Представлен обзор литературы, посвященной диагностике и прогнозированию оставшегося срока полезного использования авиационных двигателей на основе глубокого обучения. Приведена формальная постановка задачи оценки оставшегося срока полезного использования. Рассмотрены основные архитектуры глубоких нейронных сетей, применяемые для обнаружения редких сбоев и прогнозирования следующих сбоев на основе данных мониторинга авиационных двигателей. Рассмотрено извлечение информативных признаков с помощью автоэнкодеров. Приводится структура ячеек долгой кратковременной памяти и механизма внимания, применяемых в глубоких нейронных сетях для прогнозирования оставшегося срока полезного использования. Рассматривается задача интеграции прогноза оставшегося срока полезного использования в планирование технического обслуживания на основе обучения с подкреплением.
Предпросмотр статьи
Идентификаторы и классификаторы
Стратегию технического обслуживания можно разделить на три основных типа, а именно на реактивное, плановое и прогнозное обслуживание. Реактивное обслуживание выполняется после возникновения неисправности оборудования. Отказы авиационных двигателей могут привести к большим экономическим потерям, экологическому ущербу и даже, в крайних случаях, к авариям [1]. Плановое обслуживание – это стратегия, при которой оборудование обслуживается через определенные промежутки времени по заранее определенному графику, что часто приводит к ненужным работам и связанным с ними затратам. Прогнозное обслуживание – это стратегия организации мероприятий по техническому обслуживанию в соответствии с состоянием целевых компонентов или систем и прогнозом развития отказов во время эксплуатации. Прогнозное обслуживание – это перспективная технология технического обслуживания, которая позволит добиться повышения надежности и безопасности при одновременном снижении затрат на техническое обслуживание путем оценки текущего состояния работоспособности в процессе эксплуатации и прогнозирования оставшегося срока полезного использования (англ. Remaining Useful Life, RUL).
Список литературы
1. Fentaye, D., Zaccaria, V., Kyprianidis, K. Aircraft Engine Performance Monitoring and Diagnostics Based on Deep Convolutional Neural Networks // Machines. - 2021. - Vol. 9, no. 12. - Art. no. 337. -. DOI: 10.3390/machines9120337 EDN: OYFACD
2. Kordestani, M., Orchard, M.E., Khorasani, K., Saif, M. An Overview of the State of the Art in Aircraft Prognostic and Health Management Strategies // IEEE Transaction on Instrumentation and Measurement. - 2023. - Vol. 72. - P. 1-15. -. DOI: 10.1109/TIM.2023.3236342
3. Upadhyay, R., Amhia, H. LSTM-Based Approach for Remaining Useful Life Prediction of Air Craft Engines // ITM Web of Conferences. - 2023. - Vol. 57. - Art. no. 03004. -. DOI: 10.1051/itmconf/20235703004 EDN: IJHOXU
4. Stanton, I., Munir, K., Ikram, A., El-Bakry, M. Predictive Maintenance Analytics and Implementation for Aircraft: Challenges and Opportunities // Systems Engineering. - 2023. - Vol. 26, iss. 2. - Р. 216-237. -. DOI: 10.1002/sys.21651 EDN: IUFUAY
5. Кулида Е.Л., Лебедев В.Г. Прогнозирование технического обслуживания авиационных двигателей на основе глубокого обучения // Материалы XIV Всероссийского совещания по проблемам управления (ВСПУ-2024). - Москва, 2024. - С. 2502-2506. EDN: AZOQVS
6. Сай В.К., Щербаков М.В. Прогнозирование отказов сложных многообъектных систем на основе комбинации нейросетей: пути повышения точности прогнозирования // Прикаспийский журнал: управление и высокие технологии. - 2020 - № 1 (49). - С. 49-60. -. DOI: 10.21672/2074-1707.2020.49.4.049-060 EDN: QIXRXX
