Интеллектуализация управления испытаниями жидкостных ракетных двигателей на основе интеграции базовых и оптимизационных процедур тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Шостак, Александр Александрович

  • Шостак, Александр Александрович
  • кандидат технических науккандидат технических наук
  • 2013, Воронеж
  • Специальность ВАК РФ05.13.01
  • Количество страниц 140
Шостак, Александр Александрович. Интеллектуализация управления испытаниями жидкостных ракетных двигателей на основе интеграции базовых и оптимизационных процедур: дис. кандидат технических наук: 05.13.01 - Системный анализ, управление и обработка информации (по отраслям). Воронеж. 2013. 140 с.

Оглавление диссертации кандидат технических наук Шостак, Александр Александрович

СОДЕРЖАНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 ПУТИ ИНТЕЛЛЕКТУАЛИЗАЦИИ ПРОЦЕССА УПРАВЛЕНИЯ ИСПЫТАНИЯМИ ЖРД

1.1 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

ГЛАВА 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 РВ104

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 1

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;

да - 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;

птл >-/Х А. - 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;

пмо - программно-математическое обеспечение;

ПО - программное обеспечение;

1111 - переключатель пакетов;

пли - подтверждающие периодические испытания;

ПР - предварительное решающее правило;

ПЭВМ - персональная электронно-вычислительная машина;

РВ - реальное время;

РКС - разрешающий командный сигнал;

РН - ракета-носитель;

РП - решающее правило;

САЗ - система аварийной защиты;

САЗУ - система аварийной защиты и управления;

САП - система автоматизированного проектирования;

СДАЗ - система диагностирования и аварийной защиты;

СДАЗУ - система диагностирования, аварийной защиты и управления;

СИ - система измерения;

СКЛП - сложные количественные признаки;

СУ - система управления;

тмк - телеметрический кадр;

ТНА - турбонасосный агрегат;

УППМО - универсальное прикладное программно-методическое

ФД - формулярные данные

Рекомендованный список диссертаций по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Введение диссертации (часть автореферата) на тему «Интеллектуализация управления испытаниями жидкостных ракетных двигателей на основе интеграции базовых и оптимизационных процедур»

ВВЕДЕНИЕ

Актуальность темы. Этапы натурных и полунатурных испытаний являются одними из важнейших этапов жизненного цикла сложных технических объектов, к которым можно отнести жидкостные ракетные двигатели (ЖРД). Длительность испытаний, их стоимость и достоверность существенным образом зависят от эффективности обработки информации, получаемой как в режиме реального времени, так и в режиме последующей обработки полученной информации (отставленной во времени информации). При этом процедуры управления ходом испытаний обеспечивают, с одной стороны, формирование и обеспечение программы выполнения необходимых режимов работы ЖРД, а с другой стороны, нацелены на решение задач диагностики возможных неисправностей, а также аварийную защиту от разрушения объекта испытаний.

Современное состояние научных исследований, направленных на совершенствование этого класса проблемно-ориентированных систем управления, определяется тенденцией интеллектуализации обработки и анализа информации о состоянии двигателя и обоснованного выбора схемы управления испытаниями.

Ряд основных важнейших научных результатов отражены в работах Р.Бэйкера, М.Баррьера, П.П. Пархоменко, Е.С.□ Сагомоняна и др. Основное внимание в выполненных исследованиях уделяется базовым принципам проведения испытаний в режиме реального времени. Б меньшей степени рассматривается задача использования отставленной во времени информации для оптимизации базовых процедур обеспечения эффективности испытаний с учетом системных связей двух различных режимов проведения испытаний. Недооценивается необходимость совместного решения этих задач для повышения достоверности выявления неисправностей ЖРД и снижения избыточности требуемых режимов испытаний.

Таким образом, актуальность выполненных исследований определяется необходимостью решения задач интеллектуализации управления испытаниями за счет разработки новых эффективных методов построения специальных классов математических моделей, в которых используется отставленная во времени информации и разработки оптимизационных процедур отбора наиболее достоверных гипотез о неисправностях двигателя для минимизации избыточности информационного обеспечения.

