RU2818858C1

RU2818858C1 - Method for diagnosing a complex of on-board equipment of aircraft based on unsupervised machine learning with automatic determination of model training parameters

Info

Publication number: RU2818858C1
Application number: RU2023130397A
Authority: RU
Inventors: Александр Сергеевич Букирёв
Original assignee: Александр Сергеевич Букирёв
Filing date: 2023-11-21
Publication date: 2024-05-06

Abstract

FIELD: diagnostic systems.

SUBSTANCE: method for diagnosing a complex of on-board equipment of aircraft based on unsupervised machine learning with automatic determination of training parameters of models, comprising steps of: collecting and preparing source data, as well as importing the required libraries of the programming language used in the algorithm, determining transmitted information data, performing automatic determination of optimal parameters of a one-dimensional Kalman filter, applying a modified Kalman filter for the collected data, automatic creation of K-means, SOM and DBSCAN machine learning models, automatic determination of models training parameters, models are trained on the data according to the criteria for obtaining a cluster describing the operable state of each information-converting element, modified Kalman filter for real-time data is applied.

EFFECT: increasing the accuracy of detecting faults in aircraft on-board equipment.

1 cl, 4 dwg

Description

Изобретение относится к диагностическим системам и предназначено для диагностирования информационно-преобразующих элементов (ИПЭ) бортового оборудования (БО) воздушного судна (ВС) на основе машинного обучения без учителя с автоматическим определением параметров обучения моделей. Под ИПЭ в изобретении подразумевается комплекс бортового оборудования (КБО) ВС, выполняющий свои функции путем получения, обработки (преобразования) и передачи информации через шину мультиплексного канала информационного обмена интерфейса магистрального последовательного системы электронных модулей (МКИО). Способ позволяет реализовать процесс автоматического создания диагностических моделей ИПЭ БО любой сложности с увеличением глубины поиска места отказа при отказах систем КБО, позволяющий тем самым минимизировать время поиска места отказа.The invention relates to diagnostic systems and is intended for diagnosing information-converting elements (IET) of on-board equipment (OB) of an aircraft based on machine learning without a teacher with automatic determination of model training parameters. In the invention, IPE refers to a complex of on-board equipment (OBE) of an aircraft, which performs its functions by receiving, processing (converting) and transmitting information through the bus of the multiplex information exchange channel of the interface of the backbone serial system of electronic modules (MSIS). The method makes it possible to implement the process of automatically creating diagnostic models of IPE BO of any complexity with increasing the depth of searching for the location of failure in the event of failures of OBE systems, thereby minimizing the time of searching for the location of failure.

Известен метод диагностирования, реализуемый в экспертной системе (ЭС) функционального диагностирования авиационного радиоэлектронного оборудования [патент на полезную модель №77062 U1, G06F 15/00]. Данная ЭС содержит управляющий микропроцессор, измерительный блок, содержащий в своем составе первичные измерительные преобразователи (ПИП), вычислительную систему, включающую подсистему обработки информации (ПОИ), базу данных, систему управления базой данных (СУБД), базу знаний, базу экспертных знаний (БЭЗ), нейросетевую базу знаний (НСБЗ), систему управления базой знаний (СУБЗ), решатель (интерпретатор). Известная ЭС является вычислительной системой, в которую включены знания специалистов о некоторой конкретной проблемной области и которая в пределах этой области способна принимать экспертные решения. ЭС состоит из вычислительной системы и внешних устройств; управляющего микропроцессора, измерительного блока. Вычислительная система содержит базу знаний, базу данных, машину логического вывода (решатель, подсистему приобретения знаний и подсистему объяснений).A known diagnostic method is implemented in an expert system (ES) for functional diagnostics of aviation radio-electronic equipment [utility model patent No. 77062 U1, G06F 15/00]. This ES contains a control microprocessor, a measuring unit containing primary measuring transducers (PMT), a computer system including an information processing subsystem (IPS), a database, a database management system (DBMS), a knowledge base, an expert knowledge base (EBZ) ), neural network knowledge base (NKBZ), knowledge base management system (KBMS), solver (interpreter). A well-known ES is a computing system that incorporates specialist knowledge about a specific problem area and is capable of making expert decisions within this area. The ES consists of a computing system and external devices; control microprocessor, measuring unit. The computing system contains a knowledge base, a database, a logical inference engine (solver, knowledge acquisition subsystem and explanation subsystem).

ЭС, построенная по указанному принципу, имеет следующие свойства: ЭС ограничена определенной сферой экспертизы - решение задач контроля и диагностики технического состояния бортового оборудования ЛА, способна рассуждать при сомнительных данных и объяснять полученные решения понятным способом, знания, которыми она оперирует, и механизм вывода - средство обработки знаний - отделены друг от друга, целенаправленна на использование правил, на выходе выдает совет, а не информацию, которая подлежит трудоемкой обработке пользователем, строится так, чтобы имелась возможность постоянного наращивания системы. В ЭС диагностирования функции подсистемы приобретения знаний выполняет база знаний, а подсистема объяснений выполняет функции решателя машина логического вывода (МЛВ) (интерпретатор).An ES built according to the specified principle has the following properties: The ES is limited to a certain area of expertise - solving problems of monitoring and diagnosing the technical condition of on-board equipment of an aircraft, is capable of reasoning with questionable data and explaining the resulting decisions in an understandable way, the knowledge it operates, and the output mechanism - means of knowledge processing - separated from each other, targeted at the use of rules, the output provides advice, and not information that is subject to labor-intensive processing by the user, built in such a way that it is possible to constantly expand the system. In the diagnostic system, the functions of the knowledge acquisition subsystem are performed by the knowledge base, and the explanation subsystem performs the functions of a solver by a logical inference machine (ILM) (interpreter).

Предлагаемая ЭС позволяет, используя метод функционального диагностирования, проводить непрерывный анализ технического состояния объектов ЛА в процессе их работы по назначению, оперативно получать информацию о техническом состоянии бортового оборудования ЛА, позволяет проводить работы по диагностированию без нарушения функциональных связей.The proposed ES allows, using the functional diagnostic method, to conduct a continuous analysis of the technical condition of aircraft objects in the process of their intended operation, promptly obtain information about the technical condition of the aircraft’s on-board equipment, and allows diagnostic work to be carried out without disrupting functional connections.

ЭС, наряду с использованием традиционных знаний, хранящихся в БЗ, используя нейросетевую базу, позволяет формализовать перечисленные выше проблемы, возникающие в процессе эксплуатации авиационного оборудования. Проблема сложности объектов в нейросетевой базе знаний решается на основе обучения погрешности измерений, отказы первичных измерений-преобразователей информации могут компенсироваться на основе моделей ассоциативной нейронной сети (аналитическая избыточность).ES, along with the use of traditional knowledge stored in the knowledge base, using a neural network base, makes it possible to formalize the problems listed above that arise during the operation of aviation equipment. The problem of the complexity of objects in a neural network knowledge base is solved on the basis of learning measurement errors; failures of primary measurement-transformers of information can be compensated based on associative neural network models (analytical redundancy).