7. Scott, M.J., Verhagen, W.J.C., Bieber, M.T., Marzocca, P. A Systematic Literature Review of Predictive Maintenance for Defence Fixed-Wing Aircraft Sustainment and Operations // Sensors. - 2022. - Vol. 22, no. 18. - Art. no. 7070. -. DOI: 10.3390/s22187070 EDN: LSMDCR
8. Khalid, S., Song, J., Azad, M.M. A Comprehensive Review of Emerging Trends in Aircraft Structural Prognostics and Health Management // Mathematics. - 2023. - Vol. 11, no. 18. - Art. no. 3837. -. DOI: 10.3390/math11183837 EDN: RNJZJM
9. Naderi, E., Meskin N., Khorasani, K. Nonlinear Fault Diagnosis of Jet Engines by Using a Multiple Model-based Approach // J. Eng. Gas Turbines Power. - 2012. - Vol. 13, no. 1. -. DOI: 10.1115/GT2010-23442
10. Amirkhani, S., Tootchi, A., Chaibakhsh, A. Fault Detection and Isolation of Gas Turbine Using Series-parallel NARX Model // ISA Transactions. - 2022. - Vol. 120. - P. 205-221. -. DOI: 10.1016/j.isatra.2021.03.019
11. Gharoun, H., Keramati, A., Nasiri, M., Azadeh, A. An Integrated Approach for Aircraft Turbofan Engine Fault Detection Based on Data Mining Techniques // Expert system. - 2021. - Vol. 36, no. 4. -. DOI: 10.1111/exsy.12370
12. Gharoun, H., Hamid, M., Ghaderi, S.F., Nasiri, M. Anomaly Detection via Data Techniques for Aircraft Engine Operation Monitoring // Proceedings of 4th International Industrial Engineering Conference (IIEC 2018). - Tehran, Iran, 2018. - P. 1-15.
13. Garcia, C.E., Camana, M.R., Koo, I. Machine Learning-based Scheme for Multi-class Fault Detection in Turbine Engine Disks // ICT Express. - 2021. - Vol. 7, iss. 1. - P. 15-22. -. DOI: 10.1016/j.icte.2021.01.009 EDN: KUODAL
14. Li, Z, Goebel, K., Wu, D. Degradation Modeling and Remaining Useful Life Prediction of Aircraft Engines Using Ensemble Learning // Journal of Engineering for Gas Turbines and Power. - 2018. - Vol. 141, no. 4. -. DOI: 10.1115/1.4041674
15. Celikmih, K., Inan, O., Uguz, H., et al. Failure Prediction of Aircraft Equipment Using Machine Learning with a Hybrid Data Preparation Method // Scientific Programming. - 2020. - Vol. 10. -. DOI: 10.1155/2020/8616039 EDN: CXYFJN
16. Costa, N., Sánchez, L. Variational Encoding Approach for Interpretable Assessment of Remaining Useful Life Estimation // Reliability Engineering and System Safety. - 2022. - Vol. 222, no. 1. -. DOI: 10.1016/j.ress.2022.108353 EDN: RHUDAC
17. Abdullah, T.A.A., Zahid, M.S.M., Turki, A.F., et al. Sig-LIME: a Signal-Based Enhancement of LIME Explanation Technique // IEEE Access. - 2024. - Vol. 12. - P. 52641-52658. -. DOI: 10.1109/ACCESS.2024.3384277 EDN: FYEGTW
18. Gao, J., Wang, Y., Sun, Z. An Interpretable RUL Prediction Method of Aircraft Engines Under Complex Operating Conditions Using Spatio-temporal Features // Measurement Science and Technology. - 2024. - Vol. 35, no. 7. -. DOI: 10.1088/1361-6501/ad3b2c EDN: QXVZAK
19. Chao, M.A., Kulkarni, C., Goebel, K., Fink, O. Fusing Physics-based and Deep Learning Models for Prognostics // Reliability Engineering and System Safety. - 2022. - Vol. 217, no. 3. -. DOI: 10.1016/ress.2021.107961
20. Adhikari, P., Rao, H.G., Buderath, M. Machine Learning Based Data Driven Diagnostics & Prognostics Framework for Aircraft Predictive Maintenance // Proceedings of the 10th International Symposium on NDT in Aerospace. - Dresden, Germany, 2018. - P. 24-26.
