Содержание к диссертации
Введение
1. Анализ методов моделирования электропотребления бортовых прием ников энергии 9
1.1 Анализ существующих методов моделирования электропотребления 9
1.2 Анализ методик применения искусственных нейронных сетей (ИНС) для решения задач моделирования электропотребления 18
1.3 Аналитическая оценка нейросетевых моделей 22
1.4 Основные принципы функционирования комплекта унифицированных приборов автоматического регулирования и контроля системы электроснабжения (СЭС) служебного модуля (СМ) космической станции (КС) 31
1.5 Цели работы и задачи исследования 41
2. Алгоритмизация обработки исходной информации для построения нейросетевых моделей электропотребления бортовой СЭС 43
2.1 Общая схема решения задачи моделирования электропотребления бортовой СЭС 43
2.2 Алгоритм сокращения размерности векторов внешних и внутренних-входных переменных 49
23 Алгоритм оценивания области достоверных значений нейросетевой модели 60
2.4 Алгоритм выбора структуры и размерности нейросетевой модели 66
Выводы 70
3. Исследование и разработка алгоритмов обучения объектно- ориентированных нейросетевых моделей электропотребления бортовой СЭС 72
3.1. Постановка задачи обучения нейросетевой модели электропотреб ления бортовой СЭС 72
3.2 Оценка возможностей алгоритмов обучения искусственных нейронных сетей 74
3.3 Алгоритмическая реализация процесса обучения нейросетевой модели электропотребления бортовой СЭС 86
3.4 Результаты сравнительного анализа эффективности алгоритмов обучения 92
Выводы 95
4. Имитационное моделирование электропотребления СМ КС 97
4.1 Выбор выходных параметров модели электропотребления СМ КС 97
4.2 Предметный анализ факторов, влияющих на электропотребление СМ КС 99
4.3 Формирование нейросетевой модели электропотребления 106
4.4 Программная реализация имитационного моделирования электропотребления СМ КС 114
Выводы. 127
Заключение 128
Библиографический список
- Анализ методик применения искусственных нейронных сетей (ИНС) для решения задач моделирования электропотребления
- Алгоритм сокращения размерности векторов внешних и внутренних-входных переменных
- Оценка возможностей алгоритмов обучения искусственных нейронных сетей
- Предметный анализ факторов, влияющих на электропотребление СМ КС
Введение к работе
Актуальность темы. Важная роль в современных условиях отводится системному анализу электроснабжения промышленных и гражданских объектов, транспортных средств, а также различного вида бортовых систем, который может быть выполнен различными способами.
Одним из актуальных направлений исследования является моделирование электропотребления бортовых систем. Данная задача является неформализованной, то есть не существует однозначной зависимости, описывающей связь электропотребления бортовой системы с множеством факторов и параметров, оказывающих на нее влияние. Используемые в данной области классические методы моделирования не обеспечивают требуемой точности и адекватности моделей.
Прикладные интеллектуальные системы, ориентированные на обработку и использование знаний, находят все большее применение в задачах проектирования, испытания и эффективной эксплуатации систем электроснабжения (СЭС). Важную роль в решении таких задач могут сыграть нейросетевые модели и технологии. Вычисления, основанные на использовании моделей искусственных нейронных сетей (ИНС), эффективны и применимы для решения так называемых неформализуемых и плохоформализуемых задач, связанных с необходимостью включения в алгоритм решения реальных экспериментальных данных. Модели, так или иначе использующие ИНС, являются одной из возможных альтернатив классическим методам. Использование ИНС для решения задач прогнозирования во многом основывается на том, что ИНС может аппроксимировать любую функцию действительных чисел с заданной степенью точности. Возможность применения ИНС в условиях обработки информации от большого количества источников, неполноты данных, обработки как качественных, так и количественных показателей, адаптация алгоритмов их функцио- нирования к изменяющимся внешним факторам позволяет выбрать для решения поставленный задачи аппарат ИНС.
