Содержание к диссертации
Введение
1. Организация средств нейросетевой подсистемы самодиагностирования нештатных ситуаций 10
1.1. Особенности объектов класса и условий построения нейросетевой подсистемы 10
1.2. Предметная область ситуационного управления отказоустойчивостью объектов 18
1.3. Модели представления объектов 19
1.4. Структурная организация участников нейросетевой подсистемы .46
Выводы по разделу 1 52
2. Технология построения автономных интеллектуальных систем 53
2.1. Аппарат формального описания состояния предметной области 53
2.2. Извлечение и преобразование знаний 60
2.3. Построение баз знаний автономных интеллектуальных систем 67
Выводы по разделу 2 89
3. Агрегирование аппаратных средств идентификатора векторов состояния объекта 90
3.1. Функциональные особенности идентификатора 90
3.2. Определение состояния объекта по вход-выходным параметрам 94
3.3. Синтез структуры и аппаратных средств идентификатора 103
Выводы по разделу 3 115
4. Синтез структуры нейросети подсистемы 116
4.1. Структурная организация нейросети 116
4.2. Обучение неиросети 121
4.3. Пути управления отказоустойчивостью объектов класса 137
Выводы по разделу 4 141
Заключение 142
Список литературы 144
Приложение 159
- Особенности объектов класса и условий построения нейросетевой подсистемы
- Аппарат формального описания состояния предметной области
- Функциональные особенности идентификатора
- Структурная организация нейросети
Введение к работе
Актуальность работы. Одним из путей повышения устойчивости функционирования сложных динамических объектов с полной ответственностью в условиях нештатных ситуаций является разработка отказоустойчивых алгоритмов, реализуемых штатными и избыточными аппаратно-программными средствами, встраиваемыми в структуру объекта.
Управление процессами поддержания отказоустойчивости
динамических объектов в условиях нештатных ситуаций классическими методами сопряжено со значительными трудностями, связанными с неопределенностью движения объектов на стадии их применения по назначению и изменению факторов внутрибортовой и внешней среды; с разнородностью информации, характеризующей состояние объекта, и погрешностями описания и измерения векторов состояния объекта; с острым дефицитом априорной информации о поведении объекта в условиях возможных нештатных ситуаций.
Большой вклад в решение проблем обеспечения отказоустойчивости технических объектов и построения интеллектуальных систем внесли российские ученые А.А. Красовский, С.Д. Земляков, А.Д. Поспелов, Г.Б. Захаров, Б.Е. Федунов, К.А. Пупков, С.Н. Васильев, П.П. Пархоменко, А.В. Мазголевский [1,3,4,5,6,11,14,27,37,49,51,52,59,60,61,90,93,98,110].
В работе на примере класса управляемых объектов (УО) рассматривается возможный подход к построению по целевому назначению встраиваемых в структуру УО нейросетевых подсистем (НП) поддержки процессов самодиагностирования нештатных ситуаций (отказов, дефектов) в поведении объекта.
Цель работы. Целью работы является совершенствование методов и средств обеспечения процессов самодиагностирования нештатных ситуаций в поведении объекта диагностирования и распознавания их причин,
используемых в задачах управления отказоустойчивостью объектов заданного класса.
Методы исследования. Математические модели, методы и алгоритмы построены на основе теории автоматического управления, теории нечетких множеств, теории распознавания образов и искусственного интеллекта.
Основные научные результаты, выносимые на защиту:
Методика обоснования структуры и состава средств нейросетевой подсистемы ситуационного управления отказоустойчивостью объектов заданного класса.
Модели описания состояний базы данных и знаний интеллектуальных систем поддержки процессов построения нейросетевой подсистемы.
Алгоритмы синтеза информационно-логического формализма интеллектуальных систем поддержки процессов обучения и практической реализации функций нейросетевой подсистемы.
Формальный подход к построению нейросетевой подсистемы поддержки процессов самодиагностирования нештатных ситуаций и распознавания их причин.