21. Graves, A., Schmidhuber, J. Framewise Phoneme Classification with Bidirectional LSTM and Other Neural Network Architectures // Neural Networks. - 2005. - Vol. 18, no. 5-6. - P. 602-610. -. DOI: 10.1016/j.neunet.2005.06.042
22. Graves, A., Jaitly, N., Mohamed, A.R. Hybrid Speech Recognition with Deep Bidirectional LSTM // Proceedings of 2013 IEEE Workshop on Automatic Speech Recognition and Understanding. - Olomouc, Czech Republic, 2014. - P. 273-278. -. DOI: 10.1109/ASRU.2013.6707742
23. Kefalas, M., Baratchi, M., Apostolidis, A., et al. Automated Machine Learning for Remaining Useful Life Estimation of Aircraft Engines // Proceedings of the IEEE International Conference on Prognostics and Health Management (ICPHM). - Detroit, USA, 2021. -. DOI: 10.1109/ICPHM51084.2021.9486549
24. Liu, L., Song, X., Zhou, Z. Aircraft Engine Remaining Useful Life Estimation Via a Double Attention-based Data-driven // Reliability Engineering and System Safety. - 2022. - Vol. 221, no. 3. -. DOI: 10.1016/j.ress2022.108330
25. Сай В.К. Глубокие нейронные сети для предсказательного технического обслуживания // Моделирование, оптимизация и информационные технологии. - 2019. - Т. 7, № 4. -. DOI: 10.26102/2310-6018/2019.27.4.011 EDN: ZDKYRX
26. Xia, J, Feng, Y., Lu, C., et al. LSTM-Based Multi-layer Self-attention Method for Remaining Useful Life Estimation of Mechanical Systems // Engineering Failure Analysis. - 2021. - Vol. 125, no. 12. -. DOI: 10.1016/j.engfainal.2021.105385
27. Dangut, M.D., Skaf, Z., Jennions, I.K. Rare Failure Prediction Using an Integrated Auto-encoder and Bidirectional Gated Recurrent Unit Network // IFAC-PapersOnLine. - 2020. - Vol. 53, iss. 4. - P. 276-282.
28. Dangut, M.D., Jennions, I.K., King, S., Skaf, Z. A Rare Failure Detection Model for Aircraft Predictive Maintenance Using a Deep Hybrid Learning Approach // Neural Computing and Applications. - 2023. - Vol. 35, no. 4. - P. 2991-3009. -. DOI: 10.1007/s00521-022-07167-8 EDN: ONFJBU
29. Сыпало, К.И., Пономарев, А.К., Ахатов, И.Ш. Перспективные технологии для авиационной промышленности: Аналитический обзор. - М.: НАУКА, 2017. - 463 с. EDN: URKUHK
30. Badea, V.E., Zamfiroiu, A., Boncea, R. Big Data in the Aerospace Industry // Informatica Economica. - 2018. - Vol. 22, no. 1. - P. 17-24. -. DOI: 10.12948/issn14531305/1.2018.02
31. Zhao, Y., Wang, Y. Remaining Useful Life Prediction for Multi-sensor Systems Using a Novel End-to-End Deep-learning Method // Measurement. - 2021. - Vol. 182, no. 163. -. DOI: 10.1016/j.measurement.2021.109685 EDN: PVGLWA
32. Frederick, D.K., DeCastro, J.A., Litt, J.S. User’s Guide for the Commercial Modular Aero-propulsion System Simulation (C-MAPSS). Report no. NASA/TM-2007-215026. - Cleveland: National Aeronautics and Space Administration, 2007. - 47 p.