Тематика диссертационной работы соответствует основному научному направлению ФГБОУ ВПО «Воронежский государственный технический университет» - «Вычислительные комплексы и проблемно-ориентированные системы управления».

Цель работы состоит в разработке моделей и алгоритмов, интегрируемых в структуру информационной системы управления испытаниями ЖРД и которые базируются на процедурах интеллектуализации обработки и анализа полученной информации в ходе испытаний о состоянии двигателя.

В соответствии с указанной целью определены следующие задачи, которые необходимо решить для достижения поставленной цели:

- провести анализ современных подходов к управлению испытаниями ЖРД и обосновать необходимость двух этапов интеллектуализации этого процесса, интегрированных в рамках единой структурной схемы;

- разработать алгоритмы оптимального отбора наиболее достоверных гипотез о неисправностях двигателя, использующие формализацию измеренной в процессе испытаний информации как в виде линейной модели чувствительности, так и автоассоциативной нейронной сети;

сформировать оптимизационные модели минимизации структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД, и обосновать процедуру формирования эквивалентной задачи и алгоритм поиска оптимального решения;

- осуществить интеграцию оптимизационных процедур в программное обеспечение управления испытаниями ЖРД с оценкой эффективности интеллектуальной поддержки процесса управления.

Методы исследования. Для решения поставленных задач использовались основные понятия системного анализа, теории управления, математического моделирования, исследование операций, оптимизации, теории вероятностей и математической статистики.

Тематика работы соответствует следующим пунктам паспорта специальности 05.13.01: п. 2 «Формализация и постановка задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 4 «Разработка методов и алгоритмов решения задач системного анализа, оптимизации, управления, принятия решений и обработки информации», п. 10 «Методы и алгоритмы интеллектуальной поддержки при принятии управленческих решений в технических системах».

Научная новизна. В диссертации получены следующие основные положения, выносимые на защиту и характеризующиеся научной новизной:

структура управления испытаниями ЖРД, отличающаяся математическим обеспечением двух этапов интеллектуализации процесса управления с введением на втором этапе оптимизационных процедур, которые ориентированы на результаты первого этапа обработки измеренной в процессе испытаний информации для повышения эффективности базовых процедур;

- алгоритмическая процедура оптимального отбора наиболее достоверных гипотез о неисправностях двигателя, обеспечивающая использование измеренной в процессе испытаний информации для оценивания с помощью линейной модели чувствительности условия максимального правдоподобия статистической значимости гипотез по отношению к пороговому уровню;

- алгоритмическая процедура формирования минимального множества наиболее достоверных гипотез о неисправностях двигателя, позволяющая измеренную в процессе испытаний информацию использовать для обучения

автоассоциативной нейронной сети и определять минимальное число гипотез по числу нейронов в «узком горле»;

- модель и алгоритм минимизации структур хранения информации для базовых процедур управления испытаниями ЖРД, отличающиеся способом перехода от исходной оптимизационной задачи к эквивалентной и поисковой схемой выбора оптимального решения.

Практическая значимость работы. Разработанные модели и оптимизационные процедуры позволяют эффективно использовать отставленную во времени информацию для интеллектуальной поддержки управления испытаниями ЖРД при отборе наиболее достоверных гипотез о неисправностях двигателя и минимизации избыточности следующих коллекций, обеспечивающих функционирование базовых процедур:

- коллекции математических методов обработки и анализа текущей информации с ориентацией на доступные результаты для диагностической оценки (коллекция 1);

- коллекции формулярных данных, то есть набора настроек для диагностического оценивания (коллекция 2);

- коллекции термов логических условий решающих правил (РП) (коллекция 3).

Реализация и внедрение результатов работы. Исследования, проведенные автором, являются частью НИР, выполненных в рамках ФЦП «Научные и научно-педагогические кадры инновационной России»: «Разработка поисковой среды интеллектуальной поддержки проектно-производственного процесса освоения инвестиций в создании жидкостных ракетных двигателей (2010 - 2012гг)»,«Оптимизация управления испытаниями жидкостных ракетных двигателей на основе нейросетевых технологий и адаптивных методов принятия решений»(2012г). Основные теоретические и практические результаты внедрены в практическую деятельность ОАО КБХА, использованы в учебном процессе кафедры САПРИС по курсу «Методы

оптимизации» ФГБОУ ВПО «Воронежский государственный технический университет» и подтверждены актами внедрения.