Основным недостатком описанного метода диагностирования является наличие и использование за основу субъективных знаний экспертов ЭС в некоторой конкретной области, что при составлении диагностических моделей, и наличии человеческого фактора, а также невозможности точного прогнозирования процессов изменения технического состояния авиационного радиоэлектронного оборудования в рамках его жизненного цикла, может приводить к неточности осуществления процесса диагностирования, а также к возникновению ошибок первого и второго рода при диагностировании. Также, недостатком данного метода является неавтономность обучения искусственной нейронной сети, используемой в ЭС, с целью формирования нейросетевой базы знаний. Отсутствие автоматизированности процесса формирования такой базы предполагает обучение с учителем: при обучении искусственной нейронной сети необходимо участие человека (оператора).The main disadvantage of the described diagnostic method is the presence and use as a basis of subjective knowledge of ES experts in some specific field, which, when drawing up diagnostic models, and the presence of the human factor, as well as the impossibility of accurately predicting the processes of changes in the technical condition of aviation electronic equipment within its life cycle, can lead to inaccuracy in the diagnostic process, as well as to the occurrence of errors of the first and second types during diagnosis. Also, the disadvantage of this method is the non-autonomy of training the artificial neural network used in the ES in order to form a neural network knowledge base. The lack of automation of the process of forming such a database requires supervised learning: when training an artificial neural network, the participation of a person (operator) is necessary.

Однако сложность объекта контроля и диагностики, большая часть параметров которого не измеряется, содержит случайные (инструментальные и методические) погрешности. Чрезмерная сложность и отсутствие точной математической модели, существование критических (нерасчетных) режимов работ авиационного оборудования вызывает комплексные отказы измерителей и преобразователей системы. Все перечисленные выше проблемы снижают достоверность диагностирования технического состояния авиационного бортового оборудования. Также усложнение и увеличение элементной базы ЭС приводит к снижению надежности, отказоустойчивости и стойкости метода диагностики к изменяющимся внешним факторам.However, the complexity of the control and diagnostic object, most of the parameters of which are not measured, contains random (instrumental and methodological) errors. Excessive complexity and the lack of an accurate mathematical model, the existence of critical (off-design) operating modes of aircraft equipment causes complex failures of the system's meters and converters. All of the problems listed above reduce the reliability of diagnosing the technical condition of aircraft on-board equipment. Also, the complication and increase in the element base of the ES leads to a decrease in the reliability, fault tolerance and resistance of the diagnostic method to changing external factors.

Известен способ диагностирования, основанный на методе резервирования каналов конструктивно-функциональных модулей бортовых цифровых вычислителей летательных аппаратов на основе интеллектуальной диагностической системы в условиях интегрированной модульной авионики [патент на изобретение №2778366 C1, G06F 11/20]. Способ обеспечивает повышение отказоустойчивости за счет применения многоканального мониторинга интеллектуальной диагностической системой в режиме реального масштаба времени каналов обработки программного кода КФМ, что позволяет при достижении значения контролируемого параметра программного кода границ допусков функциональной зависимости (границ работоспособного состояния) заблаговременно реконфигурировать отказавший информационный канал КФМ (канал, в котором возник сбой) и использовать интеллектуальную диагностическую систему (ИДС) в режиме работы отказавшего канала БЦВС с индикацией о реконфигурации на функционирование ИДС летному экипажу. Технический результат рассматриваемого метода достигается тем, что в методе резервирования каналов КФМ БЦВС на основе ИДС реализуется принцип функционирования в интересах решения задачи автоматического построения модели подлежащего программной реконфигурации канала обработки информации за счет применения систем искусственного интеллекта, управляемого нейроконтроллером, что позволяет заблаговременно реконфигурировать отказавший канал КФМ на доступные вычислительные ресурсы ИДС в режиме БЦВС. При этом в ИДС происходит обучение (формирование моделей правильного функционирования КФМ БЦВС, функционирования в предотказном состоянии, функционирования в режиме отказа); запоминание (создание базы данных, включающих сформированные модели правильного функционирования КФМ с учетом упреждающих допусков), а также работа в режиме имитации БЦВС.There is a known diagnostic method based on the method of reserving channels of structural and functional modules of on-board digital computers of aircraft based on an intelligent diagnostic system in the conditions of integrated modular avionics [patent for invention No. 2778366 C1, G06F 11/20]. The method provides increased fault tolerance due to the use of multi-channel monitoring by an intelligent diagnostic system in real time of channels for processing the QPSK program code, which allows, when the value of the monitored parameter of the program code reaches the functional dependency tolerance limits (operational state limits), to reconfigure in advance the failed QPSK information channel (channel, in which the failure occurred) and use the intelligent diagnostic system (IDS) in the operating mode of the failed BCWS channel with an indication of reconfiguration for IDS operation to the flight crew. The technical result of the method under consideration is achieved by the fact that in the method of reserving QPSK BCWS channels based on IDS, the operating principle is implemented in the interests of solving the problem of automatically constructing a model of an information processing channel subject to software reconfiguration through the use of artificial intelligence systems controlled by a neurocontroller, which makes it possible to reconfigure a failed QPSK channel in advance on the available computing resources of the IDS in the BCWS mode. At the same time, training takes place in the IDS (formation of models of the correct functioning of the CFM BCWS, functioning in a pre-failure state, functioning in a failure mode); memorization (creation of a database including generated models of the correct functioning of the QPM, taking into account anticipatory tolerances), as well as work in the BCWS simulation mode.

Недостатком данного метода является его узкая применяемость -предназначение заключается только для диагностирования и резервирования отказавших каналов КФМ БЦВС, а также отсутствие автоматизации определения оптимальных параметров обучения для каждого КФМ.The disadvantage of this method is its narrow applicability - its purpose is only for diagnosing and reserving failed QPSK channels of BCWS, as well as the lack of automation in determining the optimal training parameters for each QPSK.

Известен способ и система для диагностирования промышленного объекта [патент на изобретение №2707423 С2, G06F 11/00]. Указанный технический результат достигается благодаря тому, что разработана система для диагностирования промышленного объекта, содержащая блок сбора данных, выполненный с возможностью сбора данных с комплекта датчиков промышленного объекта; блок модели промышленного объекта, выполненный с возможностью моделировать промышленный объект; блок анализа, выполненный с возможностью анализировать состояние промышленного объекта на основании данных, полученных от блока сбора данных, и модели промышленного объекта; причем блок анализа выполнен с возможностью делать заключение о нормальном или аномальном функционировании промышленного объекта на основании анализа; причем блок анализа выполнен с возможностью принимать данные об изменениях, внесенных в промышленный объект, и командовать блоку модели изменить модель в соответствии с внесенными изменениями. Сущность способа заключается в том, что с помощью комплекта датчиков, расположенных в элементах промышленного объекта, отслеживается состояние промышленного объекта. Далее данные с датчиков обрабатываются для диагностики состояния промышленного объекта. Данные с датчиков сопоставляются с данными, формируемыми заранее разработанной моделью промышленного объекта, по результатам сопоставления делается вывод об исправности промышленного объекта и его элементов, о необходимости ремонта и/или замены элементов промышленного объекта. Особенностью заявленного изобретения является использование инженерной модели промышленного объекта, наличие обратной связи, изменяющей модель промышленного объекта по данным о вмешательстве в работу промышленного объекта при устранении отказов, предотказных состояний и при выполнении сверхцикловых работ на плановых видах обслуживания (скрытых отказов). Технический результат, достигаемый данным решением, заключается в повышении точности диагностики промышленного объекта в части выявления предотказных состояний. Однако, несмотря на все положительные стороны изобретения, рассматриваемый способ и система для диагностирования промышленного объекта имеет ряд недостатков:There is a known method and system for diagnosing an industrial facility [patent for invention No. 2707423 C2, G06F 11/00]. This technical result is achieved due to the fact that a system has been developed for diagnosing an industrial facility, containing a data collection unit configured to collect data from a set of sensors of the industrial facility; an industrial facility model block configured to simulate an industrial facility; an analysis unit configured to analyze the state of an industrial facility based on data received from the data collection unit and a model of the industrial facility; wherein the analysis unit is configured to make a conclusion about the normal or abnormal functioning of the industrial facility based on the analysis; wherein the analysis unit is configured to receive data about changes made to the industrial facility, and command the model unit to change the model in accordance with the changes made. The essence of the method is that using a set of sensors located in the elements of an industrial facility, the state of the industrial facility is monitored. Next, the data from the sensors is processed to diagnose the condition of the industrial facility. Data from sensors is compared with data generated by a pre-developed model of an industrial facility; based on the results of the comparison, a conclusion is drawn about the serviceability of the industrial facility and its elements, and the need for repair and/or replacement of elements of the industrial facility. A feature of the claimed invention is the use of an engineering model of an industrial facility, the presence of feedback that changes the model of an industrial facility based on data on interference in the operation of an industrial facility when eliminating failures, pre-failure conditions and when performing super-cycle work on planned types of maintenance (hidden failures). The technical result achieved by this solution is to increase the accuracy of diagnostics of an industrial facility in terms of identifying pre-failure conditions. However, despite all the positive aspects of the invention, the considered method and system for diagnosing an industrial facility has a number of disadvantages:

1. При отслеживании состояния по данным, полученным от датчиков, не учитываются возможные влияния внешних возмущающих воздействий, а также собственные шумы датчиков. Отсутствие учета влияния внешних возмущающих воздействий, в конечном итоге может повлиять на результат по выводу об исправности промышленного объекта, то есть возможность возникновения ошибок первого и второго рода.1. When monitoring the state using data received from sensors, the possible influences of external disturbances, as well as the inherent noise of the sensors, are not taken into account. Failure to take into account the influence of external disturbing influences can ultimately affect the result of the conclusion about the serviceability of an industrial facility, that is, the possibility of errors of the first and second types.

2. Отсутствие унификации. Для каждого промышленного объекта возникает необходимость установки специализированных датчиков самой широкой номенклатуры, что отрицательно влияет на экономический эффект, получаемый от использования разработанного способа и системы для диагностирования промышленного объекта.2. Lack of unification. For each industrial facility, there is a need to install specialized sensors of the widest range, which negatively affects the economic effect obtained from using the developed method and system for diagnosing an industrial facility.

3. Не автоматизирован процесс создания эталонных моделей для сравнения результатов, полученных от датчиков в режиме реального времени. Разрабатываемые модели создаются вручную, что зачастую, для сложных объектов контроля не предоставляется возможным в полной мере.3. The process of creating reference models for comparing results obtained from sensors in real time is not automated. The models being developed are created manually, which is often not fully possible for complex control objects.

Известен наиболее близкий к заявляемому способу, и выбранный в качестве прототипа, - способ диагностирования информационно-преобразующих элементов бортового оборудования воздушного судна на основе машинного обучения [патент на изобретение №2802976 C1, G06N 3/02, G06F 11/00, G05B 23/00]. Способ обеспечивает решение задачи диагностики бортового оборудования, которая позволяет выявить неисправности оборудования, а также уменьшить время поиска места и причин отказа за счет применения многоканального контроля информационно-преобразующих элементов комплекса бортового оборудования нейросетевым классификатором состояний, программное обеспечение которого реализуется на основе алгоритмов функционирования искусственных нейронных сетей Кохонена, в режиме реального масштаба времени, что позволяет создавать на этапе испытаний комплекса бортового оборудования диагностические модели каждого информационно-преобразующего элемента (до конструктивно-съемной единицы), с целью их диагностирования способом классификации состояний искусственными нейронными сетями Кохонена с применением методов машинного обучения. Сущность изобретения заключается в том, что в нейросетевом классификаторе состояний, построенном на основе функционирования алгоритмов искусственных нейронных сетей Кохонена, представленного в виде программного кода, и отдельного вычислительного модуля, происходит его автоматическое обучение в режиме реального масштаба времени. С определенной дискретностью через модуль формирования обучающей выборки, содержащий энергонезависимое постоянное запоминающее устройство (ПЗУ), через интегрированную локальную сеть бортового оборудования поступают числовые массивы данных входных и выходных сигналов каждого информационно-преобразующего элемента бортового оборудования, с последующим автоматическим распределением входной информации по кластерам. Однако, несмотря на все положительные стороны изобретения, рассматриваемый способ имеет ряд недостатков:The closest to the claimed method, and chosen as a prototype, is known - a method for diagnosing information-transforming elements of on-board equipment of an aircraft based on machine learning [patent for invention No. 2802976 C1, G06N 3/02, G06F 11/00, G05B 23/00 ]. The method provides a solution to the problem of diagnosing on-board equipment, which makes it possible to identify equipment malfunctions, as well as reduce the time of searching for the location and causes of failure through the use of multi-channel monitoring of information-transforming elements of the on-board equipment complex by a neural network state classifier, the software of which is implemented on the basis of algorithms for the functioning of artificial neural networks Kohonen, in real time, which makes it possible to create diagnostic models of each information-transforming element (up to a structural-removable unit) at the testing stage of the on-board equipment complex, with the aim of diagnosing them by classifying states using Kohonen artificial neural networks using machine learning methods. The essence of the invention lies in the fact that in a neural network state classifier, built on the basis of the functioning of Kohonen artificial neural network algorithms, presented in the form of program code, and a separate computing module, it is automatically trained in real time. With a certain discreteness, through the module for generating a training sample containing a non-volatile read-only memory (ROM), numerical data arrays of input and output signals of each information-converting element of the on-board equipment are received through the integrated local network of on-board equipment, followed by automatic distribution of input information among clusters. However, despite all the positive aspects of the invention, the method in question has a number of disadvantages:

1. При сборе обучающих данных, а также при диагностировании в реальном времени по данным, полученным от датчиков, не учитываются возможные влияния внешних возмущающих воздействий, а также собственные шумы датчиков: например, полет воздушного судна на различных режимах работы вызывает вибрацию, которая отрицательно влияет на функционирование бортового оборудования (см. ГОСТ Р 57211-2016. Внешние воздействия. Данные о воздействии на электротехническое оборудование вибрации и ударов. Оборудование, транспортируемое реактивным самолетом с неизменяемой геометрией крыла. - Москва: Стандартинформ, 2016. - 35 с.). Отсутствие учета влияния вышеуказанных возмущающих воздействий, в конечном итоге может повлиять на результат по выводу о работоспособности бортового оборудования, то есть возможности возникновения ошибок первого и второго рода при диагностировании.1. When collecting training data, as well as when diagnosing in real time based on data received from sensors, the possible influences of external disturbing influences, as well as the sensors’ own noise, are not taken into account: for example, the flight of an aircraft in various operating modes causes vibration, which negatively affects on the functioning of on-board equipment (see GOST R 57211-2016. External influences. Data on the impact of vibration and shock on electrical equipment. Equipment transported by a jet aircraft with fixed wing geometry. - Moscow: Standartinform, 2016. - 35 p.). Failure to take into account the influence of the above disturbing influences may ultimately affect the result of the conclusion about the operability of on-board equipment, that is, the possibility of errors of the first and second types during diagnosis.