33. Saxena, A., Goebel, K., Simon, D., Eklund, N. Damage Propagation Modeling for Aircraft Engine Run-to-Failure Simulation // Proceedings of International Conference on Prognostics and Health Management. - Denver, USA, 2008. -. DOI: 10.1109/PHM.2008.4711414
34. Song, Y., Bliek, L., Xia, T., Zhang, Y. A Temporal Pyramid Pooling-Based Convolutional Neural Network for Remaining Useful Life Prediction // Proceedings of the 31st European Safety and Reliability Conference (ESREL 2021). - P. 603-609. -. DOI: 10.3850/978-981-18-2016-8_478-cd
35. Chao, M.A., Kulkarni, C., Goebel, K., Fink, O. Aircraft Engine Run-to-Failure Dataset under Real Flight Conditions for Prognostics and Diagnostics // Data. - 2021. - Vol. 6 (1), no. 5. -. DOI: 10.3390/data6010005 EDN: MAZDRO
36. Azyus, A.F. Determining the Method of Predictive Maintenance for Aircraft Engine Using Machine Learning // Journal of Computer Science and Technology Studies. - 2022. - Vol. 4, no. 1. -. DOI: 10.32996/jcsts.2022.4.1.1 EDN: FFHCNS
37. Hasib, A.A., Rahman, A., Khabir, M., Shawon, M.T.R. An Interpretable Systematic Review of Machine Learning Models for Predictive Maintenance of Aircraft Engine // arXiv. - 2023. - arXiv:2309.13310v1. -. DOI: 10.48550/arXiv.2309.13310
38. Liu, T., Bao, J., Wang, J., Wang, J. Deep Learning for Industrial Image: Challenges, Methods for Enriching the Sample Space and Restricting the Hypothesis Space, and Possible Issue // International Journal of Computer Integrated Manufacturing. - 2022. - Vol. 35, iss. 10-11. - P. 1077-1106. -. DOI: 10.1080/0951192X.2021.1901319 EDN: UERLAL
39. Hinton, G.E., Salakhutdinov, R.R. Reducing the Dimensionality of Data with Neural Networks // Science. - 2006. - Vol. 313. - P. 504-507. -. DOI: 10.1126/science.1127647
40. Fu, S., Zhong, S., Lin, L., Zhao, M. A Re-optimized Deep Auto-encoder for Gas Turbine Unsupervised Anomaly Detection // Engineering Applications of Artificial Intelligence. - 2021. - Vol. 101, no. 12. -. DOI: 10.1016/j.engappi.2021.104199
41. Babu, G.S., Zhao, P., Li, X. Deep Convolutional Neural Network Based Regression Approach for Estimation of Remaining Useful Life // Proceedings of the International Conference on Database Systems for Advanced Applications (DASFAA). - Dallas, USA, 2016. - Vol. 9642. - P. 214-228. -. DOI: 10.1007/978-3-319-32025-0_14
42. Li, X., Ding, Q., Sun, J.Q. Remaining Useful Life Estimation in Prognostics Using Deep Convolution Neural Networks // Reliability Engineering and System Safety. - 2018. - Vol. 172, no. 1-2. -. DOI: 10.1016/j.ress.2017.11.021
43. Li, H., Zhao, W., Zhang, Y., Zio, E. Remaining Useful Life Prediction Using Multiscale Deep Convolutional Neural Network // Applied Soft Computing. - 2020. - Vol. 89. -. DOI: 10.1016/j.asoc.2020.106113 EDN: ZYKYTY
44. Абдуракипов С.С., Бутаков Е.Б. Сравнительный анализ алгоритмов машинного обучения для определения предотказных и аварийных состояний авиадвигателей // Автометрия. - 2020. - Т. 56, № 6. - С. 34-48. -. DOI: 10.15372/AUT20200605 EDN: GZVZQZ
45. Schuster, M., Paliwal, K.K. Bidirectional Recurrent Neural Networks // IEEE Transactions on Signal Processing. - 1997. - Vol. 45, no. 11. - P. 2673-2681. -. DOI: 10.1109/78.650093