Апробация работы. Основные положения докладывались и обсуждались на: молодежной конференции «Инженерия знаний. Представление знаний: Состояние и Перспективы» (Воронеж, 2011), Всероссийской молодежной конференции «Молодежь и современные информационные технологии» (Воронеж, 2011), Всероссийской научной школе «Информационно-телекоммуникационные системы и управление» (Воронеж, 2011), Всероссийской научной школе «Управление, информация и оптимизация» (Воронеж, 2011), Всероссийской молодежной конференции «Молодежь и современные информационные технологии» (Воронеж, 2011), Международной конференции «Мехатронные системы (теория и проектирование)» (Тула, 2011), Международной школе-семинаре «Интеллектуальные компьютерные обучающие системы» (Воронеж, 2011), XXX Российской школе, посвященной 65-летию Победы (Миасс, 2010), Международной молодежной конференции «Математические проблемы современной теории управления системами и процессами»(Воронеж, 2012), Всероссийской молодежной научной школе «Инженерия знаний: состояние и перспективы»(Воронеж, 2012), а также на ежегодных научно-практических конференциях ППС и аспирантов ВГТУ, техническом совете ОАО КБХА.

Публикации результатов работы. По теме диссертации опубликовано 16 научных работ, в том числе 3 - в изданиях, рекомендованных ВАК РФ. В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично соискателю принадлежат: оптимизационное моделирование и алгоритмизация задач минимизации избыточности структур хранения информации [1,4,7,8,11,12], процедуры формирования наиболее достоверных гипотез для управления испытаниями на основе нейросетевого моделирования [3,6,10,13,14,15,16], структуризация управления испытаниями ЖРД с использованием нейросетевого и оптимизационного моделирования [2,5,9].

Структура и объем работы. Работа состоит из введения, четырех глав, заключения и приложения. Основная часть диссертации изложена на 134 страницах, содержит список литературы из 94 наименований, 15 рисунков, 4 таблицы.

В первой главе рассмотрены основные пути интеллектуализации процедур процесса управления испытаниями ЖРД.

Вторая глава посвящена решению задач алгоритмизации оптимального отбора наиболее достоверных гипотез о неисправностях двигателя на основе обработки статистической информации, полученной при испытаниях ЖРД.

В третьей главе приведены результаты исследований, полученных в работе, по минимизации структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД.

Четвертая глава посвящена решению задачи интеграции программных модулей оптимизационных процедур в базовое программное обеспечение управления испытаниями ЖРД. Рассмотрена структура базового пакета, включающего программную реализацию следующих алгоритмов:

- алгоритмы-переключатели (начальные и оконечные);

- алгоритмы подготовки данных;

- диагностические алгоритмы и алгоритмы "Промежуточного Решения"

(ПР);

- алгоритмы РП.

Похожие диссертационные работы по специальности «Системный анализ, управление и обработка информации (по отраслям)», 05.13.01 шифр ВАК

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Шостак, Александр Александрович

Выводы четвертой главы

1. Структура пакета программ, реализующих базовые алгоритмы управления испытаниями ЖРД, определяет необходимые условия подключения оптимизационных процедур, которые повышают достоверность выявления неисправных состояний двигателя и минимальную избыточность библиотечных компонентов.

2. Для практической реализации второго этапа интеллектуализации управления испытаниями ЖРД целесообразным является определение связей программных модулей оптимизации с программными модулями пакета базовых алгоритмов и на этой основе их интеграция в действующее программное обеспечение.

3. Приемлемым обоснованием для внедрения интегрированного программного обеспечения является положительная оценка эффективности интеллектуальной поддержки процесса управления испытаниями ЖРД, полученной в натурных условиях.

