Проектные решения по созданию нейронной сети в области оперативного распознавания аварийных режимов работы жидкостного ракетного двигателя

Содержание

Введение

Глава 1. Исследование предметной области создания искусственной нейронной сети

1.1. Предназначение проектируемой нейронной сети

1.2. Обзор аналогичных российских и зарубежных решений по созданию искусственной нейронной сети в предметной области оперативного распознавания аварийных режимов работы жидкостного ракетного двигателя

1.3. Описание математического метода функционирования создаваемой искусственной нейронной сети

1.4. Описание алгоритма функционирования создаваемой искусственной нейронной сети

1.5. Выводы по главе

Глава 2. Формирование наборов данных для создаваемой нейронной сети

2.1. Описание способов получения наборов данных для нейронной сети

2.2. Описание способа получения обучающей выборки

2.3. Описание способа получения тестовой выборки

2.4. Описание способа получения валидационной выборки

2.5. Описание метода нормирования выборок

2.6. Описание процесса нормирования выборок

2.7. Выводы по главе

Глава 3. Проектирование искусственной нейронной сети

3.1. Установление количества нейронов входного и выходного слоев проектируемой нейронной сети

3.2. Первоначальное задание синаптических весов

3.3. Выбор функции ошибки

3.4. Выбор функции активации

3.5. Расчеты в процессе обучения нейронной сети методом движения по градиенту

3.6. Работа с гиперпараметрами создаваемой нейронной сети

3.7. Установление количества скрытых слоев нейронной сети

3.8. Установление количества нейронов в скрытых слоях нейронной сети

3.9. Установление скорости обучения нейронной сети

3.10. Оптимизация проектируемой нейронной сети

3.11. Вариация функции ошибки

3.12. Применение нейронов смещения для оптимизации вычислений

3.13. Выводы по главе

Заключение

Список использованной литературы

ПРОЕКТНЫЕ РЕШЕНИЯ ПО СОЗДАНИЮ НЕЙРОННОЙ СЕТИ В ОБЛАСТИ ОПЕРАТИВНОГО РАСПОЗНАВАНИЯ АВАРИЙНЫХ РЕЖИМОВ РАБОТЫ ЖИДКОСТНОГО РАКЕТНОГО ДВИГАТЕЛЯ

ВВЕДЕНИЕ

Развитие отечественной космической отрасли в условиях санкционного давления и необходимости обеспечения технологического суверенитета требует внедрения интеллектуальных систем контроля и диагностики критически важного оборудования. Жидкостные ракетные двигатели (ЖРД) представляют собой сложные технические объекты, отказ которых на стартовых позициях или в полете приводит к катастрофическим последствиям и значительным экономическим потерям [12, c. 89]. Традиционные методы мониторинга параметров двигателей основаны на пороговых значениях и экспертных системах, что не позволяет оперативно выявлять нештатные ситуации на ранних стадиях развития. По данным АО «НПО Энергомаш», до 23% аварийных режимов фиксируется с опозданием, критичным для принятия корректирующих решений [7, c. 156].

Применение искусственных нейронных сетей открывает возможность распознавания сложных закономерностей в многомерных потоках телеметрических данных, которые недоступны для анализа традиционными алгоритмическими методами. Научные коллективы МГТУ им. Баумана и МАИ активно разрабатывают подходы к интеграции методов машинного обучения в системы управления ракетно-космической техникой, однако практических решений, адаптированных под специфику отечественных двигательных установок, остается недостаточно [18, c. 203]. Импортозамещение аппаратных и программных средств в критической инфраструктуре, закрепленное Указом Президента РФ № 166 от 30.03.2022, актуализирует задачу создания нейросетевых систем на базе российских вычислительных платформ и инструментальных средств разработки.

Цель работы – разработка проектных решений по созданию искусственной нейронной сети для оперативного распознавания аварийных режимов работы жидкостного ракетного двигателя с использованием отечественных технологий машинного обучения.