46. Hu, K., Cheng, Y., Wu, J., et al. Deep Bidirectional Recurrent Neural Networks Ensemble for Remaining Useful Life Prediction of Aircraft Engine // IEEE Transactions on Cybernetics. - 2021. - Vol. 53, no. 4. - P. 2531-2543. -. DOI: 10.1109/TCYB.2021.3124838 EDN: AISDJY
47. Hochreiter, S., Schmidhuber, J. Long Short-term Memory // Neural Computation. - 1997. - Vol. 9, no. 8. - P. 1735-1780. -. DOI: 10.1162/neco.1997.9.8.1735
48. Wang, J., Wen, G., Yang, S., Liu, Y. Remaining Useful Life Estimation in Prognostics Using Deep Bidirectional LSTM Neural Network // Proceedings of the 2018 Prognostics and System Health Management Conference (PHM-Chongqing). -Chongqing, China, 2018. - P. 1037-1042. -. DOI: 10.1109/PHM-Chongqing.2018.00184
49. Khan, K., Sohaib, M., Rashid, A., et al. Recent Trends and Challenges in Predictive Maintenance of Aircraft’s Engine and Hydraulic System // Journal of the Brazilian Society of Mechanical Sciences and Engineering. - 2021. - Vol. 43. - P. 1-17. -. DOI: 10.1007/s40430-021-03121-2 EDN: IAFTWH
50. Wu, Q., Ding, K., Huang, B. Approach for Fault Prognosis Using Recurrent Neural Network // Journal of Intelligent Manufacturing. - 2020. - Vol. 31, no. 3. - P. 1621-1633. -. DOI: 10.1007/s10845-018-1428-5 EDN: TYEMQL
51. Peng, C., Chen, Y., Chen, Q., et al. A Remaining Useful Life Prognosis of Turbofan Engine Using Temporal and Spatial Feature Fusion // Sensors. - 2021. - Vol. 21, no. 2. -. DOI: 10.3390/s21020418 EDN: SPJAYV
52. da Rosa, T.G., de Melani, A.H.A., Pereira, F.H., et al. Semi-Supervised Framework with Autoencoder-Based Neural Networks for Fault Prognosis // Sensors. - 2022. - Vol. 22, no. 24. -. DOI: 10.3390/s22249738 EDN: FDMEPM
53. Peng, C., Wu, J., Wang, Q. Remaining Useful Life Prediction Using Dual-Channel LSTM with Time Feature and Its Difference // Entropy. - 2022. - Vol. 24, no. 12. -. DOI: 10.3390/e24121818 EDN: GTFFND
54. Wang, X., Huang, T., Zhu, K., Zhao, X. LSTM-Based Broad Learning System for Remaining Useful Life Prediction // Mathematics. - 2022. - Vol. 10, no. 12. -. DOI: 10.3390/math10122066 EDN: EXKTCM
55. Azyus, A.F., Wijaya, S.K., Naved, M. Determining RUL Predictive Maintenance on Aircraft Engines Using GRU // Journal of Mechanical, Civil and Industrial Engineering. - 2022. - Vol. 3, no. 3. - P. 79-84. -. DOI: 10.32996/jmcie.2022.3.3.10 EDN: VEFJRB
56. Boujamza, A., Elhaq, S.L. Attention-Based LSTM for Remaining Useful Life Estimation of Aircraft Engines // Advances in Control and Optimization of Dynamical Systems. - 2022. - Vol. 55, iss. 12. - P. 450-455. -. DOI: 10.1016/j.ifacol.2022.07.353
57. Jiang, Y., Li, C., Yang, Z., et al. Remaining Useful Life Estimation Combining Two-step Maximal Information Coefficient and Temporal Convolutional Network with Attention Mechanism // IEEE Access. - 2021. - Vol. 9. - P. 16 323-16 336. -. DOI: 10.1109/ACCESS.2021.3052305 EDN: YLLQHQ
58. Xia, J., Feng, Y., Teng, D., et al. Distance Self-attention Network Method for Remaining Useful Life Estimation of Aeroengine with Parallel Computing // Reliability Engineering and System Safety. - 2022. - Vol. 225, no. 1. -. DOI: 10.1016/j.ress.2022.108636 EDN: HSXAZO