В связи с этим научную и практическую значимость приобретает задача исследования и разработки объектно-ориентированных методов моделирования электропотребления бортовых систем на основе нейросетевых технологий, что определяет актуальность диссертационной работы.
Диссертационная работа выполнена в рамках научного направления Воронежского государственного технического университета «Вычислительные системы и программно-аппаратные электротехнические комплексы».
Цель и задачи исследования. Целью диссертационной работы является разработка оптимальных нейросетевых моделей, алгоритмов, математического и программного обеспечения, повышающих достоверность прогнозирования электро потребления бортовых СЭС.
Исходя из данной цели в работе определены следующие задачи: выполнить анализ существующих методов решения задачи моделирования электропотребления; обосновать возможность решения задачи моделирования электропотребления бортовых СЭС на основе аппарата искусственных нейронных сетей; разработать алгоритмы построения и обучения объектно-ориентированных нейросетевых моделей электропотребления бортовой СЭС; разработать программный комплекс, предназначенный для проведения вычислительных экспериментов по обучению объектно-ориентированной ней-росетевой модели; выполнить имитационное моделирование электропотребления служебного модуля (СМ) космической станции (КС) на основе аппарата ИНС.
Методы исследования. В работе использованы методы математического моделирования, теории искусственных нейронных сетей, теории оптимизации, численных методов, математической статистики, вычислительных экспериментов, объектно-ориентированного программирования.
Научная новизна. В работе получены следующие результаты, характеризующиеся научной новизной: формализованное описание процессов построения неиросетевых моделей электропотребления бортовой СЭС, отличающееся использованием возвратных процедур, позволяющих сократить затраты времени на построение ИНС за счет проведения оценки качества предварительной обработки исходных данных; алгоритм последовательной коррекции структуры ИНС, позволяющий осуществлять дополнительный контроль точности построенных неиросетевых моделей электропотребления бортовой СЭС; нейросетевая модель электропотребления СМ КС, отличающаяся использованием интегральных коэффициентов входных параметров, позволяющих сократить размерность нейронной сети без потери адекватности прогнозов; структура программного обеспечения моделирования электропотребления бортовой СЭС, отличающаяся возможностью применения нетиповых алгоритмов обучения неиросетевых моделей.
Практическая ценность работы. На основе предложенных моделей и алгоритмов разработано информационное и программное обеспечение, позволяющее автоматизировать процесс моделирования электропотребления СМ КС.
Предложенный подход построения моделей электропотребления бортовых СЭС применен к проектированию и испытанию СЭС СМ КС.
Реализация и внедрение результатов работы. Основные теоретические и практические результаты работы реализованы в виде программного обеспечения, предназначенного для моделирования электропотребления СМ КС. Программный комплекс зарегистрирован в Государственном фонде алгоритмов и программ Российской Федерации № 50200501487 от 19.10.05.
Разработанный программный комплекс моделирования электропотребления внедрен в испытательный процесс СМ КС на научно-производственном комплексе «Космос-ЭНВО», г. Воронеж.
Результаты диссертационной работы используются в учебном процессе ВГТУ при изучении студентами специальности 230200 «Информационные системы» специальной дисциплины «Нейросетевые технологии», при выполнении курсовых и дипломных работ.
Апробация работы. Основные положения и результаты диссертационной работы докладывались и обсуждались на следующих конференциях: Всероссийская конференция «Интеллектуальные информационные системы» (Воронеж, 2002-2005), Всероссийская научно-практическая конференция «Совершенствование наземного обеспечения авиации» (Воронеж, 2003), IX Международная открытая научная конференция «Современные проблемы информатизации в системах моделирования, программирования и телекоммуникациях» (Воронеж, 2004), Всероссийская научно-техническая конференция «Новые технологии в научных исследованиях, проектировании, управлении, производстве» (Воронеж, 2005) и Международная конференция «Системные проблемы надежности, качества, информационных и электронных технологий» (Сочи, 2005).