2. Не автоматизирован процесс определения оптимальных размеров и структуры искусственной нейронной сети Кохонена (оптимальных параметров обучения): так как для каждого информационно-преобразующего элемента создается своя нейронная сеть, то существенным недостатком способа является создание каждой сети с одинаковыми параметрами для различных по своему назначению и принципу действия информационно-преобразующих элементов, у которых структура и значения данных отличные друг от друга.2. The process of determining the optimal size and structure of the Kohonen artificial neural network (optimal training parameters) is not automated: since its own neural network is created for each information-transforming element, a significant drawback of the method is the creation of each network with the same parameters for different purposes and the principle of operation of information-transforming elements whose data structure and values are different from each other.

Способ обеспечивает решение задачи диагностики комплекса бортового оборудования, которая позволяет выявить неисправности оборудования, а также уменьшить время поиска места и причин отказа за счет применения многоканального контроля информационно-преобразующих элементов комплекса бортового оборудования модулем диагностики, программное обеспечение которого реализуется на основе комплексирования трех модифицированных алгоритмов машинного обучения, с модификацией в части автоматического определения оптимальных параметров обучения моделей для каждого информационно-преобразующего элемента, за счет предварительного анализа обучающей выборки, что обеспечивает полную автономность осуществления способа. Работа модуля диагностики осуществляется в режиме реального масштаба времени, что позволяет создавать на этапе испытаний комплекса бортового оборудования диагностические модели каждого информационно-преобразующего элемента (до конструктивно-съемной единицы: модуля, субмодуля), с целью их диагностирования комплексным применением алгоритмов машинного обучения с модифицированным алгоритмом фильтрации на основе одномерного фильтра Калмана, с модификацией в части автоматического определения оптимальных параметров фильтра для каждого информационно-преобразующего элемента, за счет предварительного анализа обучающей выборки, что обеспечивает полную автономность осуществления способа диагностирования.The method provides a solution to the problem of diagnosing a complex of on-board equipment, which makes it possible to identify equipment faults, as well as reduce the time of searching for the location and causes of failure through the use of multi-channel monitoring of the information-converting elements of the on-board equipment complex by a diagnostic module, the software of which is implemented based on the integration of three modified machine algorithms training, with modification in terms of automatic determination of optimal model training parameters for each information-transforming element, due to preliminary analysis of the training sample, which ensures complete autonomy of the method. The operation of the diagnostic module is carried out in real time, which makes it possible to create, at the testing stage of the on-board equipment complex, diagnostic models of each information-converting element (up to a structural and removable unit: module, submodule), in order to diagnose them using the complex application of machine learning algorithms with a modified algorithm filtering based on a one-dimensional Kalman filter, with modification in terms of automatic determination of optimal filter parameters for each information-transforming element, due to preliminary analysis of the training sample, which ensures complete autonomy of the diagnostic method.

Технический результат изобретения достигается тем, что в способе диагностирования информационно-преобразующих элементов бортового оборудования воздушного судна на основе машинного обучения реализуется принцип функционирования в интересах решения задачи автоматического построения диагностических моделей, подлежащих контролю информационно-преобразующих элементов бортового оборудования. Процесс диагностирования реализуется на отдельном унифицированном нейровычислительном модуле открытой архитектуры с типоразмером платы 6U с применением стандарта ГОСТ Р 52070-2003, а также с использованием комплексирования трех модифицированных алгоритмов машинного обучения, что позволит увеличить глубину поиска места отказа встроенным контролем в реальном времени, и, как следствие, уменьшить время поиска отказа за счет локализации его места, что позволит тем самым повысить коэффициент готовности воздушного судна. При этом в модуле диагностики происходит обучение (формирование кластера, определяющего работоспособное техническое состояние каждого информационно-преобразующего элемента: кластер, сформированный координатами входного и выходного сигнала информационно-преобразующего элемента, для которого автоматически формируется информационная диагностическая модель в виде ограниченного геометрического пространства признаков в выбранной метрике); фиксация (создание базы данных, включающих сформированные диагностические модели эталонного функционирования информационно-преобразующих элементов); отнесение данных контроля в реальном времени кластеру, описывающему работоспособное состояние информационно-преобразующего элемента: в случае, если данные реального времени принадлежат сформированному кластеру - в бортовую автоматизированную систему контроля выводится сообщение о работоспособном состоянии информационно-преобразующего элемента, в противном случае - выводится сообщение о неработоспособном состоянии информационно-преобразующего элемента.The technical result of the invention is achieved by the fact that in the method for diagnosing information-transforming elements of on-board equipment of an aircraft based on machine learning, the operating principle is implemented in the interests of solving the problem of automatically constructing diagnostic models that are subject to control of information-transforming elements of on-board equipment. The diagnostic process is implemented on a separate unified neurocomputing module of an open architecture with a 6U board size using the GOST R 52070-2003 standard, as well as using the integration of three modified machine learning algorithms, which will increase the depth of the search for the fault location with built-in real-time monitoring, and, as Consequently, to reduce the time required to search for a failure by localizing its location, thereby increasing the availability of the aircraft. At the same time, training occurs in the diagnostic module (the formation of a cluster that determines the operational technical state of each information-transforming element: a cluster formed by the coordinates of the input and output signal of the information-transforming element, for which an information diagnostic model is automatically generated in the form of a limited geometric space of features in the selected metric ); fixation (creation of a database including generated diagnostic models of the reference functioning of information-transforming elements); assignment of real-time monitoring data to a cluster describing the operational state of the information-converting element: if the real-time data belongs to the formed cluster, a message about the operational state of the information-transforming element is displayed in the on-board automated control system, otherwise a message about the inoperative state is displayed state of the information-transforming element.

Сущность изобретения заключается в том, что в модуле диагностики, построенном на основе функционирования трех модифицированных алгоритмов машинного обучения, представленных в виде программного кода, происходит их автоматическое обучение и диагностирование информационно-преобразующих элементов в режиме реального масштаба времени. С определенной дискретностью через программаторы, обращающиеся к энергонезависимым постоянным запоминающим устройствам (ПЗУ), МКИО по ГОСТ Р 52070-2003, и с помощью программаторов данные каждого информационно-преобразующего элемента записываются в соответствующие ячейки ПЗУ, согласно своим адресам оконечных устройств и подадресам передаваемых слов данных. После чего обученные данные проходят фильтрацию на основе модифицированного фильтра Калмана с автоматическим определением оптимальных параметров фильтра для каждого информационно-преобразующего элемента. Далее происходит обучение модифицированного алгоритма для каждого информационно-преобразующего элемента, после чего данные реального времени также подвергаются фильтрации на основе модифицированного фильтра Калмана, и передаются на вход обученного алгоритма для функционального диагностирования в режиме реального времени.The essence of the invention is that in the diagnostic module, built on the basis of the functioning of three modified machine learning algorithms, presented in the form of program code, they are automatically trained and diagnosed information-converting elements in real time. With a certain discreteness, through programmers accessing non-volatile read-only memory devices (ROM), MKIO in accordance with GOST R 52070-2003, and with the help of programmers, the data of each information-converting element is written to the corresponding ROM cells, according to their terminal device addresses and subaddresses of transmitted data words . After that, the trained data is filtered based on a modified Kalman filter with automatic determination of the optimal filter parameters for each information-transforming element. Next, a modified algorithm is trained for each information-converting element, after which real-time data is also filtered based on a modified Kalman filter, and transmitted to the input of the trained algorithm for functional diagnostics in real time.