59. Vaswani, A., Shazeer, N., Parmar, N., et al. Attention Is All You Need // Proceedings of 31st Conference on Neural Information Processing Systems (NIPS 2017). - Long Beach, CA, USA, 2017. - P. 5998-6008. -. DOI: 10.48550/arhiv1706.03762
60. Ma, Q., Zhang, M., Xu, Y., et al. Remaining Useful Life Estimation for Turbofan Engine with Transformer-based Deep Architecture // Proceedings of the 26th International Conference on Automation and Computing (ICAC). - Portsmouth, United Kingdom, 2021. -. DOI: 10.23919/ICAC50006.2021.9594150
61. Zhang, Z., Song, W., Li, Q. Dual-Aspect Self-Attention Based on Transformer for Remaining Useful Life Prediction // IEEE Transactions on Instrumentation and Measurement. - 2022. - Vol. 71. -. DOI: 10.1109/TIM.2022.3160561
62. Chadha, G.S., Shah, S.R.B., Schwung, A., Ding, S.X. Shared Temporal Attention Transformer for Remaining Useful Lifetime Estimation // IEEE Access. - 2022. - Vol. 10. -. DOI: 10.1109/ACCESS.2022.3187702 EDN: NRRZUG
63. Fan, Z., Li, W., Chang, K.-C. A Two-Stage Attention-Based Hierarchical Transformer for Turbofan Engine Remaining Useful Life Prediction // Sensors. - 2024. - Vol. 24, no. 3. -. DOI: 10.3390/s24030824
64. Xiang, F., Zhang, Y., Zhang, S., et al. Bayesian Gated-Transformer Model for Risk-Aware Prediction of Aero-Engine Remaining Useful Life // Expert System with Applications. - 2024. - Vol. 238, no. 1. -. DOI: 10.1016/j.eswa.2023.121859
65. Fan, Z., Li, W., Chang, K.-C. A Bidirectional Long Short-Term Memory Autoencoder Transformer for Remaining Useful Life Estimation // Mathematics. - 2023. - Vol. 11, iss. 24. - DOI: 103390/math11244972.
66. Zheng, S., Ristovski, K., Farahat, A., Gupta, C. Long Short-Term Memory Network for Remaining Useful Life Estimation // Proceedings of the 2017 IEEE International Conference on Prognostics and Health Management (ICPHM). - Dallas, TX, USA, 2017. - P. 88-95. -. DOI: 10.1109/ICPHM.2017.7998311
67. Mo, H., Lucca, F., Malacarne, J., Iacca, G. Multi-Head CNN-LSTM with Prediction Error Analysis for Remaining Useful Life Prediction // Proceedings of the 27th Conference of Open Innovations Association (FRUCT). - Trento, Italy, 2020. - P. 164-171. -. DOI: 10.23919/FRUCT49677.2020.9111058
68. Mo, Y., Wu, Q., Li, X., Huang, B. Remaining Useful Life Estimation via Transformer Encoder Enhanced by a Gated Convolutional Unit // Journal of Intelligent Manufacturing. - 2021. - Vol. 32. - P. 1997-2006. -. DOI: 10.1007/s10845-021-01750-x EDN: OIRWFG
69. Siraskar, R., Kumar, S., Patil, S., et al. Reinforcement Learning for Predictive Maintenance: A Systematic Technical Review // Artificial Intelligence Review. - 2023. - Vol. 56. - P. 12 885-12 947. -. DOI: 10.1007/s10462-023-10468-6 EDN: XPNQNW
70. Hu, Y., Miao, X., Zhang, J., et al. Reinforcement Learning Driven Maintenance Strategy: A Novel Solution for Long-term Aircraft Maintenance Decision Optimization // Computers & Industrial Engineering. - 2021. - Vol. 153. -. DOI: 10.1006/j.cie.2020.107056