Публикации. По материалам диссертационный работы опубликовано 12 работ, из них 4 статьи, в том числе 3 без соавторства. В работах, опубликованных в соавторстве, лично соискателем: [7] - обоснована необходимость применения аппарата ИНС в задачах моделирования электропотребления СМ КС; [8] - предложен алгоритм увеличения скорости построения нейросетевой модели электропотребления СМ КС за счет проведения предварительной обработки исходных данных; [9] - предложен алгоритм выбора оптимальной размерности нейросетевой модели с контрольной проверкой; [6] - предложен обобщенный алгоритм построения нейросетевой модели электропотребления СМ КС.
Структура и объем работы* Диссертация состоит из введения, четырех глав, заключения, библиографического списка из 109 наименований, трех приложений. Основная часть работы изложена на 129 страницах, содержит 45 рисунков и 2 таблицы.
Анализ методик применения искусственных нейронных сетей (ИНС) для решения задач моделирования электропотребления
Применение ИНС в задачах прогностического моделирования электропотребления в России и странах СНГ началось лишь с середины 90-х годов. Первыми публикациями здесь можно считать [54, 83, 87]. В данных публикациях затрагивались , прежде всего, возможности практического применения ИНС для наземных объектов.
ИНС обладает рядом достоинств, которые позволяют использовать ее для прогнозирования электропотребления бортовых систем. К этим достоинствам относятся: способность восстанавливать нелинейные функциональные зависимости; хорошая работоспособность в условиях неполных данных; возможность использования малых ОВ, необеспечивающих получение статистически достоверных результатов классическими методами; быстрый отклик обученной сети.
Для прогноза электропотребления в СЭС используются различные модели нейронных сетей [29, 67, 93]. Например, строится модель для прогноза электропотребления одного часа суток. Преимущество этого вида моделей — простота. Недостатком является необходимость создания большого количества моделей.
Другой вид моделей прогнозирует электропотребления на несколько часов. Каждые сутки делятся на несколько частей, каждая часть нагрузки прогнозируется своей рекуррентной сетью.
Третий вид модели используется для прогнозирования электропотребления на один день недели. Чтобы спрогнозировать энергопотребление каждого дня недели необходимо сформировать и обучить семь нейронных сетей.
Очень часто для решения задачи прогнозирования используются самоорганизующиеся карты Кохонена. Карты Кохонена группируют суточные графики, таким образом, чтобы похожие данные оказались в одном классе. Затем для каждого класса обучается ИНС, которая учится предсказывать электропотребление в каждом классе. Такая модель была использована в [54] для сверхсрочного прогнозирования электропотребления.
В [99] для прогнозирования дневного электропотребления используются самоорганизующиеся карты Кохонена. При решении данной задачи очень важно оптимально выбрать количество нейронов в выходном слое, так как именно это определяет степень похожести графиков в одном классе. В данной работе предлагается сеть размером 10 10. ИНС делит входные данные в зависимости от графика электропотребления. Нейронная сеть сохраняется в виде весовых коэффициентов. В реальном времени сеть работает, используя ее собственные ассоциативные свойства. Оценка часового электропотребления производится на основе ранее известной информации. Алгоритм анализирует электропотребление нескольких прошедших лет, используя карты Кохонена, оценивает электропотребление будущего дня объединением образа электропотребления похожего дня и ожидаемой информации о прогнозном дне.
В [87] ИНС используется для краткосрочного прогнозирования электропотребления с временным упреждением от нескольких минут до одного часа. В работе сформирован трехслойный персеитрон с 5 нейронами в скрытом слое. В качестве характеристической функции использовалась сигмоидальная функция. Входными данными являлись значения электропотребления, полученные на основе решения задачи оценивания состояния системы по данным телеметрических измерений. В работе проводился анализ влияния ретроспективных данных на точность прогноза.
