Интеллектуализация управления испытаниями жидкостных ракетных двигателей на основе интеграции базовых и оптимизационных процедур

• Автор: Шостак, Александр Александрович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2013
• Место защиты: Воронеж
• Количество страниц: 140 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
ГЛАВА 1 ПУТИ ИНТЕЛЛЕКТУАЛИЗАЦИИ ПРОЦЕССА УПРАВЛЕНИЯ
ИСПЫТАНИЯМИ ЖРД
1Л Испытания ЖРД и анализ современных подходов к управлению ими..
1.2 Обеспечение первого этапа интеллектуализации на основе использования
математических методов обработки и анализа информации о состоянии двигателя в процессе испытаний
1.3 Цель и задачи исследования
ЕЛАВА 2 ОПТИМИЗАЦИЯ ОЦЕНКИ ДОСТОВЕРНОСТИ
НЕИСПРАВНОСТЕЙ ДВИГАТЕЛЯ, ВЫЯВЛЕННЫХ В ПРОЦЕССЕ ИСПЫТАНИЙ
2.1 Роль оптимизационных процедур в обеспечении второго этапа
интеллектуализации процесса управления испытаниями
2.2 Формирование модели чувствительности измеренных в процессе
испытаний параметров ЖРД
2.3 Алгоритмизация отбора гипотез для управления испытаниями ЖРД по условию максимума правдоподобия с использованием линейной модели чувствительности
Выводы второй главы
ГЛАВА 3 МИНИМИЗАЦИЯ СТРУКТУР ХРАНЕНИЯ ИНФОРМАЦИИ, ОБЕСПЕЧИВАЮЩИХ ФУНКЦИОНИРОВАНИЕ БАЗОВЫХ ПРОЦЕДУР УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД
3.1 Алгоритмизация отбора минимального количества достоверных гипотез с
использованием автоассоциативной нейронной сети
3.2 Построение оптимизационных моделей
3.3 Формирование эквивалентных задач оптимизации
3.4 Алгоритмизация поиска решения оптимизационных задач
Выводы третьей главы

ГЛАВА 4 ИНТЕГРАЦИЯ ПРОГРАММНЫХ МОДУЛЕЙ И ОПТИМИЗАЦИОННЫХ ПРОЦЕДУР В ПРОГРАММНОЕ ОБЕСПЕЧЕНИЕ УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД
4.1 Базовая структура программного обеспечения контура управления РВ
4.2 Интеграция программных модулей оптимизационных процедур контура
управления ОВ
4.3 Оценка эффективности интеллектуальной поддержки процесса
управления испытаниями ЖРД по результатам внедрения программных
модулей
Выводы четвертой главы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ

ОБОЗНАЧЕНИЯ И СОКРАЩЕНИЯ
АВД - аварийное выключение двигателя;
АДА - арифметический диагностический алгоритм;
АРСС - аномальное развитие случайного процесса;
АС - аварийная ситуация;
АСФКД - автоматизированная система функционального контроля и
АЧХ - амплитудно-частотная характеристика;
БТНА - бустерный турбонасосный агрегат;
Г - горючее;
ДА - диагностический алгоритм;
ДИ - доводочные испытания;
ЗМП - задача о минимальном покрытии;
ЖРД - жидкостный ракетный двигатель;
И - измеренноеж
ио - исполнительный орган;
КА - космический аппарат;
ЛКИ - летно-конструкторкие испытания;
лпм - линейная последовательностная машина
НС - нейронные сети;
О - окислитель;
ов - отставленная во времени;
ОИ - огневое испытание,
оп - обобщенный параметр;
ОР - основной режим;
ОС - операционная система;
п - прогнозируемое;
ПК - персональный компьютер;
пклп - простые количественные признаки;
ПКУ - программа контроля и управления;
II МО - программно-математическое обеспечение;

обнаружения изменения вида модели используется модифицированный алгоритм обнаружения разладки.[2,3,5,6,8,9,13,14]
Критерием обнаружения изменения вида модели (изменения индекса р)
служит достижение статистикой m(t) пороговой величины h, т.е. повторение
рекомендаций одного вида модели h раз подряд: j'(t) = m(t) > h? jp(t): j’(t —
1). Процедура, используемая для получения индексов модели, имеет вектор
параметров к, которым могут быть некоторые пороговые величины:
(m(t — 1) + 1,если/р(г) Ф j’(t — 1) и jp(t) = jp(t — 1); "модель не изменилась" m(t — 1) — г, если jp(t) ф j'{t — 1) и Jp(t) Ф jp(t — 1); "модель изменилась"
О, если Jp(t) = j'(_t — 1); рекомендуемая модель)р(г:)совпадает с принятой j'(t — 1)
Асимптотически оптимальные методы в задаче скорейшего обнаружения разладки. [15,16]
Рассматриваются метод кумулятивных сумм (CUSUM), предложенный Пейджем, метод "усредненного отношения правдоподобия" (GRSh), предложенный Гиршиком и Рубиным и независимо от них Ширяевым, и метод "скользящего окна". Качество метода предложено характеризовать вероятностью "ложной тревоги" и предельной величиной нормированного (на большой параметр N, зависящий от вида метода) времени запаздывания в обнаружении разладки. [6] В [48] показано также, что методы CUSUM и GRSh являются асимптотически оптимальными при точном знании функции распределения до и после момента разладки, но не обладают этим свойством при отсутствии или неточности этой априорной информации. Метод "скользящего окна" более устойчив к неточностям априорной информации.
Постановка задачи.
Задана случайная последовательность: x(n) = а + £,nl(nm), где 1(А) индикатор А, £, ц случайные последовательности, при чем Ес,п =Егщ = О, m - момент разладки, h скачкообразное изменение среднего, а - константа метода ("порог нормы"). Решение задачи обнаружения осуществляется с помощью:
1 Непараметрической статистики CUSUM: