинг 65 тыс. параметров, а вообще БС HMS способна работать с 120 тыс. параметров. Система проводит сравнение текущего состояния ВС с заложенной в неё идеальной моделью функционирования ВС и ищет критические отклонения. Автоматизация процесса позволяет избавить пилотов от избыточной информации, к тому же каждый эксплуатант имеет возможность подстроить систему под свои нужды, повышая приоритет тех параметров, которые он считает наиболее важными. Критические предупреждения в полете выводятся на дисплей пилотам и направляются инженерным службам, так что они могут подготовить необходимые действия в пункте прибытия ВС.

В статье предлагается, опираясь на требования основных принципов системного анализа, в качестве первого шага перехода к системам управления техническим состоянием повысить объективность прогноза состояния системы и эффективность управления.

На практике уже привыкли любой анализ согласно первому принципу системного анализа начинать с декомпозиции системы. Поэтому в качестве исходных данных используем принципиальную схему системы с указанием полного набора контролируемых параметров на выходе каждого блока.

Второй принцип требует генерирования множества моделей функционирования системы. В отличие от известных методов прогнозирования в качестве элементарных моделей будем использовать построенные по результатам контроля в процессе полёта тренды всех параметров каждого блока системы.

Однако, согласно третьему принципу системного анализа, полученные модели для анализа должны быть разрешимы. В нашем случае под разрешимостью будем понимать стабильность значений того или иного параметра. Такие параметры на данный момент анализа состояния системы устраняются из рассмотрения и формирования дальнейших моделей. По оставшимся трендам каждого блока осуществляют прогнозирование его состояния на заданную глубину прогноза и для анализа состояния системы оставляют критические блоки, т. е. блоки, прогнозируемые значения параметров которых по сформированным для них трендам превышают допустимые значения.

Четвёртый принцип (принцип несовместимости) гласит: чем глубже анализируется реальная система, тем менее определены наши суждения о её поведении. Для прогнозирования состояния системы формируют её параметрическую модель, где в качестве параметров используют оставшиеся тренды критических блоков. Тем самым обеспечивается на данный момент контроля приоритет влияния на состояние системы её критических блоков.

Если по трендам параметров при анализе блоков оцениваем их состояние на заданной глубине прогноза, то при оценке состояния системы по параметрической зависимости выделяем группу параметров, в общем случае различных блоков, переводящих систему в неработоспособное состояние.

Для построения трендов и параметрической зависимости рекомендуется применить метод группового учёта аргументов (МГУА), предложенный в своё время институтом кибернетики Украины [3]. Основным его достоинством, в отличие распространённых регрессионных методов [4], является минимально возможный набор исходных данных для построения моделей любой степени сложности. Суть метода состоит в следующем.

Даны результаты наблюдений: . Необходимо построить наилучшую в определенном смысле модель . При построении трендов в качестве функции выступает параметр, а аргумента – время контроля.

1.  Выбирается общий вид перебираемых моделей, так называемые опорные функции. Часто используется полином Колмогорова-Габора:

Выбор полиномов обусловлен тем свойством, что согласно теореме Вейерштрасса, любую непрерывную на конечном интервале функцию можно со сколь угодно высокой точностью представить в виде полинома определенной степени. Сложность модели в таком случае определяется количеством коэффициентов

2.  Используя опорные функции, строятся различные варианты моделей для некоторых или всех аргументов. Например, строятся полиномы с одной переменной, полиномы со всевозможными парами переменных, полиномы со всевозможными тройками переменных и т. д, полином со всеми переменными. Для каждой модели определяются её коэффициенты  методом регрессионного анализа.

3.  Среди всех моделей выбираются несколько (от 2 до 10) наилучших. Качество моделей определяется коэффициентом детерминации, или среднеквадратическим отклонением ошибки, или корреляцией Y и исходных данных.

4.  Если найдена достаточно "хорошая" модель или достигнута максимально допустимая сложность моделей, то алгоритм заканчивается.

5.  Иначе, найденные на 3-ем шаге модели используются как аргументы  для опорных функций следующего этапа итерации (переход на 2-ой пункт). То есть уже найденные модели участвуют в формировании более сложных.

Обычно степень полинома опорной функции выбирается не выше , где N − количество точек выборки. Часто бывает достаточно использовать в качестве опорных функции полиномы второй степени. В таком случае на каждом шаге итерации степень результирующего полинома удваивается.

На практике для повышения точности моделей исходную выборку разбивают на две подвыборки A и B. Подвыборка A используется для определения коэффициентов модели, а подвыборка B — для определения качества (коэффициента детерминации или среднеквадратического отклонения). При этом соотношение количества данных в обеих выборках может быть как 50 %/50 %, так и 60 %/40 %.

Для наглядности сущность алгоритма приведена на рис. 1.

Рисунок 1. Блок-схема алгоритма прогнозирования технического состояния воздушного судна

Список литературы:

1.            Гаскаров Д. В., Голинкевич Т. А., Мозгалевский А. В. Прогнозирование технического состояния и надежности радиоэлектронной аппаратуры. М.: Советское радио, 1974. – 223 с.

2.            Дедков В. К., Северцев Н. А. Основные вопросы эксплуатации сложных систем. М.: Высш. шк., 1976. – 406 с.

3.            Ивахненко А. Г. Долгосрочное прогнозирование и управление сложными системами. К.: Технiка, 1975. – 212 с.

4.            Стрижов В. В., Крымова Е. А. Методы выбора регрессионных моделей. М.: ВЦ РАН, 2010. – 60 с.