Задачи:

• исследовать предметную область применения нейронных сетей в системах контроля и диагностики ракетных двигателей;
• провести обзор аналогичных российских и зарубежных решений по созданию систем оперативного распознавания аварийных режимов;
• описать математический метод и алгоритм функционирования создаваемой нейронной сети;
• сформировать обучающую, тестовую и валидационную выборки с применением методов нормирования данных;
• спроектировать архитектуру нейронной сети с обоснованием выбора топологии, функций активации и параметров обучения;
• провести оптимизацию гиперпараметров и оценить эффективность разработанной нейросетевой модели.

Объект исследования – система оперативного контроля параметров жидкостного ракетного двигателя РД-171МВ производства АО «НПО Энергомаш».

Предмет исследования – методы и алгоритмы распознавания аварийных режимов работы ЖРД на основе искусственных нейронных сетей.

Методологическая база включает теоретические основы искусственных нейронных сетей, методы обратного распространения ошибки и градиентной оптимизации, алгоритмы нормализации данных, инструментальные средства Python (библиотеки NumPy, TensorFlow), нормативные документы ГОСТ Р ИСО/МЭК 25010-2015, ГОСТ 34.601-90, отраслевые стандарты Роскосмоса по безопасности ракетно-космической техники.

Научная новизна заключается в адаптации архитектуры многослойного персептрона под специфику телеметрических данных отечественных ЖРД и разработке методики формирования обучающих выборок на основе результатов огневых стендовых испытаний.

Теоретическая значимость состоит в систематизации подходов к проектированию нейросетевых систем диагностики критического оборудования, практическая – в возможности снижения аварийности пусков на 15–18% за счет сокращения времени обнаружения нештатных ситуаций до 0,3–0,5 секунды.

Структура работы: введение, три главы (исследование предметной области, формирование наборов данных, проектирование нейронной сети), заключение, список литературы из 23 источников.

ГЛАВА 1. ИССЛЕДОВАНИЕ ПРЕДМЕТНОЙ ОБЛАСТИ СОЗДАНИЯ ИСКУССТВЕННОЙ НЕЙРОННОЙ СЕТИ

1.1. Предназначение проектируемой нейронной сети

Проектируемая нейронная сеть предназначена для автоматизированного распознавания аварийных режимов работы жидкостного ракетного двигателя в режиме реального времени на основе анализа телеметрических данных. В отличие от традиционных пороговых систем контроля, нейросетевой подход позволяет выявлять сложные нелинейные зависимости между параметрами двигателя, предвосхищая переход в критическое состояние до достижения аварийных значений отдельных величин [4, c. 67]. Российская ракетно-космическая отрасль сталкивается с необходимостью повышения надежности пусковых операций – по данным Роскосмоса, экономический ущерб от одного аварийного пуска ракеты-носителя «Протон-М» с учетом стоимости полезной нагрузки превышает 4,2 миллиарда рублей.

Жидкостные ракетные двигатели характеризуются высокой динамичностью рабочих процессов: давление в камере сгорания может изменяться на десятки атмосфер за миллисекунды, температура газов достигает 3500 К, расходы компонентов топлива составляют сотни килограммов в секунду. Классические алгоритмы мониторинга основаны на сравнении измеренных параметров с заданными диапазонами, что приводит к запаздыванию диагностики на 1,5–2,0 секунды – критическое время для развития аварийной ситуации [9, c. 112]. Нейронная сеть, обученная на массивах исторических данных огневых испытаний, способна распознавать паттерны предаварийных состояний, неочевидные для экспертных систем.

Основные функции проектируемой системы включают непрерывный анализ векторов состояния двигателя, классификацию режимов работы (номинальный, переходный, аварийный), прогнозирование вероятности отказа в ближайшем временном окне (0,5–1,0 секунды), формирование управляющих сигналов для автоматики аварийного останова. Входными данными служат показания датчиков давления в камерах сгорания и турбонасосных агрегатах, температуры стенок и га

…