71. Ribeiro, J., Andrade, P., Carvalho, M., et al. Playful Probes for Design Interaction with Machine Learning: A Tool for Aircraft Condition-based Maintenance Planning and Visualisation // Mathematics. - 2022. - Vol. 10, no. 9. -. DOI: 10.3390/math.10091604 EDN: PSXGQO
72. Silva, C., Andrade, P., Ribeiro, B., Santos, B.F. Adaptive Reinforcement Learning for Task Scheduling in Aircraft Maintenance // Scientific Reports. - 2023. - Vol. 13 (1). -. DOI: 10.1038/s41598-023-41169-3 EDN: DXBMXI
73. Dangut, M.D., Jennions, I.K., King, S., Skaf, Z. Application of Deep Reinforcement Learning for Extremely Rare Failure Prediction in Aircraft Maintenance // Mechanical Systems and Signal Processing. - 2022. - Vol. 171, no. 8. -. DOI: 10.1016/j.ymssp.2022.108873 EDN: GRYOPU
74. Pater, I., Reijns, A., Mitici, M. Alarm-based Predictive Maintenance Scheduling for Aircraft Engines with Imperfect Remaining Useful Life Prognostics // Reliability Engineering and System Safety. - 2022. - Vol. 221. -. DOI: 10.1016/j.ress.2022.108341 EDN: EBJFYV
75. Fink, O., Wang, Q., Svensén, M., et al. Potential, Challenges and Future Directions for Deep Learning in Prognostics and Health Management Applications // Engineering Applications and Artificial Intelligence. - 2020. - Vol. 92, no. 033. -. DOI: 10.1016/j.engappai.2020.103678 EDN: EEQVPY
76. Lee, J., Mitici, M. Deep Reinforcement Learning for Predictive Aircraft Maintenance Using Probabilistic Forecast of Remaining Useful Life // Reliability and System Safety. - 2023. - Vol. 230, no. 1. -. DOI: 10.1016/j.ress.2022.108908
77. Srivastava, N., Hinton, G., Sutskever, A., et al. A Simple Way to Prevent Neural Networks from Overfitting // Journal of Machine Learning Research. - 2014. - Vol. 15. -. DOI: 10.5555/2627435.2670313
78. Haarnoja, T., Zhou, A., Abbeel, P., Levine, S. Soft Actor-critic: Off-policy Maximum Entropy Deep Reinforcement Learning with a Stochastic Actor // Proceedings of the 35th International Conference on Machine Learning (ICML). - Stockholm, Sweden, 2018. - Vol. 5. - P. 2976-2989.
Выпуск
Другие статьи выпуска
The 17th International Conference on Management of Large-Scale Systems Development (MLSD’2024) was held on September 24-26, 2024. This annual event is organized by the Trapeznikov Institute of Control Sciences, the Russian Academy of Sciences, with the technical support of the IEEE Russia Section. MLSD conferences are intended to discuss research in the theory and applications of computer control and management for developing large-scale manufacturing, transport, energy, financial, and social systems. The peculiarity of this year’s conference is that the models of large-scale systems are largely focused on solving current problems of strategic management. The MLSD’2024 program included one plenary session and 16 sections with 393 participants. The original proceedings of MLSD’2024 (195 papers) have been published in Russian and indexed by the National Electronic Library (eLIBRARY. RU). Of these, 169 papers have been extended and published electronically in English in IEEE Xplore (Scopus indexing).
