Россия
Россия
Россия
В статье рассматривается актуальная проблема повышения надежности и автономности распределенных космических систем (РКС), таких как спутниковые группировки. Предлагается подход к предиктивному анализу состояния аппаратов на основе гибридной модели, сочетающей долгую краткосрочную память (LSTM) и графовые нейронные сети (GNN). Данная архитектура предназначена для совместного анализа многомерных временных рядов телеметрии и структурных взаимосвязей в группировке. Приведены результаты экспериментов на синтезированных и реальных данных, демонстрирующие эффективность модели в прогнозировании аномалий и потенциальных отказов, что позволяет перейти от реактивного к превентивному управлению и снизить нагрузку на центр управления полетами (ЦУП).
прогнозирование отказов, предиктивная аналитика, гибридные нейросети, LSTM, графовые нейронные сети (GNN), распределенные системы, анализ телеметрии, временные ряды, техническая диагностика, машинное обучение
1. Компьютерное моделирование работоспособности финишных процедур и паразитных элементов в программно-аппаратном комплексе проектирования микросхем / А. С. Ягодкин, Н. Н. Литвинов, П. С. Иванин, А. С. Грошев // Моделирование систем и процессов. – 2024. – Т. 17, № 3. – С. 106-115. – DOIhttps://doi.org/10.12737/2219-0767-2024-104-113. – EDN NICLOY.
2. Андрюхин, Е. В. Прогнозирование сбоев и отказов в распределенных системах управления на основе моделей прогнозирования временных рядов / Е. В. Андрюхин, М. К. Ридли, Д. И. Правиков // Вопросы кибербезопасности. – 2019. – № 3(31). – С. 24-32. – DOIhttps://doi.org/10.21681/2311-3456-2019-3-24-32. – EDN EMVKAP.
3. Сай, В. К. Прогнозирование отказов сложных многообъектных систем на основе комбинации нейросетей: пути повышения точности прогнозирования / В. К. Сай, М. В. Щербаков // Прикаспийский журнал: управление и высокие технологии. – 2020. – № 1(49). – С. 49-60. – DOIhttps://doi.org/10.21672/2074-1707.2020.49.4.049-060. – EDN QIXRXX.
4. Минимизация емкости декады индуктивного делителя напряжения / А. И. Заревич, С. В. Муравьев // Известия Томского политехнического университета. – 2012. – Т. 321, № 4. – С. 140–143.
5. Математическая модель индуктивного делителя напряжения с электронной компенсацией / А. И. Заревич, С. В. Муравьев // Известия Томского политехнического университета. – 2010. – Т. 317, № 4. – С. 129–133.
6. Relativistic magnetron with distributed output of microwave radiation / I. I. Vintizenko, A. I. Zarevich, S. S. Novikov // Technical Physics Letters. – 2005. – Vol. 31, № 5. – P. 388–390. DOI: https://doi.org/10.1134/1.1931776
7. Автоматизированный комплекс для диагностики импульсов релятивистского СВЧ-генератора / А. И. Заревич, Е. В. Вегнер, И. И. Винтизенко // Приборы и техника эксперимента. – 2004. – № 3. – С. 78–82.
8. Регрессионный анализ оценки загрузки платного отделения стоматологической поликлиники / Т. П. Новикова, А. А. Бодин, А. И. Заревич // Научно-технический вестник Поволжья. – 2023. – № 3. – С. 77–80.
9. Effect of the external coupling of cavities on the stability and output power of a relativistic magnetron / I. I. Vintizenko, V. I. Guselnikov, A. I. Zarevich, S. S. Novikov // Technical Physics Letters. – 2003. – Vol. 29, № 4. – P. 294–296. DOI: https://doi.org/10.1134/1.1573295
10. Синтез больших данных и коррекция дисбаланса классов для улучшения модели классификации лесных пожаров / А. И. Заревич, Ф. В. Макаренко, А. В. Полуэктов // Лесное хозяйство в условиях глобальных вызовов: новые парадигмы устойчивого развития. Forestry – 2025 : материалы Междунар. лес. форума, приуроч. к празднованию 95-летия ВГЛТУ. – Воронеж, 2025. – С. 773–785.