В [86] для прогнозирования суммарного электропотребления СЭС используется трехслойный персептрон. Сеть обучается вне реального времени. ОВ является ретроспективные графики электропотребления. Создается несколько нейронных сетей для прогнозирования электропотребления на одни сутки. Нейронные сети обучаются на разных временных интервалах суточного графика электропотребления. Их обучение осуществляется на соответствующих интервалах графиков предшествующих суток. Точность прогнозирования электропотребления зависит от репрезентативности ОВ, Далее осуществляется прогнозирование электропотребления энергоузлов на основе взаимосвязи между суммарной нагрузкой группы и нагрузкой каждого узла.
В [104] производится краткосрочное прогнозирование электро потребления с учетом цены на электроэнергию. Обычно системная нагрузка складывается из четырех компонент (предложенная методика построена на основе статистических методов (формула - 1.1), но построение функций компонент осуществляется ИНС): L = Ln+Lw + l1+Lr, (1.17) где Ln - представляет нормальную часть нагрузки (стандартная нагрузка для каждого типа дня); Lw - соответствует нагрузке, которая чувствительна к погоде; Ls - соответствует специальному событию, которое приводит к значительному отклонению от обычного поведения нагрузки; Lr - представляет часть нагрузки, определяемой белым шумом.
С учетом цены на электроэнергию системная нагрузка представляется как L =/ (день, погода, специальная информация, цена, случайный фактор), где /нелинейная функция, которую трудно представить традиционными статистическими методами.
В данной работе выполняется прогноз трехслойным персептроном, который имеет 100 входных данных, 48 нейронов в скрытом слое, 24 выходов. Преобразующей функцией от входного слоя к скрытому слою является сигмо-идная функция, от скрытого слоя к выходному является линейная функция. Такая структура сети выбрана в результате экспериментов.
Алгоритм сокращения размерности векторов внешних и внутренних-входных переменных
Правильный выбор входных переменных очень часто представляет большие трудности. Так как неизвестно заранее, какие из входных переменных действительно полезны для решения задачи и выбор хорошего множества входов бывает затруднен целым рядом обстоятельств [10, 17]:
Проклятие размерности. Каждый дополнительный входной элемент сети - это новая размерность в пространстве данных. С этой точки зрения становится понятно следующее: чтобы достаточно плотно «заселить» N - мерное пространство и «увидеть» структуру данных, нужно иметь довольно много точек. Необходимое число точек быстро возрастает с ростом размерности пространства (приблизительно, как 2N для большинства методов). Большинство типов нейронных сетей (в частности, многослойный персептрон МСП) в меньшей степени страдают от проклятия размерности, чем другие методы, потому что сеть умеет следить за проекциями участков многомерного пространства в пространства малой размерности (например, если все веса, выходящие из некоторого входного элемента, равны нулю, то МСП - сеть полностью игнорирует эту входную переменную). Тем не менее, проклятие размерности остается серьезной проблемой и качество работы сети можно значительно улучшить, исключив ненужные входные переменные. На самом деле, чтобы уменьшить эффект проклятия размерности иногда бывает целесообразно исключить даже те входные переменные, которые несут в себе некоторою (незначительную) информацию.
Внутренние зависимости между переменными. Было бы очень хорошо, если бы каждую переменную - кандидата на то, чтобы служить входом се ти, можно было бы независимо оценить на «полезность», а затем отобрать самые «полезные» переменные. К сожалению, как правило, это бывает невозможно сделать и две или более взаимосвязанных переменных могут вместе нести существенную информацию, которая не содержится ни в каком их подмножестве. Таким образом, в общем случае переменные нельзя отбирать независимо.