ЗАКЛЮЧЕНИЕ

Решение задач второго этапа интеллектуализации управления испытаниями ЖРД с использованием оптимизационных моделей и процедур полученных в диссертации, позволяет эффективно использовать отставленную во времени информацию и интегрировать их с базовыми процедурами обработки измеренной информации и формирование режимов управления для диагностики неисправностей и аварийной защиты двигателя.

При решении этих задач получены следующие основные результаты:

1 Охарактеризованы современные подходы к проведению испытаний ЖРД по определению зафиксированной на нем неисправности, обусловленной недопустимыми отклонениями от нормы внутренних параметров двигателя, и возможность двухэтапной интеллектуализации управления испытаниями.

2 Предложена структурная схема интеллектуальной системы управления испытаниями ЖРД, позволяющая интегрировать оптимизационные и базовые процедуры как в контуре управления в режиме реального времени, так и в контуре управления, использующей отставленную во времени информацию.

3 Сформирована линейная модель чувствительности измеренных в процессе испытаний параметров работы ЖРД к изменению внутренних параметров двигателя на начальной стадии отказа, на основе которой осуществляется ранжирование гипотез о неисправностях двигателя.

4 Предложено в случае более широкой области отклонения параметров двигателя от нормального режима функционирования использовать нелинейную модель, которая позволяет определить минимальное число наиболее достоверных гипотез о неисправностях на основе обучения автоассоциативной нейронной сети.

5 Построены оптимизационные модели в форме задачи о минимальном покрытии для минимизации избыточности структур хранения информации, обеспечивающих функционирование базовых процедур управления испытаниями ЖРД.

6 Разработан алгоритм поиска оптимального решения сформированных оптимизационных задач путем перехода к эквивалентной вероятностной постановке и использование модифицированной схемы градиентного метода.

7 Проведена интеграция программных модулей оптимизационных процедур в базовый пакет программ управления испытаниями ЖРД и оценена эффективность реализации второго этапа интеллектуализации.

Список литературы диссертационного исследования кандидат технических наук Шостак, Александр Александрович, 2013 год

СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1 Алемасов В.Е., Дрегалин А.Ф., Тишин А.П. Теория ракетных двигателей. - М. Машиностроение, 1980. - 533 с.

2 Андерсон Т., Введение в многомерный статистический анализ. - М. Физматгиз, 1963 г. - 500с.

3 Беляев E.H., Чванов В.К., Черваков В.В. Математическое моделирование рабочего процесса жидкостных ракетных двигателей: Учебник / Под ред. В.К. Чванова. - М.: Изд-во МАИ, 1999.- 228 с.

4 Биргер И.А.Техническая диагностика [Текст] / И.А.Биргер.- М.: Машиностроение, 1978. -240 с.

5 Бокс Дж., Дженкинс Г. Анализ временных рядов, вып.1. // "Мир". 1974г.

6 Бородкин Л.И., Моттль В.В. Алгоритм обнаружения моментов изменения параметров уравнения случайного процесса. // АиТ. 1976. №6. С. 2332.

7 Бродский Б.Е. Асимптотически оптимальные методы в задаче скорейшего обнаружения разладки. I. Характеристики методов скорейшего обнаружения разладки. // АиТ. 1995. №9. С. 60-72.

8 Бродский Б.Е. Асимптотически оптимальные методы в задаче скорейшего обнаружения разладки. Исследование методов скорейшего обнаружения разладки. // АиТ. 1995. №10. С. 50-59

9 Бродский Б.Е., Дарховский Б.С. Сравнительный анализ некоторых непараметрических методов скорейшего обнаружения разладки случайной последовательности//Теория вероятностей и ее применения.1990.Т.35. № 4. С. 655-668

10 Бродский Б.Е., Дарховский Б.С. Непараметрический метод обнаружения моментов переключения двух случайных последовательностей. // АиТ. 1989. №10. С. 66-75.

11 Бывайков М.Е. Алгоритм обнаружения изменения вида модели при текущем оценивании. // АиТ. 1993. №5. С. 82-93.

