УДК 681.518.5
Динамическое формирование оптимального набора параметров для оперативного контроля состояния космического аппарата
Читать статью полностью
Динамическое формирование оптимального набора параметров для оперативного контроля состояния космического аппарата(1,31 MB)Ссылка для цитирования:
Динамическое формирование оптимального набора параметров для оперативного контроля состояния космического аппарата / В.Г. Зиновьев, М.Н. Волков, А.А. Петров, О.А. Плахин // Информация и Космос. – 2025. – № 4. – С. 114–122.
Аннотация
Предложен новый подход к сокращению объема анализируемой телеметрической информации (ТМИ) на основе машинного обучения, позволяющий выделять минимально достаточный набор наиболее информативных параметров о состоянии бортовых систем космического аппарата. На первом этапе с помощью модели Isolation Forest оценивается информативность каждого параметра. На втором этапе анализируется избыточность данных. Алгоритм позволяет динамически формировать оптимальный набор параметров для обработки ТМИ в реальном масштабе времени.
Ключевые слова:
машинное обучение без учителя – unsupervised learning; выбор параметров – parameter selection; телеметрическая информация – telemetry data; телеметрируемый параметр – telemetry parameter; информативность – informativeness.
Список литературы
1. Ананенков, В. А. Применение xgboost для решения задач классификации / В.А. Ананенков // Инновации. Наука. Образование. – 2020. – № 24. – С. 1663–1669.
2. Джоши, П. Искусственный интеллект с примерами на Python / П. Джоши ; пер. с англ. – Санкт-Петербург : Диалектика, 2019. – 448 с.
3. Брантон, С. Л. Анализ данных в науке и технике / С.Л. Брантон, Дж.Н. Кун. – Москва : ДМК Пресс, 2021. – 542 с.
4. Брюс, П. Практическая статистика для специалистов Data Science / П. Брюс, Э. Брюс. – Санкт-Петербург : БХВ-Петербург, 2021. – 352 с.
5. Бурков, А. Инженерия машинного обучения / А. Бурков ; пер. с англ. А.А. Слинкина. – Москва : ДМК Пресс, 2022. – 306 с.
6. Голованов, С. В. Перспективы применения методов машинного обучения для анализа состояния многоспутниковых группировок по телеметрической информации / С.В. Голованов, А.А. Янченко // Ракетно-космическое приборостроение и информационные системы. – 2024. – Т. 11, № 2. – С. 31–40.
7. Мануйлов, Ю. С. Структуры оптимального выбора в задачах ситуационного управления космическими средствами / Ю.С. Мануйлов, В.Г. Зиновьев, К.Л. Григорьев // Информация и Космос. – 2015. – № 1. – С. 88–92.
8. Игнатова, О. Оценка характеристик систем отображения. Методы центра управления полетами / О. Игнатова // Электроника: Наука, технология, бизнес. – 2012. – № 6 (120). – С. 102–107.
9. Искусственный интеллект в космической технике. Состояние. Перспективы применения: монография / под ред. А.Н. Балухто. – Москва : Радиотехника, 2021. – 440 с.
10. Калябин, Е. В. Адаптивный метод предупреждения ложных срабатываний приемника в радиоэлектронных системах с логарифмическим усилением / Е.В. Калябин, В.П. Солдатов // Вопросы электромеханики. Труды ВНИИЭМ. – 2024. – Т. 202, № 5. – С. 17–27.
11. Ковалев, А. В. Интеллектуальная система технического обслуживания промышленного оборудования на основе прогнозной модели / А.В. Ковалев, В.С. Сальников // Известия Тульского государственного университета. Технические науки. – 2017. – № 8-2. – С. 265–270.
12. Контрольные карты Шухарта – простой, но не легкий для применения инструмент анализа данных / В.Л. Шпер, С.А. Шереметьева, В.Ю. Смелов, Е.И. Хунузиди // Известия высших учебных заведений. Черная металлургия. – 2024. – Т. 67, № 1. – С. 121–131.
13. Краснов, Ф. В. Оптимизационный подход к выбору методов обнаружения аномалий в однородных текстовых коллекциях / Ф.В. Краснов, И.С. Смазневич, Е.Н. Баскакова // Информатика и автоматизация. – 2021. – Т. 20, № 4. – С. 869–904.
14. Маккини, У. Python и анализ данных / У. Маккини ; пер. с англ. А.А. Слинкина. – Москва : ДМК Пресс, 2020. – 540 с.