На фиг.1 показана структурно-функциональная схема процесса диагностирования, которая представляет собой последовательный процесс взаимодействия модуля диагностики через магистральную шину МКИО с оконечными устройствами и информационно-преобразующими элементами, входящими в их состав: КШ - контроллер шины; ОУ - оконечное устройство; МШ - монитор шины; ИПЭ - информационно-преобразующий элемент; 1 - магистральная шина; 2 - экран; 3 - шлейф; 4 - устройство интерфейса; 5 - модуль диагностики; Тр - трансформатор гальванической развязки; Тр₁ - согласующий трансформатор; R_з - защитный резистор; ПО - программное обеспечение. Модуль диагностики (5) подключается как унифицированное устройство интерфейса к основной и резервной магистральной шине (1), которая выполнена из кабеля, содержащего витую экранированную пару проводников в защитной оболочке через ответвитель, представляющий собой шлейф (3), состоящий из двух защитных резисторов R_з, экрана (2), а также согласующего трансформатора Тр₁, и трансформатора гальванической развязки Тр.Figure 1 shows a structural and functional diagram of the diagnostic process, which represents a sequential process of interaction of the diagnostic module through the MKIO backbone bus with terminal devices and information-converting elements included in them: KS - bus controller; OU - terminal device; MSh - bus monitor; IPE - information-transforming element; 1 - main bus; 2 - screen; 3 - train; 4 - interface device; 5 - diagnostic module; Tr - galvanic isolation transformer; Tr ₁ - matching transformer; R _z - protective resistor; Software - software. The diagnostic module (5) is connected as a unified interface device to the main and backup main bus (1), which is made of a cable containing a twisted shielded pair of conductors in a protective sheath through a coupler, which is a loop (3) consisting of two protective resistors R _z , screen (2), as well as matching transformer Tr ₁ , and galvanic isolation transformer Tr.

Слова данных от оконечных устройств (ОУ), необходимые для обучения модуля диагностики, через микроконтроллер, запрограммированный на декодирование слов данных (СД) «Манчестер II», (кл) поадресно записываются в память данных в течение работы бортового оборудования на этапе испытаний. После создания базы обучающих информационных данных в модуле диагностики выполняются следующие команды: прием адресных данных от ОУ из памяти данных; инициализация команды создания алгоритма машинного обучения для конкретного адреса, содержащего в себе данные; формирование алгоритмом кластера, характеризующего работоспособное состояние каждого адреса и подадреса данных, а также сохранение программ обученных алгоритмов в память команд модуля диагностики. Далее выполняется процесс поадресной передачи декодированных СД на вход алгоритма с целью функционального диагностирования в режиме реального времени.Data words from terminal devices (OU), necessary for training the diagnostic module, through a microcontroller programmed to decode Manchester II data words (SD), (cl) are written address-by-address into the data memory during the operation of the on-board equipment at the testing stage. After creating a database of training information data, the following commands are executed in the diagnostic module: receiving address data from the op-amp from the data memory; initializing a command to create a machine learning algorithm for a specific address containing data; formation by the algorithm of a cluster characterizing the operational state of each address and data subaddress, as well as saving the programs of the trained algorithms into the command memory of the diagnostic module. Next, the process of address-by-address transmission of decoded LEDs to the input of the algorithm is performed for the purpose of functional diagnostics in real time.

На фиг. 2 показана блок-схема модифицированного алгоритма машинного обучения с автоматическим определением оптимальных параметров обучения. Для решения задач автоматического (без учителя) формирования информационных диагностических, наиболее подходящим методом машинного обучения является кластеризация, то для решения вышеуказанных задач был сформулирован ряд требований для разрабатываемого алгоритма диагностирования, на основе МО. Сформулированным требованиям удовлетворяют следующие методы кластеризации:In fig. Figure 2 shows a block diagram of a modified machine learning algorithm with automatic determination of optimal learning parameters. To solve the problems of automatic (without a teacher) generation of diagnostic information, the most suitable machine learning method is clustering, then to solve the above problems, a number of requirements were formulated for the developed diagnostic algorithm based on ML. The following clustering methods satisfy the stated requirements:

1. К-средних (K-means).1. K-means.

2. DBSCAN (Density Based Spatial Clustering of Application with Noise - пространственная кластеризация для приложений с шумами).2. DBSCAN (Density Based Spatial Clustering of Application with Noise - spatial clustering for applications with noise).

3. SOM (Self Organizing Map, или нейронная карта Кохонена).3. SOM (Self Organizing Map, or Kohonen neural map).

Параметры обучения, которые автоматически формируются в модифицированном алгоритме (указаны в виде блоков) реализованы в виде программы на языке Python.The training parameters that are automatically generated in the modified algorithm (indicated in the form of blocks) are implemented as a program in Python.

Для SOM: программа позволяет в реальном времени, обращаясь к массивам данных, с использованием функции «find_optimal_params», рассчитывать значения оптимальных размеров и структуры SOM. программа использует библиотеку «MiniSom» для создания и обучения самоорганизующейся карты (Self-Organizing Map, SOM) на наборе данных. Программа загружает данные и масштабирует их. Затем она определяет функцию «fmd_optimal_params», которая перебирает возможные значения параметров SOM и находит оптимальные параметры, максимизирующие точность предсказания. Далее программа создает SOM с найденными оптимальными параметрами, обучает его на обучающей выборке и преобразует данные с помощью этой SOM. Результаты преобразования сохраняются в соответствующие переменные.For SOM: the program allows you to calculate the values of the optimal sizes and structure of SOM in real time, accessing data arrays using the “find_optimal_params” function. the program uses the MiniSom library to create and train a Self-Organizing Map (SOM) on a data set. The program loads the data and scales it. It then defines a function “fmd_optimal_params” that iterates through the possible values of the SOM parameters and finds the optimal parameters that maximize prediction accuracy. Next, the program creates a SOM with the optimal parameters found, trains it on the training set, and transforms the data using this SOM. The conversion results are stored in the appropriate variables.

Для K-means: В этом примере используется библиотека «scikit-learn» для реализации алгоритма K-means и вычисления коэффициента силуэта. Данные загружаются из файла «data.npy». Диапазон значений для количества кластеров задается переменными «min_clusters» и «max_clusters». В цикле происходит обучение модели K-means с каждым количеством кластеров, а затем вычисляется коэффициент силуэта для оценки качества кластеризации. Если текущий коэффициент силуэта лучше предыдущего лучшего значения, то обновляются переменные «best_score» и «best_clusters». В конце программы выводятся лучшие параметры.For K-means: This example uses the "scikit-learn" library to implement the K-means algorithm and calculate the silhouette coefficient. The data is loaded from the "data.npy" file. The range of values for the number of clusters is specified by the variables “min_clusters” and “max_clusters”. The loop trains the K-means model with each number of clusters, and then calculates the silhouette coefficient to assess the quality of the clustering. If the current silhouette score is better than the previous best value, then the "best_score" and "best_clusters" variables are updated. At the end of the program the best parameters are displayed.

Для DBSCAN: программа использует библиотеку «scikit-learn» для реализации DBSCAN и генерации начальных массивов данных. Производится перебор возможных и поиск оптимальных значений параметров «eps» и «min_samples» в заданных диапазонах (для каждого массива обучающих данных) с использованием функции «fmd_optimal_params». Производится вывод параметров обучения, обучение модели на эталонных данных, сохранение меток кластера. Производится представление цикла «for» для перебора элементов в списке данных реального времени; в каждой итерации цикла переменной «i» присваивается индекс элемента в списке, а переменной «test_file» - значение элемента; после этого необходимо создать пустые списки «test_data» и «test_labels».For DBSCAN: the program uses the scikit-learn library to implement DBSCAN and generate the initial data sets. The possible values of the parameters “eps” and “min_samples” are searched through and searched for in the specified ranges (for each array of training data) using the function “fmd_optimal_params”. The training parameters are output, the model is trained on reference data, and the cluster labels are saved. A “for” loop is introduced to iterate through the elements in the list of real-time data; in each iteration of the loop, the variable “i” is assigned the index of the element in the list, and the variable “test_file” is assigned the value of the element; After this, you need to create empty lists “test_data” and “test_labels”.