12 Бывайков М.Е., Ромащев A.A. О робастности в задаче обнаружения изменения параметра сдвига случайной последовательности. // АиТ. 1989. №7. С. 138-143

13 Вапник В.Н., Червоненкис А.Я. «Теория распознавания образов». М. Наука, 1974 г.

14 Васильев В.И., Валеев С.С. Нейросетевая аппроксимация модели ГТД на основе энтропийного подхода. // Авиакосмическое приборостроение. 2005. № 11. С. 29-33.

15 Васильев В.И., Валеев С.С. Проектирование интеллектуальных систем управления ГТД на основе принципа минимальной сложности. // Вестник Уфимского государственного авиационного технического университета. 2007. Т. 9. №2. С. 32-41.

16 Волгин В.А., Кретинин A.B. Нейросетевое моделирование рабочих процессов в камере жидкостного ракетного двигателя. // Вестник Воронежского государственного технического университета. 2007. Т. 3. № 6. С. 43-46.

17 Волков Е.Б., Головков Л.Г., Сырицын Т.А. Жидкостные ракетные двигатели. - М.: Воениздат, 1970. - 592 с.

18 Галушкин А.И. Современные направления развития нейрокомпьютерных технологий в России. / Под ред. А.И. Галушкина. - М.: Изд-во ИПРЖР, 2000. - 416 с.

19 Гахун Г.Г:, Баулин В.И., Володин В.А., Курпатенков В.Д. и др. Конструкция и проектирование жидкостных ракетных двигателей / Под ред. Г.Г. Гахуна. - М.: Машиностроение, 1989. - 424 с.

20 Геращенко Е.И., Геращенко С.М. Метод разделения движений и оптимизация нелинейных систем. - М.: Наука, 1969.

21 Гишваров A.C., Габдуллин B.C., Нестеров A.B., Диагностика состояния авиационных ГТД с применением нейронных сетей // Вестник Уфимского государственного авиационного технического университета. 2009. Т. 12. №2. С. 25-31.

22 Гликман Б.Ф. Автоматическое регулирование жидкостных ракетных двигателей. - М.: Машиностроение, 1989. - 296 с.

23 Глушко В.П. Путь в ракетной технике. - М.: АН СССР, 1978. - 504 с.

24 Глушко В.П. Развитие советского ракетно-космического двигателестроения // Изв. АН СССР. Энергетика и транспорт, 1974, № 5. - С.З-29.

25 Горбань А.Н. Обучение нейронных сетей. - М.: СП «ParaGraph», 1990. - 160 с.

26 Гордиенко Е. К., Лукьяница А. А. Искусственные нейронные сети: I. Основные определения и модели /Изв. РАН. Сер. Техническая кибернетика, 1994. №5. С. 79-92.

27 Горелик А.Л., Бутко Г.И., Белоусов Ю.А. Бортовые цифровые вычислительные машины. - М.: Машиностроение, 1975. - 203 с.

28 Гуртовой A.A., Шостак A.B., Кретинин A.B., Коробченко C.B. Разработка нейросетевой системы управления жидкостного ракетного двигателя. // Нейрокомпьютеры: разработка, применение. 2008. № 1-2. С. 64-69.

29 Добровольский М.В. Жидкостные ракетные двигатели. Основы проектирования. Изд.2. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005. - 488 с.

30 Ежов A.A., Шумский С.А. Нейрокомпьютинг и его приложения в экономике и бизнесе. - М.:МИФИ, 1998. - 224с.

31 Еремеев А.В.Задача о покрытии множества: сложность, алгоритмы, экспериментальные исследования/ Еремеев A.B., Заозерская Л.А., Колоколов A.A. // Дискретный анализ и исследование операций. Сер. 2. 2000. Т. 7, N 2. -22-46.

32 Жернаков C.B., Контроль и диагностика комплексных отказов САУ ГТД с использованием рекуррентных нейронных сетей. // Авиакосмическое приборостроение. 2009. № 2. С. 33-50.

33 Изерман Р. Цифровые системы управления. - М.: Мир, 1984. - 541 с.

34 Каширина И. Л. Алгоритмы решения задачи о покрытии, использующие переход к вероятностной постановке задачи / Каширина И. Л., Чернышева Г. Д. // Известия РАЕН, сер. МММИУ. 1997. № 1.С. 119-127.