15. Метаэвристические методы отбора информативных классифицирующих признаков / А.Е. Анфилофьев, И.А. Ходашинский, М.Б. Бардамова, К.С. Сарин // Информационные и математические технологии в науке и управлении. – 2017. – № 2 (6). – С. 11–20.
16. Мэрфи, К. П. Вероятностное машинное обучение. Введение / К.П. Мэрфи ; пер. с англ. А.А. Слинкина. – Москва : ДМК Пресс, 2022. – 940 с.
17. Обрубов, М. О. Применение lstm-сети в решении задачи прогнозирования многомерных временных рядов / М.О. Обрубов, С.Ю. Кириллова // Национальная ассоциация ученых. – 2021. – № 68-2. – С. 43–48.
18. Особенности внедрения интеллектуальных энергосетей Smart grid / Д.С. Гришин, Д.В. Пащенко, М.П. Синев [и др.] // Модели, системы, сети в экономике, технике, природе и обществе. – 2017. – № 1 (21). – С. 109–116.
19. Охтилев, М. Ю. Системы искусственного интеллекта и их применение в автоматизированных системах мониторинга состояния сложных организационно-технических объектов / М.Ю. Охтилев. – Санкт-Петербург : ГУАП, 2018. – 261 с.
20. Павлов, А. Н. Логико-статическое планирование операций и режимов функционирования бортовых систем космических средств / А.Н. Павлов, Д.А. Павлов, В.Г. Зиновьев, А.Ю. Иваню // Информация и Космос. – 2024. – № 4. – С. 182–186.
21. Поиск когнитивных специализаций нейронов с использованием взаимной информации / Н.А. Поспелов, В.П. Сотсков, В.В. Плюснин [и др.] // Гены и Клетки. – 2023. – Т. 18, № 4. – С. 878–881.
22. Разработка систем космических аппаратов / под ред. П. Фортескью, Г. Суайнерда, Д. Старка. – Москва : Альпина Паблишер, 2019. – 764 с.
23. Али, М. Основы Data Science и Big Data. Python и наука о данных / М. Али, Д. Силен, А. Мейсман. – Санкт- Петербург : Питер, 2017. – 336 с.
24. Халафян, А. А. Теория вероятностей, математическая статистика и анализ данных: Основы теории и практика на компьютере. STATISTICA. EXCEL / А.А. Халафян, В.П. Боровиков, Г.В. Калайдина. – Москва : Ленанд, 2017. – 320 с.
25. Хименко, В. И. Случайные данные: модели, структура и анализ / В.И. Хименко. – 2 изд., перераб. и испр. – Москва : Техносфера, 2024. – 576 с.
26. Чеповский, А. А. Неявные сообщества в сетях и информационное воздействие / А.А. Чеповский, А.М. Чеповский // Успехи кибернетики. – 2025. – Т. 6, № 1. – С. 55–61.
27. Чернухин, А. В. Прогнозирование остаточного срока службы промышленного оборудования с использованием методов искусственного интеллекта / А.В. Чернухин, Т.В. Савицкая // Научный диалог: теория и практика. Сб. научных статей по итогам работы Международного научного форума (Москва, 10 апреля 2025 г.). – Москва : ООО «Инфинити», 2025. – С. 154–160.
28. Шардаков, К. С. Сравнительный анализ популярных систем мониторинга сетевого оборудования, распространяемых по лицензии GPL / К.С. Шардаков // Интеллектуальные технологии на транспорте. – 2018. – № 1 (13). – С. 44–48.
29. Шелухин, О. И. Исследование алгоритма Isolation Forest при бинарной классификации сетевых аномалий / О.И. Шелухин, М.В. Полковников // Безопасные информационные технологии. Сб. трудов X межд. научно-технической конференции (Москва, 3-4 декабря 2019 г.). – Москва : Московский государственный технический университет им. Н.Э. Баумана (национальный исследовательский университет), 2019. – С. 387–393.
30. Шмелев, В. В. Обоснование методики мониторинга технического состояния ракет-носителей с компенсацией искажений процесса телеизмерений / В.В. Шмелев, В.Г. Зиновьев, Д.О. Зайцев // Информация и Космос. – 2019. – № 4. – С. 145–151.
31. Элбон, К. Машинное обучение с использованием Python. Сборник рецептов / К. Элбон. – Санкт-Петербург : БХВ-Петербург, 2019. – 384 с.
32. Forecasting International Stock Market Trends: XGBoost, LSTM, LSTM-XGBoost, and Backtesting XGBoost Models / H. Oukhouya, H. Kadiri, Kh. El Himdi, R. Guerbaz // Statistics,
Optimization and Information Computing. – 2023. – Vol. 12, No. 1. – P. 200–209.