Научная новизна выполненной диссертационной работы заключается в следующем:
Предложен формальный подход к целевому построению нейросетевых подсистем встраиваемых в структуру объектов для обеспечения процессов самодиагностирования нештатных ситуаций в поведении объекта и распознавания их причин, в условиях нечеткой информации о свойствах потоков отказов.
Предложен метод совмещенного синтеза идентификатора векторов состояния объекта и модели самодиагностирования допустимого подмножества нештатных ситуаций в движении объекта с учетом характерных особенностей
входных управлений, режимов функционирования объекта факторов внутрибортовой и внешней среды.
Предложен способ построения структуры модели нейросети и формирования эталонных образов, основанный на использовании баз данных и знаний автономных интеллектуальных систем поддержки решений проблемных задач предметной области.
Разработана методика построения интеллектуальных систем, базируемая на использовании формализованных методов решения проблемных задач в качестве источников извлечения знания и формальных процедур ограничения целостности и преобразования знаний.
Практическая ценность. Разработан комплект методических материалов целевого построения интеллектуальных систем, синтеза структуры и состава модулей идентификатора векторов состояния объекта и построения эталонных моделей самодиагностирования нештатных ситуаций и распознавания их причин. Комплект используется в практической деятельности разработчиков при построении бортовых систем управления КРД-99Ц, КРД-99Ц-30С, работающих совместно с газотурбинными двигателями типа АЛ-31Ф иАЛ-31Ф-30с.
Достоверность полученных результатов обеспечивается корректной физической и математической постановкой задачи и использованием в процессах моделирования состояний объекта и натурного эксперимента количественных критериев оценивания технических характеристик.
Реализация результатов работы. Разработанные методы и алгоритмы внедрены в следующих организациях: ФГУП «ММПП «Салют», г. Москва; корпорация «Русские системы»; ООО «СЭПО-ЗЭМ», г. Саратов; ОАО «КБ Электроприбор», г. Саратов.
Апробация работы. Основные результаты диссертации докладывались на Пятом и Шестом Международных симпозиумах ИНТЭЛС (Москва, 2002, 2004); XXIII и XXIV межведомственных научно-технических конференциях
«Проблемы обеспечения эффективности и устойчивости функционирования сложных технических систем» (Серпухов, 2004, 2005); Первой Всероссийской научно-технической конференции «Радиовысотометрия» (Каменск-Уральский, 2004).
Публикации. По теме диссертации автором лично и в соавторстве опубликовано 6 научных работ.
Структура и объем диссертации. Диссертационная работа состоит из введения, четырех разделов, заключения, списка использованной литературы и приложения, содержит: 170 страниц машинописного текста, 15 рисунков, 1 таблицу, 142 наименования использованных литературных источников.
В первом разделе приведены особенности исследуемых управляемых объектов, представлены используемые модели объектов и механизм декомпозиции этих моделей. Выбран базовый вариант системы - система управления (регулятор, управляющее устройство) и объектом управления (ОУ), представленного, как вариант, газотурбинным двигателем (ГТД). Объекты данного класса относятся к категории динамических, многомерных, многоканальных, прецизионных, высоконадежных, с ограниченным доступом к внутренним функциональным узлам. Приведены основные причины нештатных ситуаций, подходы к обеспечению отказоустойчивости объектов выбранного класса. Приведена концепция обеспечения отказоустойчивости объекта средствами нейросетевой подсистемы в условиях нештатной ситуации, стратегия построения и обучения нейросетевой подсистемы, встраиваемой в структуру объекта и структурная организация участников нейросетевой подсистемы.
Во втором разделе показана технология построения интеллектуальных систем поддержки процессов обеспечения отказоустойчивости исследуемых объектов.
Показан вариант структуры концептуальной модели ПО, исходные данные о которой представлены семантической сетью вида графовой
структуры. Показан механизм абстракции при построении концептуальной модели.
Представлен принцип построения базы данных и знаний нейросетевой подсистемы, базирующийся на использовании семантики, определяемой структурой концептуальной модели ПО и заданным перечнем задач, поддерживаемых автономными интеллектуальными системами.