Избыточность переменных. Одна и та же информация в большей или меньшей степени повторяется в разных переменных. Например, данные о росте и весе человека, как правило, несут в себе сходную информацию, поскольку они сильно коррелированны. Может оказаться так, что в качестве входов достаточно взять лишь часть из нескольких коррелированных переменных и этот выбор может быть произвольным. В таких ситуациях вместо всего множества переменных лучше взять их часть - этим мы избегаем проклятия размерности.
Итак, выбор входных переменных - это исключительно важный этап при построении нейронной сети.
Существует и другой подход к проблеме размерности, который может использоваться как альтернатива или как дополнение к методам отбора переменных - это понижение размерности. Суть его состоит в том, что исходная со-вокупность переменных преобразуется в новую совокупность, состоящую из меньшего числа переменных, но при этом содержащую по возможности всю информацию, заложенную в исходных данных. В качестве примера рассмотрим данные, все точки которых расположены на некоторой плоскости в трехмерном пространстве. Истинная размерность данных равна двум (поскольку вся информация на самом деле содержится в двумерном подпространстве). Если мы сумеем обнаружить эту плоскость, то на вход нейронной сети можно будет подавать входные данные меньшей размерности, и будет больше шансов на то, что такая сеть будет работать правильно.
В исследовательской и практической статистической работе приходится сталкиваться с ситуациями, когда общее число р признаков x(l\xa\..jclp), реги стрируемых на каждом из множества обследуемых объектов очень велико. Тем не менее, имеющиеся многомерные наблюдения Л, Х,= ,/ = 1,2,...,«, (2.9) v(p) следует подвергнуть статистической обработке, осмыслить либо ввести в базу данных для того, чтобы иметь возможность их использовать в нужный момент. Желание экспериментатора представить каждое из наблюдений (2.9) в виде вектора Й некоторых вспомогательных показателей hm,h{2) ,...И1рШ) с существенно меньшим (чем р) числом компонент р бывает обусловлено в первую очередь следующими причинами:
1) необходимостью наглядного представления (визуализации) исходных данных (2.8), что достигается их проецированием на специально подобранное трехмерное пространство (р =3), плоскость (р =2) или числовую прямую (P =V;
2) стремлением к лаконизму (краткости и четкости) исследуемых моделей, обусловленному необходимостью упрощения счета и интерпретации полученных статистических выводов;
3) необходимостью существенного сжатия объемов хранимой статистической информации (без видимых потерь ее информативности), если речь идет о записи и хранении массивов типа (2.9) в специальной базе данных.
При этом новые (вспомогательные) признаки й(1,,й(2\...й /0 могут выбираться из числа исходных или определяться по какому-либо правилу по совокупности исходных признаков, например как их линейные комбинации. При формировании новой системы признаков, к последним предъявляются разного рода требования, такие, как наибольшая информативность, взаимная некоррелированность, наименьшее искажение геометрической структуры множества исходных данных и т.п. В зависимости от варианта формальной конкретизации этих требований приходим к тому или иному алгоритму снижения размерности. Имеется, по крайней мере, три основных типа принципиальных предпосылок, обусловливающих возможность перехода от большего числа/? исходных показателей состояния электропотребления бортовой СЭС к существенно меньшему числу р наиболее информативных переменных.
Оценка возможностей алгоритмов обучения искусственных нейронных сетей
Долгое время не существовало теоретически обоснованного алгоритма для обучения многослойных ИНС. Разработка метода обратного распространения ошибки сыграла важную роль в дальнейшем развитии нейронных сетей. Обратное распространение - это систематический метод для обучения многослойных ИНС [35].
На рис. 3.1 представлена простейшая двухслойная сеть, с помощью которой удобно рассмотреть метод обратного распространения.
Где fnk - некоторая функция преобразователя нейрона п слоя к, wmn вес синапса (параметр), выходящего из нейрона т и входящего в нейрон п. Для уп рощення изображения нейрон представлен в виде одного элемента, объединяющего аддитивный сумматор и преобразователь.