На фиг. 3 показана блок-схема алгоритма диагностирования с мажорированием по методу «минимум два из трех».In fig. Figure 3 shows a block diagram of the diagnostic algorithm with majorization using the “at least two out of three” method.

На фиг. 4 показана схема сбора и подготовки информационных данных для моделей машинного обучения и диагностирования на их основе. Передаваемые информационные данные, входящие в состав СД, а также имеющие в своей структуре подадрес передаваемых СД и адрес ОУ, являются данными, закодированными биполярным фазоманипулированным кодом «Манчестер II». С целью работы с исходными данными, согласно фиг.4, СД декодируются, и с помощью программаторов записываются в соответствующие ячейки ПЗУ, согласно своим адресам ОУ и подадресам передаваемых СД. Программатор - это программно-аппаратное устройство, предназначенное для записи информации в ПЗУ. Помимо записи, подобное устройство должно обеспечивать возможность считывания информации из ПЗУ микросхемы.In fig. Figure 4 shows a diagram of collecting and preparing information data for machine learning models and diagnosing based on them. The transmitted information data included in the SD, as well as having in its structure the subaddress of the transmitted SD and the address of the op-amp, are data encoded with the bipolar phase-shift keying code “Manchester II”. In order to work with the source data, according to Fig. 4, the SDs are decoded and, with the help of programmers, written into the corresponding ROM cells, according to their OA addresses and the subaddresses of the transmitted SDs. A programmer is a hardware and software device designed to write information into ROM. In addition to recording, such a device must provide the ability to read information from the ROM of the microcircuit.

Одним из методов, позволяющих эффективно решать задачи кластеризации, - метод К-средних (K-means). K-means - это алгоритм кластеризации, который используется для группирования данных в K кластеров. Однако, когда K=1, алгоритм может быть эффективно использован для поиска аномалий в данных, то есть данных, соответствующих неработоспособному состоянию объекта контроля. Для этого алгоритм K-means с одним кластером применяется к данным, и центр кластера вычисляется как среднее значение всех точек данных. Затем расстояние между каждой точкой данных и центром кластера вычисляется, и точки данных, которые находятся на расстоянии больше определенного порога от центра кластера, считаются аномалиями.One of the methods that allows you to effectively solve clustering problems is the K-means method. K-means is a clustering algorithm that is used to group data into K clusters. However, when K=1, the algorithm can be effectively used to find anomalies in the data, that is, data corresponding to an inoperative state of the control object. To do this, the single-cluster K-means algorithm is applied to the data and the cluster center is calculated as the average of all data points. The distance between each data point and the cluster center is then calculated, and data points that are more than a certain threshold distance from the cluster center are considered anomalies.

Основная идея алгоритма заключается в минимизации суммарного квадратичного отклонения точек кластера от центра этого кластера, то естьThe main idea of the algorithm is to minimize the total square deviation of the cluster points from the center of this cluster, that is

где K - известное число кластеров.where K is a known number of clusters.

Идея адаптированного под решение задач диагностирования алгоритма K-means с одним кластером заключается в проверке декодированных информационных данных в реальном времени. При попадании значений входа и выхода в сформированный кластер работоспособного состояния, алгоритмом выводится сообщение «Данные принадлежат кластеру, ИПЭ работоспособен: 1». В случае если данные, полученные при информационном обмене между устройствами МКИО, не попадают в сформированный кластер работоспособного состояния, алгоритмом выводится сообщение «Данные не принадлежат кластеру, ИПЭ неработоспособен: 0».The idea of the K-means algorithm with one cluster, adapted to solving diagnostic problems, is to check decoded information data in real time. When the input and output values fall into the formed cluster of an operational state, the algorithm displays the message “Data belongs to the cluster, the IPE is operational: 1.” If the data received during information exchange between MKIO devices does not fall into the formed cluster of an operational state, the algorithm displays the message “Data does not belong to the cluster, the IPE is inoperative: 0.”

Второй используемый в изобретении метод кластеризации - метод DBSCAN (Density-Based Spatial Clustering of Applications with Noise - пространственная кластеризация, основанная на плотности для приложений с шумами). Метод DBSCAN позволяет эффективно обнаруживать кластеры произвольной формы, а также точки-выбросы (шум), проявляя высокую чувствительность к изменению данных.The second clustering method used in the invention is the DBSCAN (Density-Based Spatial Clustering of Applications with Noise) method. The DBSCAN method allows you to effectively detect clusters of arbitrary shape, as well as outlier points (noise), showing high sensitivity to data changes.

Идея адаптированного под решение задач диагностирования алгоритма DBSCAN с одним кластером также заключается в проверке декодированных информационных данных в реальном времени. При попадании значений входа и выхода в сформированный кластер работоспособного состояния, алгоритмом выводится сообщение «Данные принадлежат кластеру, ИПЭ работоспособен: 1». В случае если данные, полученные при информационном обмене между устройствами МКИО, не попадают в сформированный кластер работоспособного состояния, алгоритмом выводится сообщение «Данные не принадлежат кластеру, ИПЭ неработоспособен: 0» и помечаются как выбросы.The idea of the DBSCAN algorithm with one cluster, adapted for solving diagnostic problems, is also to check the decoded information data in real time. When the input and output values fall into the formed cluster of an operational state, the algorithm displays the message “Data belongs to the cluster, the IPE is operational: 1.” If the data received during information exchange between MKIO devices does not fall into the formed cluster of an operational state, the algorithm displays the message “Data does not belong to the cluster, IPE is inoperative: 0” and is marked as outliers.

Третий используемый в изобретении метод кластеризации - метод SOM (Self-Organizing Map), также известный как нейронная карта Кохонена. SOM - это вид нейронных сетей, используемых для кластеризации и визуализации многомерных данных. SOM представляет собой двухслойную нейронную сеть, состоящую из узлов (нейронов), организованных в виде двумерной сетки.The third clustering method used in the invention is the SOM (Self-Organizing Map) method, also known as a Kohonen neural map. SOM is a type of neural network used for clustering and visualizing multidimensional data. SOM is a two-layer neural network consisting of nodes (neurons) organized in a two-dimensional grid.

В SOM нейроны активного слоя не упорядочены. В процессе обучения подстраиваются веса только одного нейрона-победителя каждой ИНС для ИПЭ. Каждый i-й нейрон 2-го слоя имеет собственный вектор весов W_i, который сравнивается с входным вектором X. Сравнение подразумевает вычисление расстояния между X и W_i, так что в слое Кохонена появляется нейрон-победитель с номером j, веса которого имеют минимальное расстояние до входного вектора:In SOM, active layer neurons are not ordered. During the training process, the weights of only one winning neuron of each ANN are adjusted for IPE. Each i-th neuron of the 2nd layer has its own vector of weights _Wi , which is compared with the input vector X. The comparison involves calculating the distance between X and _Wi , so that the winning neuron with number j appears in the Kohonen layer, the weights of which have the minimum distance to input vector:

В качестве метрики здесь выступает евклидово расстояние:The metric here is the Euclidean distance:

Если векторы X и W нормализованные, то в качестве меры близости можно использовать скалярное произведение. Выход нейрона можно описать формулой:If the vectors X and W are normalized, then the scalar product can be used as a proximity measure. The output of a neuron can be described by the formula:

При этом выход нейрона j оказывается максимальным при одинаковых X и W:In this case, the output of neuron j turns out to be maximum at the same X and W:

Нормализация векторов выполняется по формулам:Normalization of vectors is performed using the formulas:

где , - нормализованные векторы, приведены к ограниченному диапазону значений [-1;1].Where , - normalized vectors are reduced to a limited range of values [-1;1].