Представленная структура схемы базы данных и знаний данных ПО, характеризуется иерархической организацией, включающей в общем случае совокупность траекторий (маршрутов), в которой каждый уровень иерархии описывается нечетким уравнением в отношениях, отражающем информационную и процедурную сущность информационно-логического формализма соответствующей автономной интеллектуальной системы. Применительно к задачам ПО структура схемы определена следующими уровнями: A,i - структурная и параметрическая идентификация объекта; Ая-обоснование критичных факторов внешней среды и режимов функционирования объекта; Аз - агрегирование информативных параметров и признаков; А4 - идентификация (самодиагностирование) нештатных ситуаций; А5 - распознавание причин нештатных ситуаций; Аб - формирование управлений по обеспечению отказоустойчивости объекта заданного класса: А >$ - уровни базы данных и знаний предметной области, определяющие нечеткие отношения переменных формальных описаний процедур построения исходных моделей, соответственно самодиагностирования нештатных ситуаций, распознавания причин нештатных ситуаций.
Принцип построения базы данных и знаний автономных интеллектуальных систем приведенного перечня рассматривается в работе на примере автономных систем: системы агрегирования пространства признаков (Я3), системы самодиагностирования нештатных ситуаций (Я4) и системы
распознавания причин нештатных ситуаций (Я5).
В третьем разделе работы производится агрегирование аппаратных средств идентификатора состояния объекта. Представлены функциональные особенности идентификатора, механизмы определения состояния объекта по вход-выходным параметрам.
Предложена рациональная организация в единую структуру штатных средств объекта и избыточных аппаратно-программных, алгоритмических, информационных и временных средств представляет собой решение задачи самоконтроля и самодиагностирования нештатных ситуаций объекта данного класса. Центральным звеном этой структуры является идентификатор векторов состояния объекта, внутрибортовой и внешней среды.
Был произведен синтез структуры и аппаратных средств идентификатора и конечного варианта структуры модели самодиагностирования нештатных ситуаций и модели распознавания их причин, определяемых пошаговой процедурой ограничения целостности исходного варианта структуры модели самодиагностирования нештатных ситуаций в движении объекта использованием критерия.
Показан пример преобразования, где пройдя несколько шагов ограничения целостности мы получаем структуру идентификатора, состоящую из четырех аппаратных модуля, необходимых для обнаружения и самодиагностирования нештатных ситуаций заданного перечня, три из которых являются штатными и только один аппаратный модуль подлежит включению в структуру объекта в качестве избыточного.
В четвертом разделе работы показан синтез структуры нейросети подсистемы. Показан алгоритм построения модели нейросети представленный совокупностью шагов. При этом, последовательность шагов синтеза структуры, состава нейронов нейросети и обучения подсистемы определяется целями, достигаемыми в объеме ПО.
В заключении перечислены основные выводы и результаты работы.
Особенности объектов класса и условий построения нейросетевой подсистемы
Образцы бортовых систем управления (БСУ) силовыми установками летательных аппаратов (ЛА) относятся к категории сложных высоконадежных, инвариантных, детерминированных систем, прецизионных по вход-выходным параметрам и характеристикам, которые имеют характерные особенности [10, 13, 18, 23, 27, 28, 31, 40, 42, 49, 67]: многоканальность структуры, каналы многоконтурные с ограничением на разрыв обратных связей; сложность и многомерность структуры, как по числу составных компонентов, так и по числу выполняемых ими функций; структуры мультипроцессорные, включающие избыточные алгоритмические, программно-аппаратные средства обеспечения отказоустойчивости; восстановление возможно в условиях производства при снятии с объекта управления, существенно ограничен доступ к внутренним узлам; высокая степень взаимосвязанности и параметрического взаимодействия составных частей и компонентов; типы отказов, причины их возникновения, обусловленные несовершенством проектных решений и нарушениями правил эксплуатации не всегда четко выражены; экстремальные условия эксплуатации; надежность образцов является нелинейной функцией от показателей надежности составных частей и компонентов; помимо функциональных и надежностных требований на образцы класса, распространяются условия по обеспечению контролепригодности, ремонтопригодности, простоты в изготовлении, длительности сроков годности, условий и правил эксплуатации по техническому состоянию.