На первом шаге для каждой пары ОВ вычисляется выход сети, это так называемый «проход вперед» и строится целевая функция Q(w). С помощью векторной нотации для участка сети, изображенного на рисунке, данный процесс может быть выражен следующим образом. Пусть X - входной вектор, W -матрица параметров, F - вектор функций слоя к. Тогда выходной вектор Y равен: Y = Fk{XW) (3.1)
На следующем шаге вычисляется сумма квадратов разности между выходом сети и требуемым выходом для всех обучающих пар и осуществляется коррекция параметров сети так, чтобы минимизировать ошибку, это так называемый «обратный проход». Коррекция параметра от нейрона/? в слое у к нейрону q в слое к происходит следующим образом. Пусть wpgJ[(s) - параметр от нейрона р в слое j к нейрону q в слое к на шаге 5, a &wpsJl - соответственно его коррекция, т.е. параметр на шаге s + 1 определяется следующим образом:
В свою очередь wP =- q,Jpj (З-3) где / . - функция, реализуемая нейроном р слоя j\ є - длина шага в направлении, обратном градиенту (обычно от 0,001 до 1), множитель SlJt для выходных элементов вычисляется следующим образом: = Qfq\ (3.4) где Q - сумма квадратов разности между выходом сети и требуемым выходным сигналом (целевая функция), для скрытых элементов дяк вычисляется следующим образом: SPJ = fpjlLw 4.kdq (3.5) ч где индекс q пробегает номера всех нейронов, которые воздействуют на нейрон р.
«Проход вперед» и «обратный проход» повторяются до тех пор, пока ошибка не достигнет приемлемого уровня, или fj = 0 для всех нейронов d, или количество проходов достигнет некоторого предельного значения. Последнее говорит о том, что обучение с задачей не справилось, точка минимума не найдена, а произошло лишь некоторое улучшение целевой функции Q. Преимущества метода обратного распространения ошибки: 1) Данный метод применим для обучения сетей с любым числом слоев и нейронов в каждом слое, т.е. является универсальным для многослойных ИНС. 2) Необходимо знать только первые производные всех функций, реализуемых нейронами, по параметрам.
Недостатки метода обратного распространения ошибки: 1) В общем случае метод достаточно медленно сходится к точке минимума целевой функции. 2) Плохо справляется с локальными минимумами целевой функции» глу бокими и узкими местами. 3) Иногда впадает в состояние паралича (случается когда выходная функция большинства нейронов приближается к своему предельному значе нию).
Анализ методов безусловной минимизации, использующих производные функций. Пусть целевая функция Q(w) дифференцируема в „, где w(w},...,wm) -вектор-строка параметров w. Тогда все методы (метод градиентного спуска, метод сопряженных градиентов, метод наискорейшего спуска, метод Ньютона, квазиньютоновские методы) безусловной минимизации можно представить в виде следующих итерационных процедур [33]: wk=w l+atpk, (fc=l,2,...) weEn (3.6) где направление убывания pk(pl,...,pm) определяется тем или иным способом с учетом информации о частных производных функции Q(w), а величина шага ак 0 такова, что Q(wk) Q(wk- ) ,(к=1,2....) (3.7) Обучение прекращается, когда достигается точка локального минимума, т.е. выполняется условие: Є И (3.8) где є - некоторая малая константа. Проведем анализ основных методов безусловной минимизации, использующих производные функции:
Предметный анализ факторов, влияющих на электропотребление СМ КС
Прохождение частицы оставляет ионизированный след и может вызвать состояние двоичной ячейки. Следует отметить, что общая миниатюризация вычислительной техники и применение передовой элементной базы для построения различного типа специальной исследовательской аппаратуры в условиях космического полета увеличивают вероятность отказа отдельных элементов под влиянием радиационного воздействия и накопления электростатических зарядов [60].