Рассмотрен подход к построению адаптивного управления скалярным объектом с текущей параметрической неопределенностью, для которого доступны измерению только его вход и выход, на основе упрощенных условий адаптируемости. Данный подход относится к непрямому самонастраивающемуся управлению с использованием алгоритма текущей параметрической идентификации и неявной эталонной модели. Структура настраиваемой модели в алгоритме идентификации выбирается как можно более простой, соответствующей основному движению объекта управления и элементарному динамическому звену или звеньям. В результате текущие оценки в составе указанной модели аппроксимируют движение объекта, критерием чего является сходимость невязки идентификации. Также требуется обеспечить определенные требования к текущим оценкам параметров. Эти оценки, даже неточные, используются для формирования закона управления, доставляющего заданные свойства замкнутой системы управления. Указанное положение предложено трактовать как уточнение известного принципа уверенной эквивалентности с исключением требования асимптотически точного оценивания параметров для достижения самонастраивающейся системой адаптивных свойств в задачах управления по выходу объекта. Основные соотношения приведены для примера, когда доминирующая динамика объекта близка колебательному процессу без дополнительной временно́й задержки. Предложено применять алгоритм идентификации в виде рекуррентного метода наименьших квадратов с фактором забывания и некоторыми модификациями. Приведены два примера решения задач построения адаптивных систем: управление угловым движением мостового крана и парирование колебаний упругого трехмассового привода. Предложено назвать рассматриваемый подход идентификационно-аппроксимационным. Отмечены возможность и пути его дальнейшего совершенствования.
Предлагается концептуальный подход к построению комбинированной обратной связи в системе человек - машина с введением искусственного сенсорного компонента обратной связи, управляемого технической подсистемой. Подход направлен на систематизацию роли комбинированной обратной связи в управлении многоагентными системами, включающими дополнительные элементы, людей и искусственных агентов. Он исследован в задаче управления вертикальной позой человека, а также в синтетических экспериментах (на модели CartPole), рассматриваемых на примере обучения с подкреплением. Изучалась изменчивость эффективности решения задачи управления в зависимости от характеристик каналов передачи информации и модификации свойств введенного искусственного сенсорного компонента обратной связи. Полученные результаты показывают концептуальное сходство наблюдений натурного эксперимента и искусственного численного эксперимента в части функционирования дополнительного канала обратной связи - как присутствие сходного эффекта перерегулирования, так и перспективы повышения качества управления путем настройки искусственного сенсорного компонента.
Решается задача вычисления уровня спектральной энтропии стационарного случайного процесса. Под спектральной энтропией (σ-энтропией) сигнала понимается скалярная величина, характеризующая окрашенность шума и определяющая класс сигналов, действующих на систему в зависимости от выбора полосы исследования. Предполагается, что случайный процесс задан либо в виде формирующего фильтра, на вход которого поступает белый шум с единичной ковариационной матрицей, либо в форме автокорреляционной функции. Получено аналитическое решение задачи вычисления уровня спектральной энтропии случайного стационарного процесса по известной математической модели формирующего фильтра в виде лог-детерминантной функции, зависящей от передаточной матрицы и грамиана наблюдаемости фильтра. Предложен алгоритм вычисления σ-энтропии для стационарных случайных процессов с известной автокорреляционной функцией. Метод сводится к восстановлению математической модели формирующего фильтра с использованием факторизации его спектральной плотности. Приведен численный пример расчета спектральной энтропии для возмущения, описывающего скорости порывов ветра, действующих на летательный аппарат.
Издательство
- Издательство
- ИПУ РАН
- Регион
- Россия, Москва
- Почтовый адрес
- 117997, ГСП-7, г. Москва, Профсоюзная, 65
- Юр. адрес
- 117997, г. Москва, Профсоюзная, 65
- ФИО
- Новиков Дмитрий Александрович (дирек)
- E-mail адрес
- dan@ipu.ru
- Контактный телефон
- +7 (495) 3348910
- Сайт
- https://www.ipu.ru/