Управление процессами поддержания отказоустойчивости таких динамических объектов как БСУ, в условиях нештатных ситуаций классическими методами сопряжено со значительными трудностями, связанных с неопределенностью движения объектов на стадии их применения по назначению и изменения факторов внутри бортовой и внешней среды; с разнородностью информации, характеризующей состояние объекта и погрешностями описания и измерения векторов состояния объекта; с острым дефицитом априорной информации о поведении объекта в условиях возможных нештатных ситуаций.
Характерным для данных образцов БСУ является и то, что типы отказов, причины их возникновения, обусловленные несовершенством проектных решений не всегда четко выражены; механизмы отказов, соответственно, и дефекты проектных решений разнообразны, условия окружающей среды жесткие, надежность образцов является нелинейной функцией надежностных показателей составных компонентов.
Наравне с выполнением заданных функциональных и надежностных требований на образцы класса, распространяются условия по обеспечению контроле-пригодности, ремонтопригодности, простоты в изготовлении, длительности сроков годности, условий и правил эксплуатации образцов по техническому состоянию.
В последнее десятилетие в отечественной и зарубежной практике закрепилась тенденция проектирования бортовых систем и комплексов, в т.ч. и БСУ рассматриваемого класса, на базе цифро-аналоговых и цифровых структур. Такой подход обусловил ряд дополнительных требований к проектированию, связанных с программным обеспечением машинного проектирования аналого-цифровых устройств, с методами и средствами моделирования; методами, алгоритмами и аппаратными средствами их испытания; с выработкой формализма логических правил и решений.
В работе на примере класса управляемых объектов (УО) рассматривается возможный подход к построению по целевому назначению встраиваемых в структуру УО нейросетевых подсистем (НП) ситуационного управления процессами обеспечения отказоустойчивости объекта в условиях допустимого подмножества нештатных ситуаций.
Состав каждого управляемого объекта рассматриваемого класса, именуемых в дальнейшем объектом, определяется системой управления (регулятор, управляющее устройство) и объектом управления (ОУ), представленного, как вариант, газотурбинным двигателем (ГТД) (рис.1). Объекты данного класса относятся к категории динамических, многомерных, многоканальных, прецизионных, высоконадежных, с ограниченным доступом к внутренним функциональным узлам.
Предполагается, что на стадии проектирования и этапах жизненного цикла объектов данного класса основная часть нештатных ситуаций в их поведении определяется причинами: несовершенством структурно-конструктивных, алгоритмических и программных решений; несовершенством технологических процессов производства; негативным воздействием факторов внутрибортовой и внешней среды; неэффективными алгоритмами управления в условиях нештатных ситуаций; отказами элементной базы; ошибками пользователя.
Аппарат формального описания состояния предметной области
Реализуемая концепция построения автономных интеллектуальных систем и неиросетевои подсистемы предусматривает достижение заданных технико-экономических показателей и повышенной разрешающей способности подсистемы в процедурах ситуационного управления отказоустойчивостью объектов данного класса в условиях нештатных ситуаций за счет: обоснованного выбора и реализации неиросетевои подсистемой заданных маршрутов активных действий, регистрации и анализа протоколов наблюдения, представленных большими массивами разнородной информации, характеризующей степень совершенства движения объекта и состояния внутрибортовой и внешней среды; составляющих информационную и процедурную основу формального процесса ситуационного управления отказоустойчивостью объекта; комплексного анализа информации в пространственно-временном представлении, характеризующей динамику движения объекта; многомодельного описания объекта и процессов и использования управляемых пользователем методов решения проблемных задач; компромиссного использования штатных и избыточных аппаратно-программных и алгоритмических средств объекта в процессах ситуационного управления отказоустойчивостью объекта; соблюдения принципа единства методического, метрологического, программного обеспечения и аппаратных средств, удовлетворяющего условиям и требованиям обучения и практического применения на стадии проектирования и всех фазах жизненного цикла объекта; возможностей реализации подсистемой элементов самоорганизации в процедурах принятия