Результатом работы слоя конкурирующих нейронов в структуре программной части модуля диагностики при подаче на входной слой некоторого вектора X является определение нейрона, который имеет наибольший выходной сигнал y_j (нейрон-победитель). Этот нейрон обладает весовым вектором W_j, который наиболее близок к входному вектору.The result of the work of a layer of competing neurons in the structure of the software part of the diagnostic module, when a certain vector X is supplied to the input layer, is the determination of the neuron that has the largest output signal y _j (the winning neuron). This neuron has a weight vector W _j that is closest to the input vector.

Нейроны слоя Кохонена работают не изолированно, между ними существуют соревновательные связи, с помощью которых близкие нейроны усиливают сигналы друг друга.Neurons of the Kohonen layer do not work in isolation; there are competitive connections between them, with the help of which close neurons strengthen each other’s signals.

В алгоритме происходит обучение нейронной сети типа SOM на ранее загруженных данных. SOM объединяет данные в кластер и присваивает кластеру работоспособного состояния метку. Затем происходит вывод меток кластера и определение, принадлежат ли новые данные к кластеру, или нет.The algorithm trains a neural network of the SOM type on previously loaded data. SOM aggregates the data into a cluster and assigns a healthy state label to the cluster. Then it outputs the cluster labels and determines whether the new data belongs to the cluster or not.

Далее данные разделяются на данные, принадлежащие и не принадлежащие кластеру, с выводом соответствующих сообщений.Next, the data is divided into data that belongs and does not belong to the cluster, with the corresponding messages being displayed.

При сборе обучающей информации на данный процесс могут воздействовать различные внешние возмущающие воздействия. В конечном итоге собранные данные могут содержать шумы, ошибки и другие аномалии, которые могут привести к неправильной оценке технического состояния системы. Фильтрация данных позволяет устранить шумы и ошибки в данных, что повышает точность оценки технического состояния системы. Это особенно важно для систем, где даже малейшие отклонения могут привести к серьезным последствиям.When collecting training information, this process can be affected by various external disturbances. Ultimately, the collected data may contain noise, errors and other anomalies that can lead to an incorrect assessment of the technical condition of the system. Data filtering allows you to eliminate noise and errors in the data, which increases the accuracy of assessing the technical condition of the system. This is especially important for systems where even the slightest deviations can lead to serious consequences.

Кроме того, фильтрация данных может помочь снизить объем данных, которые нужно обрабатывать, что упрощает и ускоряет процесс идентификации технических состояний. В целом, использование фильтрации данных является необходимым для достижения более точной и надежной оценки технического состояния системы и повышения ее эффективности и безопасности, а также позволит избежать возникновения ошибок первого и второго рода при применении разработанных алгоритмов.Additionally, data filtering can help reduce the amount of data that needs to be processed, making the process of identifying technical conditions easier and faster. In general, the use of data filtering is necessary to achieve a more accurate and reliable assessment of the technical condition of the system and increase its efficiency and safety, and will also avoid the occurrence of errors of the first and second types when using the developed algorithms.

Для фильтрации обучающих данных, а также данных реального времени был модифицирован одномерный фильтр Калмана с автоматическим определением параметров фильтра на языке программирования Python: данная программа реализует фильтр Калмана для одномерной временной серии данных. Он использует библиотеки «numpy» и «pandas» для обработки данных. Функция «kalman_filter» принимает на вход массив данных, параметры шума системы (Q) и шума измерений (R). Она инициализирует переменные и массивы для хранения отфильтрованных данных, ошибки предсказания (Р), предсказанных значений (x) и коэффициента Калмана (K). Затем она проходит по каждому элементу данных и применяет фильтр Калмана для предсказания и обновления значения. На первой итерации функция сохраняет исходное значение в отфильтрованные данные и устанавливает ошибку предсказания равной 1. На следующих итерациях функция предсказывает значение на основе предыдущего отфильтрованного значения и ошибки предсказания, а затем обновляет значение на основе измеренного значения и ошибки предсказания.To filter training data, as well as real-time data, a one-dimensional Kalman filter was modified with automatic determination of filter parameters in the Python programming language: this program implements a Kalman filter for a one-dimensional time series of data. It uses the "numpy" and "pandas" libraries to process data. The “kalman_filter” function takes as input a data array, system noise (Q) and measurement noise (R) parameters. It initializes variables and arrays to store the filtered data, prediction error (P), predicted values (x), and Kalman coefficient (K). It then goes through each data item and applies a Kalman filter to predict and update the value. In the first iteration, the function stores the original value into the filtered data and sets the prediction error to 1. In subsequent iterations, the function predicts the value based on the previous filtered value and the prediction error, and then updates the value based on the measured value and the prediction error.

Способ осуществляется следующим образом.The method is carried out as follows.

1. Осуществляется сбор и подготовка исходных данных, а также импортирование необходимых библиотек применяемого языка программирования в алгоритме.1. Source data is collected and prepared, as well as the necessary libraries of the programming language used in the algorithm are imported.

На этом шаге исходные данные представляют собой выборку, полученную в ходе проведения испытаний БО при различных режимах работы, которая поадресно фиксируется в память данных вычислительного модуля. Каждому адресу данных, полученных через обращение к МКИО, соответствует массив входных и выходных значений, которые описывают заведомо работоспособное техническое состояние диагностируемых ИПЭ. В процессе сбора обучающих данных их количество будет определяться из вычислительных возможностей модуля диагностики, а также возможностей постоянного запоминающего устройства (ПЗУ).At this step, the initial data is a sample obtained during testing of the BO under various operating modes, which is stored address-by-address in the data memory of the computing module. Each data address received through an appeal to the MKIO corresponds to an array of input and output values that describe the known operational technical state of the diagnosed IPE. In the process of collecting training data, their quantity will be determined from the computing capabilities of the diagnostic module, as well as the capabilities of the read-only memory (ROM).

2. Осуществляется масштабирование и нормализация данных, с целью приведения к ограниченному диапазону значений [-1;1]. В качестве метрики здесь выступает евклидово расстояние.2. Scaling and normalization of the data is carried out in order to bring it to a limited range of values [-1;1]. The metric here is the Euclidean distance.

3. Автоматическое создание моделей машинного обучения: K-means, SOM и DBSCAN. На этом этапе производится создание используемых моделей машинного обучения для каждого сохраненного адреса и подадреса информационных данных, ввод их характеристик, назначение переменных для хранения промежуточных результатв вычислений. Созданные модели машинного обучения обращаются через программаторы к каждому сохраненному массиву данных входа и выхода соответствующего ИПЭ. Таким образом, для каждого ИПЭ формируются 3 модели машинного обучения.3. Automatic creation of machine learning models: K-means, SOM and DBSCAN. At this stage, the machine learning models used are created for each stored address and subaddress of information data, their characteristics are entered, and variables are assigned to store intermediate results of calculations. The created machine learning models access through programmers each stored data array of the input and output of the corresponding IPE. Thus, for each IPE, 3 machine learning models are formed.