35 Каширина И. Л. Алгоритмы решения задачи о покрытии, использующие переход к вероятностной постановке задачи / Каширина И. Л.,

Чернышева Г. Д. // Известия РАЕН, сер. МММИУ. 1997. No 1.С. 119-127.

\

36 Коломейцев А.И. Испытание и обеспечение надежности ЖРД/ Коломейцев А.И., Краев М.В., Назаров В.П. - СГАУ-МАИ, Красноярск, 2006.

37 Круг Е.А., Александриди Т.М., Дилигенский С.Н. Цифровые регуляторы. - М.-Л.: Энергия, 1966. - 504 с.

38 Куликов Г.Г., Ризванов К.А., Денисова С.С. Архитектура интегрированной информационной модели для разработки, производства и эксплуатации ГТД совместно с его системой автоматического управления, контроля и диагностики. // Вестник Самарского государственного аэрокосмического университета им. академика С.П. Королёва (национального исследовательского университета). 2009. № 3-1. С. 244-252.

39 Лумельскийв В.Я. Один алгоритм обнаружения момента времени изменения свойств случайного процесса. // АиТ. 1972. №10. С. 67-73.

40 Львович Я.Е. Оптимизация проектных решений в САПР на основе эквивалентных преобразований задачи о минимальном покрытии/ Львович Я.Е., Чернышева Г. Д. ,Каширина И.Л. // Информационные технологии. - No4, 1999 г.-С. 2-6.

41 Львович Я.Е., Каширина И.Л., Шостак A.A. Интеграция базовых и оптимизационных процедур при управлении испытаниями ЖРД // Вестник Воронежского государственного технического университета, 2012. Т. 8. № 5. с. 22-24.

42 Львович Я.Е., Каширина И.Л., Шостак A.A. Нейросетевой подход к отбору наиболее информативных признаков для функционального

диагностирования ЖРД // Вестник Воронежского государственного технического университета, 2012. Т. 8. № 8, с. 21-23.

43 Львович Я.Е., Шостак A.A. Оптимизация построения решающих правил при управлении испытаниями // Вестник Воронежского государственного технического университета, 2011. Т. 7. № 10. с. 65-68.

44 Мартиросов Д.С., Синьков С.А., Способ оценки предельно достигаемой точности определения параметров элементов ЖРД при их функциональной диагностике // Труды НПО Энергомаш им. академика В.П. Глушко. 2005. № 23. С. 151-160.

45 Махин В.А., Пресняков В.Ф., Велик Н.П. Динамика жидкостных ракетных двигателей. - М.: Машиностроение, 1969. - 384 с.

46 Мельников М.В., Морозов A.A., Соколов Б.А. «Основные принципы диагностики двигателя при стендовых огневых испытаниях». PK техника. Сер IV, 1975г., вып. 28.

47 Минский М., Пейперт С. Перцептроны. - М.: Мир, 1971.

48 Мошкин Е.К. Нестационарные режимы работы ЖРД. - М.: Машиностроение, 1970. - 336 с.

49 Никифоров И.В. Последовательное обнаружение изменения свойств временных рядов. М.: Наука, 1983.

50 Никифоров И.В. Применение кумулятивных сумм для обнаружения изменения характеристик случайного процесса. // АиТ. 1979. №2. С. 48-58.

51 Пархоменко П.П., Сагомонян Е.С. Основы технической диагностики [Текст]: В 2 кн. Кн.2. Оптимизация алгоритмов диагностирования, аппаратурные средства / Под ред. П.П. Пархоменко. - М.: Энергия, 1981. - 320 с.

52 Розенблатт Ф. Принципы нейродинамики: Перцептрон и теория механизмов мозга. - М.: Мир, 1965.

53 Сергиенко А.А. Жидкостные ракетные двигатели: настоящее и будущее// Системный анализ в технике - 3: Тем. сб. науч. тр./ МАИ. - М.: Изд-воМАИ, 1994. - С. 29-50.