управляющих решений на основе анализа текущих ситуаций, ситуаций предыстории и тенденции развития аномальных явлений в поведении объекта, обусловленных нештатными ситуациями. Маршруты активных действий, реализуемых средствами нейросетевой подсистемы в процессах ситуационного управления отказоустойчивостью на стадии ее обучения и применения по назначению определяются заданным составом формальных процедур: имитация нештатных ситуаций, критичных режимов функционирования объекта и критичных состояний внутриприборной и внешней среды; прямые измерения и вычисления числовых значений вход-выходных параметров (характеристик) объекта; оценивание показателей внутрибортовой и внешней среды и степени соответствия технических характеристик объекта заданным допусковым нормам; установление причинных связей между переменными модели описания объекта, внутрибортовой и внешней среды и нештатными ситуациями допустимого подмножества; идентификация состояний объекта, формирование и реализация управляющих решений по поддержанию работоспособности объекта в условиях нештатных ситуаций в его поведении. Применительно к требованиям построения экспериментально-исследовательского (средства обучения) и инженерного вариантов нейросетевой подсистемы, как возможный вариант, базовый перечень проблемных задач данной ПО, соответственно и перечень автономных интеллектуальных систем, определяется составом: параметрическая идентификация вход-выходных функциональных зависимостей объекта, отражающих законы управления объекта, определяемые техническим условиями на объект. обоснование критичных режимов функционирования объекта и критичных факторов внутрибортовой и внешней среды, обеспечивающих ранее обнаружение нештатных ситуаций в поведении объекта; определение базового состава маршрутов активных действий, установление причинно-следственных связей между управлениями и выходными параметрами и режимами функционирования объекта, факторами внешней среды и допустимым подмножеством нештатных ситуаций; агрегирование в пространственно-временном представлении структуры координат информационно-значимых параметров (признаков) оценивания степени соответствия технических характеристик заданным требованиям и обнаружения допустимого подмножества нештатных ситуаций в поведении объекта; самоконтроль и самодиагностирование допустимого подмножества; распознавание причин нештатных ситуаций; синтез структуры и состава аппаратно программных модулей идентификатора векторов состояния объекта, внутрибортовой и внешней среды. Методическое обеспечение решения проблемных задач приведенного перечня на стадии обучения предусматривает в результате структурного и параметрического обобщения учета характерных особенностей исходных данных и знаний о прототипах объектов заданного класса, что способствует решению вопросов: расширение полноты описания состояний базы данных и знаний о предметной области за счет привлечения электронной информации об объектах; сокращение объема и размерности обучающих выборок в условиях временных ограничений на алгоритмы обучения; распространение известных теоретических положений методов и алгоритмов на решение заданных проблемных задач. В структуре нейросетевой подсистемы интеллектуальные системы приведенного перечня представляют собой управляемые динамические системы, удовлетворяющие требованиям ситуационного управления отказоустойчивостью объектов средствами подсистемы, реализующей в реальном времени последовательность действий: «регистрация и идентификация протоколов наблюдения, формирование векторов состояния объекта, внутрибортовой и внешней среды - поддержание на заданном уровне работоспособного состояния объекта - обнаружение, самодиагностирование нештатных ситуаций в поведении объекта - выбор и реализация альтернативного варианта нейтрализации нештатных ситуаций допустимого подмножества».
Функциональные особенности идентификатора
В методическом обеспечении механизм идентификации состояний объекта включает реализацию метода самоконтроля и самодиагностирования нештатных ситуаций в движении объекта, базируемого на взаимном тестировании его функциональных компонентов (элементов декомпозиции) путем навигации в структуре модели объекта от входа к выходу входных (управляющих) сигналов; на параллельной регистрации в моменты времени t в заданных точках ситуационных векторов состояния объекта, представленных значениями входных, внутренних и выходных параметров и текущими показателями внутрибортовой и внешней среды, содержание которых сопоставляется с векторами эталонной модели самодиагностирования объекта.