4. Автоматическое определение параметров обучения моделей: количество нейронов, структура ИНС, метод обучения, функция активации (для SOM); количество кластеров, параметр «random_state» - это параметр, который используется в алгоритмах машинного обучения для установки начального состояния генератора случайных чисел (для K-means); параметров «eps» и «min_samples», которые определяют, как алгоритм будет проводить кластеризацию, «eps» определяет радиус окружности, в которой должно находиться не менее «min_samples» объектов для того, чтобы они были отнесены к одному кластеру (для DBSCAN).4. Automatic determination of model training parameters: number of neurons, ANN structure, training method, activation function (for SOM); number of clusters, the “random_state” parameter is a parameter that is used in machine learning algorithms to set the initial state of the random number generator (for K-means); parameters “eps” and “min_samples”, which determine how the algorithm will perform clustering, “eps” determines the radius of the circle in which at least “min_samples” of objects must be located in order for them to be assigned to the same cluster (for DBSCAN).

5. Осуществляется обучение моделей на данных по критериям получения кластера, описывающего работоспособное состояние ИПЭ. Для определения границ кластеров целесообразно использовать статистические методы, такие, как правило трех сигм, который определяет границу, выше которой находятся точки данных с высокой вероятностью быть аномалиями. Правило трех сигм (или правило трех сигм Лапласа) в кластеризации используется для определения границ кластеров и выбросов в данных.5. Models are trained on data according to the criteria for obtaining a cluster that describes the operational state of the IPE. To determine the boundaries of clusters, it is advisable to use statistical methods, such as the three-sigma rule, which determines the boundary above which there are data points with a high probability of being anomalies. The three-sigma rule (or Laplace's three-sigma rule) in clustering is used to determine the boundaries of clusters and outliers in the data.

6. Применение мажоритарного принципа формирования на выходе сигнала о результатах контроля ИПЭ по методу два из трех при контроле данных, полученных от ИПЭ в реальном времени. Данный принцип используется с целью недопущения ложной идентификации данных реального времени алгоритмами (ошибок первого и второго рода).6. Application of the majority principle of generating a signal at the output about the results of IPE monitoring using the two out of three method when monitoring data received from IPE in real time. This principle is used to prevent false identification of real-time data by algorithms (errors of the first and second types).

7. Вывод соответствующих сообщений с учетом пункта 6, а также запись информации в штатную бортовую автоматизированную систему контроля воздушного судна.7. Output of relevant messages taking into account paragraph 6, as well as recording information into the standard on-board automated control system of the aircraft.

Отличительными особенностями разработанного способа являются:Distinctive features of the developed method are:

- представлен полностью автоматический процесс диагностирования ИПЭ на основе комплексирования трех модифицированных алгоритмов машинного обучения, с модификацией в части автоматического определения оптимальных параметров обучения моделей для каждого информационно-преобразующего элемента, за счет предварительного анализа обучающей выборки, что обеспечивает полную автономность осуществления способа;- a fully automatic process for diagnosing IPE is presented based on the integration of three modified machine learning algorithms, with a modification in terms of automatic determination of optimal model training parameters for each information-transforming element, due to preliminary analysis of the training sample, which ensures complete autonomy of the method;

- наличие единой унифицированной методической и алгоритмической основы построения и применения соответствующих диагностических моделей ИПЭ любой сложности для определения технического состояния всего КБО, выполняющего свои функции через МКИО, в реальном времени;- the presence of a single unified methodological and algorithmic basis for the construction and application of appropriate diagnostic models of IPE of any complexity to determine the technical condition of the entire OEC, performing its functions through the ICIO, in real time;

- при сборе обучающих информационных данных, а также данных реального времени, полученных через МКИО от ОУ, учитываются возможные влияния внешних возмущающих воздействий, а также собственные шумы датчиков. С целью устранения (компенсации) возмущающих воздействий, а также недопущения неправильной оценки технического состояния системы модулем диагностики, был модифицирован одномерный фильтр Калмана с автоматическим определением оптимальных параметров фильтрации.- when collecting training information data, as well as real-time data received through the MKIO from the op-amp, the possible influences of external disturbing influences, as well as the intrinsic noise of the sensors, are taken into account. In order to eliminate (compensate) disturbing influences, as well as to prevent incorrect assessment of the technical condition of the system by the diagnostic module, the one-dimensional Kalman filter was modified with automatic determination of optimal filtration parameters.

- возможность охвата контролем всего КБО ВС, выполняющего свои функции через МКИО: до тридцати одного ОУ, каждый из которых является отдельной системой ВС, и может включать до тридцати двух подадресов ОУ (блоков, модулей, субмодулей);- the ability to control the entire OEC of an aircraft performing its functions through the MKIO: up to thirty-one OS, each of which is a separate aircraft system, and can include up to thirty-two subaddresses of the OS (blocks, modules, submodules);

- процесс формирования кластеров, описывающих работоспособное состояние каждого ИПЭ БО ВС, является полностью автоматическим и не предусматривает наличие оператора (человека): при решении задач формирования кластеров, применяется метод кластеризации, который предполагает применение метода «обучения без учителя»;- the process of forming clusters that describe the operational state of each IPE BO BC is fully automatic and does not require the presence of an operator (human): when solving problems of cluster formation, the clustering method is used, which involves the use of the “unsupervised learning” method;

- разработанный способ диагностирования сочетает в себе комплексирование трех модифицированных алгоритмов машинного обучения с автоматическим определением оптимальных параметров обучения, а также мажоритарный принцип формирования на выходе сигнала о результатах контроля каждого ИПЭ БО по методу «два из трех», с целью повышения достоверности диагноза, а также недопущения возникновения ошибок первого и второго рода.- the developed diagnostic method combines the integration of three modified machine learning algorithms with automatic determination of optimal training parameters, as well as the majority principle of generating an output signal about the results of monitoring each IPE BO using the “two out of three” method, in order to increase the reliability of the diagnosis, as well as preventing the occurrence of errors of the first and second types.

Claims

A method for diagnosing a complex of aircraft on-board equipment based on unsupervised machine learning with automatic determination of model training parameters, containing stages in which:

the collection and preparation of initial data is carried out, as well as the import of the necessary libraries of the programming language used in the algorithm,

the transmitted information data is determined, which is part of the data words, as well as having in its structure the subaddress of the transmitted data words and the address of the terminal devices, which are data encoded by the bipolar phase-shift keying code “Manchester II”, and in order to work with the original data, the data words are decoded and using programmers, they are written into the corresponding ROM cells, according to their addresses of the terminal devices and the subaddresses of the transmitted data words,

automatic determination of the optimal parameters of the one-dimensional Kalman filter is carried out,

a modified Kalman filter is applied to the collected data,

machine learning models K-means, SOM and DBSCAN are automatically created,

automatic determination of model training parameters is carried out,

models are trained on data according to the criteria for obtaining a cluster that describes the operational state of each information-transforming element,

a modified Kalman filter is applied to real-time data,

address information data is transmitted in real time to trained models for the purpose of functional diagnostics,

the majority principle of generating a signal at the output about the results of control of the electrical power supply is applied using the two out of three method when monitoring data received from the electrical power supply in real time,

corresponding messages about operability (inoperability) are displayed, and information is also recorded in the standard on-board automated control system of the aircraft.