54 Современная прикладная теория управления: Оптимизационный подход к теории управления. Ч. I - 400 е.; Синергетический подход в теории управления. Ч. II - 559 е.; Новые классы регуляторов технических систем. Ч. III

- 703 с. /Под ред. А. А. Колесникова. - Таганрог: Изд-во ТРТУ, 1999/2000.

55 Терехов В.А. Нейросетевые системы управления: Учеб. пособие для вузов / В.А. Терехов, Д.В. Ефимов, И.Ю. Тюкин. - М.: Высш. шк, 2002. - 183 с.

56 Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления // Сер. «Нейрокомпьютеры и их применение» / Под ред. А. И. Галушкина. - М.: Изд-во ИПРЖР, 2002.

57 Терехов В.А., Ефимов Д.В., Тюкин И.Ю., Антонов В.Н. Нейросетевые системы управления. - СПб.: Изд-во С.-Петербургского университета, 1999.

- 265 с.

58 Терехов В.Л., Тюкин И.Ю. Нейросетевые системы управления: проблемы теории, приложения // Сб. докл. II науч.-техн. конф. мол. ученых «Навигация и управление движением». 28 - 30 марта 2000 г. Санкт-Петербург.

- СПб. ГНЦ РФ-ЦНИИ «Электроприбор», 2000. - С. 97 - 121.

59 Уоссермен Ф. Нейрокомпьютерная техника: Теория и практика / Пер. с англ.- М.: Мир, 1992. - 240 с.

60 Федоров С.М., Литвинов А.П. Автоматические системы с цифровыми управляющими машинами. - М.: Энергия, 1965. — 223 с.

61 Чернухин Ю. В., Пшихопов В. X., Писаренко С. Н., Трубачев О. Е. Моделирование нейросетевых систем управления интеллектуальных мобильных роботов // Тр. межд. конф. «Идентификация систем и задачи управления» (81СРЯО'2000). Москва, 26 - 28 сентября 2000. - М.: Изд-во ИЛУ РАН.-С. 1108-1114.

62 Чжун Кай-Лай. Однородные цепи Маркова. М.: Мир. 1964.

63 Шевяков А.А., Калнин В.М., Науменкова М.В., Дятлов В.Г. Теория автоматического управления ракетными двигателями. - М.: Машиностроение, 1978. - 288 с.

64 Шерстянников В.А., Калнин В.М. Гидродинамическое моделирование рабочего процесса ЖРД на режимах запуска. - М.: Машиностроение, 1981.-88 с.

65 Юдин Д.Б. Алгоритмы обучения нейронной сети (алгоритмы пополнения знаний) // Автоматика и телемеханика, 1996. № 11. - С. 148 - 158.

66 Agarwal М. A. Systematic Classication of Neural-Net work-Based Control/IEEE Control Systems. April, 1997. P. 75 - 93.

67 BagshawM., Johnson R. A. The effect of serial correlation on the performance of CUSUM test. // Technometrics. 1975. V. 17. #vl. P. 73-80.

68 BagshawM., Johnson R. A. The influence of reference values and estimated varience on the ARL of CUSUM test. // J. Roy. Statist. Soc. B, 1975. 37. #43. P. 413420.

69 Baker R.D. Inert calibration of deep-throttling bipropellant rocket engines. -J. Spacecraft and Rocket, 1968, vol. 5, N5. PP. 578-583.

70 Barren A. R. Universal approximation bounds for superposition of a sigmoidal function 11 ШЕЕ Trans. Inform. Theory. 1993. Vol. 39. - P. 930 - 945.

71 Barrere M. Analysis of rocket engine transient regimes. - Acta Astronáutica, 1977, vol. 4, N5-6. - PP.641-670.

72 Brause R. Neuronale Netze: Eine Einfuhrung in die Neuroinformatik. Stuttgart. Teubner. 1995. - 462 s.

73 Broomhead D.S., Lowe D. Multivariable functional interpolation and adaptive networks // Complex Syst. Vol. 2. № 3. 1988. P. 321 - 355.

74 Cybenco G. Approximation by superpositions of a sigmoidal function // Math, of Control, Signals and Systems. 1989. № 2. - P. 303 - 314.