Таким образом предполагается, что в дискретные моменты времени tq = qT наблюдения и регистрации идентификатором доступны значения Средствами идентификатора (рис.6) на стадии обучения и применения инженерного варианта нейросетевой подсистемы по назначению обеспечиваются функции: определение числовых значений вычисляемых параметров (характеристик) объекта; предварительная обработка измеряемых и вычисляемых параметров путем установления по заданным критериям их соответствия (несоответствия) допусковым ограничениям; установление причинных связей между переменными модели описания объекта, показателями внутрибортовой и внешней среды и нештатными ситуациями допустимого подмножества; сопоставление векторов состояния объекта внутрибортовой и внешней среды с векторами эталонной модели самодиагностирования объекта; распознавание причин нештатных ситуаций допустимого подмножества. Стратегия управления в рамках каждого контура (элемента декомпозиции) функциональной подструктуры и объекта в целом предусматривает разбиение непрерывного времени на временные циклы наблюдения длительностью to, в течении которых управляемый показатель считается неизменным, а поведение объекта - неуправляемым (свободным) [3]. Переход к дискретному представлению времени по соображениям использования цифровой техники для обработки информации состоит в разбиении временного интервала на q шагов Ato согласно зависимостям t = ut0+juAt0,h = juAt0, где h - время цикла, и - номер цикла, ju 0,l,2,...,q-l - номер шага в цикле. В пределах принятого временного цикла (fy) производится формирование последовательности векторов состояния объекта, определяющих величину рассогласования (векторов невязки), что позволяет снизить влияние случайных факторов и реализовать процедуры статистического анализа описания нештатных ситуаций в условиях влияния дестабилизирующих показателей внутрибортовой и внешней среды. Одним из основополагающих требований обеспечения отказоустойчивости объектов данного класса является достоверное решение задачи самоконтроля состояния и самодиагностирования нештатных ситуаций объекта путем рациональной организации в единую структуру штатных средств объекта и избыточных аппаратно-программных, алгоритмических информационных и временных средств. Центральным звеном этой структуры является идентификатор векторов состояния объекта, внутрибортовой и внешней среды. Согласно принятой концепции организации структуры и построения многоуровневой модели объекта на уровне каждого канала управления осуществляется синтез многоуровневого идентификатора, обеспечивающего формирование совокупности многокомпонентных векторов состояния, характеризующих поведение соответствующей трассы из элементов декомпозиции канала (блоки, модули, узлы), что позволяет декомпозировать задачу синтеза идентификатора на локальные подзадачи ограниченной размерности. При этом основу структуры модели процесса синтеза идентификатора составляют модели оценивания степени соответствия режимов функционирования элементов декомпозиции заданным требованиям, обнаружения и идентификации нештатных ситуаций в их поведении. В методическом плане задача синтеза структуры и состава аппаратно-программных модулей состоит в том, чтобы его средствами на уровне оперативного контура, рис.6. В результате дискретных прямых измерений и вычислений значений выходных параметров в каждый момент времени 4 формировался вектор невязок, используемый в алгоритмах управления, а в рамках тактического и стратегического контуров по данным протоколов наблюдения обеспечивалось самодиагностирование допустимого подмножества нештатных ситуаций. Следовательно в основу принципа синтеза идентификатора положен формализованный метод самоконтроля и самодиагностирования нештатных ситуаций в поведении объекта, удовлетворяющего требованиям всех фаз жизненного цикла объекта. Формальный процесс синтеза идентификатора включает решение совокупности задач: структурная и параметрическая идентификация объекта в условиях влияния внутрибортовой и внешней среды; установление причинно-следственных связей между переменными описания объекта, внутрибортовой и внешней среды и допустимым подмножеством нештатных ситуаций; агрегирование значимых параметров и признаков обнаружения нештатных ситуаций в поведении объекта; построение и понижение размерности модели самодиагностирования объекта; построение автономных интеллектуальных систем поддержки процессов синтеза идентификатора. В работе рассматривается один из взаимных методов совмещенного синтеза структуры и состава аппаратных моделей идентификатора векторов состояния объекта и конечной структуры модели самодиагностирования допустимого подмножества нештатных ситуаций в движении объекта. В качестве модели формализованного метода синтеза структуры и состава аппаратно-программных средств идентификатора используется исходная модель процесса самодиагностирования, приведенная на рис.10. Механизм синтеза идентификатора включает формальные процедуры.