Специфическими могут быть воздействия, связанные с накоплением статического электричества на поверхности станции, порождающие возможность возникновения дуговых разрядов между элементами конструкций. Уровень электрического потенциала поверхностей станции может достигать — 400В. Естественные источники излучения можно разделить на два класса: постоянно и статистически действующие [16, 21]. К первым относятся радиационные пояса Земли и галактическое излучение.
Радиационное излучение первого класса, как правило, можно рассчитать с приемлемой точностью и учесть при планировании энергосистемы станции. Это в первую очередь относится к галактическому излучению. Дозы от галактического излучения в околоземном космическом пространстве ниже, чем в межпланетном. Это обусловлено экранирующим эффектом геомагнитного поля и самой Земли.
Доза галактического излучения существенно зависит от орбитальных параметров. Например, на высотах 200 ... 600 км доза излучений на экваториальных орбитах будет примерно в 5 раз ниже, чем на полярных. С увеличением высоты это различие уменьшается.
Доза излучений от радиационного пояса Земли определяется с большей погрешностью вследствие сложности и многообразия процессов в магнитосфере Земли, связанных с солнечной активностью.
К статистически действующим источникам можно отнести космическое излучение солнечного происхождения, которое имеет вероятностный характер. В особенности это относится к солнечным протонным событиям - возрастанию потока быстрых частиц, преимущественно протонов.
Метеорные тела и потоки. Результаты метеорного воздействия на станцию и ее элементы могут выглядеть как малые кратеры и даже малые отверстия. В панелях СБ отмеченные повреждения вызывают потерю электрической мощности [27].
Число естественных метеорных частиц, сталкивающихся с поверхностью станции, существенно зависит от области космического пространства, в которой находится станция, и от массы частиц. Для околоземного космического пространства среднее число N случайных метеорных частиц с массой больше т (в граммах), сталкивающихся с 1 м поверхности в 1 с, может быть представлено зависимостью ЛГ = 10-м-яГ 2 (4.5)
Следует иметь в виду, что метеориты искусственного происхождения в определенных условиях могут представлять большую опасность, чем метеориты естественного происхождения. Анализ данного внешнего фактора можно отнести к обеспечению надежности функционирования энергосистемы станции или к прогнозированию вероятности перехода работы СЭС в аварийные режимы. Предметный анализ внутренних факторов, влияющих на электропотребление. Основными стационарными потребителями электроэнергии КС являются системы:
Управления функционированием станции. Система включает несколько бортовых вычислительных машин (ЭВМ), осуществляющих выработку и коммутацию команд управления функционированием станции, как единого сложного агрегата. Системы управления с бортовыми ЭВМ осуществляют контроль за текущим временем и вырабатывают команды в соответствии с программой полета. Как правило, временная диаграмма выработки команд не является жесткой и постоянной. В зависимости от изменения условий полета отдельные команды или их наборы могут изменяться, при этом формирование команд может осуществляться на борту или по командам с Земли.
Управления движением станции. Различают систему управления движением станции как материальной точки и систему управления угловым положением аппарата (система угловой ориентации и стабилизации). Системы управления движением включают в себя чувствительные элементы, преобразующие устройства, блоки (устройства) формирования управляющих сигналов и исполнительные органы.
Система связи. Обеспечивает двухстороннею связь Земля-станция. Состоит из системы различных антенн, приемной и передающей аппаратуры.
Комплекс научно-исследовательской аппаратуры и специальной технологической аппаратуры и приборов. Включает приборы, датчики и специальные технологические установки, предназначенные для выполнения целевых задач, возлагаемых на станцию. Основными научно-исследовательскими направлениями являются: астрофизика, геофизика, космическая технология, медицина, биология и биотехника. Потребление электроэнергии у научно-исследовательской аппаратуры, относящейся к тому или иному направлению, различно и зависит от общего числа потребителей на станции.
Система жизнеобеспечения представляет комплекс устройств и агрегатов, служащих для обеспечения жизнедеятельности и работоспособности человека на борту станции.