75 Gupta M.M., Rao D.H. Neuro-control systems: A tutorial // Control Systems. Theory and Applications/ Ed. M. Gupta Madan and H. Rao Dandina // IEEE

Press. Intelligent Syst. Res. Laboratory, College Engineering Univ. of Saskatchewan, Saskatoon, Canada, S7N OWO, 1995.

76 Hecht-Nielsen R. Replicator neural networks for universal optimal source coding. Science, v. 269, pp. 1860-1863, 1995.

77 Handbook of Intelligent Control: Neural, Fuzzy and Adaptive Approaches / Ed. by David A. White & Donald A. Sofge. N.-Y. Van Nostrand Reinhold, 1992. - P. 568.

78 Haykin S. Neural networks: A Comprehesive Foundation. - N.-Y.: Macmillan, 1999. - 842 P.

79 Hecht-Nielsen R. Kolmogorov's mapping neural network existence theorem. In: Proceedings Int Conf on Neural Networks, IEEE Press, vol 3, New York, pp 11-13, 1989.

80 Hecht-Nielsen R. Replicator neural networks for universal optimal source coding. Science, v. 269, pp. 1860-1863, 1995.

81 Hopfield J.J. Neural networks and physical systems with emergent collective computational abilities. - Proc. National Acad. Sci. USA, 1982, N79, pp.2554-2558.

82 Hopfield J.J. Neurons with graded response collective computational properties like those of two-state neurons. - Proc. National Acad. Sci. USA, 1984, N81, pp.3088-3092.

83 Kohonen T. Self-organization and associative memory. - Berlin: Springer Verlag, 1987.

84 Levin A. U., Narendra K. S. Control of nonlinear dynamical system using neural networks: Controllability and stabilization // IEEE Trans. Neural Networks, 1993. Vol. 4. № 2. - P. 192 - 206.

85 Levin A. U., Narendra K. S. Control of nonlinear dynamical system using neural networks. Part II: Observability, identification and control // IEEE Trans. Neural Networks. 1996. Vol. 7. № 1. - P. 30 - 42.

86 Lewis F. L., Parisini T. Guest Editorial: Neural network feedback control with guaranteed stability // Int. J. of Control. 1998. Vol. 70. № 3. - P. 337 - 339.

87 Lucas J. M., Croiser R. B. Robust CUSUM: a robustness study for CUSUM quality control schemes// Commun. Statistics. Theory and Methods. 1982. V. 11. #23. P. 2669-2687.

88 Mcgilchrist C., Woodyer K. D. Note on a distribution-free CUSUM technique. // Technometrics. 1975. V. 17. #v3. P. 321-325.

89 Narendra K. S., Parthsarathy K. Identification and control of dynamic systems using neural networks // IEEE Trans. Neural Networks. 1990. Vol. 1. № 1. -P. 4 - 27.

90 Neural hetworks for control systems: A survey / K. J. Hunt, D. Sbarbaro, R. Zbikowski, P. J. Gawthrop // Automatica. 1992. Vol. 28. № 6. - P. 1083 - 1112.

91 Page E. S. A test for change in parameter occurring at an unknown// Biometrics. 1955. V. 11. 42. #4. P. 523-527.

92 Pettit A.N. A simple comulative sum type statictic for the change point with zero-one observatotions. // Biometrics. 1980. V. 67. CI. P. 79-84.

93 Reynolds M.R. Approximation to the average run length in cumulative sum control. // Carts. Technometrics. 1975. V. 17. #v3. P. 65-71.

94 Seitz P.F., Searle R.F. Space Shuttle main engine control system // SAE Transactions, 1973. N 73-927. 17 p.

95 Shedlow M.W., Myhre D. Design verification testing of Space Shuttle main engine transducers // ISA Transactions, vol. 17, N1. PP. 21-27.

96 Suykens Johan A. K., Vandewalle Joos P. L, De Moor Bart L. R. Artificial Neural Networks for Modelling and Control of Non-Linear Systems. Kluwer

Academic Publishers. Boston / Dordrecht /London. 1997. - 235 p.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.