Структурная организация нейросети
Концепция обучения нейросети в данной постановке базируется на использовании структурного, вероятностно-статистического и нейросетевого методов, информационно-процедурная сущность которых состоит в синтезе эталонных образов применительно к каждому слою нейросети, описываемых переменными в пространственно-временном представлении; в построении, ограничении целостности логических конструкций и в понижении размерности структуры и состава нейронов сети; в адаптации между слоями механизмов вывода и правил принятия решений. Процесс обучения реализуется с учителем на основе результатов структуризации баз данных и знаний используемого состава автономных интеллектуальных систем и по данным моделирования состояний физического объекта в условиях допустимого подмножества нештатных ситуаций в поведении объекта. При этом используются комбинированные алгоритмы обучения, включающие детерминистские процедуры определения и коррекции синапсических весов и ограничения по заданным критериям пороговых уровней и процедуры трассировки нейросети на основе причинно-следственных связей между ситуациями, определяемыми информационно-логическим формализмом автономных интеллектуальных систем; стохастические процедуры установления причинных связей между ситуациями в процессах мотивации новых целей и определения ранее не известных состояний объекта, расширяющих полноту априорной информации об объекте и повышающих достоверность принимаемых решений.
Послойный подход к обучению неиросети позволяет направленно управлять: процессом развития и модернизации подсистемы в силу открытости ее структуры; активными действиями в процессах ситуационного управления отказоустойчивостью объекта; полнотой описания состояний объекта и процедурами достижения требуемого уровня достоверности принимаемых решений; длительностью временного цикла построения неиросети и отладки подсистемы. В работе алгоритм построения модели неиросети представлен совокупностью шагов. При этом, последовательность шагов синтеза структуры, состава нейронов неиросети и обучения подсистемы определяется целями, достигаемыми в объеме ПО. Таким образом, в результате решения поставленных задач на уровне каждого шага последовательности достигается конкретная цель из заданного перечня ПО. Шаг 1. Агрегирование интегрального вектора исходных данных и знаний входного слоя неиросети подсистемы. Структура интегрального вектора определяется требованиями ТУ, ТЗ и моделью описания объекта и в данной постановке образована совокупностью локальных векторов, определяющих содержательную сущность эталонных образов, распознаваемых, главным образом, первым внутренним слоем неиросети. В подсистеме базовый вариант интегрального вектора состояния объекта внутрибортовой и внешней среды определяется перечнем локальных векторов, представленных ситуациями, отражающих: На стадии обучения экспериментально-исследовательского и в условиях применения по назначению инженерного вариантов нейросетевой подсистемы компоненты (параметры) интегральных векторов состояния объекта, внутрибортовой и внешней среды имитируются, формируются, регистрируются и идентифицируются средствами нейросетевой подсистемы (рис.6). Таким образом, на уровне входного слоя нейросети реализуются функции: в каждый момент времени / средствами подсистемы по данным сложившейся ситуационной обстановки устанавливаются логически взаимосвязанные синапсические связи, определяются исходные значения весов и пороговых уровней дендритов заданного числа нейронов первого внутреннего слоя сети; на основе структурной организации модели объекта и исходного интегрального вектора ситуаций формируются исходные образы применительно к каждому нейрону первого внутреннего слоя нейросети. Шаг 2. Структурная и параметрическая идентификация средствами первого внутреннего слоя сети векторов состояния объекта, характеризующих по заданным критериям (2.12)-(2.14), степень соответствия технических характеристик требованиям ТЗ и ТУ (оценивание работоспособного состояния объекта). Структура и число нейронов первого внутреннего слоя сети определяется конечным вариантом структуры модели объекта, включающим подмножество штатных параметров состояния выхода и перечень внутренних параметров, выступающих в структуре подсистемы в качестве источников регистрации компонентов локальных векторов интегрального вектора состояния объекта - числа типов объектов, простых объектов. При этом число внутренних параметров регламентируется заданной глубиной анализа состояний, обнаружения и самодиагностирования нештатных ситуаций.
